CN107948930A - 基于位置指纹算法的室内定位优化方法 - Google Patents

Abstract

本发明公开了一种基于位置指纹算法的室内定位优化方法。本发明在现有的位置指纹定位方法的基础上，对信号强度采集、指纹库密度、指纹库精度、定位效率、设备误差进行了对应的优化处理，从而实现对定位过程的精度提升和效率提升。本发明在定位处理过程中，无需额外硬件的支持，因此其具有较低的定位成本。在信号强度测量精准，以及位置指纹库的精度和密度较高的情况下，本发明可以提供较高定位精度。

Description

基于位置指纹算法的室内定位优化方法

技术邻域

本发明属于室内定位技术领域，具体涉及一种基于位置指纹算法的室内定位方法。

背景技术

指纹定位算法通过RSSI(Received Signal Strength Indication，接收信号强度指示)信息之间的相关性完成定位，通过将定位点处的RSSI信息与位置指纹的RSSI信息进行匹配来实现定位坐标的估算。指纹定位算法的定位原理如图1所示，其定位过程分为两个阶段：一、离线训练阶段：在区域中选择n个点作为参考点进行位置指纹采集，从而完成位置指纹库的构建，其中，位置指纹由参考点处的位置坐标和RSSI信息构成；二、在线定位阶段：采集定位点处的RSSI信息，并将采集到的RSSI信息与位置指纹库中的位置指纹进行匹配，筛选出匹配度最高的前K个位置指纹实现位置估算。位置指纹定位常用的算法包括最近邻法、K近邻法(KNN)、加权K近邻法(WKNN)。

最近邻算法依据样本之间的相似度进行定位，其核心思想是在位置指纹库中选取与定位点处RSSI向量最相似的参考点的坐标作为定位节点的坐标，其中，RSSI向量之间的相似度通过RSSI向量之间的欧氏距离来判断，欧式距离越小，表示两个RSSI向量之间的相似度越高。RSSI向量之间的欧式距离其中rssi_i表示在定位节点处的第i个无线AP(接入节点)的信号强度，rssi_k,i表示位置指纹库中第k个参考点处的第i个无线AP的信号强度，m表示无线AP的个数。

K近邻算法作为最近邻算法的改进，其也是依据节点之间的相似度来进行定位。在定位时，K近邻算法会在位置指纹库中选出与定位节点之间相似度最高的K个参考点，并计算K个参考点所组成的多边形的质心，质心所在的位置即为定位节点的位置：其中，(x_i,y_i)表示参考点的坐标。

加权K近邻算法是对K近邻算法的改进，进一步降低了定位过程中的误差。相比于K近邻算法，加权K近邻算法在得到K个相似度最高的参考点之后，不是直接计算K个参考点组成的多边形的质心，而是根据每个参考点与定位节点之间的相似度对参考点的坐标位置进行加权，加权相加的结果即为最终的定位结果：其中，d_i表示节点之间RSSI向量的欧式距离，(x_i,y_i)表示参考点的坐标。加权K近邻算法通过加权来控制参考点对定位点的影响，使定位的结果更加准确。

但是，现有的位置指纹定位方法在指纹采集过程中，只是简单的进行RSSI信息采集来构建位置指纹库，其指纹采集精度存不够；而在构建位置指纹库时，只是简单的通过人工采集的方式进行构建，一旦位置指纹库的密度要求提高，其构建工作量将会大量增加；并且对于位置指纹库中存在的噪点，未采用任何的方式进行去除，其位置指纹库中的指纹精准度有待进一步提升；同时，在匹配位置指纹时，采用的方式为逐个匹配，其匹配处理的时间复杂度相对较高，另外，对于设备差异性带来的定位误差并未进行特殊的处理，对定位结果会带来一定的定位误差。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种有效提升定位精确度并指纹匹配处理时间复杂度的定位优化方法。

