一种面向大规模复杂场景的WIFI室内定位方法及系统技术方案

本发明专利技术公开了一种面向大规模复杂场景的WIFI室内定位方法及系统，该方法包括：基于定位区域的参考点信息，构建定位区域的位置指纹库；对位置指纹库进行聚类分析，生成位置指纹的多个初始聚类结果；基于初始聚类结果，构建位置指纹库的加权相似性矩阵，并基于加权相似性矩阵，将位置指纹库中的位置指纹数据划分为多个网格；将实时获取的RSSI数据与位置指纹库的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中；在匹配程度最高的网格当中，利用预设匹配算法获得目标的定位结果。本发明专利技术能有效抑制噪声和奇异值对定位结果的影响，进而保证室内定位结果的可靠有效，通过降低在线匹配阶段的计算量显著提高定位结果生成效率。

【技术实现步骤摘要】
一种面向大规模复杂场景的WIFI室内定位方法及系统
本专利技术涉及室内定位
，特别涉及一种面向大规模复杂场景的WIFI室内定位方法及系统。
技术介绍
随着无线网络技术的迅速发展和各种智能终端的广泛应用，室内定位技术的应用需求越发突出，呈现出不断增长的势头。近年来智能手机的兴起更是推动了室内定位的迅速发展和普及，在日常生活、军事和商业等多个领域中显示出良好的发展前景和开阔的市场应用空间：在日常生活领域，大型机场候机厅的室内定位能够使得乘客快速准确的找到登机口；在火灾救援领域，消防官兵能够根据用户的位置信息精准的定位人员的当前位置，为火灾抢救争取时间，减少人员的伤亡机率；在商业领域，商家能够根据用户的当前位置，推送周围一定范围内的商品信息以激发顾客购买欲和提升顾客的购物体验。从现有的研究和应用情况来看，常见的室内定位技术主要包括红外线(Infrared)室内定位、超声(Ultrasonic)室内定位、蓝牙(Bluetooth)室内定位、射频识别(RFID)室内定位、超宽带(UWB)室内定位和WIFI室内定位。其中，WIFI室内定位技术本文档来自技高网...

【技术保护点】
1.一种面向大规模复杂场景的WIFI室内定位方法，其特征在于，包括：/n基于定位区域的参考点信息，构建所述定位区域的位置指纹库；/n对所述位置指纹库进行聚类分析，生成位置指纹的多个初始聚类结果；/n基于所述初始聚类结果，构建所述位置指纹库的加权相似性矩阵，并基于所述加权相似性矩阵，将所述位置指纹库中的位置指纹数据划分为多个网格；/n将实时获取的接收信号强度指示RSSI数据与所述位置指纹库的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中；/n在所述匹配程度最高的网格当中，利用预设匹配算法获得目标的定位结果。/n

【技术特征摘要】
1.一种面向大规模复杂场景的WIFI室内定位方法，其特征在于，包括：
基于定位区域的参考点信息，构建所述定位区域的位置指纹库；
对所述位置指纹库进行聚类分析，生成位置指纹的多个初始聚类结果；
基于所述初始聚类结果，构建所述位置指纹库的加权相似性矩阵，并基于所述加权相似性矩阵，将所述位置指纹库中的位置指纹数据划分为多个网格；
将实时获取的接收信号强度指示RSSI数据与所述位置指纹库的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中；
在所述匹配程度最高的网格当中，利用预设匹配算法获得目标的定位结果。


2.如权利要求1所述的面向大规模复杂场景的WIFI室内定位方法，其特征在于，所述基于定位区域的参考点信息，构建定位区域的位置指纹库，包括：
在定位区域中选取多个参考点，并记录每一参考点的位置信息；
在每一参考点分别多次采集各无线接入点的RSSI数据，并对多次采集的RSSI数据进行均值滤波，将均值滤波后的RSSI数据作为各参考点的RSSI向量；
将各参考点的位置信息和RSSI向量进行拼接，作为各参考点的位置指纹数据；将定位区域内全部参考点的位置指纹数据构建为定位区域的位置指纹库。


