CN105372628A - 一种基于Wi-Fi的室内定位导航方法 - Google Patents

Abstract

本发明公开了一种基于Wi-Fi的室内定位导航方法，包括采集阶段、在线定位和导航阶段，通过仿射传播聚类算法对各参考点同一方向上采集的RSS指纹信息聚类形成不同的类及类首领，建立指纹库并存入服务器；在线定位时手持终端接收RSS指纹信息发送至服务器，服务器将接收的RSS指纹信息与服务器的指纹信息进行类匹配，根据匹配的类首领集合形成指纹图矩阵并发送至手持终端进行精定位，运用改进的压缩感知模型对粗定位信息经过范数最小化处理及相应的权重后，完成坐标的定位；导航阶段运用量子元胞蚂蚁算法寻找最短路径，利用卡尔曼滤波***对位置进行实时追踪和导航。本发明算法简单，仿射聚类匹配的工作量小，响应时间快，定位误差小。

Description

一种基于 Wi-Fi 的室内定位导航方法

技术领域

本发明涉及一种室内定位导航的方法，具体为一种基于Wi-Fi的室内定位导航方法，通过对各个方向RSS信号采集，运用仿射传播聚类、类匹配以及压缩感知实现室内精确定位，属于室内定位导航技术领域。

背景技术

GPS(Global Positioning System，全球定位***) 作为全球最广泛使用的卫星导航定位技术，在许多领域得到了推广应用，任何人只要手持无线接收***就可以自动获取该***24颗在轨卫星所发送的信息，眼下GPS在室外的定位误差范围已经缩小到了5米，不过一旦到了室内，由于受重重墙壁的阻隔和障碍物的干扰，GPS信号就显得极其微弱甚至是无影无踪了，导致定位精度差，在室内环境定位不可靠甚至失效，随着无线局域网IEEE802.11技术的成熟，Wi-Fi(Wireless Fidelity，无线保真) 在世界各地普及，其覆盖面越来越广，Wi-Fi主要依靠接入点(Access Point，AP) 或基站定期发送的信标信号中所含的接收信息强度(RSS) 信息作为定位移动计算，易于建设，投入成本少，定位精度高。

目前基于Wi-Fi的室内定位方法有：微软的RADAR***，该***采用确定性匹配算法—K最近邻居算法(K-Nearest Neighbors，KNN)进行定位，需要预先建立位置和信号强度关系数据库，当基站移动时要重新建立数据库，由于室内电波传播的复杂性，信号强度受到多径传播、反射等影响，使得在实际室内环境中定位精度不高，中值定位精度为2-5m；Ekahau***，该***从统计学的角度采用贝叶斯网络来描述整个定位问题，其核心在于根据在线接受信号强度向量获取每个参考点位置的后验概率，该***需要硬件的辅助较多，无法应用于目前的智能手机。

本发明采用场景分析法（指纹法），利用终端设备在需要定位导航区域内的所有己知参考点(Reference Point, RP)上记录来自各个方向的RSS测量向量，建立RSS指纹库并存储于服务器；用户持有终端设备进入定位区域后，终端设备将在线RSS测量向量与来自服务器的指纹库进行匹配，采用类匹配以及压缩感知模型实现精确定位。

现有的在线指纹库匹配算法复杂，指纹匹配工作量大，响应时间慢，定位偏差较大。本发明的指纹法较传统的电波传播模型能更准确地描述RSS和空间位置的关系，且无需AP具***置的先验信息，更适宜推广，且采用特有的匹配算法和精确算法，定位精度上更高。

发明内容

为了解决现有技术中存在的不足，本发明的目的在于提供了一种基于Wi-Fi的室内定位导航方法，几乎不需额外硬件辅助，投入成本低，数据采集、响应速度快，定位精度高。

本发明所采用的技术方案如下：一种基于Wi-Fi的室内定位导航方法，包括采集阶段、在线定位、导航阶段，具体包括如下步骤：

S1、采集阶段：包括指纹采集和指纹聚类，在定位区域内完成各个参考点同一个方向RSS指纹采集的数据库建立，通过仿射传播聚类对采集的数据库进行预处理，形成不同的类，并在指纹库中形成类首领和对应接收信号强度向量；