本发明的基于位置指纹算法的室内定位优化方法包括下列步骤：

构建位置指纹库步骤：

101：在待定位区域部署m个无线接入设备，设置n个参考点(例如对室内平面图进行网格划分，将网格点作为参考点)，并记录各参考点的位置信息；

102：多次采集每个参考点对每个无线接入设备的接收信号强度值rssi，在每次采集时，若当前采集到的rssi满足|rssi-μ|＞1.96σ，则剔除当前采集到的rssi，其中σ、μ分别表示接收信号强度的高斯分布的标准差和均值；

并对多次采集结果进行均值滤波平滑处理，得到每个参考点对每个无线接入设备的接收信号强度值，记为rssi_k,i，其中k为参考点标识符，i为无线接入设备标识符；由同一参考点的m组接收信号强度值构成该参考点的信号强度向量，记为RSSI_k＝(rssi_k,1,rssi_k,2,…,rssi_k,n)，将各参考点的信号强度向量和位置信息组合成位置指纹并保存到位置指纹库中；

103：对位置指纹库进行密度增强处理：

通过多项式曲面拟合的方式增加数据库中的位置指纹；

再对增加后的数据库进行邻域滤波法筛选位置指纹库噪点：遍历位置指纹库中的每个参考点，将当前参考点作为中心点c，并基于中心点c的P邻域，计算中心点c与各邻域点x_p之间的平均相似度其中P为预设的邻域数，下标p为邻域点x_p的点标识符，表示中心点c和邻域点x_p之间的信号强度向量的欧式距离；以及将各邻域点x_p的P邻域中的中心点c剔除，得到各邻域点x_p的个邻域点下标j为邻域点的点标识符，再计算各邻域点x_p的平均相似度其中表示点x_p与点之间的信号强度向量的欧式距离，从而得到中心点c的所有邻域点的平均相似度的均值若则将当前中心点c记为噪点z；

基于各噪点z的P邻域的接收信号强度值更新噪点z的接收信号强度值rssi_z,i为：其中表示噪点z的邻域点对第i个无线接入设备的接收信号强度值，其中，j表示邻域点的点标识符，表示邻域点的权值，且L_z,j表示噪点z的邻域点与噪点z的两坐标点之间的欧式距离，从而得到噪点z所对应的参考点的新的信号强度向量；

104：采用K均值聚类对位置指纹库进行聚类处理，并判断各类簇的群数是否不超过群数阈值，若是，则保存当前类簇，否则继续对得到的类簇进行K均值聚类处理，直到得到的类簇的群数不超过群数阈值，从而得到构建好的位置指纹库；

实时定位匹配步骤：

201：采集待定位点处的m组接收信号强度值，得到待定位点的信号强度向量RSSI_t；

202：基于差值的加权K近邻法在位置指纹库中获取待定位点的匹配结果：

将待定位点的信号强度向量RSSI_t中的各分量减去RSSI_t中的最小分量，得到差值向量ΔRSSI_t；

将RSSI_t或ΔRSSI_t与保存的类簇的各聚类中心进行相似度匹配(信号强度向量间的欧式距离越小则相似度越高)，查找相似度最高的类簇；

基于差值向量ΔRSSI_t，在相似度最高的类簇中查找相似度最高的前K个位置指纹，采用加权K近邻算法对K个位置指纹对应的位置坐标进行加权相加，得到定位点的定位坐标；

203：对定位相对坐标进行经纬度坐标转换，得到待定位点的位置信息。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

(1)指纹采集精度提升：现有的方法在指纹采集过程中，只是简单的进行RSSI信息采集来构建位置指纹库；本发明中对RSSI信息进行了高斯滤波和均值滤波，有效提高了采集的RSSI信息的准确性。

(2)位置指纹库密度增强：现有的方法在构建位置指纹库时，只是简单的通过人工采集的方式进行构建，一旦位置指纹库的密度要求提高，其构建工作量将会大量增加；本发明采用多项式曲面拟合的方式，在原有位置指纹库密度较小的情况下，通过数据拟合的方式增加数据库中的指纹数量，达到增加位置指纹库密度的目的，进而提高位置指纹定位算法的定位精度。

