CN103901398A - 一种基于组合排序分类的位置指纹定位方法 - Google Patents

Abstract

本发明提出了一种基于组合排序分类的位置指纹定位方法，包括步骤如下：步骤一：学习阶段；步骤二：位置指纹库分类；步骤三：定位阶段；步骤四：阈值判定。本发明通过在位置指纹定位算法中对位置指纹库进行组合排序分类处理，将位置指纹库划分成了多个子类，从而大大降低了在定位阶段的运算复杂度，达到定位实时性好的目的。相对于传统的定位算法，本发明更适合定位面积大、参考点密度高、信号源个数多的环境，反应迅速，误差较小。

Description

一种基于组合排序分类的位置指纹定位方法

技术领域

本发明涉及一种基于组合排序分类的位置指纹定位方法，属于室内定位与导航技术领域。

背景技术

随着科技的进步和社会的发展，对象的定位已经成为交通、安全、医疗等行业关注的焦点。如通过GPS(Global Positioning System)标签跟踪车辆位置、通过交通路口的摄像头捕捉实时交通流、百度地图软件、嘀嘀打车软件等都是定位技术的典型应用。然而在有些相对复杂的环境下，如室内、地下矿井、隧道、停车场等，现有的室外定位技术无法满足定位精度的要求。

随着WLAN技术的成熟，Wi-Fi网络的覆盖越来越广。尽管Wi-Fi技术的设计初衷并不是为了定位，但是在IEEE802.ll标准中，无线网卡或AP的电路能够测量接收信号强度指示（RSSI，Received Signal Strength Indicator）。根据无线信道的传输模型，接收信号的强度值在一定程度上能反应传输距离，因此绝大多数的Wi-Fi定位***都是利用RSS。Wi-Fi定位的算法主要分为两大类：三角形算法和位置指纹识别算法。因为基于位置指纹识别的无线定位不需要知道AP的位置和准确的信道模型，所以不管在具体实施上还是定位性能上，相比基于三角形算法的定位都具有较大的优越性。

位置指纹识别算法依靠的是预先建立起来的位置指纹数据库进行识别，主要分为学习阶段和定位阶段。在学习阶段首先选择合理的参考点分布，接着依次在所有参考点上测量来自不同AP的RSS值，并将以上信息存入位置指纹库。在定位阶段，将在待测点上测量到的周围AP的RSS值与位置指纹库中数据按照一定的算法匹配，计算出最终的位置坐标。常用的匹配算法有最邻近算法（Nearest neighbor in Signal Space，NNSS）、K-最邻近算法（KNNSS）等。

然而，不管是NNSS算法还是KNNSS算法，其原理都是通过计算待定位点的信号强度值向量和所有样本点的信号强度值向量的距离来得到最终的定位结果的。该方法存在一个明显的缺点：计算复杂度会随着定位区域面积和信号源个数的增加而增加。因此，定位面积比较大的环境下，传统的定位算法具有很高的复杂度，造成定位时间太长而影响定位的实时性。

发明内容

针对现有技术的不足，本发明提出了一种基于组合排序分类的位置指纹定位方法。该定位方法适合大型室内定位环境，该定位方法的原理是，首先在学习阶段，将所有参考点的位置指纹库按照组合排序规则分为多个子类；在定位阶段，将待测点接收到的信号强度值向量按照相同的规则进行类别判定，找出其对应子类，然后运用KNNSS从该子类中计算出定位结果。

本发明的技术方案如下：

一种基于组合排序分类的位置指纹定位方法，包括步骤如下：

设室内定位环境中分布着M个无线AP信号源和N个平均分布在室内空间的参考点，为保证定位精度，防止偶然误差，室内定位环境中的每个位置都能接收到至少两个无线信号源发出的无线信号，并且无线信号强度大于-98dBm；确定分类时所选取有效信号源的个数为m，且m≤M；

步骤一：学习阶段

在室内定位环境中每一个参考点处采样Wi-Fi信号，并根据每个参考点接收到的信号强度值向量R＝[r_ap1,r_ap2......r_apM]建立位置指纹库，其中r_api表示该参考点接收到的第i个信号源的信号强度值；

步骤二：位置指纹库分类

首先设定参与分类的信号源个数的基准值m，针对每一个参考点的信号强度值向量，如果两个参考点R_i和R_j的信号强度值向量具同时满足以下条件，则将其归为同一子类：

1)R_i和R_j中前m大的信号强度值对应的信号源是同一信号源集合S_AP＝{AP₀,AP₁,AP₂......AP_m-1}，其中AP_i表示信号源编号；

2)在满足1)的条件下，R＝[r_ap1,r_ap2......r_apM]中S_AP对应的信号强度值的大小顺序是一致的：即如果分别对R_i和R_j中前m大的信号强度值进行由大到小排序，或由小到大排序，R_i和R_j中前m大的信号强度值排序之后，该m个信号强度值所对应的信号源编号顺序是一致的；

