CN103400115B - 一种无线信号指纹匹配方法 - Google Patents

Abstract

本发明公开了一种无线信号指纹匹配方法，包括如下步骤：S1、在指纹数据库中选定一条指纹记录F_k；S2、确定用户指纹F_u与F_k的公共表征AP；S3、计算各个所述公共表征AP的表征能力系数；S4、根据上述各个公共表征AP的接收信号强度差和所述表征能力系数，计算F_u与F_k的匹配距离；S5、更新k值，重复上述步骤，直至得到用户指纹F_u与指纹数据库中的所有指纹记录的匹配距离；S6、找出与用户指纹F_u的匹配距离最小且相邻指纹与用户指纹F_u的匹配距离满足一定阈值的指纹作为用户指纹F_u的目标指纹，对应的位置为用户位置。本发明利用圈定位方法，可以有效防止错误匹配的现象，提高匹配的准确度；利用鲁棒规约技术解决了由于AP的不稳定性造成的指纹匹配精度不高的问题。

Description

一种无线信号指纹匹配方法

技术领域

本发明涉及无线室内定位技术领域，尤其涉及一种应用于室内精确定位的无线信号指纹匹配方法。

背景技术

智能手机的广泛普及和无线设备的大规模推广催生了大量关于无线室内定位的研究。目前大多数的室内定位方法利用环境中已有的无线接入点（AccessPoint，AP）（如WiFi、GSM、ZigBee等无线技术的接入点）来实现定位。由于接收信号强度（ReceivedSignalStrength，RSS）的易获得性，其成为最常用的物理特征。对于各个AP的接收信号强度通常可以直接从无线网络设备上读取。采用无线信号作为位置特征的方法成为最广泛使用的室内定位方法，又称基于指纹的室内定位或指纹定位。

无线指纹定位方法通常分为两阶段：训练和运行。在训练阶段,需要对定位环境进行现场勘测。在这个过程中，工程师通过在感兴趣区域中的各个位置记录RSS指纹来建立一个指纹数据库。即将指纹和与其相关的位置一起记录在数据库中。在运行阶段,当用户发送一个位置查询的请求时，定位算法利用该用户目前的RSS指纹检索指纹数据库并返回最佳匹配的记录，将该记录对应的位置作为用户的位置估计。

指纹匹配算法直接关乎定位精度。由于无线信号在复杂的室内环境下传播受到多径、折射、反射等影响，再加上环境的动态性，无线信号指纹存在时间上不稳定、空间上不唯一的问题。具体而言，主要表现为：

