一种基于射频指纹匹配的室内定位算法制造技术

本发明专利技术涉及一种基于射频指纹匹配的室内定位算法，通过部署少量无线电信号强度定位区域的方法，感知接入点，利用线性回归，建设参考节点、移动定位，RSSI映射关系，处理特性射频指纹的问题。通过射频指纹取得空间离线训练的位置，建立指纹模型。通过仿真结果表明，定位累计误差减小了，定位精度提高了1到2米，在2.5米内定位精度达100％。定位精度达100％。定位精度达100％。

【技术实现步骤摘要】
一种基于射频指纹匹配的室内定位算法


[0001]本专利技术涉及无线传感器网络室内定位算法，具体涉及一种基于射频指纹匹配的室内定位算法。

技术介绍

[0002]目前，室内定位技术已经在众多领域得到深入应用，如智慧养老、智慧医疗、智能导航导览、智能工业制造、仓储物流等，对于服务水平和管理效率的提升显而易见。在基于导航技术的智能导览方面，不但可以用它来进行导航，指引用户到达目的地，还可以实现服务方与终端消费者的互动，可实现自主导览，或者实现更加精准的营销管理。在医疗方面，医院利用室内导航给患者提供电子导医服务等。在人员及物品实时定位方面，能够实现对人员、物资，设备的精准定位，为其他服务提供支撑。对于人员管理方面，能够实现提供被定位对象的实时位置，优化了岗位管理、调度管理，为简化工作流程提供帮助，为提高效率提供支撑。对于设备管理方面，能够实现在需要调用时积极响应，快速锁定该设备的实时位置，缩短寻找设备的过程所耗费的时间。同时能够实现数据统计功能，如对资产清盘，出入口管理等，为资产智能管理提供支撑。在移动轨迹查询方面，可随时查看被定位目标在某一时段的历史轨迹，可通过查询历史轨迹来实现事件追溯。在电子围栏方面，通过在某区域设置电子围栏，当被定位人员或者物资未经授权进入或者离开该区域，系统立即预警，防止人员出现意外，或者是物资保障，区域安全等。在一键报警求助方面，可在智能定位终端上集成“一键报警”功能，当人员发生危险或者是遇到意外时，按下“一键报警”按钮即可通知管理人员前往救援，并锁定报警人员位置，实现快速救援。在数据统计分析方面，可实现全面数据统计，查看区域实时人员及设备数量、热力分布，进出时间等信息，避免人员管理中的疏漏。
[0003]目前，国内外已有很多科研机构，众多学者在研究室内定位技术。利用高斯核函数实现位置指纹匹配，采用通过卡尔曼滤波算法减小误差，实现了移动目标在3m内的定位精度达100％，单次定位时间在1s内。有提出一种基于支持向量机的位置指纹定位方法。离线阶段，将每个区域接收到的位置信号强度，作为支持向量机(Support Vector Machines，SVM)训练样本集，得到最优分类模型。在线阶段，将实时监测到的信息作为测试集，借助支持向量机分类模型对其进行预测，判断所属区域,取得较好的定位效果。有利用个人行迹对移动场景下的WiFi定位结果进行了初步校正，并通过定义自适应大小的可信空间对校正后的结果进行评估，从而在数据融合之前剔除不可信的WiFi定位估计，提升了定位系统的精确度和鲁棒性。从提升信号强度可靠性的角度看，全面分析理论与实践融合的方案，对ZigBee技术的信号强度特性展开深入分析。为了提高位置指纹的成功匹配效率，要求对指纹数据库进行相应处理，即对其进行聚类划分，实现对目标区域的定位功能，采用的主要实现技术是引入经典的聚类k均值算法。有选择实时性较好的卡尔曼滤波来实现移动目标的定位跟踪。根据接收信号强度标准差来优化初始聚类中心的选取，然后对指纹数据进行聚类处理，最后进行在线定位。不仅缩短了定位时间，还能有效提高定位精度。针对室内位置
指纹定位算法，在实际场景中离线建立指纹数据库和在线定位，两个阶段采集信号受环境因素干扰问题，引入双重滤波处理方案。针对指纹匹配效率不高存在普遍性的问题，在近邻法的基础上提出了改进算法，在基于加权K近邻法的基础上提出对数据进行分级优化。改进后的算法能够有效地提高位置指纹数据库的匹配效率，同时室内定位精度也得到了提高。对室内要进行监测的空间进行分区，测量各节点获取它们的无线信号强度，存入已经创建的射频指纹数据库。计算信标节点与未知节点之间的距离，两者相距距离越小，它们对其定位所发挥的作用也就越大，提出了分簇算法(improved equal duster algorithm),并得到了较好的定位效果。
[0004]上述公开的方案都是对室内定位技术的研究，都得到了较好的定位效果。
[0005]现有的射频指纹匹配室内定位算法(主要有NN，KNN4，Bayes)普遍具有以下问题：
[0006](1)射频定位算法中存在时间迀移性带来的射频信号不稳定，对定位性能产生影响。
[0007](2)定位精度不高。

