基于RSSI信号强度排序的室内指纹定位系统技术方案

为了解决室内定位指纹算法中设备差异性对定位精度的影响，通过对指纹点上各无线接入点(Access Point，AP)利用概率比较方法进行基于信号强度的排序，可有效改善设备差异性对定位精度的影响。本发明专利技术公开了一种基于排序指纹改善设备差异性对定位精度影响的方法，通过对指纹点上的AP进行强度大小排序，利用有效子集个数进行AP选取，再根据设备计算资源，提出了两种可供选择的定位算法，一种是基于Kendall's tau相似程度(KTCC)结合加权k‑近邻的定位算法，另一种是基于卷积神经网络(CNN)结合加权k‑近邻的定位算法。

Indoor fingerprint location system based on RSSI signal strength ranking

In order to solve the influence of equipment difference on location accuracy in indoor fingerprint location algorithm, the probability comparison method is used to sort the wireless access points (AP) on fingerprint points based on signal strength, which can effectively improve the influence of equipment difference on location accuracy. The invention discloses a method for improving the influence of device difference on positioning accuracy based on sorting fingerprint. The method sorts the strength of AP on fingerprint points, selects AP by the number of effective subsets, and then proposes two alternative positioning algorithms according to device computing resources. One is based on Kendall's tau phase. Similarity degree (KTCC) combined with weighted k_nearest neighbor localization algorithm, another algorithm is based on convolution neural network (CNN) combined with weighted k_nearest neighbor localization algorithm.