S2、在线定位：包括粗定位、精定位，通过采集的在线RSS向量和指纹库中各个类首领的RSS向量间匹配，服务器再把相匹配的部分类指纹信息发送至手持终端，通过改进的压缩感知模型，手持终端完成精确位置估算；

S3、导航阶段：路径寻找借助一张网络拓扑图完成，把参考点作为地标点，地标点为图的节点，每个节点只与其邻居节点相连，构成图的边；图的形成同时结合地图信息，若两节点间存在障碍物，则将该边删除；路由寻找则简化为一张有向图，在从一个节点到另外一个节点的所有可达路径中，按照一定的标准选取最合适的一条作为两个节点中的有效路径；静态正有向图中寻求节点间最短路径的最优解采用量子元胞蚂蚁算法，并利用动态追踪算法信息融合的滤波***对位置进行实时追踪和导航，所述滤波***为卡尔曼滤波***。

本发明利用改进的仿射传播聚类算法建立类首领集合和类成员集合，算法收敛速度快且高效，再通过类匹配和改进的压缩感知模型实现精确定位，定位响应速度快，根据动态追踪算法信息融合的滤波***对位置进行追踪和导航。

附图说明

下面结合附图及实施例对本发明进一步进行说明或描述

图1为本发明的实施步骤图；

图2为一真实场景平面图；

图3 为本发明在图2真实场景中走直线路径的定位示意图；

图4为本发明步骤3中量子元胞蚂蚁算法在停车场内寻找最短路径示意图；

图5为步骤3中量子元胞蚂蚁算法的收敛曲线图。

具体实施方式

一种基于Wi-Fi的室内定位导航方法，包括采集阶段、在线定位、导航阶段，具体包括如下步骤：

S1、采集阶段：包括指纹采集、指纹聚类，在定位区域内完成各个参考点同一方向RSS指纹采集的数据库建立，通过仿射传播聚类对采集的数据库进行预处理，形成不同的类，并在指纹库中形成类首领和对应接收信号强度向量；

S2、在线定位：包括粗定位、精定位，通过采集的在线RSS向量和指纹库中各个类首领的RSS向量间匹配，服务器端再把相匹配的部分类指纹信息发送至手持终端，通过改进的压缩感知模型，手持终端完成精确位置估算；

S3、导航阶段：路径寻找借助一张网络拓扑图完成，把参考点作为地标点，地标点为图的节点，每个节点只与其邻居节点相连，构成图的边，如图4所示；图的形成同时结合地图信息，若两节点间存在障碍物，则将该边删除；路由寻找则简化为一张有向图，在从一个节点到另外一个节点的所有可达路径中，按照一定的标准选取最合适的一条作为两个节点中的有效路径；静态正有向图中寻求节点间最短路径的最优解采用量子元胞蚂蚁算法，并利用动态追踪算法信息融合的滤波***对位置进行实时追踪和导航，所述滤波***为卡尔曼滤波***。

具体的流程见图1，离线阶段：通过手持终端上的应用接口采集定位区域内各参考点同一方向的RSS指纹信息，以及各参考点同一方向上各个AP的RSS时间序列采样值并计算相应的RSS时间序列值和偏差，然后将各参考点上的RSS指纹信息发送至服务器，服务器接收到各参考点同一方向上的RSS指纹信息后创建RSS数据库，并为每个RSS数据库通过仿射传播聚类产生类首领集合及相应类成员集合，再对每个RSS数据库的异常值进行修正，完成离线阶段指纹库并存入服务器；在线定位：用户手持终端通过应用接口采集在线RSS值并发送至服务器，服务器将获得的在线RSS值和各参考点RSS数据库中的类信息进行类匹配，找到匹配类首项集合S并根据类首项集合S相应类成员C形成指纹图矩阵 ，手持终端接收到指纹图矩阵后，依次经过正交、范数最小化、权重后获得二维坐标；导航阶段：根据二维坐标采用量子元胞蚂蚁算法获得最优路径的选择，并通过卡尔曼滤波***对位置进行实时跟踪和导航。