如果不同时满足以上两个条件，则将R_i和R_j归为不同的子类；这样就将全部的位置指纹库划分为 $A_M^m=\frac{M!}{(M-m)!}$ 个子类，即 $C=\{C_1,C_2......C_{A_M^m}\},$ 其中C_i表示同时满足以上两个条件的所有参考点的信号强度值构成集合；

步骤三：定位阶段

首先，从待定位点接收到的信号强度值向量R_x＝[r_ap1,r_ap2......r_apM]找出前m个最大的信号强度值，然后再根据步骤二中的两个条件判决出R_x所属子类：即先对前m个信号强度值，按照与步骤二的2)相同的排序规则进行排序，根据该排序所对应信号源的编号顺序来判定R_x的位置指纹库C_x，其中C_x∈C；

然后，运用K最邻近结点算法计算出首次定位位置：即设C_x中前K个最邻近参考点的坐标集合是{(x₁,y₁),(x₂,y₂).......(x_K-1,y_K-1)}，待测点的首次定位坐标是：

其中K为不小于2的正整数；

步骤四：阈值判定

设定一个误差阈值V，如果本次定位位置(x,y)与上一次定位位置(x_pre,y_pre)的欧式距离超过V，则视为误差过大，将两个位置的平均值设定为本次定位位置，即

再次计算(x,y)与(xpre,ypre)之间的欧式距离，直到位置距离不超过V，得到的定位位置(x,y)即为最终定位结果。本发明在实际的室内定位环境中，外界干扰因素很可能会使得参考点在某一时刻接收到的某个信号源的信号强度值过大或过小，我们称之为奇异值。为了尽量避免因奇异值而造成分类判决错误，我们用多次采样求平均值的方法来减少定位误差。

本发明的有益效果：

本发明通过在位置指纹定位算法中对位置指纹库进行组合排序分类处理，将位置指纹库划分成了多个子类，从而大大降低了在定位阶段的运算复杂度，达到定位实时性好的目的。同时，采用KNN匹配算法有效的降低了信号的波动所带来的误差。相对于传统的定位算法，本发明更适合定位面积大、参考点密度高、信号源个数多的环境，反应迅速，误差较小。

附图说明

图1是本发明所述定位方法的***框图；

图2是本发明具体实施方式所述的某大学实验室平面示意图。

具体实施方式

以下将结合具体实施实例对本发明提供的技术方法进行详细说明，下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

一种基于组合排序分类的位置指纹定位方法，包括步骤如下：

实验环境的部署方式如图2所示，在21m×36m的长方形区域中放置M=3个AP信号源（D-Link无线路由器），路由器的功率设置为100%，选择信道1-3，传输带宽为20MHz。使用Android客户端来扫描环境中的信号强度。

实施的软件分为客户端软件和服务器端软件，客户端软件实现扫描周围环境中的信号源信息，包括SSID（Service Set Identifier）、MAC、RSSI等，并通过无线网络发送至服务器端；服务器端软件主要完成定位结果的计算；两者通过部署的无线网络进行数据传输。

所述无线信号强度大于-98dBm；确定分类时所选取有效信号源的个数为m，且m≤M；

步骤一：学习阶段

在室内定位环境中每一个参考点处采样Wi-Fi信号，并根据每个参考点接收到的信号强度值向量R＝[r_ap1,r_ap2......r_apM]建立位置指纹库，其中r_api表示该参考点接收到的第i个信号源的信号强度值；

步骤1：以长为X轴，宽为Y轴，建立二维坐标系，原点设定为右下角交点位置，按照2m×2m的正方形网格分布划分出N=180个参考点，相邻两个参考点之间的距离为2m；

步骤2：将所述3个无线路由安装到定位环境中，确保手机终端能够稳定的接收到至少两个路由器的信号强度值；

步骤3：针对这180个参考点，客户端软件扫描定位环境中每个参考点接收到无线信号源信息，每个点以不同的方向采集S次（S不小于50）,取平均值之后发送至服务器端；服务器端接收到参考点的信号强度向量之后，从中提取出有效信号源的信号强度值向量，将其添加到***的数据库当中，直到所有的参考点采样完成；

步骤二：位置指纹库分类

首先设定参与分类的信号源个数的基准值m，针对每一个参考点的信号强度值向量，如果两个参考点R_i和R_j的信号强度值向量具同时满足以下条件，则将其归为同一子类：

1）R_i和R_j中前m大的信号强度值对应的信号源是同一信号源集合S_AP＝{AP₀,AP₁,AP₂......AP_m-1}，其中AP_i表示信号源编号；

2）在满足1)的条件下，R＝[r_ap1,r_ap2......r_apM]中S_AP对应的信号强度值的大小顺序是一致的：即如果分别对R_i和R_j中前m大的信号强度值进行由大到小排序，或由小到大排序，R_i和R_j中前m大的信号强度值排序之后，该m个信号强度值所对应的信号源编号顺序是一致的；