【技术实现步骤摘要】
基于RSSI信号强度排序的室内指纹定位系统
本专利技术涉及室内定位
，主要涉及室内指纹，用于改善不同设备间接收RSSI信号的偏差对精度的影响。
技术介绍
随着技术的不断进步，物联网(InternetofThings(IoT))，一种通过智能传感器将物理世界智能化的技术，给社会带来了颠覆性变革，为智能社会开启了一个新纪元。智慧城市，智慧交通，智能家居，智慧工业等新兴技术开始改变人们的生活方式。作为物联网的引擎，位置服务已成为物联网发展至关重要的一环。目前的位置服务技术主要分为两类：室外和室内定位技术。GPS作为主流的室外定位技术涵盖了社会生活的方方面面，成为了人们日常生活中不可或缺的重要技术。人们超过80％的时间都处于室内的特点使得室内位置服务带来了巨大的应用和商业潜能，商场，机场，展览馆等室内定位技术的应用为生活带来了极大的便捷，位置服务技术和产业开始从室外向室内发展。相比室外定位，室内定位技术因室内环境的复杂性面临了极大的挑战。为了解决室内位置服务的难题，多种室内定位技术方案已经被提出。不同的技术适应不同的应用场景，其中在以WiFi、蓝牙为代表的无线射频定位中，指纹定位因其不需要额外的基础设备且能实现一个相对更高的定位精度，因而它比直接测距的定位方式更加流行。基于指纹的位置估计包括线下指纹库建立阶段和线上实时定位阶段。在线下建立指纹库阶段，在场景内选定的位置处采集各个AccessPoint(AP)的ReceivedSignalStrengthIndication(RSSI)值，同时将这些参考点的坐标也一同保存到指纹库中。在线定位阶段通过在未知点处获取的各AP的RSSI值与指纹库进行匹配，选取最匹配的点或点集以及它们所对应的权重来求取待定点的坐标。室内指纹定位方法的影响因素有很多，其中，设备差异性是影响定位精度的一个重要因素。设备差异性是指不同设备在相同位置接收来自于同一个AP的RSSI之间的差异。设备差异性是客观存在的，由硬件本身的差异所决定。由于指纹库的构建都在离线阶段，而当新的移动设备在在线阶段发出定位需求时，需要利用新设备所接受的RSSI与指纹库进行匹配。因此，设备差异性势必会给室内定位精度带来一定的影响。目前的解决方法大多是基于模型的拟合，通过提前训练样本得到新增设备与指纹库的拟合关系，通过算法纠正来改善设备差异性的影响。但这些算法一般具有比较高的复杂性，会对降低定位的效率，而且需要提前训练样本也会影响实际应用。因此，如何提出一个简单有效改善设备差异性的方法显得尤为重要。此外，随着深度学习的发展和成熟，很多学者纷纷投入到与深度学习有关的研究中。深度学习在非监督分类领域中有算法优越性高，因此，如何结合深度学习学习方法来提高定位算法精度也是亟待解决的问题。
技术实现思路
本专利技术针对设备差异性对室内指纹定位精度的影响，提出了基于排序指纹来改善设备差异性的方法。此外，根据用户设备本身所具有的计算资源，提供了两种定位方法，一种是基于KendallTauCorrelationCoefficient(KTCC)并结合WeightedKNearestNeighbor(WKNN)的定位算法，适应于低计算资源的用户设备；另一种是基于卷积神经网络(CNN)并结合WKNN的定位算法，适用于高计算资源的用户设备。本专利技术所采用的技术方案为：基于RSSI信号强度排序的室内指纹定位系统步骤一，在室内环境中选取若干参考点，采集参考点处(WiFi或蓝牙)AP的信号强度信息，将信号强度信息和参考点的位置信息关联起来组成位置指纹，得到位置指纹库；步骤二，在离线阶段，首先将各指纹点上的AP集合汇总，得到指纹库中所有能检测到的AP列表，然后依据这个总AP列表依次对各指纹点上缺失的数据用-100进行填补。在单个指纹点上将所有接收到RSSI信号的AP利用概率比较公式进行大小比较。然后按照从大到小的顺序进行排列，所有指纹点都进行同样的比较和排序。步骤三，将每个指纹点上排序的AP集合按照有序原则划分成多个只包含两个不同AP的子集。注意，子集内AP的顺序不可逆。步骤四，将子集内AP1排在AP2前面的情况定义为AP1的有效子集。依次统计每个AP在任意两个指纹点间相同的AP子集中该AP的有效子集个数，若没有有效子集则记为零。然后将每个AP所有的有效子集个数进行求和，最后将这个和除以对应AP的有效指纹点总数的组合数作为对应AP的最终次数。步骤五，用户为AP选取的个数设置一个初值I。根据步骤四求得的每个AP的最终次数，选取最终次数最少的I个AP作为选取结果，并将选取的AP重复步骤三的操作。步骤六，判断用户设备是否具有很高的计算资源，当用户设备的计算资源达到运行CNN时，即高时，可以选择利用CNN算法；当计算资源达不到，即低时，可以选择KTCC算法。若步骤六的判断结果是低:步骤七，假设步骤六的判断结果是低，则选择KTCC算法。然后利用不同的移动设备开始在同一待定点上采集各个AP的信号。步骤八，按照步骤五AP选取的结果来删选待定点上采集到的AP，只留下步骤五选取步骤中包含的AP。然后将待定点上优选出来的AP按照步骤二和步骤三的操作，划分子集。步骤九，用待定点上的AP子集依次与其他指纹点上的AP子集计算KTCC距离，然后将距离进行从大到小排序。步骤十，设置WKNN算法的K值，根据参考现有的研究成果，K值一般设置成3-5。因此可在这个范围内进行微调。根据步骤九的结果，由于KTCC的值越大，说明两个序列之间的相似性越高，距离越近。而待定点位置的求解需要利用最近邻的K个指纹点，因此需要选择KTCC值最大对应的K个指纹点。然后按照距离加权算法，将K个指纹点的权重计算出来。若步骤六的判断结果是高:步骤七’，假设步骤六的判断结果是高，则选择CNN算法。然后利用移动设备开始在待定点上采集各个AP的信号。步骤八’，按照步骤五AP选取的结果来删选待定点上采集到的AP，只留下步骤五选取步骤中包含的AP。然后将待定点上优选出来的AP按照步骤二进行AP排序。步骤九’，将ap强度排序结果作为输入，输入到训练好的卷积神经网络中步骤十’，利用softmax层的输出，作为wknn算法的权重步骤十一，根据指纹点的坐标信息和权重，利用WKNN算法结算处待定点的位置坐标。步骤十二，判断结果是否满足预期要求，若不满足则通过改变AP选取数目的I值和WKNN算法的K值，转到步骤五循环。若满足要求则直接输出结果。当获取最优参数之后，此步骤可以省略。本专利技术具有的特点是第一方面，本专利技术重点考虑了设备差异性，提出了一种基于排序指纹改善设备差异性的方法。因为设备差异造成的影响主要是同一个AP的RSSI绝对值，而不同设备所接收到的AP之间的大小排序是与设备差异性基本无关或者相关性比较低的，因此这种方式能够有效的改善设备差异性所带来的误差。第二方面，基于排序指纹的特点，提出了一种与设备差异性无关的AP选取算法，能有效降低计算量，提升算法效率。第三方面，基于排序指纹方法，本专利技术提出了两种新的定位算法，适应于不同计算能力的用户设备。第一种是基于KTCC结合WKNN的定位算法，该算法对移动设备的计算资源要求不是很高，适用于手机等移动设备。第二种是基于CNN结合WKNN的定位算法，该算法能实现更优的定位精度，但本文档来自技高网...

