基于WIFI位置指纹的室内定位方法技术

本发明专利技术公开了一种基于聚类策略与特征提取的室内定位方法，通过在待定位目标点采集来自室内各个无线接入点的接收信号强度，组成信号强度序列；将信号强度序列根据分层聚类策略与预先设置的位置指纹数据库进行匹配，找到位置指纹数据库中对应的集群后，将待定位目标点的接收信号强度进行小波散射变换，得到系数模量；将系数模量作为该集群对应的DNN模型的输入，对待定位目标点进行位置定位。本发明专利技术可以在室内停车场进行精确定位，具有优越的定位准确性和效率性。

Indoor location method based on WiFi location fingerprint

【技术实现步骤摘要】
基于WIFI位置指纹的室内定位方法
本专利技术涉及停车场室内定位
，具体为一种基于WIFI位置指纹的室内定位方法。
技术介绍
随着我国城市汽车保有量的不断增加，城市“停车难”问题日益凸显。与此同时，室内停车场的结构设计越发复杂，造成车主在室内停车场中经常出现迷失位置及反向寻车难等问题，人们对室内位置服务的需求越来越大。随着Wi-Fi技术的快速发展及其领域应用的不断深入，基于Wi-Fi位置指纹的室内定位技术成为了现阶段位置服务领域的研究热点。然而在实际应用中，当Wi-Fi信号遇到障碍物时容易出现反射等现象，造成信号在传播过程中存在多径效应，导致接收信号强度发生波动，对室内位置估计精度造成影响。中国专利CN110300372A公开了一种基于位置指纹的WIFI室内定位方法，通过搭建实验环境，建立WIFI位置指纹库；然后建立WIFI定位位置指纹库；接着采用改进的K-means聚类算法计算初始聚类中心；随后计算最优初始聚类中心；再确定K-means聚类算法的最优聚类数K；最后结合WKNN算法计算目标位置并输出目标位置。该方法需要计算待定位目标点的信号强度与各个聚类中心的欧氏距离，而且算法复杂，系统的搜索开销以及在线定位时长，使得位置估计精度下降。因此，如何在面积庞大的室内停车场中提高定位准确性与效率性并减小系统开销成为申请人亟待解决的问题。
技术实现思路
本专利技术的目的在于，提供一种基于基于WIFI位置指纹的室内定位方法。本专利技术可以在室内停车场进行精确定位，具有优越的定位准确性和效率性。本专利技术的技术方案：基于WIFI位置指纹的室内定位方法，通过用多个无线接入点对室内进行无线信号覆盖，并收集室内不同位置处的信号强度，每个位置处的信号强度与该位置的实际物理坐标一一对应形成位置指纹，由此构建得到位置指纹数据库；使用分层聚类策略对位置指纹数据库中的位置指纹进行划分；将来自不同无线接入点的信号强度按照值的大小进行排序，并按照排序后的顺序划分出不同的群集，若经过一次划分后的群集的范围依旧很大，则根据群集的范围内的信号强度大小再次进行排序，并对群集再次进行划分，最终将整个定位区域划分为多个范围较小的集群，针对每一个集群，对其中的位置指纹进行小波散射变换，得到小波散射系数模量，再将系数模量与该位置指纹对应的物理坐标共同作为DNN模型的输入，完成DNN模型的训练；在线定位阶段，在待定位目标点采集来自室内各个无线接入点的接收信号强度，组成信号强度序列；将信号强度序列根据分层聚类策略与预先设置的位置指纹数据库进行匹配，找到位置指纹数据库中对应的集群后，将待定位目标点的接收信号强度进行小波散射变换，得到系数模量；将系数模量作为该集群对应的DNN模型的输入，对待定位目标点进行位置定位。