一种基于WiFi指纹的室内定位加权K近邻方法技术

本发明专利技术公开了一种基于WiFi指纹的室内定位加权K近邻方法,属于室内定位领域，主要涉及基于WiFi指纹匹配的指纹库中匹配点的选择和行人位置的计算技术。在目标节点与指纹库中的节点匹配时，提供了一种新的权值计算方法。相对于传统WKNN的算法在计算权值时只考虑欧氏距离，本发明专利技术方法中的权值计算公式不仅考虑到考虑到欧氏距离，还考虑到实际匹配计算过程中目标节点与指纹信息库中节点能够匹配到的WiFi数量。解决了传统WKNN算法计算中没有考虑到WiFi匹配数量导致定位精度低的问题。本发明专利技术在实际定位场景中可有效的提高定位精度，取得更好的定位效果。

【技术实现步骤摘要】
一种基于WiFi指纹的室内定位加权K近邻方法
本专利技术属于室内定位领域，主要涉及基于WiFi指纹匹配的指纹库中匹配点的选择和行人位置的计算技术。
技术介绍
传统的基于RSS指纹的定位方法大致分为两个阶段:训练阶段和服务阶段。在训练阶段，通过人工方式对定位区域不同位置的无线信号特征采样并存入位置指纹数据库。在服务阶段，服务器端将目标节点所在位置的无线信号指纹与指纹数据库匹配，查找相似度最大指纹对应的位置信息作为目标节点位置。在传统的方法中，比较目标节点处与指纹库中的信号特征信息，使用较多的是K近邻方法(KNearestNeighbour，KNN)或是加权的K近邻方法(WeightedKNearestNeighbour，WKNN)算法。KNN方法是在指纹信息库中选出k个离目标节点欧式距离最近的点，欧式距离的计算方式如下：其中di表示目标点与指纹库中第i个参考点之间的欧氏距离，RSSij表示第i个参考点的信号强度矢量的第j个值，RSSj表示目标点处的信号强度矢量的第j个强度值。然后根据这k个指纹信息库中的节点坐标求平均计算出目标节点的估计坐标。WKNN算法在KNN的基础上对目标节点处的信号特征信息与指纹库中的信号点的欧氏距离最近的k个点赋予一个权值，然后根据这k节点加权后的坐标计算出目标点的估计位置坐标。其计算方法如下：其中表示目标节点坐标的估计值，k表示k个候选点，di表示第i个点到目标节点的欧氏距离，(xri,yir)表示选出的k个欧式距离最近的节点中第r个点的坐标。以下文献介绍了目前基于信号强度(RSS)指纹的方法：[1]BahlP,PadmanabhanVN.RADAR:anin-buildingRF-baseduserlocationandtrackingsystem[C]//INFOCOM2000.NineteenthJointConferenceoftheIEEEComputerandCommunicationsSocieties.Proceedings.IEEE.IEEEXplore,2000:775-784vol.2.[2]南京信息工程大学.基于位置指纹识别算法的安卓设备WiFi室内定位方法:中国,CN201310120751.2[P].2013-7-10.文献[1]中微软研究院提出的RADAR系统，系统采用KNN算法，在KNN方法计算中，选出的k个欧氏距离最近节点在计算目标节点时的权值是一样的，但由于欧式距离不同的节点相对目标节点的实际距离理论上是不同的，所以KNN算法不能很好的反应出欧式距离与实际距离的关系。文献[2]中采用加权的KNN算法，将欧氏距离作为权值，即使用公式(2)中的传统WKNN计算方式，传统WKNN虽然考虑了不同的欧式距离对于目标节点的实际距离的差异，但在权值计算方式上只使用了欧式距离的作为计算加权值的唯一因素，没有考虑到实际匹配计算过程中目标节点与指纹信息库中节点能够匹配到的WiFi数量，所以该方法定位精度有限。
技术实现思路
本专利技术提出了一种基于加权的KNN改进算法，在目标节点与指纹库中的节点匹配时，提供了一种新的权值计算方法。相对于传统WKNN的算法在计算权值时只考虑欧氏距离，本专利技术方法中的权值计算公式不仅考虑到考虑到欧氏距离，还考虑到实际匹配计算过程中目标节点与指纹信息库中节点能够匹配到的WiFi数量。解决了传统WKNN算法计算中没有考虑到WiFi匹配数量导致定位精度低的问题。本专利技术在实际定位场景中可有效的提高定位精度，取得更好的定位效果。本专利技术技术方案为一种基于WiFi指纹的室内定位加权K近邻方法,该方法包括:步骤1：线下采集阶段，将所要定位的区域划分成大小相等的方格，在每一个方格的中心点对周边WiFi进行采样，并记录下该点的地理位置坐标信息；步骤2：从采集到的WiFi中计算出WiFi信号强度最大的m个WiFi；步骤3：在线定位阶段，对目标用户手机采集的WiFi信息与数据库中的信息进行特征匹配；步骤4：首先根据公式：其中di表示目标点与指纹库中第i个中心点之间的欧氏距离，RSSij表示第i个参考点的信号强度矢量的第j个值，RSSj表示目标点处的信号强度矢量的第j个强度值；计算用户手机采集到的WiFi信息与指纹信息库中每个点的欧氏距离di；步骤5：然后根据提出的权值计算公式(3)计算出该数据库点对于用户采集点的权值wi；公式中mi表示指纹信息库中第i个节点与用户手机采集到的WiFi信息能够匹配到的WiFi数量，di表示指纹信息库中第i个节点与用户手机采集到的WiFi信息的欧氏距离，wi表示指纹信息库中第i个节点所占的权值；步骤6：最后筛选出数据库中K个权值最高的点，根据这K个点的已知坐标根据公式(4)计算出用户采集点的估计位置坐标；公式中表示目标节点坐标的估计值，K表示K个候选点，wi表示第i个节点所占的权值，(xi,yi)表示选出权值最高的K个节点中第i个点的坐标。进一步的，所述步骤1中采样数据包括该点所能够搜索到所有WiFi的mac地址和及对应的信号强度值，每隔2s采集一次，重复采集10次，并记录下该点的地理位置坐标信息；步骤2中对每一个中心点先提取出第一次采集到的所有WiFi信号的mac地址，然后统计同一个mac地址在之后的9次采集数据中出现的次数并累加对应的WiFi信号强度值，最后将累加的信号强度值除以对应的次数，选出平均信号强度值最大的10个mac地址及对应的平均信号强度作为该中心点的WiFi特征指纹，并将这10个mac地址及对应的平均信号强度和中心点的坐标存入数据库中；本专利技术相对于现有技术的优势在于：在计算目标节点的估计位置时，该计算方式考虑到在目标节点与指纹库中的节点进行匹配时，不仅仅关注目标节点与待匹配点的欧式距离，还将目标节点与待匹配点之间能够匹配到的WiFi信号数量引入权值计算公式中，新的权值计算相比于传统的算法，能够提高定位的精度，更能反映出行人的轨迹。附图说明图1是本专利技术测试所在地的平面图，图中黑点表示特征点图2是本专利技术测试人员行走路线图，红线表示行走路线；图3是本专利技术测试人员测试时测试点图，红叉点表示测试点位置；图4是KNN算法行人位置估计点(k＝4)图；图5是传统WKNN算法行人位置估计点(k＝4)图；图6是本专利技术行人位置估计点(k＝4)图；图7是本专利技术在k＝4时，对比KNN算法和传统WKNN算法的定位误差对比图；图8是本专利技术在k＝5时，对比KNN算法和传统WKNN算法的定位误差对比图；图9是本专利技术在k＝6时，对比KNN算法和传统WKNN算法的定位误差对比图；图10是在k＝4,k＝5,k＝6时，三种方法定位的平均误差结果图。具体实施方式为了更好的理解本专利技术，下面将以上述技术方案为基准，详细介绍本专利技术的实施过程，且本专利技术的实施范围为一般场景，不只限于下文所述情形。我们测试的地点是在电子科技大学的科研楼C楼二楼，测试设备为一台型号为SM-G9308的三星GalaxyS7手机。测试所在区域覆盖有多个WiFi发射节点，并伴随有一定的人员走动，整个测试均在区域的走廊上完成。整个测试区域被划分成798个小方格，每个方格为一个80cm*80cm的正方形。下面我们对本专利技术进行详细的实施步骤：步骤1：在每一个方格的中心点对周边WiFi进行采样，本文档来自技高网...

