CN107295538A - 定位可信度的计算方法及使用可信度的定位方法和定位仪 - Google Patents
定位可信度的计算方法及使用可信度的定位方法和定位仪 Download PDFInfo
- Publication number
- CN107295538A CN107295538A CN201610191108.2A CN201610191108A CN107295538A CN 107295538 A CN107295538 A CN 107295538A CN 201610191108 A CN201610191108 A CN 201610191108A CN 107295538 A CN107295538 A CN 107295538A
- Authority
- CN
- China
- Prior art keywords
- positioning result
- confidence level
- characteristic vector
- grid
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
- G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Collating Specific Patterns (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本公开提供了对指纹定位中的定位可信度的计算方法,以及使用定位可信度提高定位准确度的指纹定位方法和指纹定位仪。根据本发明实施例的定位可信度的计算方法包括:获取待定位目标的实测特征向量;根据待定位目标的定位结果,获取所述定位结果的周边位置的特征向量集;计算待定位目标的实测特征向量与所述周边位置的特征向量集之间的欧氏距离;以及,根据所计算的欧氏距离计算所述定位结果的可信度。通过本公开实施例能有效地评判指纹定位结果的可信度。
Description
技术领域
本发明涉及在大范围部署的位置指纹定位领域,更具体地,涉及在指纹定位中的定位可信度的确定方法以及使用定位可信度的指纹定位方法和定位设备。
背景技术
指纹定位是一种新兴的定位技术。指纹定位的原理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相似性来得到最终的定位结果。
指纹定位方法通常分为两个步骤:离线训练建模阶段和在线预测定位阶段。离线训练建模阶段是指预先使用专业测量设备对目标区域按一定的空间密度进行指纹信息的采集,然后根据采集的指纹和采集点的地理坐标数据生成整个区域的指纹数据库;在线预测定位阶段,无线终端在目标点进行指纹信息测量,然后再将该指纹和指纹数据库进行比对匹配,估计出该目标点的地理位置。
为了便于理解,下面简要介绍本文中将使用的若干缩写术语:
RSSI:接收的信号强度指示(Received Signal StrengthIndication)。
SVM:支持向量机SVM(Support Vector Machine)。在机器学习领域,SVM是一个有监督的学习模型,通常用来进行模式识别、分类、以及回归分析。
kNN:指纹定位中的用于确定当前用户所在位置的一种常用解算方法,具体过程为:首先找到距离测试点欧氏距离最近的k个参考点,其坐标可以用Pm=(Xm,Ym,Zm)表示,其中m的取值为1~k之间,于是定位结果P是该k个参考点位置的均值,即P=∑(Xm,Ym,Zm)/k。
现有技术中,比较成熟的定位***如GNSS***都可以在定位的同时,提供该***定位性能的评判准则,例如通过几何精度因子GDOP等值来对定位结果的精度进行估计。该定位性能的评判值对于数据融合,联合定位等技术的实现有着重要意义。但目前指纹定位只为用户输出定位结果,而不能像上述GNSS***那样给出定位性能评判值的估计,这成了指纹定位技术与其它定位技术融合时的重大技术瓶颈。
发明内容
考虑到现有指纹定位技术的上述问题,本发明提出了一种对指纹定位中的定位准确度进行评判的定位可信度的计算方法,并且还提出了使用定位可信度提高指纹定位的定位准确度的方法和定位仪。
本公开主要提出:在指纹定位中,通过获取地理网格的特征向量,以及以待定位目标的定位结果为中心所放大的待检区域,将待定位目标的实测RSSI向量与待检区域所包含的网格的特征向量集一一进行欧氏距离计算,将所得到的欧氏距离求和再求倒,即得到该定位结果的可信度的估计值,该值越大则指示可信度越高。通过本公开提供的方法能有效地评判指纹定位结果的可信度。
根据本公开的第一方面,提供了一种指纹定位的定位可信度的计算方法,包括:获取待定位目标的实测特征向量;根据待定位目标的定位结果,获取所述定位结果的周边位置的特征向量集;计算待定位目标的实测特征向量与所述周边位置的特征向量集之间的欧氏距离;以及,根据所计算的欧氏距离计算所述定位结果的可信度。