(3)有效去除位置指纹库中的噪点，使位置指纹库中的指纹精准度更高，从而为定位算法的在线定位阶段提供高精度的数据支持。

(4)定位效率提升：在现有的方法中，对于位置指纹库的匹配时逐个进行匹配，其从位置指纹库匹配过程的时间复杂度为O(n)；而本发明中，通过K-means聚类算法对位置指纹库进行聚类分析后，通过先匹配聚类中心，再匹配类簇的方式，可将定位过程的时间复杂度降低到O(logn)。

(5)有效消除设备误差：通过不同设备之间RSSI的差值一致性对指纹匹配过程的算法进行改进，有效地降低了设备差异性带来的定位误差。

附图说明

图1为位置指纹定位原理图；

图2为8邻域区域图；

图3为定位环境平面图；

图4为位置指纹库构建流程图；

图5为在线定位流程图；

图6为RSSI信息采集图；

图7为K近邻法(KNN)误差分布图；

图8为加权K近邻法(WKNN)误差分布图；

图9为本发明方法的误差分布图；

图10为定位误差对比图；

图11为累计误差分布图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。

本发明通过信号强度采集优化、位置指纹库密度优化、位置指纹库精度优化、定位效率优化、设备误差优化来提升现有位置指纹算法的室内定位的定位精度和定位处理效率。

在位置指纹库的构建过程中，因为采集到的信号强度信息具有时变性，因此，本发明在具体实现时可采用滤波的方法对采集RSSI信息进行处理，以过滤其中的误差信息，提高采集信息的准确性。因在相同位置上测量得到的信号强度的分布符合高斯分布模型。故对于任一参考点处的RSSI向量RSSI＝(rssi₁,rssi₂,rssi₃,…,rssi_m)，其任一分量(rssi_i,i＝1,…,m，m表示AP数目)的分布符合高斯分布模型，其中m表示无线接入点的数目，即RSSI向量的分量数。

在统计学中，置信区间表示对样本所构造的总体参数值的估计区间，置信区间的可信度由置信水平决定。对于参考点处信号强度(采集的单个AP的信号强度值rssi)的高斯分布，其置信区间和置信水平的关系为：P{X₁＜rssi＜X₂}＝1-α，其中，X₁表示置信区间的下界，X₂表示置信区间的上界，1-α表示rssi处于置信区间(X₁，X₂)内的置信水平。

参考点处的信号强度的置信区间表示参考点处的样本在总体参数的某个区间上的估计，选择合理的置信区间可以真实的反应信号强度的变化范围。对于置信区间范围以外的信号强度，则认为出现该信号强度的事件是一个小概率事件，同时，对于参考点处的信号强度的采集来说，置信区间以外的样本超出了正常的误差范围，会严重影响采样的结果，因此，本发明对置信区间以外的样本进行剔除。本具体实施方式中，将置信区间的上下界设置为(μ-1.96σ，μ+1.96σ)，不在置信区间范围内的样本则认为是粗大误差，并予以剔除。根据该边界设置，对于采集的单个AP的信号强度值rssi，当|rssi-μ|＞1.96σ时，则剔除本次采集的信号强度值，其中σ表示高斯分布的标准差，μ表示高斯分布的均值。

接着再采用均值处理的方式对过滤后的信号强度进行平滑处理，例如采用均值处理方式进行平滑处理，得到平滑处理结果其中T为任意参考点对同一无线AP的采样数，经过平滑处理后将得到的信号强度作为参考点处位置指纹的信号强度添加到位置指纹库中，从而提高信号强度的精准度，保障位置指纹库构造过程中位置指纹的可靠性。

在位置指纹定位算法中，位置指纹库中位置指纹的密度越大，定位算法的定位精度就越高。位置指纹库的指纹密度由单位面积内的采样点个数决定，采样点个数越多，指纹密度越大，因此，通过增加位置指纹库中的采样点个数可以提高位置指纹库的指纹密度，从而实现对位置指纹定位算法的优化，但是，随着位置指纹库中位置指纹密度的提升，位置指纹库中的采样点个数将大量增加，其构建工作量将呈指数增长。