【技术保护点】
1.一种基于WiFi指纹的室内定位加权K近邻方法,该方法包括:步骤1：线下采集阶段，将所要定位的区域划分成大小相等的方格，在每一个方格的中心点对周边WiFi进行采样，并记录下该点的地理位置坐标信息；步骤2：从采集到的WiFi中计算出WiFi信号强度最大的m个WiFi；步骤3：在线定位阶段，对目标用户手机采集的WiFi信息与数据库中的信息进行特征匹配；步骤4：首先根据公式：

【技术特征摘要】
1.一种基于WiFi指纹的室内定位加权K近邻方法,该方法包括:步骤1：线下采集阶段，将所要定位的区域划分成大小相等的方格，在每一个方格的中心点对周边WiFi进行采样，并记录下该点的地理位置坐标信息；步骤2：从采集到的WiFi中计算出WiFi信号强度最大的m个WiFi；步骤3：在线定位阶段，对目标用户手机采集的WiFi信息与数据库中的信息进行特征匹配；步骤4：首先根据公式：其中di表示目标点与指纹库中第i个中心点之间的欧氏距离，RSSij表示第i个参考点的信号强度矢量的第j个值，RSSj表示目标点处的信号强度矢量的第j个强度值；计算用户手机采集到的WiFi信息与指纹信息库中每个点的欧氏距离di；步骤5：然后根据提出的权值计算公式(3)计算出该数据库点对于用户采集点的权值wi；公式中mi表示指纹信息库中第i个节点与用户手机采集到的WiFi信息能够匹配到的WiFi数量，di表示指纹信息库中第i个节点与用户手机采集到的WiFi信息的欧氏距离，wi表示指纹信息库...

【专利技术属性】
技术研发人员：王政，杨海芬，焦鹏，严素馨，陈一丰，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51