如果不同时满足1）和2）中所述的条件，则将R_i和R_j归为不同的子类；这样就将全部的位置指纹库分为 $A_M^m=\frac{M!}{(M-m)!}$ 个子类，即 $C=\{C_1,C_2......C_{A_M^m}\},$ 其中C_i表示同时满足2）中两个条件的所有参考点的信号强度值构成集合；

当服务器端接收到来自客户端的定位请求时，解析请求中的信号源信息，因为该信息向量中可能包含部署的3个信号源之外的信号源信息，所以需要提取有效的信号源构成的信号强度值；

根据Wi-Fi网络环境中已经部署的信号源信息表，从服务器端接收到的信号源信息中提取出有效信号源的信号强度值，如没有接收到的信号源强度值，则以默认值-98dBm填充，并将其按照信号源编号排序之后，作为待测点的信号强度值向量R_x；

步骤三：定位阶段

首先，从待定位点接收到的信号强度值向量R_x＝[r_ap1,r_ap2......r_apM]找出前m个最大的信号强度值，然后再根据步骤二中的两个条件判决出R_x所属子类：即先对前m个信号强度值，按照与步骤二的2)相同的排序规则进行排序，根据该排序所对应信号源的编号顺序来判定R_x的位置指纹库C_x，其中C_x∈C；

然后，运用K最邻近结点算法，计算出首次定位位置：根据公式 $d_i={\left(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{(r_{{\mathrm{ap}}_j}-r_{{\mathrm{iap}}_j})}^2\right)}^{1/2}$ 计算出R_x与C_x中每个参考点之间的欧式距离，选取前K个距离最小的参考点，其中K值最小值为3，再对前K个参考点的位置坐标进行取平均值作为首次定位位置；设参考点坐标集合是{(x₁,y₁),(x₂,y₂).......(x_K,y_K)}，待测点的首次定位坐标是： $(x,y)=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}(x_i,y_i)$

步骤四：阈值判定

设定一个误差阈值V，如果本次定位位置(x,y)与上一次定位位置(x_pre,y_pre)的欧式距离超过V，则视为误差过大，将两个位置的平均值设定为本次定位位置，即

再次计算(x,y)与(x_pre,y_pre)之间的欧式距离，直到位置距离不超过V，得到的定位位置(x,y)即为最终定位结果。

Claims (1)

1.一种基于组合排序分类的位置指纹定位方法，其特征在于，该指纹定位包括步骤如下： 

设室内定位环境中分布着M个无线AP信号源和N个平均分布在室内空间的参考点，室内定位环境中的每个位置都能接收到至少两个无线信号源发出的无线信号，并且无线信号强度大于-98dBm；确定分类时所选取有效信号源的个数为m，且m≤M； 

步骤一：学习阶段 

在室内定位环境中每一个参考点处采样Wi-Fi信号，并根据每个参考点接收到的信号强度值向量R＝[r_ap1,r_ap2......r_apM]建立位置指纹库，其中r_api表示该参考点接收到的第i个信号源的信号强度值； 

步骤二：位置指纹库分类 

首先设定参与分类的信号源个数的基准值m，针对每一个参考点的信号强度值向量，如果两个参考点R_i和R_j的信号强度值向量具同时满足以下条件，则将其归为同一子类： 

1)R_i和R_j中前m大的信号强度值对应的信号源是同一信号源集合S_AP＝{AP₀,AP₁,AP₂......AP_m-1}，其中AP_i表示信号源编号； 

2)在满足1)的条件下，R＝[r_ap1,r_ap2......r_apM]中S_AP对应的信号强度值的大小顺序是一致的：即如果分别对R_i和R_j中前m大的信号强度值进行由大到小排序，或由小到大排序，R_i和R_j中前m大的信号强度值排序之后，该m个信号强度值所对应的信号源编号顺序是一致的； 

如果不同时满足以上两个条件，则将R_i和R_j归为不同的子类；这样就将全部的位置指纹库划分为

个子类，即

其中C_i表示同时满足以上两个条件的所有参考点的信号强度值构成集合； 

步骤三：定位阶段 

首先，从待定位点接收到的信号强度值向量R_x＝[r_ap1,r_ap2......r_apM] 找出前m个最大的信号强度值，然后再根据步骤二中的两个条件判决出R_x所属子类：即先对前m个信号强度值，按照与步骤二的2)相同的排序规则进行排序，根据该排序所对应信号源的编号顺序来判定R_x的位置指纹库C_x，其中C_x∈C； 

然后，运用K最邻近结点算法计算出首次定位位置：即设C_x中前K个最邻近参考点的坐标集合是{(x₁,y₁),(x₂,y₂).......(x_K-1,y_K-1)}，待测点的首次定位坐标是：

其中K为不小于2的正整数； 

步骤四：阈值判定 

设定一个误差阈值V，如果本次定位位置(x,y)与上一次定位位置(x_pre,y_pre)的欧式距离超过V，则视为误差过大，将两个位置的平均值设定为本次定位位置，即 

再次计算(x,y)与(xpre,ypre)之间的欧式距离，直到位置距离不超过V，得到的定位位置(x,y)即为最终定位结果。

Images