1）同空间位置可能检测到相似的指纹。换言之，同一条用户指纹可能与空间中相隔很远的两个位置上的指纹均具有较高的相似性，从而给用户指纹的位置估计带来不确定性。

2）AP的不稳定性，接收信号强度在短时间内呈现小幅度的波动，在长时间内呈现大幅度的变化。而且不同AP所表现的出来的稳定性各不相同。

现有的信号指纹匹配技术中都没有考虑上述因素，往往造成错误匹配或者匹配精度较低等问题。

发明内容

（一）要解决的技术问题

本发明所要解决的技术问题是：如何提供一种无线信号指纹匹配方法，解决现有技术中匹配准确度和精度不高的问题。

（二）技术方案

为了解决上述技术问题，一方面，本发明提供了一种无线信号指纹匹配方法，包括如下步骤：

S1、在指纹数据库中选定一条指纹记录F_k；

S2、确定用户指纹F_u与F_k的各个公共表征AP；

S3、计算各个所述公共表征AP的表征能力系数；

S4、根据上述各个公共表征AP的接收信号强度差和所述表征能力系数，计算F_u与F_k的匹配距离；

S5、更新k值，重复上述步骤，直至得到用户指纹F_u与指纹数据库中的所有指纹记录的匹配距离；

S6、找出与用户指纹F_u的欧式距离最小且相邻指纹与用户指纹F_u的匹配距离满足一定阈值的指纹作为用户指纹F_u的目标指纹，对应的位置为用户位置；

所述各个公共表征AP的接收信号强度差标记为ΔF=[x_i,i＝1,2,...,Q]，其中Q为公共表征AP的个数。

优选地，步骤S3之后还包括步骤：

S3B、对所述F_u与F_k对应公共表征AP的接收信号强度差进行规约。

具体地，所述S3B的具体实现步骤为：

S3B1、根据最小二乘中值定理，对所述ΔF生成回归估计值；

S3B2、判断各个公共表征AP的接收信号强度差是否异常值；

S3B3、用步骤S3B1得到的回归估计值替代对应的异常的公共表征AP的接收信号强度差。

具体地，所述步骤S3B2判断各个公共表征AP的接收信号强度差是否异常值具体为：

判断每一个公共表征AP的接收信号强度差x_i（i∈{1,2,...,Q}）对应的估计残差是否超过设定的阈值，若超过该阈值则判定x_i为异常值；否则判定为非异常值。

具体地，所述步骤S3B2判断各个公共表征AP的接收信号强度差是否异常值具体为：

根据x_i（i∈{1,2,...,Q}）的抗性诊断指标判断接收信号强度差x_i是否为异常值。x_i的抗性诊断指标RD_i具体为：

${\mathrm{RD}}_i=\frac{x_i}{{\mathrm{med}}_{j=1,...,Q}{x}_j}$

其中，med表示中位数。当RD_i＜2.5时，x_i不属于异常值；当RD_i≥2.5时，x_i属于异常值。

进一步地，所述步骤S2中F_u与F_k的公共表征AP具体是通过执行以下步骤获得的：

S21、分别删除F_u与F_k中接收信号强度小于设定阈值的AP，得到的F_u′和F_k′，其中F_u′对应的AP的集合为F_k′对应的AP的集合为

S22、对和求交集，令表示交集中AP的个数，若P＝0则输出指纹F_u和所述指纹F_k不匹配，更新k值，回到步骤S1；

若P≠0，执行S23；

S23、对和求并集，并集中的所有AP就是用户指纹F_u与所述F_k的公共表征AP。

进一步地，所述步骤S3中计算各个所述公共表征AP的表征能力系数具体步骤如下：

S31、用所述公共表征AP的接收信号强度重新表示F_u与F_k；

S32、计算各个公共表征AP与F_u的物理距离D_u＝[d_u,q,q＝1,2,...,Q]，d_u,q表示第q个公共表征AP与F_u的物理距离；

计算各个公共表征AP与F_k的物理距离D_k＝[d_k,q,q＝1,2,...,Q]，d_k,q表示第q个公共表征AP与F_k的物理距离；

S33、基于步骤S32得到的d_u,q和d_k,q，q＝1,2,...,Q，分别计算第q个公共表征AP对于用户指纹F_u与F_k的表征能力系数ρ_u,q与ρ_k,q如下：

${\mathrm{\ρ}}_{t,q}=\frac{1}{d_{t,q}{\mathrm{\Σ}}_t}$

其中， ${\mathrm{\Σ}}_t={\mathrm{\Σ}}_{j=1}^Q\frac{1}{d_{t,j}},$ t∈{u,k}；

S34、取步骤S33得到的ρ_u,q和ρ_k,q中较大的值，作为第q个F_u与F_k的公共表征AP的表征能力系数ρ_q，q＝1,2,...,Q。

进一步地，所述步骤S32中步骤计算d_u,q或者d_k,q的具体过程为：

根据对数距离路径衰落模型（Log-normalDistancePathLoss）可知：

PL(d_q)＝PL₀+10γlg(d_q)

其中，PL₀表示与第q个公共表征AP的物理距离为1米时的接收信号强度，γ是路径衰减指数，PL(d_q)表示与第q个公共表征AP的物理距离为d_u,q时的接收信号强度，PL(d_q)能够从F_u或者F_k中直接得到；

