基于LDE算法的WiFi室内定位方法技术

基于LDE算法的WiFi室内定位方法，涉及一种室内定位方法。它为了解决现有的WiFi室内定位方法的定位的实时性差的问题。该方法的实现过程分为两个阶段：离线阶段：WiFi网络的构建，测量RSS，构建Radio?Map；采用本征维数估计方法对Radio?Map的本征维数进行估计；采用LDE算法对Radio?Map降维处理，得出降维后的Radio?Map及特征变换矩阵得出最优的降维结果及相应的特征变换矩阵作为在线阶段的匹配数据库及相应的RSS变换矩阵。在线阶段：对测试点处接收到的RSS进行特征变换，并采用KNN算法与降维后的Radio?Map进行的匹配得出测试点的预测坐标。本发明专利技术适用于室内定位。

【技术实现步骤摘要】

本专利技术涉及一种室内定位方法。
技术介绍
随着无线局域网络在世界范围的飞速发展和移动终端设备的广泛普及，近年来出现了许多室内定位相关的技术和应用。由于多径效应、信号衰减及室内定位环境的复杂性，基于传统的信号传播模型的室内定位方法难以达到高精度的室内定位要求。基于到达时间(Time of Arrival)、到达时间差(Time Difference of Arrival)或到达角度(Angles ofArrival)等定位方法虽然可以基本满足定位精度需求，然而都需要定位终端有额外的硬件设备支持，具有较大局限性，从而导致基于上述几类定位方法的室内定位系统没有得到普及。目前，基于WLAN位置指纹(Finger Print)的WiFi室内定位方法得到了广泛应用。该方法的网络构建方法成本低廉，其使用2.4GHz ISMdndustrial Science Medicine)公共频段且无需在现有设施之上添加定位测量专用硬件。只需要通过移动终端的无线网卡及相应软件测量接收到的接入点(Access Point, AP)的信号强度(Received SignalStrength, RSS),由此来构建网络信号覆盖图(Radio Map),进而通过匹配算法来预测移动用户所处位置的坐标，或相对位置。然而通过该方式建立的Radio Map包含有庞大的数据信息,且随着定位区域扩大，Radio Map可能(依据定位匹配方式及算法选择)呈指数形势增长。获得尽可能多的相关数据特征信息对于整个系统来说会提升定位精度，但是处理大量的特征信息增加算法开销，定位算法无法在处理能力有限的移动终端上有效运行，同时某些特征信息可能是对于定位没有作用甚至有负面作用，致使匹配效率降低，从而导致匹配定位算法的实现变得更加复杂，并且定位精度下降。当AP的数目增加及定位的参考点(Reference Point)增加时,Radio Map的数据信息增加。此时，Radio Map中代表的AP数目的信息表示了数据的维数。因此，当AP数目增加，Radio Map就变成了高维数据。为减轻处理高维数据的负担，降维算法是有效的解决方法之一。高维数据可能包含很多特征，这些特征都在描述同一个事物，这些特征一定程度上是紧密相连的。如当从各个角度对同一个物体同时拍照时，得到的数据就含有重叠的信息。如果能得到这些数据的一些简化的不重叠的表达，将会极大地提高数据处理运行的效率并一定程度上提高准确度。降维算法的目的也正是在于提高高维数据的处理效率。除了可以简化数据使其能够高效处理外，降维方法还可以实现数据可视化。由于很多统计学的和机器学习算法对于最优解的准确性很差，降维的可视化应用可以令用户能够实际看到高维数据的空间结构和算法输出的能力，具有很强的应用价值。目前有很多基于不同目的的降维算法，包括有线性与非线性降维算法。其中PCA(Principal Component Analysis)和 LDA(Linear Discriminant Analysis)是典型的线性降维算法。这一类算法对于具有线性结构的高维数据有着良好的处理结果，但对于非线性结构的高维数据没有好的结果。典型的非线性降维算法以流形学习(ManifoldLearning)算法。2000年Science杂志上同一期发表了 3篇有关于流形学习算法中提出了2种经典的流形学习算法:LLE (Local Linear Embedding)及 ISOMAP (Isometric Mapping)。由此，各种基于不同的准则的流形学习算法被提出并有一部分流形学习算法应用于图像处理方面。目前的WiFi室内定位方法存在的RadioMap数据库大、在线定位阶段计算复杂度高难以在移动终端实现、定位的实时性差等问题。
技术实现思路
本专利技术是为了解决现有的WiFi室内定位方法的定位的实时性差的问题，从而提供一种。，它由以下步骤实现:步骤一、针对室内环境布置N个接入点AP，确保所述环境中任意一点被一个或一个以上的接入点AP发出的信号覆盖，所述N个接入点AP组成WiFi网络；在所述室内环境中均匀设置Nkp个参考点；N和Nkp均为正整数；步骤二、选取一个参考点为坐标原点建立二维直角坐标系,获得Nkp个参考点在该二维直角坐标系中的坐标位置，在离线阶段中在每个参考点上利用信号接收机采集来自每一个接入点AP的信号强度RSS值，并作为该接入点AP的位置特征信息；并根据N个接入点AP的位置特征信息构建室内信号覆盖图Radio Map ；步骤三、采用本征维数估计算法对步骤二获得的室内信号覆盖图Radio Map进行本征维数分析，获得本征维数分析结果；步骤四、根据步骤三获得的本征维数分析结果采用LED算法将室内信号覆盖图Radio Map内的所有参考点降维至本征维数，获得特征变换矩阵，并生成降维后的信号覆盖图 Radio Map*； 步骤五、在在线阶段，测量室内环境中欲定位点的信号强度RSS值，并将该信号强度RSS值与步骤四获得的特征变换矩阵相乘，获得信号强度变换值RSS* ；步骤六、采用KNN算法对步骤五获得的信号强度变换值RSS*与步骤四生成的降维后的信号覆盖图Radio Map*进行位置匹配，获得欲定位点的位置坐标，完成欲定位点的室内定位。步骤三中采用本征维数估计算法为特征值估计法。步骤三中采用本征维数估计算法为包数估计法。步骤三中采用本征维数估计算法为测地线最小生成树算法。采用测地线最小生成树算法对步骤二获得的室内信号覆盖图Radio Map进行本征维数分析是通过公式: 1intrinsic dim = ZI — Cl实现的；式中:dintHnsic;dim为本征维数分析结果；a表示最小生成树的线性拟合表达式的斜率。步骤四中获得特征变换矩阵与生成降维后的信号覆盖图Radio Map*之间的关系为:本文档来自技高网...

【技术保护点】
基于LDE算法的WiFi室内定位方法，其特征是：它由以下步骤实现：步骤一、针对室内环境布置N个接入点AP，确保所述环境中任意一点被一个或一个以上的接入点AP发出的信号覆盖，所述N个接入点AP组成WiFi网络；在所述室内环境中均匀设置NRP个参考点；N和NRP均为正整数；步骤二、选取一个参考点为坐标原点建立二维直角坐标系，获得NRP个参考点在该二维直角坐标系中的坐标位置，在离线阶段中在每个参考点上利用信号接收机采集来自每一个接入点AP的信号强度RSS值，并作为该接入点AP的位置特征信息；并根据N个接入点AP的位置特征信息构建室内信号覆盖图Radio?Map；步骤三、采用本征维数估计算法对步骤二获得的室内信号覆盖图Radio?Map进行本征维数分析，获得本征维数分析结果；步骤四、根据步骤三获得的本征维数分析结果采用LED算法将室内信号覆盖图RadioMap内的所有参考点降维至本征维数，获得特征变换矩阵，并生成降维后的信号覆盖图Radio?Map*；步骤五、在在线阶段，测量室内环境中欲定位点的信号强度RSS值，并将该信号强度RSS值与步骤四获得的特征变换矩阵相乘，获得信号强度变换值RSS*；步骤六、采用KNN算法对步骤五获得的信号强度变换值RSS*与步骤四生成的降维后的信号覆盖图Radio?Map*进行位置匹配，获得欲定位点的位置坐标，完成欲定位点的室内定位。...

【技术特征摘要】
1.基于LDE算法的WiFi室内定位方法，其特征是:它由以下步骤实现: 步骤一、针对室内环境布置N个接入点AP，确保所述环境中任意一点被一个或一个以上的接入点AP发出的信号覆盖，所述N个接入点AP组成WiFi网络；在所述室内环境中均匀设置Nkp个参考点；N和Nkp均为正整数； 步骤二、选取一个参考点为坐标原点建立二维直角坐标系,获得Nkp个参考点在该二维直角坐标系中的坐标位置，在离线阶段中在每个参考点上利用信号接收机采集来自每一个接入点AP的信号强度RSS值，并作为该接入点AP的位置特征信息；并根据N个接入点AP的位置特征信息构建室内信号覆盖图Radio Map ； 步骤三、采用本征维数估计算法对步骤二获得的室内信号覆盖图Radio Map进行本征维数分析，获得本征维数分析结果； 步骤四、根据步骤三获得的本征维数分析结果采用LED算法将室内信号覆盖图RadioMap内的所有参考点降维至本征维数，获得特征变换矩阵，并生成降维后的信号覆盖图 Radio Map*； 步骤五、在在线阶段，测量室内环境中欲定位点的信号强度RSS值，并将该信号强度RSS值与步骤四获得的特征变换矩阵相乘，获得信号强度变换值RSS* ； 步骤六、采用KNN算法对步骤五获得的...

【专利技术属性】
技术研发人员：马琳，周才发，徐玉滨，秦丹阳，孟维晓，崔扬，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：