一种基于WKNN融合的室内三维空间指纹定位方法技术

本发明专利技术公开了一种基于WKNN融合的室内三维空间指纹定位方法，该方法从位置指纹的参考点中挖掘信息、融合信息，从而实现在位置指纹的基础上，与几何定位结果融合，以提高精度和稳定性。能够在不细化3D指纹数据库的情况下，通过KNN求取K个最近邻参考点，加权得到一种定位结果；再以数据库中基站的坐标和距离的几何关系求解另一种定位结果，两种结果进行融合实现更加精确而稳定的定位精度。该方法充分利用位置指纹信息，计算简单，定位精度高且稳定性高。

【技术实现步骤摘要】
一种基于WKNN融合的室内三维空间指纹定位方法
本专利技术属于室内定位
，具体涉及一种室内指纹定位方法。
技术介绍
室内定位与导航已成为基于位置服务领域的研究热点。国内外已经对基于室内指纹的定位方法进行了较为深入的研究，提出了大量二维室内指纹定位算法，并得到了不错的定位精度。但在许多三维室内应用场景中，如大型多层地下停车场、商场等，二维定位技术很难满足实际定位要求。文献“Robustnessof3DIndoorLocalizationbasedonFingerprintTechniqueinWirelessSensorNetworks[201310thInternationalConferenceonElectricalEngineering/Electronics,Computer,TelecommunicationsandInformationTechnology,Krabi,2013,pp.1-6]”和“基于WiFi的室内三维定位技术研究[D].南京邮电大学,2018.”分别公开了一种基于3D室内指纹的KNN定位方法和WKNN(加权K-最近邻，weightedK-Nearestneighbor)定位算法。这些方法通过将二维室内指纹定位升至三维空间，并将二维定位算法迁移至三维定位中，提高室内定位精度。然而，由于没有充分挖掘位置指纹的有用信息，如KNN算法在一定区域对目标分辨率较低，而WKNN只做单一的K最近邻的参考点加权值，导致文献所述方法都具有一定的波动性和不稳定性，为此，需要重新建立更加密集的离线指纹数据库。但是，引入一个维度将导致离线指纹数据库的数据量大大增加，而采用稀疏的指纹库只能带来较差的精度。因此，有必要在三维室内定位中既考虑到指纹库的数据量和室内定位精度。
技术实现思路
为了克服现有技术的不足，本专利技术提供了一种基于WKNN融合的室内三维空间指纹定位方法，该方法从位置指纹的参考点中挖掘信息、融合信息，从而实现在位置指纹的基础上，与几何定位结果融合，以提高精度和稳定性。能够在不细化3D指纹数据库的情况下，通过KNN求取K个最近邻参考点，加权得到一种定位结果；再以数据库中基站的坐标和距离的几何关系求解另一种定位结果，两种结果进行融合实现更加精确而稳定的定位精度。该方法充分利用位置指纹信息，计算简单，定位精度高且稳定性高。本专利技术解决其技术问题所采用的技术方案包括如下步骤：步骤1：建立指纹离线信息库；离线建库阶段：在定位区域内，选取多个参考点，在每个参考点上测量所有基站的接收信号强度；将参考点坐标与接收信号强度共同存入数据库，形成指纹库；在线定位阶段：使用KNN将目标接收到的信号强度信息与指纹库中的信息进行匹配，得到K个最近邻的参考点坐标：式中，Dp表示信号强度距离，OB表示目标接收到的信号强度信息，NOk表示KNN算法匹配的k个最近邻参考点的指纹信息；步骤2：对步骤1得到的K个最近邻的参考点坐标，引入距离权重Wi：其中，(xi,yi,zi)表示第i个最近邻的参考点坐标，(x,y,z)表示目标坐标，di表示目标接收到的信号强度信息与第i个参考点的指纹信息的信号强度距离，ε是一个正数；步骤3：采用基于TDOA的Chan算法对目标再次定位；步骤3-1：计算：式中，d为目标与基站的实际距离，d0为基准距离，P(d)和P(d0)分别表示当目标与基站距离分别为d和d0时的平均接收功率，α表示路径损耗参数；θ表示由于阴影衰落和快衰落导致的噪声，θ是均值为0、方差的正态随机变量；步骤3-2：根据式(3)推导得出距离d的表达式：对式(4)进行修正：步骤3-3：采用噪声的自适应迭代方差算法减小噪声的影响，具体如下：定义原始噪声为：经过噪声的自适应迭代方差算法后得到的噪声为步骤3-3-1：令令i＝2；步骤3-3-2：计算步骤3-3-3：令i加1；步骤3-3-4：重复步骤3-3-2到步骤3-3-3，直到时，结束循环，且采用噪声的自适应迭代方差算法对θ的方差进行处理；根据距离di与其对应噪声采用TDOA中Chan算法进行定位计算得到一组新的目标点坐标(x,y,z)；步骤4：对步骤2和步骤3定位的结果进行融合，具体如下：X方向：式中，表示X方向上融合的结果，表示WKNN方法在X方向上的位置信息；表示Chan算法在X方向上的位置信息，方差与采用多次测量的统计方法获取；Y方向：式中，表示Y方向上融合的结果，表示WKNN方法在Y方向上的位置信息；表示Chan算法在Y方向上的位置信息，方差与采用多次测量的统计方法获取；Z方向：式中，表示Z方向上融合的结果，表示WKNN方法在Z方向上的位置信息；表示Chan算法在Z方向上的位置信息，方差与采用多次测量的统计方法获取。优选地，所述式(1)中，当p＝1，Dp表示曼哈顿距离，当p＝2时，Dp表示欧几里德距离。优选地，所述ε<0.01。优选地，所述，d0＝1m，α＝2。由于采用了本专利技术的一种基于WKNN融合的室内三维空间指纹定位方法，通过采用信息融合算法，充分挖掘位置指纹信息，提高定位精度并克服定位过程中的不稳定性。该方法突破了室内平面定位，能够在室内三维空间中进行定位，适用于室内多层停车场、大型商场、火车站等场景。附图说明图1是本专利技术方法的结构流程图。图2是本专利技术方法的结构框架。图3是本专利技术方法的仿真场景1。图4是本专利技术方法的仿真场景2。图5是本专利技术方法的场景1仿真精度结果。图6是本专利技术方法的场景2仿真精度结果。具体实施方式下面结合附图和实施例对本专利技术进一步说明。如图1和图2所示，本专利技术提供一种基于WKNN融合的室内三维空间指纹定位方法，包括如下步骤：步骤1：建立指纹离线信息库；离线建库阶段：在定位区域内，选取多个参考点，在每个参考点上测量所有基站的接收信号强度；将参考点坐标与接收信号强度共同存入数据库，形成指纹库；在线定位阶段：使用KNN将目标接收到的信号强度信息与指纹库中的信息进行匹配，得到K个最近邻的参考点坐标：式中，Dp表示信号强度距离，OB表示目标接收到的信号强度信息，NOk表示KNN算法匹配的k个最近邻参考点的指纹信息；步骤2：对步骤1得到的K个最近邻的参考点坐标，但KNN是一种均值算法，即求得的几个参考点的均值视为目标位置，通常是不准确的，因此采用WKNN算法，引入距离权重Wi：其中，(xi,yi,zi)表示第i个最近邻的参考点坐标，(x,y,z)表示目标坐标，di表示目标接收到的信号强度信息与第i个参考点的指纹信息的信号强度距离，ε是一个非常小的正数，用来防止公式中的除数为零；步骤3：采用基于TDOA的Chan本文档来自技高网...