上述的基于WIFI位置指纹的室内定位方法，所述使用分层聚类策略对位置指纹数据库中的位置指纹进行划分的具体步骤包括：S1:将位置指纹数据库中所有位置指纹的信号强度序列按照来自不同无线接入点的接收信号强度的大小进行排序，得出接收信号强度最大的无线接入点，将其归入此无线接入点的集群中，每个集群可以由无线接入点的唯一ID来标注，第一步中生成的集群数量等于整个定位区域中的无线接入点个数，而属于每个集群的位置指纹都在该无线接入点处接收到最强的接收信号强度，设定位区域中的无线接入点个数为n个，则形成的集群为Ci，i＝1，2，3，......，n；S2:对集群进行进一步划分，经过第一步的初步聚类后，获得了集群Ci，i＝1，2，3，......，n，将每个集群中的位置指纹，再次按照接受信号强度的大小进行排序，将每个位置指纹加入接受信号强度排序次强的无线接入点集群中，假设集群Ci中的位置指纹次强接受信号强度来自m个无线接入点，m≤n，则经过第二次聚类后，集群Ci被划分为多个集群{Ci1，Ci2，Ci3，......，Cim}。前述的基于WIFI位置指纹的室内定位方法，在信号强度收集过程中，每个位置处的信号强度按照设定的时间间隔在一定时间内收集多次，通过取均值和/或剔除离散值方法对信号强度进行处理，以最终确定该位置的信号强度。前述的基于WIFI位置指纹的室内定位方法，将待定位目标点的接收信号强度进行小波散射变换，得到系数模量具体步骤包括：设位置指纹数据库中第i个位置指纹的信号强度序列为RSSIi＝{rssi1，rssi2，rssi3，......rssin}，其中n为室内中的无线接入点的数量，则小波散射变换公式如下所示：其中|RSSIi*ψ|表示取模运算，ψ表示小波函数，表示低通滤波器；上述公式中使用的小波函数ψ为母小波，其在不同尺度下的表示形式存在很大差异，生成的小波基函数也不相同，小波基函数由母小波和尺度函数共同构成，而不同尺度下的小波基函数对原始信号进行不同尺度的分解，从而得到原始信号在不同尺度下的特征；在尺度为a，时间位移为τ时的小波基函数为：在得到不同尺度的小波基函数后，假设接收信号强度为f(t)，则对应的小波散射变换公式为：将Morlet小波函数作为母小波，Morlet小波函数为：其中，A和B为常量，ω表示频率，i表示复数；在进行不同尺度下的小波散射变换时，需要对母小波进行尺度上的扩展，以形成小波基函数：ψj(t)＝2-j*ψ(2-j*t)；其中，j表示尺度因子，其值为正整数，并且不能超过小波散射变换的最大散射量级；在得到了扩展Morlet小波函数后，对尺度函数同样进行扩展，其扩展形式为：最后，根据扩展小波函数和扩展尺度函数，可以得到信号强度序列RSSIi的小波散射变换的一般表达式：选取零阶小波散射变换所得到的系数模量作为DNN模型的输入，零阶小波散射系数模量的计算为：在得到零阶小波散射系数模量后，其余高阶小波散射系数模量可以通过将接收信号强度与扩展小波函数卷积取模，并与尺度函数相乘获得：通过前述计算工作，得到了接收信号强度在不同尺度下的小波散射系数模量。与现有技术相比，本专利技术通过在待定位目标点采集来自室内各个无线接入点的接收信号强度，组成信号强度序列；将信号强度序列根据分层聚类策略与预先设置的位置指纹数据库进行匹配，找到位置指纹数据库中对应的集群后，将待定位目标点的接收信号强度进行小波散射变换，得到系数模量；将系数模量作为该集群对应的DNN模型的输入，对待定位目标点进行位置定位，由此，本专利技术通过分层聚类策略对信号强度序列进行处理，然后通过小波散射变换这种特征提取方法，使其可以快速地与位置指纹数据库中的集群对应，并作为DNN模型的输入，能够及时有效而又准确的进行室内定位。此外，本专利技术通过采用基于聚类策略的区域划分技术将待定位区域按照一定规则进行细分，通过减小定位时的搜索范围来达到缩小系统位置估计开销的目的，解决了现有技术中，在定位时的搜索开销过大，位置估计时间长，系统在定位阶段时效性不好的问题。本专利技术采用的聚类策略与现有的聚类算法相比，该聚类算法在选择合适的本文档来自技高网...

