基于AOA和RSSI加权指纹特征匹配室内定位方法、装置及系统制造方法及图纸

本发明专利技术公开了一种基于AOA和RSSI加权指纹特征匹配室内定位方法、装置及系统，所述定位方法利用随机森林的机器学习方法对指纹库中与各参考点对应的参考指纹向量中的每个特征进行训练，得到每个特征的权重，进而形成参考点权重向量；各参考点对应的参考指纹向量是基于参考点的信号强度RSSI以及到达角AOA计算获得的；对待测点的信号强度RSSI以及到达角AOA进行向量处理，利用自然断点分类法，得到在线指纹向量；基于所述在线指纹向量，以及参考点权重向量，采用匹配算法，得到匹配的参考点；对获得的参考点所对应的坐标进行相加后取平均，得到待测点的预测坐标。本发明专利技术提升了指纹法的精度，减少了使用的基站数目，定位的准确率也获得提高。获得提高。获得提高。

【技术实现步骤摘要】
基于AOA和RSSI加权指纹特征匹配室内定位方法、装置及系统


[0001]本专利技术属于蓝牙室内指纹定位领域，具体涉及一种基于AOA和RSSI加权指纹特征匹配室内定位方法、装置及系统。

技术介绍

[0002]近年来，定位技术发展如火如荼，特别随着物联网与人工智能的快速发展，市场对定位技术的需求与期望也随之上涨。室内作为人类长时间处于的空间，其电磁环境以及地理环境都比较复杂，对定位技术的要求也相对较高。蓝牙兼具高精度、高并发、低功耗、低成本、高兼容性等特性，是室内定位技术的重要载体之一。而如何在室内环境中，通过高精度、高可靠性的室内定位技术，获取更加精准的位置信息，是当前的研究热点。
[0003]传统的蓝牙指纹室内定位通过在室内环境中采集布置好的多个蓝牙信标的RSSI信息，经过处理后，生成指纹地图，匹配阶段与指纹地图中的指纹进行比对，得到匹配的位置信息。但是这一方法仅使用RSSI值作为指纹匹配的指标，一般需要至少4个蓝牙信标节点，想要提高精度，则需要布置大量的蓝牙信标，而精度也只是米级。蓝牙5.1版本中提出了AOA&AOD方法，通过监测到达不同天线的载波相位不同，接收端可以检测出到达信号和自身法线的夹角，尽管原理上仅需要两个及以上发射端，就可以通过计算，算出接收端所在位置。但是目前仍然面临几个方面的挑战，包括：信号反射干扰、天线阵列误差、复杂环境以及天线方向性扰动，这几个挑战需要从微波射频以及算法部分做较多的工作。