【技术保护点】
1.一种基于WKNN融合的室内三维空间指纹定位方法，其特征在于，包括以下步骤：/n步骤1：建立指纹离线信息库；/n离线建库阶段：在定位区域内，选取多个参考点，在每个参考点上测量所有基站的接收信号强度；将参考点坐标与接收信号强度共同存入数据库，形成指纹库；/n在线定位阶段：使用KNN将目标接收到的信号强度信息与指纹库中的信息进行匹配，得到K个最近邻的参考点坐标：/n

【技术特征摘要】
1.一种基于WKNN融合的室内三维空间指纹定位方法，其特征在于，包括以下步骤：
步骤1：建立指纹离线信息库；
离线建库阶段：在定位区域内，选取多个参考点，在每个参考点上测量所有基站的接收信号强度；将参考点坐标与接收信号强度共同存入数据库，形成指纹库；
在线定位阶段：使用KNN将目标接收到的信号强度信息与指纹库中的信息进行匹配，得到K个最近邻的参考点坐标：



式中，Dp表示信号强度距离，OB表示目标接收到的信号强度信息，NOk表示KNN算法匹配的k个最近邻参考点的指纹信息；
步骤2：对步骤1得到的K个最近邻的参考点坐标，引入距离权重Wi：



其中，(xi,yi,zi)表示第i个最近邻的参考点坐标，(x,y,z)表示目标坐标，di表示目标接收到的信号强度信息与第i个参考点的指纹信息的信号强度距离，ε是一个正数；
步骤3：采用基于TDOA的Chan算法对目标再次定位；
步骤3-1：计算：



式中，d为目标与基站的实际距离，d0为基准距离，P(d)和P(d0)分别表示当目标与基站距离分别为d和d0时的平均接收功率，α表示路径损耗参数；θ表示由于阴影衰落和快衰落导致的噪声，θ是均值为0、方差的正态随机变量；
步骤3-2：根据式(3)推导得出距离d的表达式：



对式(4)进行修正：



步骤3-3：采用噪声的自适应迭代方差算法减小噪声的影响，具体如下：
定义原始噪声为：经过噪声的自适应迭代方差算法后得到的噪声为
...

【专利技术属性】
技术研发人员：李天成，杨浩宇，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61