在不增加位置指纹库构建工作量的基础上，本发明采用数据拟合的方式增加位置指纹库的指纹密度，根据已知的位置指纹信息拟合出新的位置指纹信息，并将其添加到位置指纹库中，从而达到增加位置指纹库密度的目的。因无线信号强度在空间中的变化呈连续性，因此，本具体实施放手中，根据已知位置指纹对应的信号强度值，采用多项式曲面拟合的方式对空间中无线信号强度的分布曲面进行拟合，根据拟合出的曲面方程计算出新的采样点的信号强度值，结合新的采样点处的坐标和信号强度值，完成一组新的位置指纹的构造。通过拟合出的信号强度分布曲面方程可以计算得到大量的新的位置指纹，并将其加入到位置指纹库中，从而提升位置指纹库的指纹密度。

在采用多项式曲面拟合的方式提高位置指纹库的密度时，因为拟合出的结果与真实值之间有可能存在一定的差异，其会导致位置指纹库中引入一些噪点，因此，有必要对提升了密度的位置指纹库进行去噪处理，以提高位置指纹中位置指纹的准确性，为位置指纹定位算法提供精准的数据支持。因信号强度在空间中的分布呈连续性和邻近相似性，因此，本发明采用邻域均值滤波算法来对位置指纹库进行去噪处理。邻域均值滤波算法的核心思想是使用噪点邻近区域的点的均值来代替噪点，从而达到去除噪点的目的。邻域均值滤波算法中通常会涉及到邻域的选择问题，常用的包括4邻域、8邻域等，在对位置指纹库进行处理时，本发明优选8邻域。在使用邻域均值滤波算法进行位置指纹库去噪时，噪点的判断是去噪算法的关键。根据空间中无线信号强度分布的连续性和邻近相似性，本发明根据邻近点之间位置指纹的相似度来判断噪点。空间中相邻的点之间的位置指纹应具有很高的相似度，当相邻点之间存在噪声点时，其位置指纹之间的相似度就会有所降低，其中，相邻点之间位置指纹的相似度通过RSSI向量之间的欧式距离来衡量，欧氏距离越短，表示位置指纹之间的相似度越高。

在邻域均值滤波算法中，噪点判断的规则为：当中心点与其邻域点之间的平均相似度大于邻域点与其所对应邻域点之间的平均相似度时，则认为中心点是一个噪声点，如图2所示，待处理的点为中心点c，中心点的8邻域由x₁～x₈所对应的点表示，中心点与其邻域点之间的平均相似度为：其中，P表示c的邻域点个数(即对于8领域来说，则P＝8)，表示c点和x_i点之间RSSI向量的欧式距离。

中心点的邻域点与邻域点所对应的邻域点之间的平均相似度为：其中，表示x_i点所对应的邻域点的个数，其中邻域点中不包含点c，表示x_i点和点之间RSSI向量的欧式距离。

在求得中心点的所有邻域点与其对应的邻域点之间的平均相似度之后，再对得到的所有结果进行均值处理，得到c的所有邻域点的平均相似度的均值：

当时，则认为c点为噪点，记为噪点z，并采用反距离加权插值法来计算噪点处的信号强度值：其中噪点z的邻域点权值i＝1,…,m，L_z,j表示噪点z的邻域点x_z,j与噪点z的两坐标点之间的欧式距离，从而得到该噪点处的新的RSSI向量RSSI_z＝(rssi_z,1,rssi_z,2,…,rssi_z,m)。

反距离加权插值法根据中心点与邻域点之间的位置关系，以加权的方式反映出不同的邻域点对中心点的影响，从而更准确的计算出中心点的内插值。相比于普通的均值处理，反距离加权插值法通过加权的方式来精准控制邻域点对中心插值点的影响，使计算结果更加准确。位置指纹库经过去噪处理后，位置指纹将具有很高的精准性，保证了在在线定位阶段，位置指纹库为定位其提供精准的数据支撑。

