一种基于接收信号强度的层次分类室内定位方法技术

本发明专利技术公开了一种基于接收信号强度的层次分类室内定位方法，属于室内定位技术领域。本发明专利技术的基于接收信号强度的层次分类室内定位方法首先给出了1‑sigma区间判别机制，将整个平面楼层空间划分成若干存在交叉数学的区块域；进一步以高斯过程分类，实现以房间为颗粒元素的室内定位。所提方法在浙江某医疗养护中心进行实地测试，通过与支持向量机(SVM)、决策树、K近邻(K Nearest Neighbor，KNN)方法相比所提方法在准确率、平均误差和标准误差等方面表现更佳，平均误差达到80.8以下，标准误差达到81.1以下，误差方差达到7.7以下，准确率达到97.6％以上，稳定性仅低于SVM(误差方差为4.6)。

An indoor location method of hierarchical classification based on received signal strength

【技术实现步骤摘要】
一种基于接收信号强度的层次分类室内定位方法
本专利技术涉及一种基于接收信号强度的层次分类室内定位方法，属于室内定位

技术介绍
基于指纹的方法也是解决室内定位问题的主流策略(LiZ,LiuJ,NiuX,LiL,WangZ,ChenR.ABayesianDensityModelBasedRadioSignalFingerprintingPositioningMethodforEnhancedUsability.Sensors2018,18(11):40-63.)。接收信号强度RSS(RecvedSignalStrength)指纹定位分为采集所有可能目标位置上RSS数据建立RSS指纹库的离线，与目标体的当前RSS与指纹库匹配的在线阶段。该方法规避了回归定位中对wifi接入点AP数目和位置的限制，因此基于指纹的定位可以进一步降低室内定位的成本。指纹方法仅关注特征空间中各类别边界，使其鲁棒性较回归方法更具有优势。本质上，指纹定位是一种基于RSS数据的分类过程，使用RSS数据库对可能的目标位置确定类别标签，建立分类机制,在线阶段利用该分类机制判别信号类别，确定信号位置。但是在稀疏节点条件下，信号源较少使得可用特征数难以实现简单分类，并且由于室内环境中因为存在多径效应(PErrorprobabilitymodelforIEEE802.15.4wirelesscommunicationsinthepresenceofco-channelinterference.PhysicalCommunication2018,25(1):43-53)、共信道干扰(Elnahrawy,EX,Li,RPMartin.Thelimitsoflocalizationusingsignalstrength:acomparativestudy.IEEECommunicationsSocietyConferenceonSensor&AdHocCommunications&Networks.)以及设备、行人对无线信号的吸收等影响，使RSS测量值的噪声极大，传统分类方法的定位正确率不高。指纹定位中，层次分类方法通过多个分类器结合寻找类别边界的方式提高了分类器的泛化能力，获得了研究人员的广泛关注，例如Ahmad(Ahmad,Uzair.Amodularclassificationmodelforreceivedsignalstrengthbasedlocationsystems.Neurocomputing2008,71(13-15):2657-2669.)和Noelia(NoeliaHernández,JMAlonso,ManuelFuzzyclassifierensemblesforhierarchicalWiFi-basedsemanticindoorlocalization.ExpertSystemswithApplications.2017,90,394-404.)都提出使用接入点AP(AccessPoint)能见度作为特征表示一个参考点RP(ReferencePoint)的所有采样，然后他们使用不同的聚类算法聚类AP能见度特征，分区实验环境，他们各自使用的分类方法为多层感知机和RandomLinearOracle.Moreira(Moreira.；Adriano.；Wi-Fifingerprintingintherealworld-RTLS@UMattheEvAALcompetition.InternationalConferenceonIndoorPositioningandIndoorNavigation.)提出多数决定原则决定信号接收器所处于的建筑或者楼层，他首先选出未知位置RSS信号中最强的AP，然后找到这个AP最强的覆盖楼层和建筑，确定移动设备的位置。这样的定位系统计算复杂，运行时间长。一般的聚类方法或者多数决定原则虽然解决了分区问题，但是一般聚类方法可能将不相邻的RP聚为一类，可视化时容易造成混淆；而多数决定原则是一种阈值判断方法，这种硬决策方法在RSS波动频繁(比如常有人员走动的室内)的区域鲁棒性不佳。现有的层次定位方法中，分区是一种硬决策行为，如果第一层分类不准确，将影响最终的定位精度。
技术实现思路
为了解决上述至少一个问题，本专利技术提供了一种计算量小、运行时间短、准确率高，达到97.6％以上的稀疏节点下的基于接收信号强度的层次分类室内定位方法，可以解决稀疏节点情况下的低硬件成本，低数据率约束等定位问题。而且给出了适用于低计算性能的移动终端的房间级快速定位方法，使用已安装好的WiFiAP作为唯一信号源。本专利技术的第一个目的是提供一种稀疏节点下的基于接收信号强度的层次分类室内定位方法，包括两个部分，第一部分是定位模型的建立，第二部分是利用模型对未知信号进行定位。在一种实施方式中，所述的定位模型的建立包括以下步骤：步骤1：采集所有参考点RP的信号；步骤2：根据各个参考点RP计算1-sigma区间；步骤3：根据1-sigma区间进行区块划分，得到区块级分类器；步骤4：在各个区块内训练高斯过程分类器，即颗粒级分类器。在一种实施方式中，所述的步骤1为：使用手机或者平板电脑，根据WiFiAP的mac地址，确认采集信号来自哪个WiFiAP；然后确定参考点RP，在每个参考点上站立停留，使用手机或者平板电脑收集来自各个WiFi的RSS信号，每个位置采集50次以上，标注这些RSS信号采集自哪个RP；当所有RP的RSS信号均采集完毕，保存RSS信号，作为RSS数据库。在一种实施方式中，所述的步骤2具体为：采集各个参考点(RP)上各个WiFi节点(AP)的接收信号强度(RSS)值，构成均值集与方差集，记为均值集与方差集其中j为第j个参考点，n为AP总数。其中与分别代表参考点RPj与WiFi节点APi之间的k次RSS测量的均值与标准差，其中，i为AP标号，均值与方差计算方法为：h指代第几次采样，在连加里面变回从1加到k；对于参考点RPj，WiFi节点APi的1-sigma的区间为:在一种实施方式中，所述的步骤3为：将整个环境中的n个WiFiAP划分成n份，每个AP对应一个类别；从第一个参考点RP开始，计算每个RP接收到n个AP的RSS信号的n个1-sigma区间；对于任一RP的n个1-sigma区域，首先确定均值最大的1-sigma区间，然后到与这个其余(n-1)个1-sigma中与均值最大1-sigma区间相交的1-sigma区间，记录这些区间对应的AP，将该RP聚类至这些AP对应的类别；当所有RP聚类结束，则完成区域划分。在一种实施方式中，所述的步骤3具体为：拟使用每个AP信号的最强覆盖物理空间区域作为抽象的区块类别，因此区块类别数与AP数相同，定义区块的类别为L＝{li|i＝1，2，...，n}，其中n为AP个数，AP个数就是类别个数。1-sigma区间本文档来自技高网...

