基于分布式AP选择策略的室内定位方法技术

本发明专利技术公开了一种基于分布式AP选择策略的室内定位方法，包括：在每个参考点上利用移动设备采集k次AP节点的信号强度，并对数据进行处理；将目标区域等面积划分为m个子区域，将不同子区域的指纹信息分类，利用指纹信息库训练分区域模块，根据RSS指纹信息选择对应的子区域；计算每个AP节点与各个子区域的相关性，并将相关性系数排序，选择相关性系数大于Pτ的AP节点，作为该子区域的定位节点；在每个子区域中，利用选取的定位节点作为DBN模型的输入，对应的位置点作为DBN模型的输出，训练DBN模型，构建定位预测模型。能够有效去除较大噪声以及位置分辨能力弱的AP节点，提高整个WIFI室内定位系统的定位精度，减少了算法运行时间。

【技术实现步骤摘要】

本专利技术涉及一种室内定位方法，具体地涉及一种基于分布式AP选择策略的WIFI的室内定位方法。
技术介绍
室内定位是一种用于获取室内目标物体位置信息的技术，在民用和军用领域具有广泛的应用前景。常见的定位算法主要基于接收信号强度指示(ReceivedSignalStrengthIndication,RSSI)、到达时间(TimeofArrival,TOA)、到达时间差(TimeDifferenceofArrival,TDOA)、到达角度(AngleofArrival,AOA)等技术。其中，基于RSSI的定位算法具有低功耗，低成本且易实现的优点，被广泛应用于无线室内定位。使用RSSI的定位算法通常分为：基于信号传播模型的定位算法和基于指纹模型的定位算法。传统的基于信号传播模型的定位算法主要通过获取大量的样本数据，利用传统路径损耗模型建立接收信号强度指示(RSSI)和节点间距离的函数关系，然后估计出目标的位置信息。由于无线信号在传播过程中较易受室内环境变化的影响，导致RSSI值具有明显的波动性，同时传统路径损耗模型中路径衰减指数以及环境因子难以确定，这些因素将影响模型的测距精度，进而导致定位误差增大。基于指纹模型的定位算法是在大量实际样本数据的基础上根据统计分析方法建立定位模型，其中学习模型作为统计分析方法的一种被广泛用于训练定位预测模型，最后用该定位预测模型对目标位置进行预测。该方法的实质是将一组无线信号强度与目标位置建立映射关系。Zhou等人采用人工神经网络(ArtificialNeuralNetwork,ANN)作为学习预测工具，并融合区域划分技术对目标位置进行预测，取得了较优的定位预测效果。桑楠等人将RSSI与位置信息建立非线性关系，利用支持向量机(SupportVectorMachine,SVM)学习并预测位置信息，有效地降低定位误差。其中基于指纹模型的定位算法具有定位精度高，充分利用现有设施，升级和维护对用户影响小等优点，得到了广泛应用，位置指纹定位算法主要分为离线测量阶段和在线定位阶段两个步骤。在具有大量AP节点部署的无线网络中，为了获得目标位置，上述方法所处理的数据都是高维向量(AP节点的个数)。同时，由于物体的遮挡以及节点故障等因素，导致将所有AP节点作为特征输入的定位效果并不一定最优，冗余的AP节点增加了位置估计的难度，容易造成过度拟合的问题，并增加了时间和空间的复杂度。针对该问题，采用合适的选择机制筛选AP节点，获得较优的AP节点作为特征输入，既达到降维的作用，又提高了定位精度。传统方法通常根据接收的某一AP的平均信号强度来判断AP的定位能力，信号强度均值越大，则认为该AP的定位能力越强。实际中发现，这种AP选择方法是不正确的，如一个AP在定位区域内各处的信号强度都比较大但其波动较小，虽然该AP信号强度平均值很大，但是定位能力较弱。同时传统方法并没有考虑到某AP对于定位环境中不同的位置有不同的定位贡献，比如一个AP可能对某一区域定位能力很好，但对其他区域定位能力较差。
技术实现思路
为了解决上述技术问题，本专利技术目的是：提供一种基于分布式AP选择策略的室内定位方法，可以避免较大噪声以及位置分辨能力弱的AP节点的影响，同时减少定位所需的运算时间并提高定位精度。本专利技术的技术方案是：一种基于分布式AP选择策略的室内定位方法，包括以下步骤：S01：在室内环境布置D个AP节点，保证室内环境中任意位置点被三个或三个以上的AP节点发出的信号覆盖，同时将该目标区域划分为N个小区域，以小区域中心为信号强度采集点，共N个参考点，用于离线阶段采集样本数据；S02：对目标区域建立二维直角坐标系，获得N个参考点的坐标位置，并在每个参考点上利用移动设备采集k次AP节点的信号强度，并对数据进行处理；S03：将目标区域利用等面积的方法划分为m个子区域，将不同子区域的指纹信息进行分类，利用指纹信息库训练分区域模块，根据RSS指纹信息选择对应的子区域；S04：计算每个AP节点与各个子区域的相关性，并将相关性系数排序，选择相关性系数大于Pτ的AP节点，作为该子区域的定位节点，其中，Pτ表示相关性系数的阈值；S05：在每个子区域中，利用选取的定位节点作为DBN模型的输入，对应的位置点作为DBN模型的输出，训练DBN模型，构建定位预测模型；S06：在线预测阶段，获取移动设备接收的RSS指纹信息并作为分区域模块的输入向量，分区域模块的输出向量为该RSS指纹信息所属的子区域；S07：利用步骤S06中获取的子区域对应的AP节点的信号强度作为DBN模型的输入向量，利用已训练的DBN模型获取目标的位置。优选的，所述步骤S02具体包括如下步骤：S21：在每个参考点接收每一个AP节点的信号强度RSS值，构成D维信号向量RSSD；每个参考点采集k次信号强度值，构成了k*D的信号强度矩阵，其矩阵的第i行第j列表示第i次采集中接收第j个AP节点的信号强度RSS值；i为小于或等于k的正整数；j为小于或等于D的正整数；RSSD＝(rss1,rss2,rss3,…,rssj,…,rssD)(1)式中：rssj∈[-100,0]表示参考点处接收到第j个AP节点的信号强度。S22：构建指纹数据库,训练数据集中包含N条记录，每条记录表示为向量r，向量中包含可用AP节点的信号强度和采样点的位置：r＝(RSSi,Li)＝(rss1,rss2,rss3,…,rssD,Li)(2)式中：RSSi表示第i次采集中接收的RSS集合，D表示AP节点的个数，Li表示对应于RSSD向量的位置标签。优选的，所述步骤S03具体包括以下步骤：S31：将定位区域S划分为m个子区域，子区域定义如下所示：Rc={L1c,L2c,...,Lkc本文档来自技高网...