技术实现思路

[0008]基于
技术介绍
中提及的技术，以及解决
技术介绍
中提及的问题，本专利技术目的是提供一种基于射频指纹匹配的室内定位算法，通过部署少量无线电信号强度定位区域的方法，感知接入点，利用线性回归，建设参考节点、移动定位，RSSI映射关系，处理特性射频指纹的问题。通过射频指纹取得空间离线训练的位置，建立指纹模型。通过仿真结果表明，定位累计误差减小了，定位精度提高了1到2米，在2.5米内定位精度达100％。
[0009]为了实现以上目的，本专利技术采用的技术方案为：一种基于射频指纹匹配的室内定位算法，包括如下步骤：
[0010]1)定位算法模型建模：
[0011]首先采集RF射频信号强度，构建信号强度矢量和指纹数据库，每个位置接收信号强度平均值如式(1)所示：
[0012][0013]其中，F
I
表示第i条指纹的信号强度，表示N条指纹信号强度，表示第i个参考点上测量的第N个AP的RSS平均值；
[0014]各个位置组成的指纹数据库如式(2)所示：
[0015]{f1,f2,
…
,f
i
} {l1,l2,
…
,l
i
}
ꢀꢀꢀ
(2)
[0016]其中，{f1,f2,
…
,f
i
}表示每条指纹的信号强度，{l1,l2,
…
,l
i
}表示MAC地址和参考点的物理位置信息；
[0017]待测节点位置样本S如公式(3)所示：
[0018]S＝{s1,s2,
…
,s
N
}
T
ꢀꢀꢀ
(3)
[0019]其中，{s1,s2,
…
,s
N
}表示实测样本指纹；
[0020]应用到概率型定位希望方法对数据进行建模；
[0021]即各个信号接入点AP之间的信号强度彼此独立,移动终端第f次观测值中收到第j个AP信号强度值如公式(4)所示：
[0022][0023]式(4)中，l
i
表示第i个节点指纹的实际位置，O
j
(t)表示实测节点接收到来自第j个AP的RSS值，μ是均值，σ是标准差；
[0024]采用基于核密度估计函数来估计可能性概率，如式(5)所示：
[0025][0026]上式(5)中，w表示核宽度，描述核密度估计最关键部分数据；x表示接收到第j个AP发射的信号强度，y表示x的平均值，σ表示x的标准差；如公式(6)所示，基于似然函数的核密度估计模型：
[0027][0028]上式(6)中，训练样本的大小j是从1～p，K为核密度估计的函数，o(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于射频指纹匹配的室内定位算法，其特征在于，包括如下步骤：1)定位算法模型建模：首先采集RF射频信号强度，构建信号强度矢量和指纹数据库，每个位置接收信号强度平均值如式(1)所示：其中，F
I
表示第i条指纹的信号强度，表示N条指纹信号强度，表示第i个参考点上测量的第N个AP的RSS平均值；各个位置组成的指纹数据库如式(2)所示：{f1,f2,
…
,f
i
} {l1,l2,
…
,l
i
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，{f1,f2,
…
,f
i
}表示每条指纹的信号强度，{l1,l2,
…
,l
i
}表示MAC地址和参考点的物理位置信息；待测节点位置样本S如公式(3)所示：S＝{s1,s2,
…
,s
N
}
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，{s1,s2,
…
,s
N
}表示实测样本指纹；应用到概率型定位希望方法对数据进行建模；即各个信号接入点AP之间的信号强度彼此独立,移动终端第f次观测值中收到第j个AP信号强度值如公式(4)所示：式(4)中，l
i
表示第i个节点指纹的实际位置，O
j
(t)表示实测节点接收到来自第j个AP的RSS值，μ是均值，σ是标准差；采用基于核密度估计函数来估计可能性概率，如式(5)所示：上式(5)中，w表示核宽度，描述核密度估计最关键部分数据；x表示接收到第j个AP发射的信号强度，y表示x的平均值，σ表示x的标准差；如公式(6)所示，基于似然函数的核密度估计模型：上式(6)中，训练样本的大小j是从1～p，K为核密度估计的函数，o(t)表示实测点接收的来自第j个AP的RSS值r
j
；计算在已知信号向量m(＜wf1,RSSI1＞＜wf2,RSSI2＞
…
＜wf
N
,RSSI
N
＞)的情况下，找到P处位置,模型公式如下：max(P(p|m))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)上式(7)中，p表示某一处位置，m表示信号向量；求得p位置的信号向量值后，求P(m|p)的概率；
假设每个WiFi信号之间相互独立，对上式进行化简，得到：上式(11)中，wf
i

【专利技术属性】
技术研发人员：鹿建银，胡敦，
申请(专利权)人：巢湖学院，
类型：发明
国别省市：