【技术保护点】
1.一种稀疏节点下的基于接收信号强度的层次分类室内定位方法，其特征在于，包括两个部分，第一部分是定位模型的建立，第二部分是利用模型对未知信号进行定位；/n所述的定位模型的建立包括以下步骤：/n步骤1：采集所有参考点RP的信号；/n步骤2：根据各个参考点RP计算1-sigma区间；/n步骤3：根据1-sigma区间进行区块划分，得到区块级分类器；/n步骤4：在各个区块内训练高斯过程分类器，即颗粒级分类器。/n

【技术特征摘要】
1.一种稀疏节点下的基于接收信号强度的层次分类室内定位方法，其特征在于，包括两个部分，第一部分是定位模型的建立，第二部分是利用模型对未知信号进行定位；
所述的定位模型的建立包括以下步骤：
步骤1：采集所有参考点RP的信号；
步骤2：根据各个参考点RP计算1-sigma区间；
步骤3：根据1-sigma区间进行区块划分，得到区块级分类器；
步骤4：在各个区块内训练高斯过程分类器，即颗粒级分类器。


2.根据权利要求1所述的方法，其特征在于，所述的步骤2具体为：
采集各个参考点RP上各个WiFi节点AP的接收信号强度RSS值，构成均值集与方差集，记为均值集与方差集其中j为第j个参考点，n为AP总数；
其中与分别代表参考点RPj与WiFi节点APi之间的k次RSS测量的均值与标准差，i为AP标号，均值与方差计算方法为：



h指代第几次采样，在连加里面变回从1加到k；



对于参考点RPj，WiFi节点APi的1-sigma的区间为：





3.根据权利要求1所述的方法，其特征在于，所述的步骤3为：将整个环境中的n个WiFiAP划分成n份，每个AP对应一个类别；从第一个参考点RP开始，计算每个RP接收到n个AP的RSS信号的n个1-sigma区间；对于任一RP的n个1-sigma区域，首先确定均值最大的1-sigma区间，然后到与这个其余(n-1)个1-sigma中与均值最大1-sigma区间相交的1-sigma区间，记录这些区间对应的AP，将该RP聚类至这些AP对应的类别；当所有RP聚类结束，则完成区域划分。


4.根据权利要求3所述的方法，其特征在于，所述的步骤3所述的RP聚类的流程如下：
输入：Meanj...

【专利技术属性】
技术研发人员：秦宁宁，张陈斌，杨乐，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32