CN105866732A - 一种改进mk模型和wknn算法相结合的混合室内定位方法 - Google Patents

Abstract

本发明公开了一种改进MK模型和WKNN算法相结合的混合室内定位方法，该方法利用改进的MK模型建立更适合复杂室内环境的信号传播模型，在定位阶段帮助筛选最近邻点，使得相差较大的最近邻点不参与WKNN算法的定位中，根据欧几里得距离公式，求得各最近邻点到AP的距离，将这些距离作为权值，代入到WKNN算法的公式中求得最终的估计位置值。

Description

一种改进MK模型和WKNN算法相结合的混合室内定位方法

技术领域

本发明涉及一种复杂室内环境下的改进MK模型和WKNN算法相结合的混合定位算法，属于无线室内定位技术领域。

背景技术

随着无线通信技术的发展，基于位置服务的需求备受关注。目前室外定位技术已经较为成熟，完全能够满足定位需求；但是，室内定位技术却不能够满足日益增长的定位服务对定位精度的需求。使用较为广泛的室内定位技术有WIFI定位技术，其定位原理是：将WIFI定位标签安装在要跟踪的目标物体上，定位标签周期性地发出无线信号，AP(AccessPoint，简称：接入点)接收到信号后，将信号传送到定位引擎，定位引擎根据接收到的无线信号的强弱，计算判断出该标签所处位置，通过可视化界面显示具***置，实现实时精确定位跟踪与管理。

基于WIFI的室内定位方法主要有两种：传播模型法和位置指纹法。典型的室内信号传播模型有：线性距离路径损耗模型、对数距离路径损耗模型、衰减因子模型和MK模型。基于传播模型的定位算法主要有：三边定位法、双曲线定位法、最小二乘法。位置指纹定位算法主要有：NN(Nearest Neighbor，简称：最近邻法)、KNN(K-Nearest Neighbors，简称：K最近邻法)、WKNN(Weighted K Nearest Neighbors，简称：加权K最近邻法)、贝叶斯概率算法和神经网络算法等等。

MK模型对阻挡信号传播的障碍物进行处理，在对数距离路径损耗模型的基础上加入了墙壁和地板引起的信号衰减：

L(d)＝L＋10nlog(d)＋N_wL_w＋N_fL_f

其中L表示距离发射端1米处的传播损耗；n是路径损耗系数；d表示发射端到接收端的距离；N_w和N_f分别表示从发射端到接收端穿过的墙和地板的个数，L_w和L_f分别表示墙和地板的损耗系数。该模型属于室内传播模型中的统计模型，相对于于确定性模型运算快，输入简单，不需要预处理和简化，不需要昂贵的设备。

基于位置指纹的定位方法一般分为离线训练阶段和在线定位阶段：(1)离线定位阶段的主要任务是建立一个位置指纹数据库。在定位区域内布置测试参考点，采集多个AP的信号强度，经过筛选(一般使用去最值取平均的方法)作为该参考点AP的信号特征参数记录到位置指纹数据库中。(2)在线定位阶段利用MS(Mobile Station，简称：移动台)测得在某一位置处的信号特征参数，通过相应的匹配算法，根据实测数据与位置指纹数据库中的数据进行比较，从而获得一个或一组RSSI(Received Signal Strength Index，简称：接收信号强度指示)和位置信息的数据，从而完成定位。

WKNN选取K个最近邻点，然后将这K个最近邻点的坐标进行加权处理，获取最终位置估计值。

信息点之间的距离一般使用欧几里得距离来表示：

$L=\frac{1}{n}{\left(\underset{i=1}{\overset{n}{\Σ}}{\left|s-s_i\right|}^2\right)}^{\frac{1}{2}}$

其中s表示测得的信号信息，s_i表示指纹数据中的信号特征参数。

WKNN的公式为：

$(\hat{x},\hat{y})=\underset{i=1}{\overset{K}{\Σ}}\frac{\frac{1}{d_i+\mathrm{\ϵ}}}{\underset{j=1}{\overset{K}{\Σ}}\frac{1}{d_j+\mathrm{\ϵ}}}(x_i,y_i)$

其中d_j表示第j个最近邻点的权值，(x_i，y_i)表示第i个最近邻点的坐标。

基于传播模型的定位方法考虑了这种室内信号传播规律，却忽略了特定位置对信号的独特影响；基于位置指纹的定位方法，通过收集位置指纹，将接收信号强度与位置信息结合起来，加强了对位置信息的利用，却忽略了信号的传播规律。

