一种基于WLAN指纹的室内动态感知策略的定位方法技术

一种基于WLAN指纹的室内动态感知策略的定位方法，采用改进卡尔曼滤波的预处理方法，首先通过一种改进的KNN分类算法对测试位置采集到的RSSI指纹进行快速分类并计算测试点的粗糙坐标；然后利用移动设备内置三轴加速度传感器与室内已部署的WLAN热点，以动态感知策略为基础对室内定位技术进行了优化。本发明专利技术对传统卡尔曼滤波器进行优化，并压缩训练集和10‑折交叉验证对KNN算法进行改进，通过粗糙定位和动态校准提升了基于指纹相关的WLAN定位技术的精度，可以降低指纹数据库的规模减少数据库建造成本，改善WLAN信号在室内传播的衰减带来的精度误差。

【技术实现步骤摘要】
一种基于WLAN指纹的室内动态感知策略的定位方法
本专利技术涉及定位方法
，具体涉及一种基于WLAN指纹的室内动态感知策略的定位方法。
技术介绍
随着智能手机的普及，以及无线通信技术的大规模发展，基于位置的服务(LocationBasedServices,LBS)在移动市场上的需求与日俱增，其相关应用在军事、交通、民生等各领域都有广泛的使用场景，例如路线规划导航、餐饮娱乐推荐、商场等大型室内外公共场所定位等。其中，定位作为LBS的核心服务需要满足在成本和精度等方面的诸多要求。近年来，WLAN技术的快速发展和普及不断为室内定位领域带来新的可能，其相关技术的研究一直是国内外的热点话题，并由此产出了一系列优秀的定位系统成果。RADAR是一种由BahlP等人于2000年提出的基于无线电频率的室内定位及追踪系统，它通过记录和处理传播范围涵盖整个测量空间的基站所发射的信号强度信息来实现定位。该系统的实现具体可分为两个步骤：首先将从基站采集的RSSI样本作为当前位置的信号特征；其次利用当前RSSI样本特征获得坐标及方向，该步骤又可通过两种方式实现：第一种方式利用最近邻居算法，将样本特征与离线数据库内的样本集进行匹配，距离最小的样本所处的位置就是观测点的当前坐标；第二种方式是将样本特征代入基于壁衰减系数和地衰减系数的信号传播模型中求得坐标。RADAR算法在空旷的走廊环境中的定位精度为2–3米。随后BahlP等人又于同年提出了基于概率统计模型，提高了33％的定位精度。Horus是一种基于WLAN无线电频率的联合聚类定位系统，由Moustafa等人于2005年提出。Horus在此基础上提出了一种聚类划分算法：在离线阶段按照样本所在的位置进行区域划分；在在线阶段，通过匹配算法找到观测样本属于的区域，之后将其在子区域中再进行匹配，最终得到观测点的估计坐标。实验结果表明，该系统中超过90％的测试结果精度都在2.1米以内。Battiti等人在2002年中提出了一种基于神经网络的WLAN定位系统，该系统采用具有三个输入单元、八个隐藏层单元和两个输出单元的多层感知器架构，这种架构可以获得最低的训练及测试误差，且可较好地避免数据过拟合。实验结果表明，该系统的平均定位精度为2.3米，且在训练过程中不需要提前获悉各基站的坐标。上述典型的室内定位系统都是通过对采集到的WLAN信号样本集设计不同的匹配算法来实现精准定位。虽然这些系统在特定的环境下能够满足定位应用的基本需求，但是由于在传播过程中受到各种干扰的影响，即使是在同一个位置采集到的WLAN信号值也可能随着时间而发生变化，这导致这类完全依靠WLAN信号实现的定位系统始终存在难以消除的不确定误差。因此，近年来许多研究都试图在基于WLAN的定位系统中使用别的定位技术作为辅助来提高定位精度。主要有以下几方面：1)一种融合Wi-Fi和Bluetooth的室内定位系统。该系统的实现可分为两个阶段：在离线阶段建立Wi-Fi接收信号强度值和根据信号衰减模型预测的接收信号强度值的样本数据库；在定位阶段，计算各样本点的Wi-Fi接收信号强度值和接收信号强度值与待测位置中此两项特征间的距离，距离值最小的样本点坐标即为待测位置的估计坐标。