解上述方程可得d_u,q或者d_k,q的值。

具体地，所述步骤S4中F_u与F_k的匹配距离的匹配距离计算如下：

$\mathrm{\Φ}(F_u,F_k)=\frac{Q}{P}\sqrt{{\mathrm{\Σ}}_{q=1}^Q{\left({\mathrm{\ρ}}_q{x}_q\right)}^2}$

其中，Q表示F_u与F_k的公共表征AP的个数，P表示F_u与F_k中接收信号强度大于等于设定阈值的AP的交集的个数，ρ_q表示F_u与F_k的第q公共表征AP的表征能力系数，x_q表示F_u与F_k的第q公共表征AP的接收信号强度的差值。

具体的，所述步骤S6中所述阈值为指纹数据库中任两条相邻位置上的指纹之间的匹配距离的最大值。

进一步地，所述步骤S6中的相邻指纹是指：所述指纹数据库中记录的相邻采样点对应的指纹；

优选地，相邻指纹选取东、西、南、北四个方向的相邻采样点的指纹。

（三）有益效果

本发明所记载的无线信号指纹匹配方法提出了圈定位的概念，指纹数据库中确定的与用户指纹匹配的指纹，其相邻指纹与用户指纹的匹配距离也要满足一定的条件。以此防止错误匹配的现象，提高匹配的准确度。

在指纹匹配过程中，本发明所记载的方法，不使用全部AP，而仅选择表征能力强的公共表征AP减小了匹配过程的复杂度。利用鲁棒规约技术筛除了待匹配的两条指纹之间异常的RSS差，从而解决了由于AP的不稳定性造成的指纹匹配精度不高的问题。

同时，该方法不需要任何额外的硬件设备，也无需修改现场勘测或定位终端，可以和目前通用的各类方法直接集成使用，具有很高的普适性。

结合附图阅读本发明实施方式的详细说明后，本发明的其他优点和特点将变得更加清楚。

附图说明

图1为本发明的一种实施方式中无线信号指纹匹配方法的步骤流程示意图；

图2为本发明的一种实施方式中圈定位原理示意图；

图3为本发明的实施例二中对异常公共表征AP的加收信号强度差进行鲁棒规约示意图。

具体实施方式

下面结合说明书附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例仅用于说明本发明，但不用来限制本发明的范围。

为了便于叙述和说明本发明的具体实施方式，在以下实施例中公共表征AP的接收信号强度差是指：在待匹配的两条指纹中，分别记录的同一个公共表征AP的接收信号强度的差值；AP与指纹F_k的物理距离是指：AP所在的位置与该指纹所对应的物理位置之间的距离。

实施例一

如图1所示，本实施例记载了一种无线信号指纹匹配方法，包括如下步骤：

S1、在指纹数据库中选定一条指纹记录F_k；

具体的，室内无线网络通常由多个无线AP组成，通过在室内现场勘测所述AP接收信号强度，可以得到定位目标区域的指纹数据库。勘测过程为：首先按照一定密度按照网格状方式选择采样点（如，每两米设置一个采样）；其次，在每一个采样点上记录各个AP的接收信号强度，作为该采样点所对应位置的无线信号指纹，存储在指纹数据库中。也就是说，指纹数据库中的每条指纹都对应着一个准确的物理位置标签。

假设定位区域共有N个无线AP分别为{AP₁,AP₂,...,AP_N}，指纹F_k可以表示为：F_k＝[f_k,1,f_k,2,...,f_k,N]，其中f_k,n（1≤n≤N）表示F_k所表示的采样点对AP_n的接收信号强度，若采样点接收不到某一个AP的信号，对应该AP的接收信号强度记为-100dBm。

S2、确定用户指纹F_u与上述F_k的公共表征AP，计算各个公共表征AP的表征能力系数；

通常，一条指纹中AP的接收信号强度越强，说明该AP越靠近该指纹所表示的位置。在本实施例，不使用指纹中的全部AP，而仅选择接收信号强度较强的AP作为公共表征AP可以有效的减少计算匹配距离是的复杂度。