发明内容

本发明目的在于针对上述现有技术的不足，提供了一种改进MK模型和WKNN算法相结合的混合定位方法，该方法可以很好地实现复杂室内环境下更高精度的定位。

本发明解决其技术问题所采取的技术方案是：一种改进MK模型和WKNN算法相结合的混合室内定位方法，该方法利用改进的MK模型建立更适合复杂室内环境的信号传播模型，在定位阶段帮助筛选最近邻点，使得相差较大的最近邻点不参与WKNN算法的定位中，根据欧几里得距离公式，求得各最近邻点到AP的距离，将这些距离作为权值，代入到WKNN算法的公式中求得最终的估计位置值。

方法流程：

步骤1：在定位环境中布置好采样点，在各采样点测量RSSI，根据采样点的RSSI和位置信息建立指纹数据库；

步骤2：确定定位环境中的障碍物种类，获得改进的MK模型：

l₀是常数，k_i和k_j分别表示穿过墙和地板的个数，l_w和l_f分别表示不同类型的墙壁和地板的衰减系数，k_ij表示穿过不同障碍物的个数，l_ij表示穿过第j个第i种障碍物的衰减系数。

利用最小二乘法或最大似然法获取该定位环境下的改进MK模型的参数；

步骤3：将位置指纹数据库中的所有指纹代入到该MK模型中计算误差，并得到平均误差；

步骤4：根据选择测量点，获取RSSI组。将该RSSI组的元素分别代入到MK模型公式中，计算得到对应测量点到指定AP之间的距离矢量L；

步骤5：将L中的元素与各自的近邻点进行比较，如果误差大于步骤3中计算得到的平均误差，就舍弃该近邻点，如果没有近邻点符合要求，就选取误差最小的那个近邻点；

步骤6：求出该近邻点对应的位置；

步骤7：将步骤6中求出的各近邻点的距离的倒数作为权值，代入到式WKNN算法的公式中，即：

$(\hat{x},\hat{y})=\frac{\underset{i=1}{\overset{K}{\Σ}}\frac{1}{w_i}(x_i,y_i)}{\underset{j=1}{\overset{K}{\Σ}}\frac{1}{w_j}}$

w_j是WKNN算法的权值，(x_i,y_i)是第i个参考点的坐标，然后估算得到最后的位置。

有益效果：

1、本发明在MK模型的基础上进行了改进，更精确地模拟室内信号传播情况，利用改进的MK模型过滤误差较大的最近邻点，将合格的最近邻点与AP的距离的倒数作为权值，综合考虑了室内信号传播规律和位置指纹数据库中采样点的RSSI与位置信息的关系，从而提高了定位精度。

2、本发明较好地利用了室内信号传播规律和位置指纹数据库中采样点的RSSI与位置信息的关系，过滤掉误差较大的近邻点，从而提高定位精度，降低定位误差，在复杂室内环境下性能较为优秀。

附图说明

图1为定位区域内采样点的位置分布示意图。

图2为三个已知位置的AP的RSSI分布示意图。

图3为根据改进MK模型求出的采样点的距离误差示意图。

图4为改进的混合算法与NN算法和W2NN算法的误差对比图。

具体实施方式：

下面结合说明书附图对本发明创造作进一步的详细说明。

本发明具体应用场景是某教研室内。参与定位面积约240平方米，分布在三个教研室中，共56个采样点，10个采样点分布在教研室之间的走廊中，教研室之间通过硬木板隔开，其中一个教研室与走廊之间有厚夹板。相邻采样点的水平距离2米，竖直距离大多为1米。在凌晨通过安装有WIFI信号RSS测量功能的自开发程序的小米2手机站在采样点面向AP方向测量RSSI，每个采样点至少采样30次。三个AP放置在指定位置上：AP1：(6，2)；AP2(5，9)；AP3(10.5，1)，单位为米。采样点位置分布如图1所示，横坐标表示定位区域水平方向，纵坐标表示定位区域竖直方向，单位都为米。

本发明的仿真步骤包括如下：

(1)在线训练阶段

通过手持设备获取的各个采样点的RSSI集存储进对应的文件，经过去最值取平均值处理获得各个采样点的最终RSSI值，建立位置指纹数据库。根据建立的位置指纹数据库便可以看出RSSI与位置之间的关系。图2为各AP的RSSI分布示意图。图中横坐标表示定位区域水平方向，纵坐标表示定位区域竖直方向，单位都为米。

教研室里障碍物可以分为：教研室之间的厚木板，走廊与教研室之间的薄木板，办公桌上的隔板。改进的MK模型为：

$L\left(d\right)=l_0+10\mathrm{\γ}log\left(d\right)+N_{w}W+\underset{i=1}{\overset{n}{\Σ}}{k}_{i}l+N_{g}G$

其中N_w和N_g分别表示从AP到手持设备穿过的厚木板和薄木板的个数，W和G分别表示穿过的厚木板和薄木板的损耗系数，l表示办公桌上隔板的损耗系数，k_i表示AP与手持设备间隔板个数。

通过确定定位区域内的AP与手持设备之间的这三种障碍物的数目并将之前获得的RSSI值代入到改进的MK模型公式中。最小二乘法的公式为：

$L\left(d\right)=\left[\begin{array}{ccccccccc}1& 10{\log }_{10}\left(d\right)& k_{11}& \mathrm{...}& k_{1n}& \mathrm{...}& k_{m1}& \mathrm{...}& k_{mn}\end{array}\right]\left[\begin{array}{c}{l}_0\\ \mathrm{\γ}\\ l_{11}\\ .\\ .\\ .\\ l_{1n}\\ .\\ .\\ .\\ l_{m1}\\ .\\ .\\ .\\ l_{mn}\end{array}\right]$

$\stackrel{\‾}{Y}=\left[\begin{array}{c}{L}_1\\ L_2\\ L_3\\ .\\ .\\ .\end{array}\right],\mathrm{\β}=\left[\begin{array}{c}{l}_0\\ \mathrm{\γ}\\ l_{11}\\ .\\ .\\ .\\ l_{mn}\end{array}\right],\stackrel{\‾}{X}=\left[\begin{array}{ccccc}1& 10{\log }_{10}\left(d_1\right)& k_{11}& \mathrm{...}& k_{1n}\\ 1& 10{\log }_{10}\left(d_2\right)& k_{21}& \mathrm{...}& k_{2n}\\ 1& 10{\log }_{10}\left(d_3\right)& k_{31}& \mathrm{...}& k_{3n}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\end{array}\right]$

β＝(X^TX)^-1X^TY

利用上述公式求出改进的MK模型中参数值：W值为-1.7688，G值为-1.1435，l为-0.7069，AP1的l₀值为-37.3264，AP1的γ值为-1.8966。对于AP1的信号传播模型公式即：

$L\left(d\right)=-37.3264-18.966log\left(d\right)-1.7688N_w-1.1435N_g-0.7069\underset{i=1}{\overset{n}{\Σ}}{k}_i$

将位置指纹数据库中的各采样点的RSSI值代入到WKNN算法公式中，求出各采样点与AP1的距离值，然后将所求的距离值与各自对应的坐标与AP1的距离求差的绝对值得出误差，求出平均误差。仿真结果显示根据AP1的信号传播模型公式求出来的距离与实际距离的平均误差为：0.7318米。图3所示是各采样点与AP1的实际距离AP1的信号传播模型公式得出的距离误差示意图。

(2)离线定位阶段

一共测量了五个测试点的RSSI来验证算法，这五个点的坐标依次为：(9.3，4.8)，(11.15,3.96)，(12.97,0)，(4.3,1.4)，(3.6,6.16)。将这五个RSSI值代入到AP1的信号传播模型公式中，计算得到这些测试点与AP1之间的距离数组L。根据之前的RSSI位置指纹数据库中进行匹配获得测试点的近邻点。计算近邻点与AP1之间的距离并与在距离数组L中对应的距离对比，如果误差大于之前求得的平均误差的1.414倍，则舍弃该近邻点。如果没有任何一个近邻点符合这个要求，则取误差最小的那个近邻点。这些近邻点的集合将用于WKNN算法公式中作为其坐标，各近邻点利用欧几里得公式求得的距离作为权值，代入到WKNN算法公式就可以得到定位结果。经过计算，第一近邻点依次为：(10.0，7.45)，(12.15，1.0)，(12.15，0)，(4.0，1.0)，(6.0，5.38)；第二近邻点依次为：(9.0,7.45)，(16.15,0.0)，(14.15,3.0)，(4.0,0)，(10.0,7.45)；第三近邻点依次为(7.0,7.45)，(14.15,3.0)，(15.15,0)，(4.0,2.0)，(9.0,7.45)。

图4为NN算法和W2NN算法的定位结果与改进的MK模型和WKNN算法相结合的混合定位算法定位结果的误差对比，可以看出改进后的混合算法能够过滤掉误差较大的近邻点，与NN算法和W2NN算法的定位精度相比在整体上得到了明显的提高。

综上所述，本发明改进的MK模型和WKNN算法相结合的混合定位方法较好地利用了室内信号传播规律和位置指纹数据库中采样点的RSSI与位置信息的关系，过滤掉误差较大的近邻点，从而提高定位精度，降低定位误差，在复杂室内环境下性能较为优秀。

Claims (3)

1.一种改进MK模型和WKNN算法相结合的混合室内定位方法，其特征在于，所述方法包括如下步骤：

步骤1：在定位环境中布置好采样点，在各采样点测量RSSI，根据采样点的RSSI和位置信息建立指纹数据库；

步骤2：确定定位环境中的障碍物种类，获得改进的MK模型；

$L\left(d\right)=10{\mathrm{\γlog}}_{10}\left(d\right)+l_0+\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{k}_{ij}{l}_{ij}$

l₀是常数，k_i和k_j分别表示穿过墙和地板的个数，l_w和l_f分别表示不同类型的墙壁和地板的衰减系数，k_ij表示穿过不同障碍物的个数，l_ij表示穿过第j个第i种障碍物的衰减系数；

利用最小二乘法或最大似然法获取该定位环境下的改进MK模型的参数；

步骤3：将位置指纹数据库中的所有指纹代入到该MK模型中计算误差，并得到平均误差；

步骤4：根据选择测量点，获取RSSI组，将该RSSI组的元素分别代入到MK模型公式中，计算得到对应测量点到指定AP之间的距离矢量L；

步骤5：将L中的元素与各自的近邻点进行比较，如果误差大于步骤3中计算得到的平均误差，就舍弃该近邻点，如果没有近邻点符合要求，就选取误差最小的那个近邻点；

步骤6：求出该近邻点对应的位置；

步骤7：将步骤6中求出的各近邻点的距离的倒数作为权值，代入到式WKNN算法的公式中，即：

$(\hat{x},\hat{y})=\frac{\underset{i=1}{\overset{K}{\Σ}}\frac{1}{w_i}(x_i,y_i)}{\underset{j=1}{\overset{K}{\Σ}}\frac{1}{w_j}}$

w_j是WKNN算法的权值，(x_i,y_i)是第i个参考点的坐标，然后估算得到最后的位置。

2.根据权利要求1所述的一种改进MK模型和WKNN算法相结合的混合室内定位方法，其特征在于：所述方法利用改进的MK模型建立更适合复杂室内环境的信号传播模型，在定位阶段帮助筛选最近邻点，使得相差较大的最近邻点不参与WKNN算法的定位中，根据欧几里得距离公式，求得各最近邻点到AP的距离，将这些距离作为权值，代入到WKNN算法的公式中求得最终的估计位置值。

3.根据权利要求1所述的一种改进MK模型和WKNN算法相结合的混合室内定位方法，其特征在于：所述最小二乘法的公式为：

$L\left(d\right)=\left[\begin{array}{ccccccccc}1& 10{\log }_{10}\left(d\right)& k_{11}& \mathrm{...}& k_{1n}& \mathrm{...}& k_{m1}& \mathrm{...}& k_{mn}\end{array}\right]\left[\begin{array}{c}{l}_0\\ \mathrm{\γ}\\ l_{11}\\ .\\ .\\ .\\ l_{1n}\\ .\\ .\\ .\\ l_{m1}\\ .\\ .\\ .\\ l_{mn}\end{array}\right]$

$\stackrel{\‾}{Y}=\left[\begin{array}{c}{L}_1\\ L_2\\ L_3\\ .\\ .\\ .\end{array}\right],\mathrm{\β}=\left[\begin{array}{c}{l}_0\\ \mathrm{\γ}\\ l_{11}\\ .\\ .\\ .\\ l_{mn}\end{array}\right],\stackrel{\‾}{X}=\left[\begin{array}{ccccc}1& 10{\log }_{10}\left(d_1\right)& k_{11}& \mathrm{...}& k_{1n}\\ 1& 10{\log }_{10}\left(d_2\right)& k_{21}& \mathrm{...}& k_{2n}\\ 1& 10{\log }_{10}\left(d_3\right)& k_{31}& \mathrm{...}& k_{3n}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\end{array}\right]$

β＝(X^TX)^-1X^TY。