3.如权利要求1所述的面向大规模复杂场景的WIFI室内定位方法，其特征在于，所述对所述位置指纹库进行聚类分析，生成多个位置指纹的初始聚类结果，包括：
使用多种预设聚类方法在不同的初始化条件下对所述位置指纹库中的位置指纹数据进行类别划分，生成多个初始聚类结果；其中，所述预设聚类方法为k-means、k-medoids、高斯混合聚类、AGNES或DBSCAN；
为所述位置指纹库的每个初始聚类结果分配一个聚类符号向量。


4.如权利要求1所述的面向大规模复杂场景的WIFI室内定位方法，其特征在于，所述基于初始聚类结果，构建位置指纹库的加权相似性矩阵，并基于所述加权相似性矩阵，将位置指纹库中的位置指纹数据划分为多个网格，包括：
利用高斯核函数对所述位置指纹库中的位置指纹数据进行标准化处理，使标准化处理后的位置指纹数据符合正态分布；
针对生成的多个初始聚类结果，计算任意两个位置指纹在每个初始聚类结果中对聚类空间数据描述的一致性水平；
计算位置指纹的每个初始聚类结果对特征空间数据描述的一致性水平；
计算位置指纹的每个初始聚类结果的质量权重，并构建所述位置指纹库的加权相似性矩阵；
依据所述加权相似性矩阵，利用谱聚类方法将所述位置指纹库中的位置指纹数据划分为多个网格。


5.如权利要求4所述的面向大规模复杂场景的WIFI室内定位方法，其特征在于，所述高斯核函数的表达式如下：



其中，κ(·)为高斯核函数，Fi和Fj分别表示第i个和第j个参考点的位置指纹数据，参数α的取值设为||Fi-Fj||2的标准差，||Fi-Fj||表示位置指纹数据Fi与Fj之间的欧氏距离，ψi和ψj分别表示Fi和Fj映射后的标准化位置指纹数据。


6.如权利要求5所述的面向大规模复杂场景的WIFI室内定位方法，其特征在于，所述针对生成的多个初始聚类结果，计算任意两个位置指纹在每个初始聚类结果中对聚类空间数据描述的一致性水平，包括：
利用下式，计算聚类符号向量集合Γ关于所述位置指纹库的条件信息熵，用于表示所述位置指纹库对符号空间数据描述的不确定性：



其中，为第t个初始聚类结果Ct的聚类符号向量τt关于所述位置指纹库的条件信息熵，其由下式计算：



其中，表示类别标签τt,k关于所述位置指纹库的条件概率，其由下式计算：



其中，Fi(lt)表示位置指纹Fi在第t个初始聚类结果中对应的类别标签，表示所述位置指纹库的第t个初始聚类结果中类别标签为τt,k的位置指纹数据的数量；
对于所述位置指纹库中的任意两个位置指纹数据Fi和Fj，它们在第t个初始聚类结果Ct中所属的类别分别为和利用下式计算聚类符号向量集合Γ关于这两个类别的条件信息熵，用于表示利用这两个类别对符号空间数据描述的不确定性：



其中，为类别和构成的集合，为第t个初始聚类结果Ct的聚类符号向量τt关于集合的条件信息熵，其由下式计算：



其中，表示类别标签τt,k关于集合的条件概率，其由下式计算：



其中，Fd表示集合中任一位置指纹，Fd(τt)表示位置指纹Fd在第t个初始聚类结果中对应的类别标签；
通过下式，计算位置指纹数据Fi和Fj在初始聚类结果Ct中对符号空间数据描述的一致性水平：



遍历计算所述位置指纹库中任意两个位置指纹在每个初始聚类结果中对符号空间数据描述的一致性水平。


7.如权利要求6所述的面向大规模复杂场景的WIFI室内定位方法，其...

【专利技术属性】
技术研发人员：杜航原，
申请(专利权)人：山西大学，
类型：发明
国别省市：山西;14