用户发出位置查询请求时的指纹信息记为F_u＝[f_u,1,f_u,2,...,f_u,N]，确定用户指纹F_u与所述F_k的公共表征AP具体包括以下步骤：

S21、分别删除用户指纹F_u与所述F_k中接收信号强度小于设定阈值σ的AP，得到的F_u′和F_k′，其中F_u′对应的AP的集合为F_k′对应的AP的集合为

所述σ的值可以根据经验测量值来获得，通常选为-95dBm；

S22、对和求交集，令表示交集中AP的个数，若P＝0则输出指纹F_u和所述指纹F_k不匹配，更新k值，回到步骤S1；

若P≠0，执行S23；

S23、对和求并集，记 其中Q≤N， 中的所有无线AP就是用户指纹F_u与所述F_k的公共表征AP。

S3、计算各个公共表征AP的表征能力系数；

由与某一位置距离越近的AP，对该位置的表征能力系数就越大。本实施例中AP的表征能力系数的就是用距离来表示的，具体为：

S31、对上述F_u′和F_k′进行扩展，使F_u′＝[f_u′_,1,f_u′_,2,...,f_u′_,Q]，其中f_u′_,q（1≤q≤Q）表示F_u所表示的物理位置对AP_q′的接收信号强度，若则记f_u′_,q＝-100，单位为dBm；

相似的，使F_k′＝[f_k′_,1,f_k′_,2,...,f_k′_,Q]，其中f_k′_,q（1≤q≤Q）表示F_k所表示的采样点对AP_q′的接收信号强度，若则记f_k′_,q＝-100，单位为dBm；

令x_q＝|f_u′_,q-f_k′_,q|，q＝1,2,...,Q，表示公共表征AP在F_u与F_k中的接收信号强度差，记ΔF＝[x₁,x₂,...,x_Q]。

S32、计算中的各个AP所在的位置与F_u所表示的位置的物理距离。

具体的，AP_q′（1≤q≤Q）到F_u所表示的位置的距离d_u,q可根据对数距离路径衰落模型（Log-normalDistancePathLoss）计算得到：

PL(d_u,q)＝PL₀+10γlg(d_u,q)

其中，PL₀表示与AP_q′的距离为1米时的接收信号强度，γ是路径衰减指数，PL(d_u,q)表示与AP_q′的距离为d_u,q时的接收信号强度，在本实施例里PL(d_u,q)＝f_u′_,q。

同理，可计算出中的各个AP所在的位置与F_k所表示的位置的物理距离。

S33、基于上述步骤得到的d_u,q计算AP_q′（q＝1,2,...,Q）对于用户指纹F_u′＝[f_u′_,1,f_u′_,2,...,f_u′_,Q]的表征能力系数如下：

${\mathrm{\ρ}}_{u,q}=\frac{1}{d_{u,q}{\mathrm{\Σ}}_u}$

其中，是一个归一化参数，使得F_u′＝[f_u′_,1,f_u′_,2,...,f_u′_,Q]中各个AP的表征能力系数总和

同理，可计算得到AP_q′（q＝1,2,...,Q）对于用户指纹F_k′＝[f_k′_,1,f_k′_,2,...,f_k′_,Q]的表征能力系数ρ_k,q，q＝1,2,...,Q。

S34、取步骤S33得到的ρ_u,q和ρ_k,q中较大的值，作为第q个F_u与F_k的公共表征AP的表征能力系数，即ρ_q＝max{ρ_u,q,ρ_k,q}，q＝1,2,...,Q。

S4、计算F_u与F_k的匹配距离；

基于上述步骤，F_u与F_k的匹配距离的匹配距离计算如下：

$\mathrm{\Φ}(F_u,F_k)=\frac{Q}{P}\sqrt{{\mathrm{\Σ}}_{q=1}^Q{\left({\mathrm{\ρ}}_q{x}_q\right)}^2}$