在使用位置指纹定位算法进行在线定位时，需要将测量得到的RSSI向量同位置指纹库中位置指纹所对应的RSSI向量进行逐一匹配。其中，RSSI向量之间的相似度由RSSI向量之间的欧式距离来衡量。因位置指纹库的位置指纹密度越大，定位算法的定位准确度越高。因此，为了提高位置指纹定位算法的定位精度，位置指纹库中通常存放有大量的位置指纹信息，逐一地对于位置指纹进行匹配会导致定位过程花费的时间过长，从而影响位置指纹定位算法的定位效率。对于位置指纹库中的大量指纹信息，本发明引入聚类的思想对位置指纹库进行聚类划分，以提高位置指纹定位算法的匹配效率，从而提高定位算法的定位效率。在离线训练阶段，聚类算法将位置指纹库中所有的位置指纹划分为N个类簇，对于划分出的类簇，如果类簇中仍然有大量位置指纹数据，则再对该类簇进行进一步聚类，直到细分出的类簇中的位置指纹个数相对较少，即不超过预设数量阈值；在位置指纹定位算法的在线定位阶段，将定位点的RSSI向量同每个类簇中心的位置指纹进行匹配，选出与定位点相似度最高的类簇。对于筛选出的类簇，如果该类簇进行了进一步的聚类划分，采用上述方法继续对该类簇划分出的聚类中心进行匹配，直到筛选出的类簇中不再进一步细分，则对筛选出的类簇中的位置指纹进行逐个匹配，选择出其中匹配度最高的前K个位置指纹，将其对应坐标进行加权求得定位的结果。使用聚类的思想对位置指纹库进行优化后，可将在线定位阶段的定位时间复杂度由o(n)降低到o(logn)，从而显著地提高定位算法的效率。将聚类的思想引入位置指纹定位算法后，虽然位置指纹库的聚类过程会消耗大量的时间资源和计算资源，但聚类过程由位置指纹库所在的服务器在离线训练阶段完成，因此，聚类过程不会对在线定位阶段的定位效率造成影响。

在聚类算法中，基于划分的聚类算法包括K-means聚类算法、K-medoids聚类算法、Clarans聚类算法等。本具体实施方式中，采用K-means聚类算法，其聚类的核心思想是通过对K个聚类划分方案的不停迭代，使得用这K个聚类划分方案的均值来代表相应各类样本时，所得的总体误差最小。在位置指纹定位算法中，使用K-means聚类算法对位置指纹库进行分类，可有效地减少定位过程中RSSI向量之间的匹配次数，加速匹配过程，达到提高定位效率的目的。在完成位置指纹库的采集、拟合和去噪工作后，便可使用K-means聚类算法进行聚类划分：

(1)在位置指纹库中随机选取K个样本作为K个聚类的初始中心点。

(2)计算位置指纹库中每个样本与K个聚类中心点之间的欧式距离，将样本划分到与其欧氏距离最短的类簇中，该算法中的欧式距离为RSSI向量之间的欧式距离。

(3)根据归类到类簇中的位置指纹样本，使用均值法重新计算K个聚类的中心点。

(4)重复(1)(2)(3)步骤，直到迭代收敛(中心点位置不发生变化或迭代到指定次数等)，从而完成对位置指纹库的K划分。

位置指纹库在位置指纹定位算法的离线训练阶段和在线定位阶段，都会涉及到使用终端采集RSSI信息，但不同阶段和不同用户所使用的智能终端都可能存在差异，而异类终端的无线网卡在相同位置所采集的RSSI信息可能存在很大差异，同时，不同无线网卡的天线增益也会让测量结果产生差异。因此，采用不同种类的智能终端进行定位时，定位的结果会因智能终端的不同而改变，从而影响到定位的准确性。针对该技术问题，本具体实施方式中，采用基于RSSI差值的加权K近邻算法进行定位，相比于普通的加权定位算法，该算法能够消除设备的差异性带来的定位误差，有效提高定位算法的准确性和可靠性。

