CN105120479A - 终端间Wi-Fi信号的信号强度差异修正方法 - Google Patents

Abstract

一种无线通信技术领域的终端间Wi‐Fi信号的信号强度差异修正方法，根据初始转移函数对在线终端采集到的观测指纹映射至离线指纹数据库空间，然后与离线数据库中的指纹信息进行指纹匹配得到匹配指纹，再利用观测指纹和匹配指纹计算更新后的Wi‐Fi信号的信号强度转移函数的参数，重复计算直至满足收敛条件后，得到最终的转移函数及其参数，最后对观测指纹进行映射并计算得到离线指纹数据库中的匹配指纹和最终位置结果。本发明对Wi‐Fi信号的信号强度差异进行修正，相对现有方法增加了回归的指纹数量并对异常信号强度进行了处理，然后用优化KNN算法实现指纹匹配，实现了定位精度的明显提升。

Description

终端间Wi-Fi信号的信号强度差异修正方法

技术领域

本发明涉及的是一种无线通信领域的技术，具体是一种基于EM(期望最大化，ExpectationMaximization)算法的不同终端间Wi‐Fi信号的信号强度差异修正方法。

背景技术

随着无线通信与网络技术的飞速发展，无线技术已经深入到了方方面面，譬如医疗、工业、物流、交通、公共安全等领域及其他与人们生活息息相关的方面。正因为现在的无线信息资源相当广泛且能够被用户利用，所以基于无线***的室内定位技术也得到了快速发展，而Wi‐Fi指纹定位方法是目前主流的室内定位方法之一。这种定位***一般分为离线训练阶段和在线定位阶段。离线训练阶段需要建立室内空间的Wi‐Fi场强指纹数据库，在线定位阶段则根据当前检测到的指纹与数据库中的指纹进行匹配，得到定位结果。

传统的Wi‐Fi指纹定位方法忽略了在线终端和离线终端的差异性。实际上不同终端间Wi‐Fi信号的信号强度可能存在很大的差异。当在线终端和离线终端是不同终端时，这种不同终端间Wi‐Fi信号的信号强度差异会造成定位精度的下降，甚至可能是严重下降，因此，不同终端间Wi‐Fi信号的信号强度的差异问题必须加以解决。

经过对现有技术文献的检索发现，A.W.Tsui，Y.H.Chuang等人在2009年的MobileNetworksandApplications会议上所发表的论文"UnsupervisedlearningforsolvingRSShardwarevarianceprobleminWi‐Filocalization"中提出了解决Wi‐Fi定位中RSS硬件差异性问题的非监督学习方法，该方法考虑到在同一个位置不同终端采集到的RSS指纹间的Wi‐Fi信号的信号强度存在线性的映射关系，针对不同的终端类型，提出了一种非监督学习方法，通过该方法学习获得不同终端间Wi‐Fi信号的信号强度的转移函数，从而实现检测到的指纹间的映射，减小不同终端间Wi‐Fi信号的信号强度的差异。但是该方法存在两方面的不足：1)对于采集得到指纹的异常信号强度分量没有进行特殊处理，导致定位精度较低；2)每次只根据一个观测指纹来计算得到新的转移函数，不能准确得到转移函数。

经过对现有技术的检索发现，中国专利文献号CN104540219A，公开(公告)日2015.04.22，公开了一种低复杂度的Wi‐Fi指纹室内定位方法，通过在室内环境中，利用终端接收到的多个AP的Wi‐Fi信号的信号强度RSSI以及磁力计方向确定终端位置。在建立指纹数据库阶段，通过采样平均建立指纹库。在实时定位阶段，根据终端方向以及前一时刻的位置，得到指纹库子集用于计算位置，从而减小匹配算法的计算复杂度。但该技术在不同终端在同一位置采集到Wi‐Fi信号的信号强度存在差异及该差异引起的Wi‐Fi指纹定位***定位精度的降低。

中国专利文献号CN102932738A，公开(公告)日2013.02.13，公开了一种改进的基于分簇神经网络的室内指纹定位方法。其技术方案是，离线阶段，用参考点处采集的指纹信息构建指纹数据库；利用聚类算法对指纹数据库中的指纹进行分类；再利用人工神经网络模型对各参考点的指纹与位置信息进行训练，得出最优的网络模型。在线阶段，将采集的实时指纹信息与指纹数据库中的类中心进行类匹配，确定初步定位区域；并将初步定位区域中包括的实时指纹信息作为参考点的神经网络模型的输入端，从而获取最终的精确位置估计。但当在线阶段与离线阶段采用的终端种类不同时，不同终端间Wi‐Fi信号的信号强度差异会造成定位精度的下降，导致该技术的位置估计不准确。