【技术保护点】
一种基于分布式AP选择策略的室内定位方法，其特征在于，包括以下步骤：S01：在室内环境布置D个AP节点，保证室内环境中任意位置点被三个或三个以上的AP节点发出的信号覆盖，同时将该目标区域划分为N个小区域，以小区域中心为信号强度采集点，共N个参考点，用于离线阶段采集样本数据；S02：对目标区域建立二维直角坐标系，获得N个参考点的坐标位置，并在每个参考点上利用移动设备采集k次AP节点的信号强度，并对数据进行处理；S03：将目标区域利用等面积的方法划分为m个子区域，将不同子区域的指纹信息进行分类，利用指纹信息库训练分区域模块，根据RSS指纹信息选择对应的子区域；S04：计算每个AP节点与各个子区域的相关性，并将相关性系数排序，选择相关性系数大于Pτ的AP节点，作为该子区域的定位节点，其中，Pτ表示相关性系数的阈值；S05：在每个子区域中，利用选取的定位节点作为DBN模型的输入，对应的位置点作为DBN模型的输出，训练DBN模型，构建定位预测模型；S06：在线预测阶段，获取移动设备接收的RSS指纹信息并作为分区域模块的输入向量，分区域模块的输出向量为该RSS指纹信息所属的子区域；S07：利用步骤S06中获取的子区域对应的AP节点的信号强度作为DBN模型的输入向量，利用已训练的DBN模型获取目标的位置。...

【技术特征摘要】
1.一种基于分布式AP选择策略的室内定位方法，其特征在于，包括以下步骤：
S01：在室内环境布置D个AP节点，保证室内环境中任意位置点被三个或三个以
上的AP节点发出的信号覆盖，同时将该目标区域划分为N个小区域，以小区域中心为
信号强度采集点，共N个参考点，用于离线阶段采集样本数据；
S02：对目标区域建立二维直角坐标系，获得N个参考点的坐标位置，并在每个参
考点上利用移动设备采集k次AP节点的信号强度，并对数据进行处理；
S03：将目标区域利用等面积的方法划分为m个子区域，将不同子区域的指纹信息
进行分类，利用指纹信息库训练分区域模块，根据RSS指纹信息选择对应的子区域；
S04：计算每个AP节点与各个子区域的相关性，并将相关性系数排序，选择相关
性系数大于Pτ的AP节点，作为该子区域的定位节点，其中，Pτ表示相关性系数的阈值；
S05：在每个子区域中，利用选取的定位节点作为DBN模型的输入，对应的位置点
作为DBN模型的输出，训练DBN模型，构建定位预测模型；
S06：在线预测阶段，获取移动设备接收的RSS指纹信息并作为分区域模块的输入
向量，分区域模块的输出向量为该RSS指纹信息所属的子区域；
S07：利用步骤S06中获取的子区域对应的AP节点的信号强度作为DBN模型的输
入向量，利用已训练的D...

【专利技术属性】
技术研发人员：葛柳飞，李克清，戴欢，沈韬，
申请(专利权)人：常熟理工学院，
类型：发明
国别省市：江苏;32