【技术保护点】
1.基于RSSI信号强度排序的的室内指纹定位系统，可以有效改善设备差异性所造成的定位影响，其特征在于，包含以下步骤：步骤一，在室内环境中选取若干参考点，采集参考点处的信号强度信息，将信号强度信息和参考点的位置信息关联起来组成位置指纹，得到位置指纹库；步骤二，在离线阶段，首先将各指纹点上的AP集合汇总，得到指纹库中所有能检测到的AP列表，然后依据这个总AP列表依次对各指纹点上缺失的数据用‑100进行填补，在单个指纹点上将所有接收到RSSI信号的AP利用概率比较公式进行大小比较，然后按照从大到小的顺序进行排列，所有指纹点都进行同样的比较和排序；步骤三，将每个指纹点上排序的AP集合按照有序原则划分成多个只包含两个不同AP的子集，注意，子集内AP的顺序不可逆；步骤四，将子集内AP1排在AP2前面的情况定义为AP1的有效子集，依次统计每个AP在任意两个指纹点间相同的AP子集中该AP的有效子集个数，若没有有效子集则记为零，然后将每个AP所有的有效子集个数进行求和，最后将这个和除以对应AP的有效指纹点总数的组合数作为对应AP的最终次数；步骤五，用户为AP选取的个数设置一个初值I，根据步骤四求得的每个AP的最终次数，选取最终次数最少的I个AP作为选取结果，并将选取的AP重复步骤三的操作；步骤六，判断用户设备是否具有很高的计算资源，当用户设备的计算资源达到运行CNN时，即高时，可以选择利用CNN算法；当计算资源达不到，即低时，可以选择KTCC算法，若步骤六的判断结果是低:步骤七，假设步骤六的判断结果是N，则选择KTCC算法，然后利用不同的移动设备开始在同一待定点上采集各个AP的信号；步骤八，按照步骤五AP选取的结果来删选待定点上采集到的AP，只留下步骤五选取步骤中包含的AP，然后将待定点上优选出来的AP按照步骤二和步骤三的操作，划分子集；步骤九，用待定点上的AP子集依次与其他指纹点上的AP子集计算KTCC距离，然后将距离进行从大到小排序；步骤十，设置WKNN算法的K值，根据参考现有的研究成果，K值一般设置成3‑5，因此可在这个范围内进行微调，根据步骤九的结果，由于KTCC的值越大，说明两个序列之间的相似性越高，距离越近，而待定点位置的求解需要利用最近邻的K个指纹点，因此需要选择KTCC值最大对应的K个指纹点，然后按照距离加权算法，将K个指纹点的权重计算出来；若步骤六的判断结果是高:步骤七’，假设步骤六的判断结果是Y，则选择CNN算法，然后利用移动设备开始在待定点上采集各个AP的信号；步骤八’，按照步骤五AP选取的结果来删选待定点上采集到的AP，只留下步骤五选取步骤中包含的AP，然后将待定点上优选出来的AP按照步骤二进行AP排序；步骤九’，将ap强度排序结果作为输入，输入到训练好的卷积神经网络中；步骤十’，利用softmax层的输出，作为wknn算法的权重；步骤十一，根据指纹点的坐标信息和权重，利用WKNN算法结算处待定点的位置坐标；步骤十二，判断结果是否满足预期要求，若不满足则通过改变AP选取数目的I值和WKNN算法的K值，转到步骤五循环，若满足要求则直接输出结果，当获取最优参数之后，此步骤可以省略。...

【技术特征摘要】
1.基于RSSI信号强度排序的的室内指纹定位系统，可以有效改善设备差异性所造成的定位影响，其特征在于，包含以下步骤：步骤一，在室内环境中选取若干参考点，采集参考点处的信号强度信息，将信号强度信息和参考点的位置信息关联起来组成位置指纹，得到位置指纹库；步骤二，在离线阶段，首先将各指纹点上的AP集合汇总，得到指纹库中所有能检测到的AP列表，然后依据这个总AP列表依次对各指纹点上缺失的数据用-100进行填补，在单个指纹点上将所有接收到RSSI信号的AP利用概率比较公式进行大小比较，然后按照从大到小的顺序进行排列，所有指纹点都进行同样的比较和排序；步骤三，将每个指纹点上排序的AP集合按照有序原则划分成多个只包含两个不同AP的子集，注意，子集内AP的顺序不可逆；步骤四，将子集内AP1排在AP2前面的情况定义为AP1的有效子集，依次统计每个AP在任意两个指纹点间相同的AP子集中该AP的有效子集个数，若没有有效子集则记为零，然后将每个AP所有的有效子集个数进行求和，最后将这个和除以对应AP的有效指纹点总数的组合数作为对应AP的最终次数；步骤五，用户为AP选取的个数设置一个初值I，根据步骤四求得的每个AP的最终次数，选取最终次数最少的I个AP作为选取结果，并将选取的AP重复步骤三的操作；步骤六，判断用户设备是否具有很高的计算资源，当用户设备的计算资源达到运行CNN时，即高时，可以选择利用CNN算法；当计算资源达不到，即低时，可以选择KTCC算法，若步骤六的判断结果是低:步骤七，假设步骤六的判断结果是N，则选择KTCC算法，然后利用不同的移动设备开始在同一待定点上采集各个AP的信号；步骤八，按照步骤五AP选取的结果来删选待定点上采集到的AP，只留下步骤五选取步骤中包含的AP，然后将待定点上优选出来的AP按照步骤二和步骤三的操作，划分子集；步骤九，用待定点上的AP子集依次与其他指纹点上的AP子集计算KTCC距离，然后将距离进行从大到小排序；步骤十，设置WKNN算法的K值，根据参考现有的研究成果，K值一般设置成3-5，因此可在这个范围内进行微调，根据步骤九的结果，由于KTCC的值越大，说明两个序列之间的相似性越高，距离越近，而待定点位置的求解需要利用最近邻的K个指纹点，因此需要选择KTCC值最大对应的K个指纹点，然后按照距离加权算法，将K个指纹点的权重计算出来；若步骤六的判断结果是高:步骤七’，假设步骤六的判断结果是Y，则选择CNN算法，然后利用移动设备开始在待定点上采集各个AP的信号；步骤八’，按照步骤五...

【专利技术属性】
技术研发人员：马梓翔，吴帮，吴伟，
申请(专利权)人：马梓翔，吴帮，吴伟，
类型：发明
国别省市：辽宁,21