在一些实施例中,所述特征向量包括接收的信号强度指示RSSI特征向量。
在一些实施例中,获取所述定位结果所指示位置的周边位置的特征向量集包括:以待定位目标的所述定位结果为中心,向周围放大预定范围,将放大后的区域作为待检区域;以及,获取所述待检区域所包含的每个网格的特征向量,以生成所述周边位置的特征向量集。
在一些实施例中,计算待定位目标的实测特征向量与所述周边位置的特征向量集之间的欧氏距离包括:分别计算待定位目标的实测特征向量与所述周边位置的特征向量集中的每个网格的特征向量之间的欧氏距离。
在一些实施例中,根据所计算的欧氏距离计算所述定位结果的可信度包括:对分别计算的欧氏距离求和;以及,以所计算的欧氏距离之和的倒数作为所述定位结果的可信度。
在一些实施例中,所述计算可信度的方法还包括离线训练步骤,所述离线训练步骤包括:将待定位区域按照物理空间划分为若干个网格;针对每个网格,通过离线训练生成针对所述网格的训练集,以及通过对所述训练集中的所有特征向量样本每个维度上的RSSI值求平均来得到所述网格的特征向量。
根据本公开的第二方面,提供了一种指纹定位方法,包括:根据前述计算可信度的方法计算当前定位结果的定位可信度;判断当前定位结果的可信度是否大于门限;如果当前定位结果的可信度大于等于门限,则输出当前定位结果;如果当前定位结果的可信度小于门限,则获取所述周边位置中的与当前定位结果的欧氏距离最小的网格,并将所获取的网格对应的位置作为更新后的待定位目标的当前定位结果;重复上述处理,直到输出可信度大于门限的定位结果。
根据本公开的第三方面,提供了一种指纹定位仪,包括:
接收机,配置为:接收信号;
处理单元,配置为:根据接收信号,确定待定位目标的实测特征向量;根据待定位目标的定位结果,获取所述定位结果的周边位置的特征向量集;计算待定位目标的实测特征向量与所述周边位置的特征向量集之间的欧氏距离;以及,根据所计算的欧氏距离计算所述定位结果的可信度。
在一些实施例中,所述指纹定位仪还可以包括:存储器,配置为存储待定位区域的网格特征向量。所述待定位区域的网格特征向量可以通过下述方式确定:将待定位区域按照物理空间划分为若干个网格;针对每个网格,通过离线训练生成针对所述网格的训练集,以及通过对所述训练集中的所有特征向量样本每个维度上的RSSI值求平均来得到所述网格的特征向量。
所述定位仪还可以包括:输出单元,配置为一起输出定位结果和所述定位结果的可信度。
在一些实施例中,所述指纹定位仪中的处理单元还配置为:判断当前定位结果的可信度是否大于门限;如果当前定位结果的可信度大于等于门限,则输出当前定位结果;如果当前定位结果的可信度小于门限,则获取所述周边位置中的与当前定位结果的欧氏距离最小的网格,并将所获取的网格对应的位置作为更新后的待定位目标的当前定位结果;重复上述处理,直到输出可信度大于门限的定位结果。
本公开提供了能有效地评判指纹定位结果的可信度计算方法。根据本公开实施例的指纹定位仪可以与定位结果一起输出可信度估值,克服指纹定位技术与其它定位技术融合时的技术瓶颈。
附图说明
下面结合附图说明本公开的优选实施例,将使本发明的上述及其它目的、特征和优点更加清楚,其中:
图1示出了根据本公开的一个实施例的计算指纹定位的定位可信度的方法的流程图;
图2示出了根据本公开实施例的计算指纹定位的定位可信度的方法的一个具体实现的示意图;
图3A和图3A示出了待检区域的两个示例的示意图;
图4A和图4A示出了标注了网格特征向量的待检区域的两个示例的示意图;
图5示出了根据本公开的一个实施例的指纹定位方法的流程图;
图6示出了根据本公开实施例的指纹定位方法的一个具体实现的示意图;以及
图7示出了根据本公开的一个实施例的指纹定位仪的方框图。
在本公开的所有附图中,相同或相似的附图标记标识表示相同或相似的要素。
具体实施方式
下面将结合附图参考若干示例性实施例来描述本公开的原理和精神。应当理解,给出这些实施例仅是为了使本领域技术人员能够更好地理解进而实现本公开,而并非以任何方式限制本公开的范围。另外,为了简便起见,省略了对与本发明没有直接关联的公知技术的详细描述,以防止对本发明的理解造成混淆。
本文使用的术语仅用于描述示例性实施例,而不旨在限制示例性实施例。如本文使用的,除非上下文中明确指出,否则单数形式不排除也可以包括复数形式。还应理解,当在本说明书中使用时,“和/或”包括相关列出项的一个或多个的任意和所有组合。术语“包括”和/或“具有”规定存在所列举的特征、数字、步骤、操作、组件、元素或其组合,而不排除存在或添加一个或多个其他特征、数字、步骤、操作、组件、元素或其组合。
除非另有明确定义,否则本文使用的所有术语具有与示例性实施例所属领域中的普通技术人员通常所理解的相同的含义。还应当理解,除非本文中另有明确定义,术语应当被解释为具有与发明时间时本领域普通技术人员所理解的说明书中的含义一致的含义。