【技术保护点】
1.基于WIFI位置指纹的室内定位方法，其特征在于：通过用多个无线接入点对室内进行无线信号覆盖，并收集室内不同位置处的信号强度，每个位置处的信号强度与该位置的实际物理坐标一一对应形成位置指纹，由此构建得到位置指纹数据库；使用分层聚类策略对位置指纹数据库中的位置指纹进行划分；将来自不同无线接入点的信号强度按照值的大小进行排序，并按照排序后的顺序划分出不同的群集，若经过一次划分后的群集的范围依旧很大，则根据群集的范围内的信号强度大小再次进行排序，并对群集再次进行划分，最终将整个定位区域划分为多个范围较小的集群，针对每一个集群，对其中的位置指纹进行小波散射变换，得到小波散射系数模量，再将系数模量与该位置指纹对应的物理坐标共同作为DNN模型的输入，完成DNN模型的训练；/n在线定位阶段，在待定位目标点采集来自室内各个无线接入点的接收信号强度，组成信号强度序列；将信号强度序列根据分层聚类策略与预先设置的位置指纹数据库进行匹配，找到位置指纹数据库中对应的集群后，将待定位目标点的接收信号强度进行小波散射变换，得到系数模量；将系数模量作为该集群对应的DNN模型的输入，对待定位目标点进行位置定位。/n

【技术特征摘要】
1.基于WIFI位置指纹的室内定位方法，其特征在于：通过用多个无线接入点对室内进行无线信号覆盖，并收集室内不同位置处的信号强度，每个位置处的信号强度与该位置的实际物理坐标一一对应形成位置指纹，由此构建得到位置指纹数据库；使用分层聚类策略对位置指纹数据库中的位置指纹进行划分；将来自不同无线接入点的信号强度按照值的大小进行排序，并按照排序后的顺序划分出不同的群集，若经过一次划分后的群集的范围依旧很大，则根据群集的范围内的信号强度大小再次进行排序，并对群集再次进行划分，最终将整个定位区域划分为多个范围较小的集群，针对每一个集群，对其中的位置指纹进行小波散射变换，得到小波散射系数模量，再将系数模量与该位置指纹对应的物理坐标共同作为DNN模型的输入，完成DNN模型的训练；
在线定位阶段，在待定位目标点采集来自室内各个无线接入点的接收信号强度，组成信号强度序列；将信号强度序列根据分层聚类策略与预先设置的位置指纹数据库进行匹配，找到位置指纹数据库中对应的集群后，将待定位目标点的接收信号强度进行小波散射变换，得到系数模量；将系数模量作为该集群对应的DNN模型的输入，对待定位目标点进行位置定位。


2.根据权利要求1所述的基于WIFI位置指纹的室内定位方法，其特征在于：所述使用分层聚类策略对位置指纹数据库中的位置指纹进行划分的具体步骤包括：
S1:将位置指纹数据库中所有位置指纹的信号强度序列按照来自不同无线接入点的接收信号强度的大小进行排序，得出接收信号强度最大的无线接入点，将其归入此无线接入点的集群中，每个集群可以由无线接入点的唯一ID来标注，第一步中生成的集群数量等于整个定位区域中的无线接入点个数，而属于每个集群的位置指纹都在该无线接入点处接收到最强的接收信号强度，设定位区域中的无线接入点个数为n个，则形成的集群为Ci，i＝1，2，3，......，n；
S2:对集群进行进一步划分，经过第一步的初步聚类后，获得了集群Ci，i＝1，2，3，......，n，将每个集群中的位置指纹，再次按照接受信号强度的大小进行排序，将每个位置指纹加入接受信号强度排序次强的无线接入点集群中，假设集群Ci中的位置指纹次强接受信号强度来自m个无线接入点，m≤n，则经过第二次聚类后，集群Ci被划分为多个集群{Ci1，Ci2，Ci3，......，Cim}。


3.根据权利要求1所述的...

【专利技术属性】
技术研发人员：岑岗，岑跃峰，王佳晨，李向东，马伟锋，张宇来，程志刚，徐昶，张晨光，蔡永平，吴思凡，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：浙江;33