S5、更新k，重复上述步骤，直至得到用户指纹F_u与指纹数据库中的所有指纹记录的匹配距离；

S6、找出与用户指纹F_u的匹配距离最小且四周指纹与用户指纹F_u的匹配距离满足一定阈值的指纹作为用户指纹F_u的目标指纹，对应的位置为用户位置。

在上述步骤的基础之上，本实施例引入“圈定位”的概念，来提高定位精度。如图2所示，圈定位指的是，在指纹匹配过程中不使用单点匹配的方式，（即将用户指纹与指纹数据库中的指纹逐条匹配，寻找最相似的目标指纹），而采用多点匹配。多点匹配相对于单点而言，是指匹配时不仅要保证用户指纹与目标指纹相似，同时要保证用户指纹与目标指纹相邻位置对应的指纹也较为相近。具体地，给定用户指纹F_u，对指纹数据库中的每一条指纹F_k，记其周围四个方向上采样点的指纹为F_k1，F_k2，F_k3和F_k4，依据上述步骤可以得到Φ(F_u,F_x)，其中F_x∈{F_k,F_k1,F_k2,F_k3,F_k4}，

当

且

$\&ForAll;F_x\&Element;\{F_{k1},F_{k2},F_{k3},F_{k4}\},\mathrm{\&Phi;}(F_u,F_x)<\mathrm{\&epsiv;}$

时，选定F^*为目标指纹，F^*对应的位置为目标位置。其中，ε为相邻指纹相似度阈值，通常取指纹数据库中任意两条相邻位置上的指纹之间的匹配距离的最大值。

如果满足以上条件的目标指纹不存在，则判定用户不处于当前指纹数据库所对应的定位区域范围之内，无法返回用户的位置。

本实施例的这一步骤中，对于指纹数据库中的每一条指纹F_k，其周围四个方向上采样点的指纹可以是东、南、西、北四个方向上相邻的采样点，也可以是东南、东北、西南、西北四个方向上相邻的采样点。更进一步，在本发明的其他实施例中也可以不取周围四个方向的指纹，改为取相邻指纹中距离最近的指纹，或者只取左、右相邻的采样点的指纹或者只取前、后相邻的采样点的指纹。本领域的技术人员应当明白，对周围采样点指纹的选取还可以有其他方式，也应当理解为属于本发明所要保护的范围。

实施例二

在实施例一的基础上，步骤S3之后步骤S4之前还包括以下步骤：

S3B、对异常公共表征AP的接收信号强度差进行鲁棒规约。

由于各个AP的稳定性不同，不同时间对相同的采样点进行勘测，得到的采样指纹可能不同。特别的，如果某些AP的稳定性很差，那么对该AP接收信号强度的勘测结果可能会出现两种情况：一种是在同一采样点，该AP的接收信号强度在短时间内出现较大的波动，另一种是位置非常接近的两个采用点，勘测到的该AP的接收信号强度却有很大差异，这两种情况都会对用户指纹的匹配结果产生很大影响。这种稳定性差的AP就叫做异常AP。

异常AP如果作为待匹配指纹的公共表征AP，就会产生异常的接收信号强度差，进而对待匹配指纹的匹配距离造成较大误差。为了消除异常AP造成的不利影响，准确的匹配用户指纹，就需要异常AP引起的异常接收信号强度差进行规约。本实施例采用鲁棒规约技术对异常接收信号强度差进行修正。

如图3所示，鲁棒规约的效果是当绝大多数RSS差值都较小时，少数差值极大的异常值会被调整为较小的估计值，当绝大多数RSS差值都较大时，少数差值极小的异常值则被调整为较大的估计值。鲁棒规约的具体步骤如下：

S3B1、对接收信号强度差向量ΔF＝[x₁,x₂,...,x_Q]生成一个回归估计量得到对ΔF的一组估计 $\mathrm{\&Delta;}\hat{F}=[{\hat{x}}_1,{\hat{x}}_2,...,{\hat{x}}_Q],$ 其中 ${\hat{x}}_i=x_i\&CenterDot;\mathrm{\&theta;}+e,$ i＝1,2,...,Q。

根据最小二乘中值定理，设定回归估计的最优化目标为：

$\underset{\widehat{\mathrm{\&theta;}}}{\min }\underset{i}{\mathrm{med}}{r_i}^2$

其中med表示中位数，为估计残差；

有上述优化公式可以解的θ值和e值，从而得到i＝1,2,...,Q。

S3B2、对异常接收信号强度差进行修正；

判断接收信号强度差是否异常，可以采用以下两种方式：

一种是判断每一个接收信号强度差x_i（i∈{1,2,...,Q}）对应的估计残差r_i是否超过设定的阈值，若超过该阈值则判定x_i为异常值；否则判定为非异常值。

另一种是采用抗性诊断（ResistantDiagnostic）指标判断接收信号强度差x_i（i∈{1,2,...,Q}）是否为异常值。x_i的抗性诊断指标RD_i具体为：

${\mathrm{RD}}_i=\frac{x_i}{{\mathrm{med}}_{j=1,...,Q}{x}_j}$

其中，med表示中位数。当RD_i＜2.5时，x_i不属于异常值；当RD_i≥2.5时，x_i属于异常值。

S3B3、根据上述两种判定方法，记规约后的接收信号强度差为，i∈{1,2,...,Q}，那么

实施例一中的步骤S4改为：基于规约后的接收信号强度差，结合上一步计算的AP表征能力系数，F_u与F_k的匹配距离的匹配距离计算如下：

$\mathrm{\&Phi;}(F_u,F_k)=\frac{Q}{P}\sqrt{{\mathrm{\&Sigma;}}_{q=1}^Q{\left({\mathrm{\&rho;}}_q{\tilde{x}}_q\right)}^2}$

实施例1中的其他步骤不变。

对AP的接收信号强度差进行规约，能够消除异常AP对匹配结果的影响，大大提高匹配精度。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (9)

1.一种无线信号指纹匹配方法，其特征在于，包括以下步骤：

S1、在指纹数据库中选定一条指纹记录F_k；

S2、确定用户指纹F_u与F_k的各个公共表征AP；

S3、计算各个所述公共表征AP的表征能力系数；

S4、根据上述各个公共表征AP的接收信号强度差和所述表征能力系数，计算F_u与F_k的匹配距离；

S5、更新k值，重复上述步骤，直至得到用户指纹F_u与指纹数据库中的所有指纹记录的匹配距离；

S6、找出与用户指纹F_u的匹配距离最小且相邻指纹与用户指纹F_u的匹配距离满足一定阈值的指纹作为用户指纹F_u的目标指纹，对应的位置为用户位置；

所述各个公共表征AP的接收信号强度差标记为ΔF＝[x_i,i＝1,2,...,Q]，其中Q为公共表征AP的个数；

其中，所述步骤S2中F_u与F_k的公共表征AP具体是通过执行以下步骤获得的：

S21、分别选取F_u与F_k中接收信号强度大于等于设定阈值的AP，F_u对应的AP的集合为A_u，F_k对应的AP的集合为A_k；

S22、对A_u和A_k求交集，令P表示交集中AP的个数，若P＝0则输出指纹F_u和所述指纹F_k不匹配，更新k值，回到步骤S1；

若P≠0，执行S23；

S23、对A_u和A_k求并集，并集中的所有AP就是F_u与F_k的公共表征AP；

所述步骤S3中计算各个所述公共表征AP的表征能力系数具体步骤如下：

S31、用所述公共表征AP的接收信号强度重新表示F_u与F_k；

S32、计算各个公共表征AP与F_u的物理距离D_u＝[d_u,q,q＝1,2,...,Q]，d_u,q表示第q个公共表征AP与F_u的物理距离；

计算各个公共表征AP与F_k的物理距离D_k＝[d_k,q,q＝1,2,...,Q]，d_k,q表示第q个公共表征AP与F_k的物理距离；

S33、基于步骤S32得到的d_u,q和d_k,q，q＝1,2,...,Q，分别计算第q个公共表征AP对于用户指纹F_u与F_k的表征能力系数ρ_u,q与ρ_k,q如下：