下面参考图1~图4B说明根据本公开实施例的计算定位可信度的方法。
图1示出了根据本公开的一个实施例的计算指纹定位的定位可信度的方法100的流程图。
当通过指纹定位解算已经获得了待定位目标的定位结果时,可以开始计算该定位结果的可信度的方法100。此处,可以通过任何已知的指纹定位解算算法(如kNN算法)来获得待定位目标的定位结果,本发明在这方面不受限制。
在步骤S110中,获取待定位目标的实测特征向量。待定位目标的特征向量通常是RSSI特征向量,其可以包括一个或多个维度。在下文中提到的特征向量通常指RSSI特征向量,除非另有明示。
在步骤S120中,根据待定位目标的定位结果,获取所述定位结果的周边位置的特征向量集。具体地,可以以待定位目标的定位结果为中心,向周围放大预定范围,将放大后的区域作为待检区域。然后,可以从本地存储器或者***中的其他设备存储的指纹数据库中获取该待检区域所包含的每个网格的特征向量。该待检区域中的所有网格的特征向量的集合即形成所述周边位置的特征向量集。
应该理解,在***中通常预先存储有待定位区域的指纹数据库。如前文提到的,指纹定位方法通常分为两个步骤:离线训练建模阶段和在线预测定位阶段。在离线训练建模阶段,离线训练建模阶段会预先使用专业测量设备对目标区域(下文称为待定位区域)按一定的空间密度将物理空间划分为若干个网格,采集每个网格(也称为采集点)的RSSI特征向量(也称为指纹信息),然后根据采集的指纹和采集点的地理坐标数据生成整个待定位区域的指纹数据库。也即,指纹数据库将包含整个待定位区域的所有网格的特征向量。
在步骤S130中,计算待定位目标的实测特征向量与所述周边位置的特征向量集之间的欧氏距离。应该理解,所述周边位置的特征向量集包括一个或多个向量。待定位目标的实测特征向量与所述周边位置的特征向量集之间的欧氏距离也包括一个或多个欧氏距离,其包括待定位目标的实测特征向量与所述周边位置的特征向量集中的各个特征向量的欧氏距离,将形成一个集合。
例如,计算待定位目标的实测特征向量与所述周边位置的特征向量集之间的欧氏距离可以包括分别计算待定位目标的实测特征向量与所述待检区域的各个网格的特征向量之间的欧氏距离。
在步骤S140中,根据所计算的欧氏距离计算所述定位结果的可信度。
例如,可以首先计算步骤S130中计算的待定位目标的实测特征向量与所述周边位置的特征向量集中的各个特征向量的欧氏距离之和,然后可以以所计算的欧氏距离之和的倒数作为所述定位结果的可信度的估值。应该理解,还可以以所计算的欧氏距离之和的其他函数来作为可信度的估值,例如可以以所计算的欧氏距离之和的任何反比函数来作为可信度的估值。在这种情况下,可信度的估值越高,表明可信度越高,而可信度估值越低时,表明可信度越低。
可选地,也可以所计算的欧氏距离之和本身,或者其正比函数来作为可信度的估值。但是,在该情况下,估值越高,表明可信度越低,而估值越低,表明可信度越高。
本领域技术人员可以理解,上面示出的方法100仅是示例性的。本发明的方法并不局限于上面示出的步骤和顺序。本领域技术人员根据所示实施例的教导可以进行许多变化和修改。
例如,单个步骤可以拆分为多个步骤执行,而若干步骤也可以合并到单个步骤中执行。
又如,可选地,方法100还可以包括离线训练步骤,所述离线训练步骤用于生成待检区域中的指纹数据库。该离线训练步骤通常是在指纹定位方法的离线训练建模阶段完成的。该离线训练步骤可以包括:将待定位区域按照物理空间划分为若干个网格;针对每个网格,通过离线训练生成针对所述网格的训练集,以及通过对所述训练集中的所有特征向量样本每个维度上的RSSI值求平均来得到所述网格的特征向量。
下面参考图2具体描述根据本公开实施例的方法100。图2示出了根据本公开实施例的计算指纹定位的定位可信度的方法100的一个具体实现100’的示意图。
与方法100类似,方法100’开始于通过指纹定位解算已经获得了待定位目标的初步定位结果时。
如图2所示,定位可信度的计算方法100’主要包括三个步骤:
1.获取待定位目标的实测特征向量(类似于图1的步骤S110)
2.根据初步定位位置,获取初步定位位置周边位置的特征向量集(类似于图1的步骤S120)。
3.计算待定位目标的实测特征向量与周边位置特征向量集之间的欧氏距离,然后根据欧氏距离计算定位结果的可信度(类似于图1的步骤S130和S140)。
下面参考图2对这三个步骤分别进行具体描述。
1.获取待定位目标的实测特征向量
待定位目标的RSSI特征向量标记为R_W,其中包含WC个维度。
2.获取初步定位位置周边位置的特征向量集
如图所示,该步骤2主要包括下述三个子步骤。
①存储网格特征向量
-将待定位区域按照物理空间划分为若干个网格,对每个网格进行编号,于是每个网格均有对应的编号。
-在本示例中,待定位区域中总共划分为C个网格,每个网格的编号记为:A1,A2,A3,…,AC。根据每个网格的训练集可以计算出该网格的特征向量。