基于RSSI差值的加权K近邻算法是对加权K近邻算法的改进，其主要区别体现在对RSSI向量的处理上，即对终端采集的RSSI进行差值处理，将RSSI向量中的各分量减去RSSI向量中的最小分量rssi_min，得到ΔRSSI＝(rssi₁-rssi_min,rssi₂-rssi_min,rssi₃-rssi_min,…,rssi_n-rssi_min)，因为在异类终端采集的RSSI中，各分量之间的差值保持一致，因此，异类终端在同一定位节点得到的ΔRSSI将保持一致，基于ΔRSSI进行位置指纹定位就可以有效地消除终端差异性带来的误差。在使用基于RSSI差值的加权K近邻算法进行位置指纹匹配时，使用ΔRSSI向量进行匹配，筛选出位置指纹库中相似度最高的前K(本发明中，K-means聚类算法中的K的取值与此处的K并无关联关系，仅泛指预置的常量)个位置指纹，采用加权K近邻算法对K个位置指纹对应的位置坐标进行加权相加，最终得到定位点的定位坐标。

实施例

本实施例在一个约84m²的室内环境中进行，其中，室内环境中部署有4个AP，，并且在室内环境中选取了25个点作为参考点来构建位置指纹库，相邻参考点之间的距离为2m，参见图3，4个AP的部署位置如图3所示，其中包括两台TP_LINK TL-WR886N路由器、一台TP_LINK TL-WR740N路由器和一台Tenda 811R路由器。位置指纹库

为了实现对任意定位点的实时定位处理，首先在离线状态下构建位置指纹库，参见图4，其具体过程如下：

(1)设置位置指纹采集方案。

本实施例中采用配备有网络适配器的无线笔记本电脑作为信号强度的采集终端，以及使用WirelessMon、SPSS Statistics、MATLAB等软件进行RSSI信息采集和数据处理，其中，WirelessMon用于采集4个AP的RSSI信息，SPSS Statistics用于完成对位置指纹库的K均值聚类，MATLAB用于对信号强度的分布曲面进行多项式曲面拟合。

(2)采集n组RSSI信息，每组包括m个不同AP的信号强度值，即得到n组RSSI向量。

由WirelessMon软件采集室内4个AP节点的RSSI信息(n为预设的参考点数量)，图6展示了使用WirelessMon软件进行RSSI信息采集的过程，图中X轴表示时间，Y轴表示信号强度，单位为dBm。

(3)高斯滤波去除粗大误差。

由图6可知，采集到的rssi值在-60dBm和-80dBm之间上下波动，可以看出信号强度具有时变性，故对其进行高斯滤波处理：当采集到的单个rssi值满足|rssi-μ|＞1.96σ时，则剔除本次采集的信号强度值。

(4)均值滤波平滑RSSI信息。

对步骤(3)得到的RSSI信息进行均值平滑处理。

(5)将RSSI信息和位置信息组合成位置指纹：(x_k,y_k):(rssi_k,1,rssi_k,2,…,rssi_k,n)；并将其添加到位置指纹到位置指纹库中。

(6)重复(2)～(5)直到完成参考点采集工作。

(7)数据拟合增加位置指纹库密度。

采用MATLAB的Curve Fitting工具箱对位置指纹库中的RSSI向量中的各分量进行多项式曲面拟合，例如将拟合曲面的决定系数(R方)为0.85。在拟合出RSSI向量中各分量的信号强度分布曲面图后，可以得到信号强度分布的曲面方程，根据曲面方程可以计算得到实施例中不同位置对应的RSSI信息，将不同位置的坐标和对应的RSSI信息进行组合，便拟合出新的位置指纹数据，通过构建多组位置指纹数据并将其添加到位置指纹库中，便可完成位置指纹库中指纹数量的增加工作，从而提升位置指纹库的指纹密度。本实施例中，经过数据拟合过程后，位置指纹库中的位置指纹数量由原来的25组增加到了79组，位置指纹库的指纹密度提高了3倍以上。

(8)邻域滤波法筛选位置指纹库噪点。

设置邻域方式8邻域，遍历位置指纹库中的每个参考点，将当前参考点作为中心点c，并计算中心点c与其邻域点之间的平均相似度以及中心点c的所有邻域点的平均相似度的均值若则将当前中心点c记为噪点z。