发明内容

本发明针对现有技术存在的上述不足，提出一种终端间Wi‐Fi信号的信号强度差异修正方法，采用EM算法架构对Wi‐Fi信号的信号强度差异值进行修正，增加了回归的指纹数量，并对异常信号强度进行了处理，然后用优化K‐Nearest‐Neighbor(KNN)算法实现指纹匹配，从而使定位精度明显提高。

本发明是通过以下技术方案实现的：

本发明涉及一种终端间Wi‐Fi信号的信号强度差异修正方法，根据初始转移函数对在线终端采集到的观测指纹映射至离线指纹数据库空间，然后与离线数据库中的指纹信息进行指纹匹配得到匹配指纹，再利用观测指纹和匹配指纹计算更新后的Wi‐Fi信号的信号强度转移函数的参数，重复计算直至满足收敛条件后，得到最终的转移函数及其参数，最后对观测指纹进行映射并计算得到离线指纹数据库中的匹配指纹和最终位置结果。

所述方法具体包括以下步骤：

步骤1、采用两种不同的终端设备作为离线终端，分别在需要定位的室内空间中采集各个位置的指纹信息，同时对离线终端采集到的每组指纹标定其对应的空间坐标位置，并生成相应的离线指纹数据库。

所述的离线终端是指：离线阶段采用的终端，可以与在线终端类型不同。

步骤2、根据不同终端设备之间的Wi‐Fi信号的信号强度转移函数，将在线终端采集到的观测指纹映射到离线指纹数据库空间并与离线数据库中的指纹信息进行指纹匹配，从而得到观测指纹的匹配指纹信息和相应位置坐标。

所述的指纹信息是指：通过离线终端检测到的在室内空间各个位置处来自多个AP(无线接入点)的Wi‐Fi信号的信号强度构成的信号强度向量的集合。

所述的在线终端是指：在线定位阶段所用的终端，一般是与离线终端不同种类的终端。

所述的观测指纹是指：通过在线终端(在线阶段采用的终端)检测到的在室内空间某一位置处来自多个AP的Wi‐Fi信号的信号强度构成的向量。

所述的空间坐标位置通过离散方式或连续方式采集得到，其中：离散采集指的是在空间内几个定点上采集一段时间的指纹并标定位置坐标；连续采集指的是终端在空间内匀速移动采样，并手动记录当前路线上起始点的位置坐标，从而按照时间戳计算每一个连续采集得到的指纹的位置坐标。

所述的Wi‐Fi信号的信号强度转移函数是指：F_train＝a×F_track+b，其中：F_train代表离线训练时终端设备采集的离线指纹数据库中的指纹信息，F_track代表在线定位时终端采集的指纹数据库中的指纹，a和b则是该线性函数的两个参数。

所述的Wi‐Fi信号的信号强度转移函数模型，其初始参数通过以下方式确定得到：EM定位修正算法能对不同的初始参数进行修正，最后收敛得到最大似然参数估计。一般情况下，初始参数a可选为1，初始参数b可选为0。

所述的指纹匹配以K‐Nearest‐Neighbor(KNN)算法为基础，并对其进行优化，具体为：找出离线指纹数据库中与观测指纹的距离最近的K个指纹，然后计算该K个指纹的定标位置的中心位置，最后以与该中心位置距离最近的指纹作为匹配指纹。由于K个指纹中大多数指纹的定标位置都与实际位置相近，该优化算法能够有效避免定位结果出现较大的偏差，因此可以提高定位精度。

所述的距离，优选为欧氏距离，即：对于拥有n个AP的室内空间，终端在空间内采集到两个指纹满足P＝(x₁,x₂,...,x_n)和Q＝(y₁,y₂,...,y_n)，其中：x_n,y_n对应终端采样得到来自第n个AP(无线接入点)的信号强度，(x_n,y_n)则称为信号强度点对，两指纹之间的欧氏距离表示为 $Dis\tan ce=\sqrt{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{|x_i-y_i|}^2\right).}$

匹配算法的目的是找出离线指纹数据库中与待匹配指纹距离最近的指纹及其定标位置，而距离最近也代表相似度最大。计算匹配指纹及其定标位置就相当于EM算法中对隐含变量期望值的计算。特别的，在指纹匹配过程中需要剔除指纹中不在[‐90dB，‐30dB]范围内的异常信号强度分量，这些异常信号强度会加大定位误差。

步骤3、将得到的离线数据库中的匹配指纹中的信号强度分量与相应观测指纹中的信号强度分量按照不同的AP(无线接入点)构成不同的信号强度点对，然后通过线性回归处理直至收敛，得到更新后的Wi‐Fi信号的信号强度转移函数的估计参数。