-对于待定位区域中的网格Ai(1<=i<=C),训练集记为{ai(k)}(其中训练集的个数为Ki,1<=k<=Ki),该训练集中的每一个RSSI特征向量ai(k)中包含WC个维度。对训练集中的Ki个特征向量每个维度上的RSSI值对应求均值,得到该网格的特征向量Ri,表述如下:
子步骤①可以在离线训练建模阶段完成。待定位区域中的网格特征向量可以一起存储为指纹数据库。
②获取待检区域
-以待定位目标的定位结果L(即通过“指纹定位解算模块”得到定位结果L)为中心,放大至周围的预定范围,将放大后的区域作为待检区域。该预定范围可以是如图3A所示的第一相邻范围或如图3B所示的第二相邻范围。应该理解,该放大范围不限于所示的示例,可以是其他值。本发明在这方面不受限制。
-待检区域中涵盖的网格作为待检网格。
③获取待检区域所包含的网格的特征向量集
-在②中已经获取了待检区域所包含的网格的编号,根据该网格编号结合①可获取待检区域所包含的网格的特征向量集{R}。例如,根据网格编号从存储的指纹数据库中获取对应编号的网格的特征向量。图4A和4B分别示出了与图3A和图3B对应的待检网格,其中每个网格中标注了该网格的特征向量Ri。
3.根据欧氏距离计算定位结果的可信度
如图所示,该步骤3主要包括下述两个子步骤。
④计算实测特征向量与待检网格特征向量集的欧氏距离
-向量X(X=[X1,X2,…,Xn])和向量Y(Y=[Y1,Y2,…,Yn])之间的欧氏距离d的可以计算如下:
-在步骤1中获取的待定位目标的实测RSSI特征向量为R_W
-当选择第一相邻范围时,待检区域所包含的网格的特征向量集为Ril,Ri2,Ri3,Ri4,Ri5,Ri6,…Ri9
-分别计算待定位目标的实测RSSI特征向量与上述9个特征向量之间的欧氏距离d(R_W,Ril),d(R_W,Ri2),d(R_W,Ri3),…d(R_W,Ri9)。
⑤计算当前定位结果的可信度D
上面已经结合图1~图4B对根据本发明的定位计算度方法进行了说明。
利用本发明提出的可信度判断,可以提高定位准确率。于是,本公开还提出了一种利用可信度提高指纹定位准确度的方法。下面参考图5和图6进行描述。
图5示出了根据本公开的一个实施例的指纹定位方法200的流程图。
当通过指纹定位解算已经获得了待定位目标的初始定位结果时,可以开始方法200。
在步骤S210中,根据前述可信度计算方法(如方法100或100’)计算当前定位结果的定位可信度。
在步骤S220中,判断当前定位结果的可信度是否大于等于门限。该门限可以是预设的。
如果步骤S220中的判断结果是当前定位结果的可信度大于门限,则前进到步骤S230,输出当前定位结果。
如果步骤S220中的判断结果是当前定位结果的可信度小于等于门限,则前进到步骤S240。在步骤S240中,获取周边位置中的与当前定位结果的欧氏距离最小的网格,并将所获取的网格对应的位置作为更新后的待定位目标的当前定位结果。步骤S240中使用的周边位置与在计算当前定位结果的可信度时确定的周边位置(即待检区域)相一致。
在步骤S240中,更新了待定位目标的当前定位结果之后,返回步骤S210,重新计算更新后的当前定位结果的可信度。
通过上述不断地迭代更新,最终输出可信度大于门限的定位结果。
图6示出了上述指纹定位方法200的一个具体实现200’的示意图。
与方法200类似,方法200’开始于通过指纹定位解算已经获得了待定位目标的初步定位结果时。
如图6所示,该定位方法200’主要包括下述四个步骤:
·①判断当前定位结果的可信度是否大于门限
·②如果大于门限,则输出当前定位结果
·③如果小于门限,获取欧氏距离最小值对应的网格编号L’[dmin,GridID]=min([d(R_W,Ril),d(R_W,Ri2),d(R_W,Ri3),…,d(R_W,R19)])L′=GridID 公式(4)
·④更新待定位目标的定位结果,即将网格L’作为更新的定位结果
L=L′
·重新进行可信度计算,从而得到更新后的定位结果的可信度。然后重复上述步骤。
通过上述不断迭代更新,最终将输出可信度大于门限的定位结果。从而,通过本公开实施例的指纹定位方法可以提供较高准确度的定位结果。
图7示出了根据本公开的一个实施例的指纹定位仪300的方框图。
如图所示,该指纹定位仪300可以包括接收机310、处理单元320、输出单元330以及存储器340。
接收机310配置用于接收信号。该接收机310可以与常规指纹定位仪的信号接收机的功能类似。
处理单元320配置用于计算定位结果的可信度。具体地,处理单元320可以配置为:根据接收信号,确定待定位目标的实测特征向量;根据待定位目标的定位结果,获取所述定位结果的周边位置的特征向量集;计算待定位目标的实测特征向量与所述周边位置的特征向量集之间的欧氏距离;以及,根据所计算的欧氏距离计算所述定位结果的可信度。