技术实现思路

[0004]针对上述问题，本专利技术提出一种基于AOA和RSSI加权指纹特征匹配室内定位方法、装置及系统，提升了指纹法的精度，减少了使用的基站数目，定位的准确率也获得提高。
[0005]为了实现上述技术目的，达到上述技术效果，本专利技术通过以下技术方案实现：
[0006]第一方面，本专利技术提供了一种基于AOA和RSSI加权指纹特征匹配的室内定位方法，包括：
[0007]利用随机森林的机器学习方法对指纹库中与各参考点对应的参考指纹向量中的每个特征进行训练，得到每个特征的权重，进而形成参考点权重向量；各参考点对应的参考指纹向量是基于参考点的信号强度RSSI以及到达角AOA计算获得的；
[0008]对待测点的信号强度RSSI以及到达角AOA进行向量处理，利用自然断点分类法，得到在线指纹向量；
[0009]基于所述在线指纹向量，以及参考点权重向量，采用匹配算法，得到匹配的参考点；
[0010]对获得的参考点所对应的坐标进行相加后取平均，得到待测点的预测坐标。
[0011]可选地，所述与各参考点对应的参考指纹向量通过以下方法获得：
[0012]将在参考点处从不同基站采集到的信号强度RSSI以及到达角AOA，进行向量整理；
[0013]针对经向量整理的数据，利用自然断点分类法，得到与参考点对应的参考指纹向
量。
[0014]可选地，所述经向量整理的数据的表达式为：
[0015][0016]其中，a
i
(n)表示第i个基站在第k个参考点处采集到的第n个达角AOA值，r
i
(n)表示第i个基站在第k个参考点处采集到的第n个信号强度RSSI值，i＝1,2,...,B，n＝1,2,...,N。
[0017]可选地，与各参考点对应的参考指纹向量的获得方法包括：
[0018]对于采集到的到达角AOA，进行限幅处理，然后与信号强度RSSI一起，经过2δ准则，得到处理好的AOA向量以及RSSI向量；
[0019]对每个基站在各参考点处采集到的到达角AOA或者信号强度RSSI，使用自然断点分类法进行迭代分类，并计算类内方差、总体方差以及两者比值，选取比值最小的分类情况；
[0020]统计属于每个类别的数量，计算其权重，并用该类别的边界平均值来进行加权计算，得到该基站在该参考点的AOA和RSSI参考指纹值,并整理为与该参考点对应的参考指纹向量。
[0021]可选地，所述参考点权重向量的计算方法包括：
[0022]对指纹库中的数据，添加上对应的标签类别，得到训练数据集；
[0023]通过随机森林，训练每个特征的权重，基于各特征的权重，形成参考点权重向量；所述特征指的是各个基站的到达角AOA和信号强度RSSI。
[0024]可选地，所述参考点权重向量的计算公式为：
[0025]VIM＝[VIM1,
…
,VIM
j
,
…
,VIM
2B
][0026][0027][0028]VIM
jm
＝GI
m
‑
GI
l
‑
GI
r
[0029][0030]其中，VIM为参考点权重向量，VIM
j
为特征x
j
的权重，VIM
jt
为特征x
j
在第t棵树的权重，VIM
jm
为节点m分支前后的Gini指数之差，GI
l
和GI
r
分别表示被节点m分枝后的左、右子树的Gini指数，GI
m
为Gini指数，是第m节点上的样本属于第k类的概率的估计值，对应于第k个参考点。
[0031]可选地，所述匹配的参考点的获取方法包括：
[0032]基于所述在线指纹向量，以及参考点权重向量，计算加权欧氏距离；
[0033]对加权欧氏距离排序，设定阈值，得到小于或等于该阈值的第一欧氏距离集合；
[0034]从所述第一欧式距离集合里，选取小于或等于第一欧氏距离集合平均值的第二欧式距离集合，进而获得与第二欧式距离集合中各距离对应的参考点。
[0035]可选地，所述加权欧氏距离的计算公式如下：
[0036][0037]d＝[x1,x2,
…
,x
2B
‑1,x
2B
][0038]其中，d
k
为第k个参考点的指纹向量，VIM为参考点权重向量，d为在线指纹向量的数据，x1,x2,
…
,x
2B
‑1,x
2B
是待测点的指纹值。
[0039]可选地，所述第一欧氏距离集合、第二欧氏距离集合和第一欧氏距离集合平均值的公式如下：
[0040][0041]其中，ε为设置阈值，φ为第一欧氏距离集合，Φ为第二欧氏距离集合，为第一欧氏距离集合平均值，U为第一欧氏距离集中的欧氏距离个数，dis
k
为加权欧氏距离。
[0042]可选地，所述待测点的预测坐标的计算方法包括：
[0043]基于第二欧式距离集合所对应的坐标，对其取平均值，计算出待测点的预测坐标。
[0044]可选地，所述待测点的预测坐标的计算公式为：
[0045][0046]其中，和分别是待测点的预测坐标的横纵坐标，Z是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AOA和RSSI加权指纹特征匹配的室内定位方法，其特征在于，包括：利用随机森林的机器学习方法对指纹库中与各参考点对应的参考指纹向量中的每个特征进行训练，得到每个特征的权重，进而形成参考点权重向量；各参考点对应的参考指纹向量是基于参考点的信号强度RSSI以及到达角AOA计算获得的；对待测点的信号强度RSSI以及到达角AOA进行向量处理，利用自然断点分类法，得到在线指纹向量；基于所述在线指纹向量，以及参考点权重向量，采用匹配算法，得到匹配的参考点；对获得的参考点所对应的坐标进行相加后取平均，得到待测点的预测坐标。2.根据权利要求1所述的一种基于AOA和RSSI加权指纹特征匹配室内定位方法，其特征在于：所述与各参考点对应的参考指纹向量通过以下方法获得：将在参考点处从不同基站采集到的信号强度RSSI以及到达角AOA，进行向量整理；针对经向量整理的数据，利用自然断点分类法，得到与参考点对应的参考指纹向量。3.根据权利要求2所述的一种基于AOA和RSSI加权指纹特征匹配室内定位方法，其特征在于：所述经向量整理的数据的表达式为：其中，a
i
(n)表示第i个基站在第k个参考点处采集到的第n个达角AOA值，r
i
(n)表示第i个基站在第k个参考点处采集到的第n个信号强度RSSI值，i＝1,2,...,B，n＝1,2,...,N。4.根据权利要求3所述的一种基于AOA和RSSI加权指纹特征匹配室内定位方法，其特征在于，与各参考点对应的参考指纹向量的获得方法包括：对于采集到的到达角AOA，进行限幅处理，然后与信号强度RSSI一起，经过2δ准则，得到处理好的AOA向量以及RSSI向量；对每个基站在各参考点处采集到的到达角AOA或者信号强度RSSI，使用自然断点分类法进行迭代分类，并计算类内方差、总体方差以及两者比值，选取比值最小的分类情况；统计属于每个类别的数量，计算其权重，并用该类别的边界平均值来进行加权计算，得到该基站在该参考点的AOA和RSSI参考指纹值,并整理为与该参考点对应的参考指纹向量。5.根据权利要求1所述的一种基于AOA和RSSI加权指纹特征匹配室内定位方法，其特征在于：所述参考点权重向量的计算方法包括：对指纹库中的数据，添加上对应的标签类别，得到训练数据集；通过随机森林，训练每个特征的权重，基于各特征的权重，形成参考点权重向量；所述特征指的是各个基站的到达角AOA和信号强度RSSI。6.根据权利要求5所述的一种基于AOA和RSSI加权指纹特征匹配室内定位方法，其特征在于，所述参考点权重向量的计算公式为：VIM＝[VIM1,
…
,VIM
j
,
…
,VIM
2B
]
VIM
jm
＝GI
m
‑
GI
l
‑
GI
r
其中，VIM为参考点权重向量，VIM
j
为特征x
j
的权重，VIM
jt
为特征x
j
在第t棵树的权重，VIM
jm
为节点m分支前后的Gini指数之差，GI<...

【专利技术属性】
技术研发人员：高迎宾，孙达，夏玮玮，张亦农，燕锋，沈连丰，
申请(专利权)人：南京西觉硕信息科技有限公司，
类型：发明
国别省市：