所述步骤S1中仿射传播聚类通过如下方式实现：

通过两两参考点间通过吸引度消息和归属度消息的传递来确立类首领，吸引度消息用以描述某一参考点作为其他参考点的类首领的适应性，归属度消息用以描述某一参考点成为另一参考点为类首领的类成员的归属感，通过一个迭代循环的方式不断从数据中进行证据搜索，并进行消息传递，产生高质量的类首领，为每一个类成员分配一个类首领。

具体地，我们定义某一方向o上，吸引度消息为，反应了在考虑除RP_j以外的其他候选参考点的影响下，RP_j作为类首领对RP_i的吸引度的累积证据表示为，其中，为RP_j和RP_i在方向o上的相似度，为归属度消息，归属度消息由候选类首领RP_j发给参考点RP_i，反应了在考虑RP_j为首领的其他类成员的影响下，RP_i认为由RP_j作为其首领的归属感的累积证据，表示为：，其中，自归属度消息，反应了在考虑除RP_j以外的其他参考点向RP_j发送的吸引度正值后，RP_j作为类首领的累积证据，即：。

类首领的竞争依据上述两大消息在两两参考点间传递，对于每个参考点，计算，若，则参考点被选择为类首领，反之，参考点RP_i将成为参考点的类首领，以上消息在参考点间不断传递、迭代，参考点在吸引度和归属度的更新规则中不断竞争，直至适度数目的类收敛，相应的类首领形成。

所述步骤S2中所述改进的压缩感知模型通过以下公式（6）、（7）、（8）、（9）构建：

(6)

(7)

(8)

(9)

其中：θ为一个方×1的向量，表示AP平均信号强度向量，(x_j,y_j)为参考点RP_j的二维位置坐标值，为一个L×矩阵，由粗定位类匹配过程中被选择类成员的接收信号强度向量构成，每一列分别代表粗定位区域中一个被选中的类成员的RSS向量；Φ为一个M×L(M<N)矩阵，用于选择矩阵中相应的行向量；公式（8）中Q是方向向量权重指数，设定门限值λ，λ=0.6，将中大于门限值的系数所对应的参考点作为二级候选参考点，用Λ表示。

所述步骤S1中的指纹采集，具体方法为：手持终端从网络接口卡中扫描并获取定位区域内AP的MAC地址和RSS；在每个参考点以一定的时间间隔采集一定数量的RSS时间序列，在每一个参考点分别对同一方向进行数据的采集，完成同一方向的RSS指纹信息采集，并为该方向创建RSS数据库。

具体地，对给定的某个方向o，遍历定位区域内的所有参考点，对来自每个AP的采样数据分别进行处理，即将M个时间采样点的平均值存入服务器的数据库，构建一张完整的指纹图，指纹图充分描述了定位区域在该方向上的RSS空间特性，用Ψ゜表示，表达式如下：

(1)

其中， 表示终端设备在参考点RP_j 面向o方向接收来自AP_i接收信号强度时间平均值(单位dBm)，即，L表示定位区域内可检测到AP的总数，N表示记录参考点的总数，M表示同一参考点采集指纹的次数，Ψ゜中的每个列向量，表示在每个参考点RP_j设备面向o时接收来自L个AP的平均信号强度向量，即：

，则

(2)

组成的表便形成了完整的指纹库，（x_j，y_j）为参考点RP_j的二维位置坐标值，表示AP在o方向上的平均信号强度向量。

进一步地，在数据采集过程中，如果在某个特定的参考点，由于AP覆盖范围的限制或环境的变动，设备无法接收到来自某个特定AP的信号，则在指纹库的相应位置用较小的默认值表示，实验过程中取值为-100dBm，该取值可在程序实现后通过数据采集实验微调。

所述步骤S1中所述的指纹聚类：首先应用仿射传播聚类对指纹库中的参考点按照RSS向量进行分类，同一类中的成员具有物理位置临近且RSS向量间具有最大相似度的共性，仿射传播聚类将数据集的所有N个样本点都视为候选的聚类首领，每个样本点分别对应一个实数，称为偏向参数，偏向参数越大，对应样本点被选为类首领的可能性越大，通过样本点间消息的循环迭代、样本竞争胜出的方式最大化适应度函数，最终形成类首领和类成员，完成每个数据库的类首领集合和相应类成员集合，完成指纹库。