当然,处理单元320也具有常规指纹定位仪的指纹定位解算功能。本发明中可以使用任何现有的指纹解算算法(如kNN算法)。本发明在这方面不受限制。
输出单元330不仅能够输出定位结果,还能够与定位结果仪器输出定位结果的可信度。
存储器340配置为存储待定位区域的网格特征向量,如待定位区域的指纹数据库。
例如,所述待定位区域的网格特征向量可以通过下述方式确定的:将待定位区域按照物理空间划分为若干个网格;针对每个网格,通过离线训练生成针对所述网格的训练集,以及通过对所述训练集中的所有特征向量样本每个维度上的RSSI值求平均来得到所述网格的特征向量。
在一个优选实施例中,处理单元320还配置为:判断当前定位结果的可信度是否大于门限;如果当前定位结果的可信度大于等于门限,则输出当前定位结果;如果当前定位结果的可信度小于门限,则获取所述周边位置中的与当前定位结果的欧氏距离最小的网格,并将所获取的网格对应的位置作为更新后的待定位目标的当前定位结果。处理单元320将重复上述处理,直到当前定位结果可信度大于门限,才通过输出单元330输出定位结果。
根据本发明实施例的指纹定位仪300可以用于执行根据本发明实施例的定位可信度的计算方法(如方法100和100’),和/或根据本发明实施了的使用可信度来提高定位准确度的指纹定位方法(如200和200’)。指纹定位仪300的具体操作可以参考上述方法的描述,在此不再赘述。
上文已经结合优选实施例对本发明进行了描述。本领域技术人员可以理解,上面示出的设备和方法仅是示例性的。本发明的设备可以包括比示出的部件更多或更少的部件。本发明的方法并不局限于上面示出的步骤和顺序。本领域技术人员根据所示实施例的教导可以进行许多变化和修改。
本发明的设备及其部件可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合实现。
本领域技术人员应该理解,尽管通过具体实施例描述了本发明,但是本发明的范围不限于这些具体实施例。本发明的范围由所附权利要求及其任何等同含义限定。
Claims (15)
1.一种指纹定位的定位可信度的计算方法,包括:
获取待定位目标的实测特征向量;
根据待定位目标的定位结果,获取所述定位结果的周边位置的特征向量集;
计算待定位目标的实测特征向量与所述周边位置的特征向量集之间的欧氏距离;以及
根据所计算的欧氏距离计算所述定位结果的可信度。
2.根据权利要求1所述的方法,其中所述特征向量包括接收的信号强度指示RSSI特征向量。
3.根据权利要求1所述的方法,其中根据所计算的欧氏距离计算所述定位结果的可信度包括:
对所计算的欧氏距离求和;以及
以所计算的欧氏距离之和的倒数作为所述定位结果的可信度。
4.根据权利要求1~3中任一项所述的方法,其中,获取所述定位结果所指示位置的周边位置的特征向量集包括:
以待定位目标的所述定位结果为中心,向周围放大预定范围,将放大后的区域作为待检区域;以及
获取所述待检区域所包含的每个网格的特征向量,以生成所述周边位置的特征向量集。
5.根据权利要求4所述的方法,还包括离线训练步骤,所述离线训练步骤包括:
将待定位区域按照物理空间划分为若干个网格;
针对每个网格,通过离线训练生成针对所述网格的训练集,以及通过对所述训练集中的所有特征向量样本每个维度上的RSSI值求平均来得到所述网格的特征向量。
6.根据权利要求4所述的方法,计算待定位目标的实测特征向量与所述周边位置的特征向量集之间的欧氏距离包括:
分别计算待定位目标的实测特征向量与所述周边位置的特征向量集中的每个网格的特征向量之间的欧氏距离。
7.一种指纹定位方法,包括:
根据权利要求1~6中任一项所述的方法计算当前定位结果的定位可信度;
判断当前定位结果的可信度是否大于门限;
如果当前定位结果的可信度大于等于门限,则输出当前定位结果;
如果当前定位结果的可信度小于门限,则获取所述周边位置中的与当前定位结果的欧氏距离最小的网格,并将所获取的网格对应的位置作为更新后的待定位目标的当前定位结果;
重复上述处理,直到输出可信度大于门限的定位结果。
8.一种指纹定位仪,包括:
接收机,配置为:接收信号;
处理单元,配置为:
根据接收信号,确定待定位目标的实测特征向量;
根据待定位目标的定位结果,获取所述定位结果的周边位置的特征向量集;
计算待定位目标的实测特征向量与所述周边位置的特征向量集之间的欧氏距离;以及
根据所计算的欧氏距离计算所述定位结果的可信度。
9.根据权利要求8所述的指纹定位仪,其中所述特征向量包括接收的信号强度指示RSSI特征向量。
10.根据权利要求8所述的指纹定位仪,其中根据所计算的欧氏距离计算所述定位结果的可信度包括:
对所计算的欧氏距离求和;以及
以所计算的欧氏距离之和的倒数作为所述定位结果的可信度。
11.根据权利要求8~10中任一项所述的指纹定位仪,其中,获取所述定位结果所指示位置的周边位置的特征向量集包括:
以待定位目标的所述定位结果为中心,向周围放大预定范围,将放大后的区域作为待检区域;以及
获取所述待检区域所包含的每个网格的特征向量,以生成所述周边位置的特征向量集。
12.根据权利要求11所述的指纹定位仪,还包括:
存储器,配置为存储待定位区域的网格特征向量,所述待定位区域的网格特征向量是通过下述方式确定的:
将待定位区域按照物理空间划分为若干个网格;
针对每个网格,通过离线训练生成针对所述网格的训练集,以及通过对所述训练集中的所有特征向量样本每个维度上的RSSI值求平均来得到所述网格的特征向量。
13.根据权利要求11所述的指纹定位仪,其中,计算待定位目标的实测特征向量与所述周边位置的特征向量集之间的欧氏距离包括:
分别计算待定位目标的实测特征向量与所述周边位置的特征向量集中的每个网格的特征向量之间的距离。
14.根据权利要求8所述的指纹定位仪,还包括:输出单元,配置为一起输出定位结果和所述定位结果的可信度。
15.根据权利要求14所述的指纹定位仪,
其中所述处理单元还配置为:
判断当前定位结果的可信度是否大于门限;
如果当前定位结果的可信度大于等于门限,则输出当前定位结果;
如果当前定位结果的可信度小于门限,则获取所述周边位置中的与当前定位结果的欧氏距离最小的网格,并将所获取的网格对应的位置作为更新后的待定位目标的当前定位结果;
重复上述处理,直到输出可信度大于门限的定位结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610191108.2A CN107295538B (zh) | 2016-03-30 | 2016-03-30 | 定位可信度的计算方法及使用可信度的定位方法和定位仪 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610191108.2A CN107295538B (zh) | 2016-03-30 | 2016-03-30 | 定位可信度的计算方法及使用可信度的定位方法和定位仪 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107295538A true CN107295538A (zh) | 2017-10-24 |
CN107295538B CN107295538B (zh) | 2022-03-18 |
Family
ID=60087568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610191108.2A Active CN107295538B (zh) | 2016-03-30 | 2016-03-30 | 定位可信度的计算方法及使用可信度的定位方法和定位仪 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107295538B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108810819A (zh) * | 2018-05-25 | 2018-11-13 | 厦门华方软件科技有限公司 | 一种基于网络通讯的地表定位方法及介质 |
CN109982242A (zh) * | 2019-03-29 | 2019-07-05 | 深圳市九洲电器有限公司 | 一种室内定位方法、装置、基站及*** |
CN110113708A (zh) * | 2018-04-18 | 2019-08-09 | 爱动超越人工智能科技(北京)有限责任公司 | 基于Wi-Fi位置指纹的定位方法和装置 |
CN110493867A (zh) * | 2019-06-27 | 2019-11-22 | 湖南大学 | 一种信号选择及位置校正的无线室内定位方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009068530A1 (en) * | 2007-11-30 | 2009-06-04 | Siemens Aktiengesellschaft | A locating method and a locating system |
CN101639527A (zh) * | 2009-09-03 | 2010-02-03 | 哈尔滨工业大学 | 基于rss-p的k近邻模糊聚类wlan室内定位方法 |
US20110250905A1 (en) * | 2008-12-17 | 2011-10-13 | Wigren Karl Torbjoern | Methods and Arrangements for Fingerprinting Positioning |
CN103200678A (zh) * | 2013-04-09 | 2013-07-10 | 南京信息工程大学 | 基于位置指纹识别算法的安卓设备WiFi室内定位方法 |