所述的线性回归处理是指：以观测指纹作为X轴，离线数据库中的匹配指纹作为Y轴，观测指纹与离线数据库中对应匹配指纹按不同的AP构成不同的信号强度点对，然后对多组指纹的信号强度点对线性回归，得到的函数的参数作为信号强度转移函数的新的估计参数。线性回归这一过程就相当于EM算法中将隐含变量期望最大化的过程。

特别地，对于[‐90dB，‐30dB]范围外的信号强度分量判断为异常，并在线性回归时不考虑这些异常分量，以避免定位精度的降低。

所述的收敛是指：当观测指纹通过带有新的估计参数的信号强度转移函数映射后与离线数据库中匹配指纹间平均信号强度差变化持续预设时间段后小于收敛阈值时则认为算法收敛，否则回到步骤2重新处理。

步骤4、采用更新后的Wi‐Fi信号的信号强度转移函数将观测指纹映射到离线指纹数据库空间，与离线数据库中的指纹信息进行指纹匹配，从而得到观测指纹的最终位置坐标。

技术效果

与现有技术相比，本发明的技术效果包括：

1)在算法中对异常信号强度进行了处理，使定位精度得到提升。

2)每次利用多个指纹信息进行线性回归调整转移函数的参数，使得计算得到的转移函数更准确。

3)采用优化后的K‐Nearest‐Neighbor(KNN)算法作为匹配算法，避免定位结果与实际位置严重偏离，提高了定位精度。

附图说明

图1为本发明的工作流程图；

图2为本发明的实施例中的目标区域指纹离散采集路线图；

图3本发明的实施例中的目标区域指纹连续采集路线图；

图4为本发明的实施例中EM定位修正算法使用前六种不同终端组合信号强度点对分布示意图，图中：(a)为小米作为在线终端华为作为离线终端，(b)为小米作为在线终端三星作为离线终端，(c)为三星作为在线终端华为作为离线终端，(d)为三星作为在线终端小米作为离线终端，(e)为华为作为在线终端小米作为离线终端，(f)为华为作为在线终端三星作为离线终端。

图5为本发明的实施例中EM定位修正算法使用后六种不同终端组合信号强度点对分布示意图，图中：(a)为小米作为在线终端华为作为离线终端，(b)为小米作为在线终端三星作为离线终端，(c)为三星作为在线终端华为作为离线终端，(d)为三星作为在线终端小米作为离线终端，(e)为华为作为在线终端小米作为离线终端，(f)为华为作为在线终端三星作为离线终端。

图6为本发明的实施例与现有技术方法的定位精度对比图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本实施例中，目标区域结构如图2和图3所示，区域内被12个接入点覆盖。连续指纹采样时终端用户在选定路线之间来回匀速运动并实时采集来自各个AP的信号强度，离散指纹采集时终端在选定的30个位置上分别采集相同时间的信号强度。分别使用本方法与现有的传统指纹定位方法及未优化的非监督学习方法，最终得到图6所示的六种不同终端组合的定位精度对比图。

如图1所示，本实施例包括如下步骤：

步骤一：用离线终端在需要定位的室内空间中采集各个位置的指纹信息，并对每组指纹标定位置坐标，最后得到离线指纹数据库。本实例中，华为、三星、小米三种不同终端最后构建的离线指纹库中指纹数量分别为2399个、1192个和1823个。

步骤二：采用另一种不同终端作为在线定位终端，在空间中采集得到观测指纹。本实例中，观测指纹即采用在线终端已经构建的离线指纹库中的指纹。

步骤三：确定不同终端间Wi‐Fi信号的信号强度转移函数的模型，并给定一组转移函数的初始参数。本实例中转移函数模型定为F_train＝a×F_track+b，给定的初始参数取定为a＝1,b＝0。

步骤四：根据前一步得到的参数a,b确定转移函数映射观测指纹，然后与离线数据库中的指纹进行匹配计算，从而得到观测指纹的匹配指纹及其相应位置坐标。本实例中采用的匹配方法为优化的K‐Nearest‐Neighbor(KNN)算法。

步骤五，利用观测指纹和步骤四得到的匹配指纹计算新的转移函数参数。本实例中，将得到的离线数据库中的匹配指纹的信号强度与相应观测指纹的信号强度按照不同AP构成不同的信号强度点对，然后每次对5组指纹的信号强度点对线性回归得到新的转移函数参数估计。

步骤六，重复步骤四与步骤五直至算法收敛，最后输出转移函数的参数估计。本实例中，若观测指纹映射后与匹配指纹的平均信号强度差变化对连续100个采样指纹都小于0.5dB，则认为算法收敛。