${\mathrm{\&rho;}}_{t,q}=\frac{1}{d_{t,q}{\mathrm{\&Sigma;}}_t}$

其中， ${\mathrm{\&Sigma;}}_t={\mathrm{\&Sigma;}}_{j=1}^Q\frac{1}{d_{t,j}},$ t∈{u,k}；

S34、取步骤S33得到的ρ_u,q和ρ_k,q中较大的值，作为第q个F_u与F_k的公共表征AP的表征能力系数ρ_q，q＝1,2,...,Q。

2.如权利要求1所述的方法，其特征在于，步骤S3之后还包括步骤：

S3B、对所述F_u与F_k的各个公共表征AP的接收信号强度差进行规约。

3.如权利要求2所述的方法，其特征在于，所述S3B的具体实现步骤为：

S3B1、根据最小二乘中值定理，对所述ΔF生成回归估计值；

S3B2、判断各个公共表征AP的接收信号强度差是否异常值；

S3B3、用步骤S3B1得到的回归估计值替代对应的异常的公共表征AP的接收信号强度差。

4.如权利要求3所述的方法，其特征在于，所述步骤S3B2判断各个公共表征AP的接收信号强度差是否异常值具体为：

判断每一个公共表征AP的接收信号强度差x_i(i∈{1,2,...,Q})对应的估计残差是否超过设定的阈值，若超过该阈值则判定x_i为异常值；否则判定为非异常值。

5.如权利要求3所述的方法，其特征在于，所述步骤S3B2判断各个公共表征AP的接收信号强度差是否异常值具体为：

根据x_i(i∈{1,2,...,Q})的抗性诊断指标判断接收信号强度差x_i是否为异常值，x_i的抗性诊断指标RD_i具体为：

${\mathrm{RD}}_i=\frac{x_i}{{\mathrm{med}}_{j=1,...,Q}{x}_j}$

其中，med表示中位数，当RD_i<2.5时，x_i不属于异常值；当RD_i≥2.5时，x_i属于异常值。

6.如权利要求1所述的方法，其特征在于，所述步骤S32中步骤计算d_u,q或者d_k,q的具体过程为：

根据对数距离路径衰落模型可知：

PL(d_q)＝PL₀+10γlg(d_q)

其中，PL₀表示与第q个公共表征AP的物理距离为1米时的接收信号强度，γ是路径衰减指数，PL(d_q)表示与第q个公共表征AP的物理距离为d_u,q时的接收信号强度，PL(d_q)能够从F_u或者F_k中直接得到；

解上述方程可得d_u,q或者d_k,q的值。

7.如权利要求1至6中任一项所述的方法，其特征在于，所述步骤S4中F_u与F_k的匹配距离计算如下：

$\mathrm{\&Phi;}(F_u,F_k)=\frac{Q}{P}\sqrt{{\mathrm{\&Sigma;}}_{q=1}^Q{\left({\mathrm{\&rho;}}_q{x}_q\right)}^2}$

其中，P表示F_u与F_k中接收信号强度大于等于设定阈值的AP的交集的个数，ρ_q表示F_u与F_k的第q公共表征AP的表征能力系数，x_q表示F_u与F_k的第q公共表征AP的接收信号强度的差值。

8.如权利要求1至6中任一项所述的方法，其特征在于，所述步骤S6中所述阈值为指纹数据库中任两条相邻位置上的指纹之间的匹配距离的最大值。

9.如权利要求1至6中任一项所述的方法，其特征在于，所述步骤S6中的相邻指纹是指：所述指纹数据库中记录的相邻采样点对应的指纹；

相邻指纹选取东、西、南、北四个方向的相邻采样点的指纹。