(9)反距离加权插值法更新噪点的RSSI信息。

(10)K均值距离对位置指纹库进行分类，从而得到构建好的位置指纹库。

采用SPSS Statistics作为工具对位置指纹库中的79组位置指纹进行K均值聚类，将所有的位置指纹划分为8个类簇，其中每个聚类中的聚类成员个数如表1所示，每个类簇的聚类中心如表2所示。

表1

聚类	1	2	3	4	5	6	7	8
									个数	18	10	7	15	9	6	6	8

表2

在构建完成位置指纹库后，则可基于任意定位点采集的RSSI信息实时计算并输出该定位点的位置坐标信息，参见图5，其包括下列过程：

(1)采集待定位点处的m组rssi值，得到待定位点的RSSI向量。

本实施例中，在待定位区域内任意选取了51个点作为待定位点(测试点)，对本发明的定位性能进行测试。

首先，使用测距工具对51个待定位点与位置指纹库基准点之间的相对坐标进行测量后，得到了51个待定位点的真实相对坐标。然后，使用WirelessMon采集工具对51个待定位点处的RSSI信息进行采集，得到各待定位点的RSSI向量。

(2)采用均值滤波法对待定位点的RSSI向量进行平滑处理。

(3)基于差值的加权K近邻法匹配位置指纹库。

(4)获得待定位点的相对位置坐标。

(5)对定位相对坐标进行经纬度坐标转换，得到待定位点的位置信息。

为了验证本发明的定位想宁，通过将计算得到的相对位置坐标与实际测量的相对位置坐标进行对比，从而完成对定位优化方案的精度分析。

(1)定位误差分布曲面图分析。

图7、8和9分别为未优化的K近邻算法、未优化的加权K近邻算法和本发明的优化后的定位方案在本实施例中的误差分布曲面图，其中定位误差采用绝对误差进行衡量。图中，X轴和Y轴表示位置坐标，单位为cm，Z轴表示误差距离的大小，单位为cm。图7、8和9分别展示了不同定位方法中误差的分布情况，通过对三图进行分析得出：本发明的优化后的定位方案的整体定位误差波动小，整体误差维持在一个相对较低的水平，相比于未优化的K近邻算法和未优化的加权K近邻算法，优化后的定位方案定位精度更优。

(2)定位误差对比图分析。

图10为未优化的K近邻算法、未优化的加权K近邻算法和本发明的优化后的定位方案之间的误差对比图，其中，X轴表示用于测试的定位点的编号，Y轴表示定位点对应的定位误差。从图中分析可得，优化后的定位方案的最大误差小于两种未优化的定位算法。同时，对三种定位方式的定位误差数据进行均值处理得出，未优化的K近邻算法的平均定位误差为252.86厘米，未优化的加权K近邻算法的平均定位误差为251.67厘米，优化后的定位方案的平均定位误差为196.57厘米，相比于未优化的K近邻算法和未优化的加权K近邻算法，优化后的定位方案的定位精度分别提升了22.26％和21.89％。

(3)累计误差分布图分析

图11为未优化的K近邻算法、未优化的加权K近邻算法和本发明的已优化定位方案之间的误差累计分布图，其中，X轴表示误差距离，Y轴表示误差距离所对应的累计概率。从图中分析得出，在优化后的定位方案的定位结果中，有49.02％的结果落在200厘米的误差范围内，有88.24％的结果落在300厘米的误差范围内，有100％的结果落在400厘米的误差范围内，相比于优化后的定位方案，未优化的K近邻算法的这一数据为33.34％、68.63％和84.31，未优化的加权K近邻算法的这一数据为31.38％、64.71％和86.27％，分析数据可得，优化后的定位方案的整体定位误差优于两种未优化的定位算法。

(4)定位效率分析

表3中对定位算法在位置指纹库进行聚类划分前后的定位效率进行了对比，分析表中的数据可得，对位置指纹库进行聚类划分后，定位算法的定位效率远高于聚类划分前的定位效率，在位置指纹库规模越大的情况下，定位效率的优势越明显。

