一种基于WiFi融合预测的定位方法及系统技术方案

本发明专利技术涉及定位技术领域，特别涉及一种基于WiFi融合预测的定位方法及系统，方法包括在参考点处采集来自各个接入点的RSSI；建立改进卡尔曼模型，并对不同环境下的改进卡尔曼模型进行训练，将获取的数据输入训练好的改进卡尔曼模型进行滤波，获得指纹库；移动终端采集RSSI，并利用改进卡尔曼模型进行滤波；根据指纹库和基于上一个时刻位置约束的WKNN定位算法得到WiFi定位系统的定位结果；判断历史轨迹库中轨迹数量是否达到阈值，若达到则根据历史轨迹库中的数据通过融合传感器信息的马尔科夫预测模型得到当前位置的预测结果；本发明专利技术提升整个定位系统的精度，整个系统即使在恶劣的室内环境中依然可以保证很好的定位性能。

A location method and system based on WiFi fusion prediction

【技术实现步骤摘要】
一种基于WiFi融合预测的定位方法及系统
本专利技术涉及定位
，特别涉及一种基于WiFi融合预测的定位方法及系统。
技术介绍
人们对于位置服务(LocationBasedService)的需求一直以来都很强烈，人的很多行为都是基于位置的。然而，基于卫星信号的定位系统在室外定位中展现出的良好性能并没有延伸到室内定位中。卫星信号在地表的强度很微弱，很容易被楼宇建筑阻挡或散射，通常不能穿透建筑墙体，人体对其阻碍也特别大，无法进入室内，因此会出现很多室内定位盲区，导致卫星定位系统在人们常常工作和活动的室内场所却无法定位。为了弥补卫星系统在室内环境下定位的缺陷，国内外对室内定位技术展开了热烈研究。随着无线局域网(简称WLAN)迅速发展，大部分室内场所都实现的WLAN的覆盖，而且现有移动终端都可以接入无线局域网，这为基于WLAN的室内定位技术带来了极大的便利。在基于WLAN的室内定位研究中，根据WiFi信号强度值构造指纹库，通过指纹的匹配实现定位，是当前研究的热点。基于WiFi信号强度值的指纹定位研究中，如何提高室内定位的精度一直是困本文档来自技高网...

【技术保护点】
1.一种基于WiFi融合预测的定位方法，其特征在于，包括以下步骤：/nS1、在参考点处采集来自各个接入点的接收信号强度数据；/nS2、建立改进卡尔曼模型，并对不同环境下的改进卡尔曼模型进行训练，将获取的数据输入训练好的改进卡尔曼模型进行滤波，获得指纹库；/nS3、移动终端采集接收信号强度数据，并利用改进卡尔曼模型进行滤波；/nS4、根据指纹库和基于上一个时刻位置约束的WKNN定位算法得到WiFi定位系统的定位结果；/nS5、判断历史轨迹库中轨迹数量是否达到阈值；若未达到则进行步骤S6，否则进行S7；/nS6、将基于WiFi定位系统的定位结果按照时间先后顺序串联形成用户轨迹并存储在历史轨迹库中；...

【技术特征摘要】
1.一种基于WiFi融合预测的定位方法，其特征在于，包括以下步骤：
S1、在参考点处采集来自各个接入点的接收信号强度数据；
S2、建立改进卡尔曼模型，并对不同环境下的改进卡尔曼模型进行训练，将获取的数据输入训练好的改进卡尔曼模型进行滤波，获得指纹库；
S3、移动终端采集接收信号强度数据，并利用改进卡尔曼模型进行滤波；
S4、根据指纹库和基于上一个时刻位置约束的WKNN定位算法得到WiFi定位系统的定位结果；
S5、判断历史轨迹库中轨迹数量是否达到阈值；若未达到则进行步骤S6，否则进行S7；
S6、将基于WiFi定位系统的定位结果按照时间先后顺序串联形成用户轨迹并存储在历史轨迹库中；
S7、基于历史轨迹库中的数据通过融合传感器信息的马尔科夫预测模型得到当前位置的预测结果；
S8、基于拉格朗日和梯度逼近的位置融合算法得到当前位置最优值，并将该值加入历史轨迹库。


2.根据权利要求1所述的一种基于WiFi融合预测的定位方法，其特征在于，建立改进的卡尔曼模型包括：利用神经网络对卡尔曼增益的过程协方差Q与观测噪声协方差R建模与参数训练，在不同的室内环境下，利用嵌入神经网络的卡尔曼滤波系统进行信号的采集，同时在采集过程中不断调整神经网络的参数，使得神经网络的输出达到最优，即卡尔曼模型中的过程协方差Q与观测噪声协方差R达到最优，然后对采集的数据利用改进的卡尔曼模型进行滤波，得到指纹库。


3.根据权利要求1所述的一种基于WiFi融合预测的定位方法，其特征在于，所述指纹库的构建包括将参考点处接收信号强度值与之对应的坐标信息融合为一条完整的关于接收信号强度和位置的指纹，所有参考点的指纹构成指纹库，一个参考点的指纹信息表示为：
RPi＝{RSSIi1,RSSIi2,RSSIi3,...,RSSIiM,(x,y)}；
其中，M为部署接入点的总数，i＝{1,2,...,N}表示参考点的数量，RSSIiM表示第i个参考点处采集的第M个接入点的接收信号强度数据；(x,y)表示参考点的坐标。


4.根据权利要求1所述的一种基于WiFi融合预测的定位方法，其特征在于，步骤S4具体包括：
将测试节点处实时采集的信号强度指纹与位置指纹库利用WKNN算法进行匹配；
根据上一时刻的位置来划定一个范围，这个范围表示为用户当前位置可能的范围；
若WKNN算法选取的K个参考点位置与这个范围发生重叠时，则对K个参考点进行二次加权处理；
根据当前K个参考点的权重信息和位置信息得到WiFi定位系统的定位结果。


5.根据权利要求4所述的一种基于WiFi融合预测的定位方法，其特征在于，将测试节点处实时采集的信号强度指纹与位置指纹库利用WKNN算法进行匹配包括：
根据测试节点指纹与参考节点指纹的欧式距离选取距离测试节点指纹最近的K个参考节点指纹，并根据距离的大小给这K个指纹赋予不同的权重，距离越远权重越小，得到匹配的参考点指纹集合，表示为U＝{RP1,RP2,...,RPi,...,RPK}，U对应的权重集合表示为完成匹配。


6.根据权利要求4所述的一种基于WiFi融合预测的定位方法，其特征在于，Wi...

【专利技术属性】
技术研发人员：尚凤军，韩磊，
申请(专利权)人：重庆邮电大学，赛尔网络有限公司，
类型：发明
国别省市：重庆;50