步骤七，利用最后一次得到的转移函数映射观测指纹值，应用优化的KNN算法进行位置计算。

如表1所示，为本实施例方法的定位精度提升对比：

表1

如表2所示，为本发明的实施例中连续指纹采集时定位精度提升对比：

表2

Claims (9)

1.一种终端间Wi‐Fi信号的信号强度差异修正方法，其特征在于，根据初始转移函数对在线终端采集到的观测指纹映射至离线指纹数据库空间，然后与离线数据库中的指纹信息进行指纹匹配得到匹配指纹，再利用观测指纹和匹配指纹计算更新后的Wi‐Fi信号的信号强度转移函数的参数，重复计算直至满足收敛条件后，得到最终的转移函数及其参数，最后对观测指纹进行映射并计算得到离线指纹数据库中的匹配指纹和最终位置结果；

所述的指纹信息是指：通过离线终端检测到的在室内空间各个位置处来自多个AP的Wi‐Fi信号的信号强度构成的信号强度向量的集合；

所述的观测指纹是指：通过在线终端检测到的在室内空间某一位置处来自多个AP的Wi‐Fi信号的信号强度构成的向量。

2.根据权利要求1所述的方法，其特征是，所述的信号强度差异修正方法具体包括以下步骤：

步骤1、采用两种不同的终端设备作为离线终端，分别在需要定位的室内空间中采集各个位置的指纹信息，同时对离线终端采集到的每组指纹标定其对应的空间坐标位置，并生成相应的离线指纹数据库；

步骤2、根据不同终端设备之间的Wi‐Fi信号的信号强度转移函数，将在线终端采集到的观测指纹映射到离线指纹数据库空间并与离线数据库中的指纹信息进行指纹匹配，从而得到观测指纹的匹配指纹信息和相应位置坐标；

步骤3、将得到的离线数据库中的匹配指纹中的信号强度分量与相应观测指纹中的信号强度分量按照不同的AP构成不同的信号强度点对，然后通过线性回归处理直至收敛，得到更新后的Wi‐Fi信号的信号强度转移函数的估计参数；

步骤4、采用更新后的Wi‐Fi信号的信号强度转移函数将观测指纹映射到离线指纹数据库空间，与离线数据库中的指纹信息进行指纹匹配，从而得到观测指纹的最终位置坐标。

3.根据权利要求1或2所述的方法，其特征是，所述的Wi‐Fi信号的信号强度转移函数是指：F_train＝a×F_track+b，其中：F_train代表离线训练时终端设备采集的离线指纹数据库中的指纹信息，F_track代表在线定位时终端采集的指纹数据库中的指纹，a和b则是该线性函数的两个参数。

4.根据权利要求1或2所述的方法，其特征是，所述的指纹匹配具体为：找出离线指纹数据库中与观测指纹的距离最近的K个指纹，然后计算该K个指纹的定标位置的中心位置，最后以与该中心位置距离最近的指纹作为匹配指纹。由于K个指纹中大多数指纹的定标位置都与实际位置相近，该优化算法能够有效避免定位结果出现较大的偏差，因此可以提高定位精度。

5.根据权利要求4所述的方法，其特征是，所述的距离为欧氏距离，即：对于拥有n个AP的室内空间，终端在空间内采集到两个指纹满足P＝(x₁,x₂,...,x_n)和Q＝(y₁,y₂,...,y_n)，其中：x_n,y_n对应终端采样得到来自第n个AP(无线接入点)的信号强度，(x_n,y_n)则称为信号强度点对，两指纹之间的欧氏距离表示为

6.根据权利要求1或2所述的方法，其特征是，在指纹匹配过程中剔除指纹信息中的信号强度向量不在[‐90dB，‐30dB]范围内的异常信号强度分量。

7.根据权利要求2所述的方法，其特征是，所述的线性回归处理是指：以观测指纹作为X轴，离线数据库中的匹配指纹作为Y轴，观测指纹与离线数据库中对应匹配指纹按不同的AP构成不同的信号强度点对，然后对多组指纹的信号强度点对线性回归，得到的函数的参数作为信号强度转移函数的新的估计参数。线性回归这一过程就相当于EM算法中将隐含变量期望最大化的过程。

8.根据权利要求2所述的方法，其特征是，所述的线性回归处理中，对于[‐90dB，‐30dB]范围外的信号强度分量判断为异常，并在线性回归时不考虑这些异常分量。

9.根据权利要求2所述的方法，其特征是，所述的收敛是指：当观测指纹通过带有新的估计参数的信号强度转移函数映射后与离线数据库中匹配指纹间平均信号强度差变化持续预设时间段后小于收敛阈值时则认为算法收敛，否则回到步骤2重新处理。