CN103596267A (zh) * | 2013-11-29 | 2014-02-19 | 哈尔滨工业大学 | 一种基于欧氏距离的指纹图匹配方法 |
CN103763769A (zh) * | 2013-12-26 | 2014-04-30 | 北京邮电大学 | 基于接入点重选择和自适应簇***的室内指纹定位方法 |
CN104424276A (zh) * | 2013-08-30 | 2015-03-18 | 中国电信集团公司 | 基于流形学习的指纹库自更新方法和装置 |
CN104469676A (zh) * | 2014-11-21 | 2015-03-25 | 北京拓明科技有限公司 | 一种移动终端的定位方法及*** |
CN104502889A (zh) * | 2014-12-29 | 2015-04-08 | 哈尔滨工业大学 | 指纹定位中基于参考点最大距离的定位可信度计算方法 |
CN104703143A (zh) * | 2015-03-18 | 2015-06-10 | 北京理工大学 | 一种基于wifi信号强度的室内定位方法 |
CN105424030A (zh) * | 2015-11-24 | 2016-03-23 | 东南大学 | 基于无线指纹和mems传感器的融合导航装置和方法 |
-
2016
- 2016-03-30 CN CN201610191108.2A patent/CN107295538B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009068530A1 (en) * | 2007-11-30 | 2009-06-04 | Siemens Aktiengesellschaft | A locating method and a locating system |
US20110250905A1 (en) * | 2008-12-17 | 2011-10-13 | Wigren Karl Torbjoern | Methods and Arrangements for Fingerprinting Positioning |
CN101639527A (zh) * | 2009-09-03 | 2010-02-03 | 哈尔滨工业大学 | 基于rss-p的k近邻模糊聚类wlan室内定位方法 |
CN103200678A (zh) * | 2013-04-09 | 2013-07-10 | 南京信息工程大学 | 基于位置指纹识别算法的安卓设备WiFi室内定位方法 |
CN104424276A (zh) * | 2013-08-30 | 2015-03-18 | 中国电信集团公司 | 基于流形学习的指纹库自更新方法和装置 |
CN103596267A (zh) * | 2013-11-29 | 2014-02-19 | 哈尔滨工业大学 | 一种基于欧氏距离的指纹图匹配方法 |
CN103763769A (zh) * | 2013-12-26 | 2014-04-30 | 北京邮电大学 | 基于接入点重选择和自适应簇***的室内指纹定位方法 |
CN104469676A (zh) * | 2014-11-21 | 2015-03-25 | 北京拓明科技有限公司 | 一种移动终端的定位方法及*** |
CN104502889A (zh) * | 2014-12-29 | 2015-04-08 | 哈尔滨工业大学 | 指纹定位中基于参考点最大距离的定位可信度计算方法 |
CN104703143A (zh) * | 2015-03-18 | 2015-06-10 | 北京理工大学 | 一种基于wifi信号强度的室内定位方法 |
CN105424030A (zh) * | 2015-11-24 | 2016-03-23 | 东南大学 | 基于无线指纹和mems传感器的融合导航装置和方法 |
Non-Patent Citations (5)
Title |
---|
XIAOLONG XU等: "Variance-based fingerprint distance adjustment algorithm for indoor localization", 《JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS》 * |
傅韬: ""基于测量报告的移动终端定位算法研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
史伟光等: "基于加权欧式算子的射频识别定位算法", 《计算机工程》 * |
屈阳等: "采用指纹SD权重的FM两级室内定位方法", 《导航定位学报》 * |