实验结果表明，在同等环境下，融合Wi-Fi和Bluetooth的定位方法精度为2.21米，效果优于仅使用Wi-Fi进行定位的方法精度2.73米。然而鉴于该方法获取的Bluetooth接收信号强度是由信号衰减模型预测而来，因此并不能完全满足如今定位应用的开发要求。2)一种基于Wi-Fi与手机内嵌加速度传感器的定位方法。该方法在传统策略的基础上，增加了对用户当前朝向的判断，通过检索特定朝向的离线数据库来提高定位的效率。具体做法如下：根据观察到的用户身体朝向对信号值的影响特性，为传统信号衰减模型添加一个朝向影响因子；离线数据库的建立过程中用该模型生成各参考点的RSSI值并将数据库按照朝向分类；在线阶段通过加速度传感器和罗盘传感器获得用户朝向，并将当前位置采集到的RSSI值代入到指定朝向的子数据库中进行匹配，最终达到提高定位系统精度的目的。但是这种方法容易受到Wi-Fi信号采集质量的影响且无法保障信号衰减模型能够适应各种复杂多变的室内环境。3)一种融合惯性导航和Wi-Fi地标来实现定位，具体做法分为两个阶段：首先通过惯性导航的方法来计算用户位置；其次将室内环境中独特的物理环境惯性导航进行位置校准。这种定位方法能达到2米的定位精度。但该方法极易受到手机方向变化的影响，定位性能不太稳定。综上所述，WLAN相关的定位技术可以分为基于WLAN实现与多技术混合实现两大类。其中，基于WLAN实现的定位技术一般分为离线和在线两个阶段：离线阶段建立WLAN信号特征和环境特征间的对应关系；在线阶段根据建立的关系为待测点WLAN信号特征寻找合适的环境特征，并由此计算待测点坐标。该类方法实现简单，但是需要选择合适的WLAN信号特征进行采集，并选择高效的关系匹配算法。多技术混合的定位方法常作为WLAN定位技术的辅助，通过引入其他设备判断WLAN定位的结果是否准确。
技术实现思路
为克服上述现有技术的不足，本专利技术的目的在于提供一种基于WLAN指纹的室内动态感知策略的定位方法。本专利技术从定位算法的成本、效率、精度三个要素入手，实现了一种基于改进卡尔曼滤波和动态感知策略的定位系统，该方法是一种混合定位技术，利用手机内嵌的加速度传感器来校准通过基于WLAN信号强度的定位方法得到的位置信息。为实现上述目的，本专利技术采用的技术方案如下：一种基于WLAN指纹的室内动态感知策略的定位方法，利用改进的卡尔曼滤波算法对指纹预处理，得到可靠的指纹数据库，再利用KNN快速建库，在此基础上利用移动设备内置的加速度传感器与室内已部署的WLAN热点，以动态感知策略为基础，实现了室内定位的动态感知，其特征在于，具体包括以下步骤：步骤S1，用户持终端设备完成行走和静止两种运动，采集移动终端的加速度传感器的读值和指定参考位置的RSSI值，得到指纹数据，终端设备由此建立基于贝叶斯的运动状态感知模型；步骤S2，利用改进的卡尔曼滤波算法对S1采集的RSSI值进行预处理；步骤S3，利用KNN模型对步骤S2处理过的指纹数据作为训练集，压缩后实现快速建库，并利用10-折交叉验证确定KNN算法的K值，得到改进的KNN算法；步骤S4，实时在线采集移动终端的RSSI值和加速度传感器读值，通过加速度传感器采集到的数据判断用户移动状态；当用户处于行走状态时，利用步骤S3得到的改进的KNN算法进行判别，采用动态感知策略进行位置校准，实现基于WLAN指纹的定位以及结果优化。步骤S1包括以下步骤：步骤S11，使用终端设备内嵌的加速度传感器，采集终端设备在用户的各种运动状态下的加速度传感器读值；建立贝叶斯模型，保存参数在拟使用数据库中；步骤S12，获取实验环境平面图与各AP位置，采集AP距离与RSSI值。所述步骤S11中，利用三轴加速度传感器感知终端设备水平移动的X轴数据、感知终端设备纵向上下移动的Y轴数据、感知终端设备前后移动的Z轴数据中，仅对三轴加速度传感器Z轴数据进行采集、分析。所述步骤S2包括以下步骤：步骤S21，改进卡尔曼滤波算法参数；步骤S22，设立阈本文档来自技高网...

【技术保护点】
一种基于WLAN指纹的室内动态感知策略的定位方法，利用改进的卡尔曼滤波算法对指纹预处理，得到可靠的指纹数据库，再利用KNN快速建库，在此基础上利用移动设备内置的加速度传感器与室内已部署的WLAN热点，以动态感知策略为基础，实现了室内定位的动态感知，其特征在于，具体包括以下步骤：步骤S1，用户持终端设备完成行走和静止两种运动，采集移动终端的加速度传感器读值和指定参考位置的RSSI值，得到指纹数据，同时终端设备由此建立基于贝叶斯的运动状态感知模型；步骤S2，利用改进的卡尔曼滤波算法对S1采集的RSSI值进行预处理；步骤S3，利用KNN模型对步骤S2处理过的指纹数据作为训练集，压缩后实现快速建库，并利用10‑折交叉验证确定KNN算法的K值，得到改进的KNN算法；步骤S4，实时在线采集移动终端的RSSI值和加速度传感器读值，通过加速度传感器数据判断用户移动状态；当用户处于行走状态时，利用步骤S3得到的改进的KNN算法进行判别，采用动态感知策略进行位置校准，实现基于WLAN指纹的定位以及结果优化。

【技术特征摘要】
1.一种基于WLAN指纹的室内动态感知策略的定位方法，利用改进的卡尔曼滤波算法对指纹预处理，得到可靠的指纹数据库，再利用KNN快速建库，在此基础上利用移动设备内置的加速度传感器与室内已部署的WLAN热点，以动态感知策略为基础，实现了室内定位的动态感知，其特征在于，具体包括以下步骤：步骤S1，用户持终端设备完成行走和静止两种运动，采集移动终端的加速度传感器读值和指定参考位置的RSSI值，得到指纹数据，同时终端设备由此建立基于贝叶斯的运动状态感知模型；步骤S2，利用改进的卡尔曼滤波算法对S1采集的RSSI值进行预处理；步骤S3，利用KNN模型对步骤S2处理过的指纹数据作为训练集，压缩后实现快速建库，并利用10-折交叉验证确定KNN算法的K值，得到改进的KNN算法；步骤S4，实时在线采集移动终端的RSSI值和加速度传感器读值，通过加速度传感器数据判断用户移动状态；当用户处于行走状态时，利用步骤S3得到的改进的KNN算法进行判别，采用动态感知策略进行位置校准，实现基于WLAN指纹的定位以及结果优化。2.根据权利要求1所述的一种基于WLAN指纹的室内动态感知策略的定位方法，其特征在于，所述步骤S1包括以下步骤：步骤S11，使用终端设备内嵌的加速度传感器，采集终端设备在用户的各种运动状态下的加速度传感器读值；建立贝叶斯模型，保存参数在拟使用数据库中；步骤S12，获取实验环境平面图与各AP位置，采集AP距离与RSSI值。3.根据权利要求2所述的一种基于WLAN指纹的室内动态感知策略的定位方法，其特征在于，所述步骤S11中，利用三轴加速度传感器感知终端设备水平移动的X轴数据、感知终端设备纵向上下移动的Y轴数据、感知终端设备前后移动的Z轴数据中，仅对三轴加速度传感器Z轴数据进行采集、分析。4.根据权利要求1所述的一种基于WLAN指纹的室内动态感知策略的定位方法，其特征在于，所述步骤S2包括以下步骤：步骤S21，改进卡尔曼滤波算法参数；步骤S22，设立阈值比较观测值的变化，对指纹数据进行平滑处理。5.根据权利要求4所述的一种基于WLAN指纹的室内动态感知策略的定位方法，其特征在于，所述步骤S21中，根据RSSI的单变量系统模型特点，对卡尔曼滤波过程进行改进，改进后的公式如式(1)～(5)所示：1)预估值更新状态：Pt|t-1＝Pt-1|t-1+Q(2)2)计算卡尔曼增益：3)观测值校准预测状态：4)更新误差协方差矩阵：Pt|t＝Pt|t-1-Kt·Pt|t-1(5)式中，Xt表示系统在t时刻的状态，Kt表示时刻t的卡尔曼增益，P表示预估误差的协方差矩阵，Zt是t时刻的观测向量，Q表示噪声方差对角阵，R为噪声。改进后，观测...

【专利技术属性】
技术研发人员：高岭，秦晴，王海，任杰，张哲雯，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西,61