具体地，仿射传播聚类首先为每个参考点建立与其他任何参考点间的两两相似度，用表示在方向o上参考点RP_j与参考点RP_i的相似度，将欧式距离作为衡量参考点RSS向量间相似度的判决依据，定义参考点间的两两相似度函数为：

其中: 为自相似度函数，赋值为偏向参数，以表示参考点RP_k成为类首领的可能性大小，每个参考点的偏向参数均定义为相似度中值的函数，如下所示：

，为实验过程经验所得的实数，用以选择适度数目的类，=0.1。

采集阶段服务器与手持终端信息交互：手持终端在需要定位的区域内遍历所有的参考点和某一个方向，分别采集来自每个AP的一定数目的接收信号强度时间序列，并把每一次的采集指纹信息传递并存入服务器，指纹信息包括信号强度均值向量、方向、参考点二维坐标；服务器接收完所有信息后，为每个参考点创建一个指纹库；然后在服务器端根据信号强度向量值，通过参考点间消息传递的方式，分别对同一方向上的指纹库执行仿射传播聚类，直至所有的参考点被分为不同的类，每个类将选择一个参考点作为自己的类首领。

在类形成后，需要根据平面图和环境特性对类中的个别异常成员进行修正。

所述步骤S2在线定位包括粗定位和精定位。

S2-1粗定位：粗定位机制在手持终端上实现，通过采集在线RSS向量和离线数据库中各个类首领的RSS向量间匹配，将定位区域缩小至所有参考点的一个子集中，为下一步精定位准备。

具体地，用方向o上以j为首领的各类成员的RSS向量均值作为类的代表，取类首领的接收信号强度向量参与平均信号强度向量运算，对应相似度定义为：

（4）

其中，i代表方向o上以j为类首领的所有类成员，｜C゜_j｜代表该类下所有类成员的数目。

在以上匹配时，选择具有较强接收信号强度的AP用于运算，选择信号强度不为零的较强的5个AP，优先选择信号强度较强的5个AP，而忽略具有较弱接收信号强度的AP。

根据以上相似度函数（4）的定义，可进一步确定匹配类首领集合S_Match，及对应匹配类成员集合C，即

（5）

其中，α为预定义门限值，用以控制适度数目的匹配类，实验中为限定匹配类的数目，将α定义为一定比例下最大相似度与最小相似度的线性组合，表示为：，α₁=0.95，确定匹配类后，手持终端向服务器请求发送与匹配集相关的部分指纹库，即匹配类成员的接收信号强度向量所构成的集合，用一个的矩阵表示，其中，为所有被选择的匹配类成员的数目，即：=|C|，矩阵将用于下一阶段的精定位。

粗定位有利于去除地理位置较远的异常值带来的定位误差，将***的定位误差最大限度地控制在粗定位区域内，同时可减少手持终端和服务器的通信开销，降低在线定位在手持终端上计算的复杂度；

S2-2精定位：定义θ为一个方×1的向量，用户在空间的位置可精确地用一个1维稀疏向量θ表示，即在用户所在参考点相应索引位置令θ（n）=1，其它索引位置置零：即θ=[0，…，0，1，0，…，0]^T；手持终端在线接收信号强度测量向量可进一步描述为：y=Φθ，定义Φ为一个M×L（M＜N）矩阵，用于选择矩阵中相应的行向量；

定义Φ的每一行为一个1×L的向量，在被选择AP的对应索引位置令φ(l)=1，其它索引位置为零，即

(6)

Φ为一个随机矩阵，其元素由一组独立同分布的正态随机变量组成，每行有L个值，每列有M个值。

在实际操作中，手持终端设备未必刚好位于某一参考点上，且正对某一方向，信道也存在着很大的随机性，重构的未必刚好为一个1维稀疏的向量，而是在少数候选参考点对应索引位置取较大值，其余索引位置近似零值；中这些位于（0，1）之间的非零值，一定程度上反映了对应候选参考点作为位置估计可能性大小，为了弥补网格点假设带来的误差，引入一个后处理操作，设定门限值λ，将中大于门限值的系数所对应的参考点作为二级候选参考点，用Λ表示，

，λ=0.6 （7）

为了得到最后坐标（x,y），需要求出一个，理想情况下为一个元素为1其他均为0的稀疏向量，值为1的元素所代表的参考点即为终端所在点；但实际操作中，终端未必正好在该参考点上，而且同一个点上因为信号的时变性也不会完全一致，所以这里本方法将问题转化为求解的最小化l₁ 范数问题，最后求出的是一个元素值属于的向量，求解最小化范数问题使用线性规划中的单纯形算法，至此，终端设备完成了在静态***中的自身定位；

正交及范数最小化处理通过如下公式实现：

(8)

带权重的数据后处理公式为：

(9)

在线信息交互：手持终端在线接收来自所有AP的信号强度值，并向服务器请求发送同一方向指纹库中各个类首领的信号强度向量、对应AP的权重，***通过两个信号强度向量间的比较，在手持终端完成类匹配，并将所匹配的类首领信息发回服务器，服务器在接到匹配类首领信息后，将类首领所代表的所有类成员的信号强度向量、对应参考点二维坐标信息发给手持终端，手持终端根据服务器发送的部分匹配类成员指纹信息，运用改进的压缩感知模型，独立完成精确位置估计。

由于***并不要求服务器发送所有指纹库至手持终端，而只需发送部分匹配的类成员指纹，因而大大缩小了所需定位区域参考点数目，降低了***的复杂性和在线计算时间。

进一步地，所述的步骤S3导航阶段，路径导航选择可借助一张网络拓扑图完成，离线阶段根据地图信息选择部分参考点作为地标点，这些地标点被视为图的节点，每个节点只与其邻居节点相连，构成图的边，图的形成同时需结合地图信息，如若两节点间存在障碍物，则将该边删除；路径导航选择简化为一张有向图中，在从一个节点到另外一个节点的所有可达路径中，按照一定的标准选取最合适的一条作为两个节点中的有效路径，静态正有向图中寻求节点间最短路径的最优解使用量子元胞蚂蚁算法，并利用动态追踪算法信息融合的滤波***-卡尔曼滤波***对位置进行追踪和导航。

进一步地，所述的量子元胞蚂蚁算法主要通过以下公式实现：

(10)

(11)

(12)

(13)

(14)

其中：P_ij ^k 表示蚂蚁k的转移概率，l表示所有可能的取值；τ_j为第j个格点处的信息素；α(α≥0) 为信息启发式因子，表示信息素的相对重要性；η _ij 为边弧(i,j) 的能见度，d_ij 为第i个格点与第j个格点间的欧氏距离；β(β≥0)为期望的启发式因子，表示能见度的相对重要性，其值越大代表蚂蚁越倾向于选择格点间距离较短的第j个格点；|α_j|²表示第j个量子位的量子态坍缩到｜0＞的概率，即对蚂蚁k而言，|α_j|²越小，则μ_j越大，从而P_ij ^k 也就越大；γ(γ≥0) 为量子比特启发式因子，表示格点的量子态概率幅的相对重要性；ρ为轨迹的持久性(0≤ρ＜1)，为蚂蚁k在第j个格点上留下的信息素数量；Q为一常数(0≤Q≤10000)。

定义：连续函数f(x₁,x₂,…,x_n) 定义域集合为n维欧氏空间，c(x_1i,…,x_ji,…,x_ni) 其中∀x_ji∈(a_j,b_j)，j=1…n，i=1…nⁿ，则C_i为一元胞，所有C_i构成元胞空间。

定义：元胞邻居采用扩展的Moore邻居类型

其中：表示邻居元胞的地理坐标值。

定义：蚂蚁i搜索的区域Ni为元胞空间的第i个元胞及其扩展的Moore邻居，r的值取决于函数定义域的取值范围和蚂蚁的数量。

定义：区域Ni的邻域是指元胞空间中该区域以外的所有区域。

具体的算法步骤如下：

Step 1. 初始化量子位数目为m，在第一次迭代时所有的α_i,β_i(i=1,2,3,…m) 取值为1／，初始迭代次数t=0，初始化参数，设定各参数α、β、γ、ρ以及Q的值，最大迭代次数t_max；对各格点，令τ_j←с，( с为较小的正数），Δτ_j ^k←0，按蚂蚁个数（m）及空间的大小确定领域的大小，将m个蚂蚁置于m个搜索区域的中心。

Step 2. 将各蚂蚁的初始出发点置于当前解集中；对每个蚂蚁k (k=1,…,m)，进行区域搜索按概率P_ij ^k 移至j的邻域；则区域N_i死亡。

Step 3. 计算各蚂蚁的目标函数值Z；记录当前的最好解；Z=f(x₁,x₂,…,x_n)。

Step 4. 按更新方程修改轨迹强度。

Step 5. 置Δτ_ij ^k←0，nc←nc+1。

Step 6. 若nc＜预定的迭代次数且无退化行为，即找到的都是相同解，则转步骤2；nc的含义是迭代次数，△τ_ij含义是表示蚂蚁在j个格点上留下的信息素量。

Step 7. 输出目前的最好解。

元胞演化规则如下：

1）选择任意一元胞c_j，计算Z=f(x₁,x₂,…,x_n)，并记录Z_OPT=Z，C_OPT=C_i；

2）选取区域N_i及邻域Nj中任意元胞C_i和C_j，计算Z_i和Z_j；

Z_i<Z_j，且Z_opt<Z，△τ _j ^k 的值增加Q；

当η _ij ＞0, 蚂蚁i按概率p_ij 从其邻域i移至蚂蚁j的邻域；则区域N_i 死亡；当η _ij ≤0, 蚂蚁i继续在区域N_i 搜索。

如图4、图5所示，采用量子元胞蚂蚁算法不断的迭代，寻找到最短路径，最短路线为ADEFJKO。

下面通过一个具体的在实际场景中定位的实施例来说明本发明方法的定位情况：

如图2所示，图2是某实验楼一平面图，长84.94米，宽23米，走道宽2.8米，在该区域内做定位测试，我们在该区域共采样到来自了15个AP的RSS值，离线采集阶段一人携带移动终端在该区域中行走，同时记录RSS值和坐标，实验中共采集100个采样点，为了避免***误差，获得精确的测量值，每个采样点我们均进行了3次采样，3次样品的均值被记录为该采样点最终的测量值。

见图3，让1人手持移动终端沿图2中所示的直线路径行走，通过在线接收RSS信息，将服务器反馈的匹配类集合采用本方法进行相应计算后得出此人的行走路线，取行走路线与实际路线部分定位点的比对看，通过本发明方法在该区域内进行定位后，定位偏差控制在3米左右。

本发明可以实现二维坐标的定位，对于具有多层布局的建筑室内定位，可以通过楼层的切换进入对应的地图，对应的在APP功能内增加楼层地图的切换，进而实现定位及实时导航。

以上实施例用以说明本发明而并非限定本发明，任何对本发明的等同修改或替换、简化、组合而不脱离本发明精神范围的，均应涵盖在本发明的权利要求之内。

Claims (6)

1.一种基于Wi-Fi的室内定位导航方法，包括采集阶段、在线定位、导航阶段，具体包括如下步骤：

S1、采集阶段：包括指纹采集和指纹聚类，在定位区域内完成各个参考点同一方向RSS指纹采集的数据库建立，通过仿射传播聚类对采集的数据库进行预处理，形成不同的类，并在指纹库中形成类首领和对应接收信号强度向量；

S2、在线定位：包括粗定位、精定位，通过采集的在线RSS向量和指纹库中各个类首领的RSS向量间匹配，服务器再把相匹配的部分类指纹信息发送至手持终端，通过改进的压缩感知模型，手持终端完成精确位置估算；

S3、导航阶段：路径寻找借助一张网络拓扑图完成，把参考点作为地标点，地标点为图的节点，每个节点只与其邻居节点相连，构成图的边；图的形成同时结合地图信息，若两节点间存在障碍物，则将该边删除；路由寻找则简化为一张有向图，在从一个节点到另外一个节点的所有可达路径中，按照一定的标准选取最合适的一条作为两个节点中的有效路径；静态正有向图中寻求节点间最短路径的最优解采用量子元胞蚂蚁算法，并利用动态追踪算法信息融合的滤波***对位置进行实时追踪和导航，所述滤波***为卡尔曼滤波***。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中仿射传播聚类通过如下方式实现：

通过两两参考点间吸引度消息和归属度消息的传递来确立类首领，吸引度消息用以描述某一参考点作为其他参考点的类首领的适应性，归属度消息用以描述某一参考点成为另一参考点为类首领的类成员的归属感，通过一个迭代循环的方式不断从数据中进行证据搜索，并进行消息传递，产生高质量的类首领，为每一个类成员分配一个类首领；

具体地，我们定义某一方向o上，吸引度消息为 ，反应了在考虑除RP_j以外的其他候选参考点的影响下，RP_j作为类首领对RP_i的吸引度的累积证据表示为，其中，为RP_j和RP_i在方向o上的相似度，为归属度消息，归属度消息由候选类首领RP_j发给参考点RP_i，反应了在考虑RP_j为首领的其他类成员的影响下，RP_i认为由RP_j作为其首领的归属感的累积证据，表示为：，

其中，自归属度消息，反应了在考虑除RP_j以外的其他参考点向RP_j发送的吸引度正值后，RP_j作为类首领的累积证据，即：；

对于每个参考点，计算，若，则参考点被选择为类首领，反之，参考点RP_i将成为参考点的类首领。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2步骤中的粗定位通过以下步骤实现：采集在线RSS向量和离线数据库中各个类首领的RSS向量间匹配，将定位区域缩小至所有参考点的一个子集中；

具体地，用方向o上以j为首领的各类成员的RSS向量均值作为类的代表，取类首领的接收信号强度向量参与平均信号强度向量运算，对应相似度定义为：

（4）

其中，i代表方向o上以j为类首领的所有类成员，｜C゜_j｜代表该类下所有类成员的数目，

根据以上相似度函数（4）的定义，可进一步确定匹配类首领集合S_Match，及对应匹配类成员集合C，即

（5）

其中，α为预定义门限值，用以控制适度数目的匹配类，实验中为限定匹配类的数目，将α定义为一定比例下最大相似度与最小相似度的线性组合，表示为：，α₁=0.95，确定匹配类后，手持终端向服务器请求发送与匹配集相关的部分指纹库，即匹配类成员的接收信号强度向量所构成的集合，用一个的矩阵表示，其中，为所有被选择的匹配类成员的数目，即：=|C|，矩阵用于下一阶段的精定位。

4. 根据权利要求1所述的方法，其特征在于，所述步骤S2中所述改进的压缩感知模型通过以下公式构建：

（6）

(7)

(8)

(9)

其中：θ为一个方×1的向量，表示AP平均信号强度向量，(x_j,y_j)为参考点RP_j的二维位置坐标值，为一个L×矩阵，由粗定位类匹配过程中被选择类成员的接收信号强度向量构成，每一列分别代表粗定位区域中一个被选中的类成员的RSS向量；Φ为一个M×L(M<N)矩阵，用于选择矩阵中相应的行向量；公式（8）中Q是方向向量权重指数，设定门限值λ，λ=0.6，将中大于门限值的系数所对应的参考点作为二级候选参考点，用Λ表示。

5.根据权利要求1和3所述的方法，其特征在于，所述步骤S2在粗定位时选择具有较强接收信号强度的AP用于运算，选择信号强度不为零的较强的5个AP。

6.根据权利要求1所述的方法，其特征在于，所述的量子元胞蚂蚁算法采用以下公式实现：

(10)

(11)

(12)

(13)

(14)

其中：P_ij ^k 表示蚂蚁k的转移概率，l表示所有可能的取值；τ_j为第j个格点处的信息素；α(α≥0) 为信息启发式因子，表示信息素的相对重要性；η _ij 为边弧(i,j) 的能见度，d_ij 为第i个格点与第j个格点间的欧氏距离；β(β≥0)为期望的启发式因子，表示能见度的相对重要性，其值越大代表蚂蚁越倾向于选择格点间距离较短的第j个格点；|α_j|²表示第j个量子位的量子态坍缩到｜0＞的概率，即对蚂蚁k而言，|α_j|²越小，则μ_j越大，从而P_ij ^k 也就越大；γ(γ≥0) 为量子比特启发式因子，表示格点的量子态概率幅的相对重要性；ρ为轨迹的持久性(0≤ρ＜1)，为蚂蚁k在第j个格点上留下的信息素数量；Q为一常数(0≤Q≤10000)。