综上，本发明从信号强度采集、位置指纹库密度、位置指纹库精度、定位效率和定位误差五个方面入手，实现了对位置指纹定位算法的优化，完成了对定位精度和定位效率的双重优化。实验结果表明，优化后的定位方案的平均定位误差为196.57厘米，相比于普通的K近邻算法和加权K近邻算法，优化后的定位方案的在定位精度方面提高了22.26％和21.89％；相比于位置指纹库未聚类的位置指纹定位算法，优化后的定位方案将定位过程的时间复杂度由O(n)降低到了O(logn)，在位置指纹库规模很大的情况下，其定位效率方面将具有很大的优势。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (3)

1.基于位置指纹算法的室内定位优化方法，其特征在于，包括下列步骤：

构建位置指纹库步骤：

101：在待定位区域部署m个无线接入设备，设置n个参考点，并记录各参考点的位置信息；

102：多次采集每个参考点对每个无线接入设备的接收信号强度值rssi，在每次采集时，若当前采集到的rssi满足|rssi-μ|＞1.96σ，则剔除当前采集到的rssi，其中σ、μ分别表示接收信号强度的高斯分布的标准差和均值；

并对多次采集结果进行均值滤波平滑处理，得到每个参考点对每个无线接入设备的接收信号强度值，记为rssi_k,i，其中k为参考点标识符，i为无线接入设备标识符；由同一参考点的m组接收信号强度值构成该参考点的信号强度向量，记为RSSI_k＝(rssi_k,1,rssi_k,2,…,rssi_k,n)，将各参考点的信号强度向量和位置信息组合成位置指纹并保存到位置指纹库中；

103：对位置指纹库进行密度增强处理：

通过多项式曲面拟合的方式增加数据库中的位置指纹；

再对增加后的数据库进行邻域滤波法筛选位置指纹库噪点：遍历位置指纹库中的每个参考点，将当前参考点作为中心点c，并基于中心点c的P邻域，计算中心点c与各邻域点x_p之间的平均相似度其中P为预设的邻域数，下标p为邻域点x_p的点标识符，表示中心点c和邻域点x_p之间的信号强度向量的欧式距离；以及将各邻域点x_p的P邻域中的中心点c剔除，得到各邻域点x_p的个邻域点下标j为邻域点的点标识符，再计算各邻域点x_p的平均相似度其中表示点x_p与点之间的信号强度向量的欧式距离，从而得到中心点c的所有邻域点的平均相似度的均值若则将当前中心点c记为噪点z；

基于各噪点z的P邻域的接收信号强度值更新噪点z的接收信号强度值rssi_z,i为：其中表示噪点z的邻域点对第i个无线接入设备的接收信号强度值，其中，j表示邻域点的点标识符，表示邻域点的权值，且L_z,j表示噪点z的邻域点与噪点z的两坐标点之间的欧式距离，从而得到噪点z所对应的参考点的新的信号强度向量；

104：采用K均值聚类对位置指纹库进行聚类处理，并判断各类簇的群数是否不超过群数阈值，若是，则保存当前类簇，否则继续对得到的类簇进行K均值聚类处理，直到得到的类簇的群数不超过群数阈值，从而得到构建好的位置指纹库；

实时定位匹配步骤：

201：采集待定位点处的m组接收信号强度值，得到待定位点的信号强度向量RSSI_t；

202：基于差值的加权K近邻法在位置指纹库中获取待定位点的匹配结果：

将待定位点的信号强度向量RSSI_t中的各分量减去RSSI_t中的最小分量，得到差值向量ΔRSSI_t；

将RSSI_t或ΔRSSI_t与保存的类簇的各聚类中心进行相似度匹配，查找相似度最高的类簇；

其中相似度匹配为：信号强度向量间的欧式距离越小则相似度越高；

基于差值向量ΔRSSI_t，在相似度最高的类簇中查找相似度最高的前K个位置指纹，采用加权K近邻算法对K个位置指纹对应的位置坐标进行加权相加，得到定位点的定位坐标；

203：对定位相对坐标进行经纬度坐标转换，得到待定位点的位置信息。

2.如权利要求1所述的方法，其特征在于，邻域方式优选为8邻域。

3.如权利要求1或2所述的方法，其特征在于，所述参考点为：对室内平面图进行网格划分，将网格点作为参考点。