牛建伟等: "一种基于Wi-Fi信号指纹的楼宇内定位算法", 《计算机研究与发展》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110113708A (zh) * | 2018-04-18 | 2019-08-09 | 爱动超越人工智能科技(北京)有限责任公司 | 基于Wi-Fi位置指纹的定位方法和装置 |
CN108810819A (zh) * | 2018-05-25 | 2018-11-13 | 厦门华方软件科技有限公司 | 一种基于网络通讯的地表定位方法及介质 |
CN108810819B (zh) * | 2018-05-25 | 2021-05-14 | 厦门华方软件科技有限公司 | 一种基于网络通讯的地表定位方法及介质 |
CN109982242A (zh) * | 2019-03-29 | 2019-07-05 | 深圳市九洲电器有限公司 | 一种室内定位方法、装置、基站及*** |
CN110493867A (zh) * | 2019-06-27 | 2019-11-22 | 湖南大学 | 一种信号选择及位置校正的无线室内定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107295538B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106646338B (zh) | 一种快速精确的室内定位方法 | |
CN109682382A (zh) | 基于自适应蒙特卡洛和特征匹配的全局融合定位方法 | |
CN107295538A (zh) | 定位可信度的计算方法及使用可信度的定位方法和定位仪 | |
CN106199500B (zh) | 指纹特征定位方法及装置 | |
EP1532464A1 (en) | Error estimate concerning a target devic's location operable to move in a wireless environment | |
Ruan et al. | Hi-Loc: Hybrid indoor localization via enhanced 5G NR CSI | |
Tao et al. | AIPS: An accurate indoor positioning system with fingerprint map adaptation | |
CN109379711A (zh) | 一种定位方法 | |
CN114063056A (zh) | 一种船舶航迹融合方法、***、介质和设备 | |
US20130234894A1 (en) | Location estimation using radio scene signatures | |
CN106954190A (zh) | 一种基于指数映射域的wifi室内定位方法 | |
CN108111976B (zh) | 一种WiFi信号指纹数据优化方法及装置 | |
CN105682039B (zh) | 一种rf指纹定位方法及*** | |
US20210231765A1 (en) | Test node-based wireless positioning method and device thereof | |
CN110118979A (zh) | 基于广义互熵的改进差分进化算法估计多径参数的方法 | |
CN110837079A (zh) | 一种基于雷达的目标检测方法及装置 | |
Marques et al. | Crater delineation by dynamic programming | |
CN117095360A (zh) | 基于sar卫星遥感技术的粮食作物监测方法及*** | |
CN110809284A (zh) | 基于mr数据的定位方法、***、设备、可读存储介质 | |
CN111163514B (zh) | 一种最优区域自适应选取的指纹定位方法和*** | |
Rosić et al. | Hybrid genetic optimization algorithm for target localization using TDOA measurements | |
CN107071901A (zh) | 一种基于接收信号强度双重之比的wifi室内定位方法 | |
CN114286306A (zh) | 室内信号定位方法、装置、计算机设备及存储介质 | |
CN109831737B (zh) | 一种基于置信度的蓝牙定位方法、装置、设备和*** | |
CN111741430B (zh) | 一种基于最优参考点和接入点选取的指纹定位方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |