CN108616836A - 一种基于信号统计分布的wlan定位组网方法 - Google Patents

Abstract

本发明所述一种基于信号统计分布的WLAN定位组网方法，首先考虑各接入点(Access point,AP)之间的相关性，计算出信号在参考点的概率密度函数；其次，利用概率密度函数计算出不同的信号矢量在参考点出现的概率，并且结合参考点的位置先验概率，计算参考点的加权概率；然后，计算参考点的平均定位精度，从而得出目标区域的平均定位精度；最后，利用模拟退火算法对目标区域中的AP位置进行优化。本发明所提供的一种基于信号统计分布的WLAN定位组网方法，可以合理选择AP位置，避免AP布置的盲目性。

Description

一种基于信号统计分布的WLAN定位组网方法

技术领域

本发明属于室内定位技术，具体涉及一种基于信号统计分布的WLAN定位组网方法。

背景技术

随着无线通信技术的迅猛发展以及移动设备的广泛普及，人们对于位置服务的需求不 断增长，这给位置服务带来了前所未有的发展空间。现如今，以全球定位***(GlobalPositioning System,GPS)为代表的室外定位***能够实现实时且可靠的室外定位。然而，由 于室内环境的复杂性以及建筑物等对信号的遮挡，室外定位***在室内的定位性能急剧下 降，难以满足人们的定位需求。因此，室内定位***成为了众多学者研究的热点。目前，室 内定位***采用的主流定位技术主要包括射频识别(Radio FrequencyIdentification,RFID)定位 技术、超宽带(Ultra Wideband,UWB)定位技术、WLAN(Wireless Local Area Network,WLAN) 室内定位技术、Zigbee室内定位技术、可见光室内定位技术等，其中，由于无线局域网部署 广泛、成本低廉，WLAN室内定位技术得到了广泛的应用。

WLAN室内定位技术所采用的定位方法主要有基于到达角度(Angle of Arrival,AOA)定 位方法、基于飞行时间(Time of Flight,TOF)定位方法、基于接收信号强度(Received Signal Strength,RSS)定位方法。基于RSS的室内定位方法凭借RSS易获取且精度较高等优点成为 了主要的室内定位方法之一。传统的RSS测距方法易受室内复杂环境的影响，定位性能较 差。基于位置指纹的定位方法可以很好的刻画目标环境，达到较高的定位精度。基于位置指 纹的定位方法主要包括离线阶段和在线阶段。离线阶段在每个参考点上采集RSS，建立物理 坐标与信号强度的映射关系，从而构建位置指纹数据库；在线阶段实时采集RSS，并将其数 据库进行对比，完成对目标位置的结算。

在构建位置指纹数据库时，需要在目标环境中布置若干个无线接入点(AccessPoint, AP)，但是盲目的布置AP不仅消耗大量的人力物力，并且不能提高定位精度。为了寻找一 种合理布置AP的方法，有必要开发一种基于信号统计分布的WLAN定位组网方法。

发明内容

本发明的目的是提供一种基于信号统计分布的WLAN定位组网方法，该方法能够合理 选择AP位置，避免AP布置的盲目性。

本发明所述的一种基于信号统计分布的WLAN定位组网方法，包括以下步骤：

步骤一、选择待定位目标区域；

步骤二、确定目标区域中所有WLAN接入点的位置，在目标区域中布置m个AP，即AP₁，AP₂，...，AP_m；

步骤三、确定目标区域中所有参考点的位置，在目标区域中选定n个RP，即RP₁，RP₂，...，RP_n；

步骤四、计算第i个RP与第j个AP物理空间的欧式距离其中，(x_i,y_i)为第i个RP的位置坐标，(x_j,y_j)为第j个AP的位置坐标；

步骤五、令RSS服从高斯分布，并考虑各个AP之间的相关性，计算在第i个RP处测得的RSS的概率密度函数；

步骤六、计算第q个RSS矢量R_q＝[r₁ r₂ … r_m]^T(1≤q≤Q)在第i个参考点出现的概率 值p_i1，其中r_i(1≤i≤m)为第i个参考点接收到的来自第j个AP的RSS值，Q为所有可能的RSS矢量的个数；

步骤七、计算第i个参考点的位置先验概率p_i2；

步骤八、计算RSS矢量R_q在第i个RP处出现的加权概率p_i＝p_i1×p_i2；

步骤九、计算第i个参考点的平均定位精度；

步骤十、计算目标区域的平均定位精度；

步骤十一、将目标区域的平均定位精度e作为模拟退火算法的目标函数，通过该算法寻 找目标函数的最优解，即使e值最小，从而得到最优的AP摆放位置；

步骤十二、算法结束，返回最优的AP位置坐标。

所述步骤五中，令RSS服从高斯分布，并考虑各个AP之间的相关性，计算在第i个RP处测得的RSS的概率密度函数，包括以下步骤：

5a、假定信号的传播模型符合对数正态路径损耗模型，则第i个参考点接收到的来自第 j个接入点的信号强度值P_ij的表达式为：

其中，d₀为参考距离，取d₀＝1m；P(d₀)为参考点处的功率；γ为路径损耗指数，反应了信号强度的损耗与传播距离之间的关系；d_ij为第i个参考点到第j个AP的的欧氏距 离，ζ为服从高斯分布N(u,σ²)的随机噪声；

5b、在第i个参考点分别采集10000个来自m个AP的RSS值，共10000×m个RSS 值，用矩阵R_i表示为：

5c、利用步骤5b得到的矩阵R_i计算协方差矩阵C为：

其中，c_jj(1≤j≤m)为来自第j个AP的RSS值的方差，c_jk(1≤k≤m,j≠k)为来自第j个AP和第k个AP的RSS值的协方差；

5d、定义X＝(x₁,x₂,...,x_m)^T为在第i个RP处测得的RSS矢量，其中x_i(1≤i≤m)为来自第j个AP的RSS值，计算在第i个RP处测得的RSS的概率密度函数f_i(X)为：

其中，U_i＝(μ₁,μ2,...,μ_m)^T为在第i个RP处接收到的来自m个AP的RSS值的均值矢量。

所述步骤六中，计算一组RSS矢量在第i个参考点出现的概率值，包括以下步骤：

6a、确定RSS矢量的积分邻域δ(δ＞0)；

6b、RSS矢量在第i个RP处出现的概率为：

所述步骤七中，计算第i个参考点的位置先验概率p_i2，包括以下步骤：

7a、设定家具周围的物理环境为感兴趣区域，障碍物为不可达区域；将目标区域的地图 转换为像素宽度为η的图像；初始化k＝1，k为计数量；

7b、设定起点A与终点B；将A设置为待处理方格T；

7c、将T存入开启列表，开启列表是一个待检查方格列表；

7d、从开启列表删除T，并将T加入关闭列表，关闭列表存放的是不需要再次检查的方 格；对于T的可达邻接方格，检查其是否已在开启列表中，若是，则进入步骤7e；若否， 则进入步骤7f；

7e、计算T到其邻接方格的欧氏距离d，T到起点A的欧氏距离G，邻接方格到起点A的欧氏距离G′，若G+d＜G′，则将T设为邻接方格的父方格，且代价函数的值为 F＝G+H+d，H为邻接方格到终点B的曼哈顿距离；

7f、将T的邻接方格放入开启列表，设置T为其父方格；计算代价函数F＝G+H，其中，G为邻接方格到起点A的欧氏距离；

7g、从开启列表中选择使代价函数值F最小的方格C，将C存入路径trace_k，判断C是否等于终点B，若是，进入步骤7h，若否，将C设置为待处理方格T，进入步骤7c；

7h、得到仿真路径trace_k，判断k是否小于等于路径条数K，若是，k＝k+1，返回步骤7b；若否，路径仿真结束，得到K条仿真路径；

7i、将目标区域划分为五个子区域；观测仿真得到的K条路径，统计每个子区域的位置 先验概率；假设每个子区域中参考点等概出现，则根据参考点所属子区域的先验概率，得到 每个参考点的位置先验概率p_i2。

所述步骤九中，计算第i个参考点的平均定位精度，包括以下步骤：

9a、计算RSS矢量R_q在所有参考点出现的加权概率p₁,p₂,...p_n，并找出其出现的最大 加权概率：

p_max＝max(p₁,p2,...,p_n)；

记录下最大加权概率p_max所对应的参考点的物理坐标；

9b、计算第i个参考点到RSS矢量R_q出现加权概率最大的点的欧氏距离；

9c、取不同的RSS矢量，依次重复步骤六，步骤七与步骤八，得到所有可能的RSS矢量在第i个参考点出现的加权概率，加权概率矢量P_i为：

其中，Q为所有可能的RSS矢量的个数；为第q个RSS矢量在第i个参考点出现的加权概率；

9d、重复步骤9a及9b，在所有可能的RSS取值条件下，计算第i个参考点到RSS出现加权概率最大的点的距离矢量：

其中，为第i个参考点到第q个RSS矢量出现加权概率最大的点的欧氏距 离；

9e、利用步骤9c与步骤9d得到的加权概率矢量和距离矢量，得到第i个参考点的平均 定位精度为：

e_i＝P_i×D_i。

所述步骤十一中，将目标区域的平均定位精度e作为模拟退火算法的目标函数，通过该 算法寻找目标函数的最优解，即使e值最小，从而得到最优的AP摆放位置，包括以下步骤：

11a、对模拟退火算法所涉及的参数进行初始化，即设置初始温度T₀，温度下降率λ， 迭代次数L，温度下限T_min；

11b、初始化l＝1，T＝T₀，设置初始解状态w，并计算当前解状态下目标函数的值 f(w)；

11c、随机将待选AP位置坐标与初始解中某一AP位置坐标进行替换，得到新解w^*，并计算f(w^*)；

11d、计算Δf，Δf＝f(w^*)-f(w)；

11e、若Δf＜0，则接收w^*作为当前解；否则，计算并且生成一个0到1之间的随机数，判断是否大于该随机数，是，则接受w^*作为当前解，然后进入 步骤11f；否，则直接进入步骤11f；

11f、判断算法是否达到迭代次数L，是，则进入步骤11g；否，则l＝l+1，进入步骤11c；

11g、判断算法当前温度T是否大于温度下限T_min，是，则进入步骤11h；否，则进入步骤十二；

11h、令当前温度T＝T×λ，迭代次数l＝1，进入步骤11c。

有益效果

本发明考虑了AP之间的相关性，结合对数正态路径损耗模型，更加准确地刻画了参考 点处的RSS分布。在此基础上，结合参考点的位置先验概率，计算参考点的加权概率，从 而得到每个参考点的平均定位精度，最终得到目标区域的平均定位精度；并将其作为模拟退 火算法的目标函数，得到最合理的AP布置位置，以实现AP位置优化，并且在合理布置AP 位置的同时，保证了较高的室内定位精度。本发明能够运用于无线电通信网络环境，所提供 的方法能够合理的选择AP位置。

附图说明

图1为本发明中步骤一至步骤十二的流程图；

图2为本发明选定的目标区域以及参考点位置；

图3为路径仿真结果；

图4为子区域划分结果；

图5a为单AP放置在目标区域5个位置时，目标区域所有参考点定位精度的箱线图；

图5b为两个AP放置在目标区域5个位置时，目标区域所有参考点定位精度的箱线图；

图6a为单AP情况下，模拟退火算法的优化结果；

图6b为两个AP情况下，模拟退火算法的优化结果。

具体实施方案

下面结合附图对本发明作进一步说明。

本发明提供的一种基于信号统计分布的WLAN定位组网方法，包括以下步骤：

步骤一、选择待定位目标区域。

步骤二、确定目标区域中所有WLAN接入点的位置，在目标区域中布置m个AP，即AP₁，AP₂，...，AP_m。

步骤三、确定目标区域中所有参考点的位置，在目标区域中选定n个RP，即RP₁，RP₂，...，RP_n。

步骤四、计算第i个RP与第j个AP物理空间的欧式距离其中，(x_i,yi)为第i个RP的位置坐标，(x_j,y_j)为第j个AP的位置坐标。

步骤五、令RSS服从高斯分布，并考虑各个AP之间的相关性，计算在第i个RP处测得的RSS的概率密度函数，具体包括以下步骤：

5a、假定信号的传播模型符合对数正态路径损耗模型，则第i个参考点接收到的来自第 j个接入点的信号强度值P_ij的表达式为：

其中，d₀为参考距离，取d₀＝1m；P(d₀)为参考点处的功率；γ为路径损耗指数，反应了信号强度的损耗与传播距离之间的关系；d_ij为第i个参考点到第j个AP的的欧氏距 离，ζ为服从高斯分布N(u,σ²)的随机噪声。

5b、在第i个参考点分别采集10000个来自m个AP的RSS值，共10000×m个RSS 值，用矩阵R_i表示为：

5c、利用步骤5b得到的矩阵R_i计算协方差矩阵C为：

其中，c_jj(1≤j≤m)为来自第j个AP的RSS值的方差，c_jk(1≤k≤m,j≠k)为来自第j个AP和第k个AP的RSS值的协方差。

5d、定义X＝(x₁,x₂,...,x_m)^T为在第i个RP处测得的RSS矢量，其中x_i(1≤i≤m)为来自第j个AP的RSS值，计算在第i个RP处测得的RSS的概率密度函数f_i(X)为：

其中，U_i＝(μ₁,μ₂,...,μ_m)^T为在第i个RP处接收到的来自m个AP的RSS值的均值矢量。

步骤六、计算第q个RSS矢量R_q＝[r₁ r₂ … r_m]^T(1≤q≤Q)在第i个参考点出现的概率 值p_i1，其中r_i(1≤i≤m)为第i个参考点接收到的来自第j个AP的RSS值，Q为所有可能的RSS矢量的个数；具体步骤如下：

6a、确定RSS矢量的积分邻域δ(δ＞0)；

6b、RSS矢量在第i个RP处出现的概率为：

步骤七、计算第i个参考点的位置先验概率p_i2，具体步骤如下：

7a、设定家具周围的物理环境为感兴趣区域，障碍物为不可达区域；将目标区域的地图 转换为像素宽度为η的图像；初始化k＝1，k为计数量。

7b、设定起点A与终点B；将A设置为待处理方格T。

7c、将T存入开启列表，开启列表是一个待检查方格列表。

7d、从开启列表删除T，并将T加入关闭列表，关闭列表存放的是不需要再次检查的方 格；对于T的可达邻接方格，检查其是否已在开启列表中，若是，则进入步骤7e；若否， 则进入步骤7f。

7e、计算T到其邻接方格的欧氏距离d，T到起点A的欧氏距离G，邻接方格到起点A的欧氏距离G′，若G+d＜G′，则将T设为邻接方格的父方格，且代价函数的值为 F＝G+H+d，H为邻接方格到终点B的曼哈顿距离。

7f、将T的邻接方格放入开启列表，设置T为其父方格；计算代价函数F＝G+H，其中，G为邻接方格到起点A的欧氏距离。

7g、从开启列表中选择使代价函数值F最小的方格C，将C存入路径trace_k，判断C是否等于终点B，若是，进入步骤7h，若否，将C设置为待处理方格T，进入步骤7c。

7h、得到仿真路径trace_k，判断k是否小于等于路径条数K，若是，k＝k+1，返回步骤7b；若否，路径仿真结束，得到K条仿真路径。

7i、将目标区域划分为五个子区域；观测仿真得到的K条路径，统计每个子区域的位置 先验概率；假设每个子区域中参考点等概出现，则根据参考点所属子区域的先验概率，得到 每个参考点的位置先验概率p_i2。

步骤八、计算RSS矢量R_q在第i个RP处出现的加权概率p_i＝p_i1×p_i2。

步骤九、计算第i个参考点的平均定位精度，具体步骤如下：

9a、计算RSS矢量R_q在所有参考点出现的加权概率p₁,p₂,...p_n，并找出其出现的最大 加权概率：

p_max＝max(p₁,p₂,...,p_n)；

记录下最大加权概率p_max所对应的参考点的物理坐标。

9b、计算第i个参考点到RSS矢量R_q出现加权概率最大的点的欧氏距离。

9c、取不同的RSS矢量，依次重复步骤六，步骤七与步骤八，得到所有可能的RSS矢量在第i个参考点出现的加权概率，加权概率矢量P_i为：

其中，Q为所有可能的RSS矢量的个数；为第q个RSS矢量在第i个参考点出现的加权概率。

9d、重复步骤9a及9b，在所有可能的RSS取值条件下，计算第i个参考点到RSS出现加权概率最大的点的距离矢量：

其中，为第i个参考点到第q个RSS矢量出现加权概率最大的点的欧氏距 离。

9e、利用步骤9c与步骤9d得到的加权概率矢量和距离矢量，得到第i个参考点的平均 定位精度为：

e_i＝P_i×D_i。

步骤十、计算目标区域的平均定位精度：

步骤十一、将目标区域的平均定位精度e作为模拟退火算法的目标函数，通过该算法寻 找目标函数的最优解，即使e值最小，从而得到最优的AP摆放位置，目标函数表示为：

其中，w为AP位置坐标，算法执行具体步骤如下：

11a、对模拟退火算法所涉及的参数进行初始化，即设置初始温度T₀，温度下降率λ， 迭代次数L，温度下限T_min。

11b、初始化l＝1，T＝T₀，设置初始解状态w，并计算当前解状态下目标函数的值 f(w)。

11c、随机将待选AP位置坐标与初始解中某一AP位置坐标进行替换，得到新解w^*，并计算f(w^*)。

11d、计算Δf，Δf＝f(w^*)-f(w)；

11e、若Δf＜0，则接收w^*作为当前解；否则，计算并且生成一个0到1之间的随机数，判断是否大于该随机数，是，则接受w^*作为当前解，然后进入 步骤11f；否，则直接进入步骤11f。

11f、判断算法是否达到迭代次数L，是，则进入步骤11g；否，则l＝l+1，进入步骤11c。

11g、判断算法当前温度T是否大于温度下限T_min，是，则进入步骤11h；否，则进入步骤十二。

11h、令当前温度T＝T×λ，迭代次数l＝1，进入步骤11c。

步骤十二、算法结束，返回最优的AP位置坐标。

Claims (3)

1.一种基于信号统计分布的WLAN定位组网方法，其特征在于：包括以下步骤：

步骤一、选择待定位目标区域；

步骤二、确定目标区域中所有WLAN接入点的位置，在目标区域中布置m个AP，即AP₁，AP₂，...，AP_m；

步骤三、确定目标区域中所有参考点的位置，在目标区域中选定n个RP，即RP₁，RP₂，...，RP_n；

步骤四、计算第i个RP与第j个AP物理空间的欧式距离其中，(x_i,y_i)为第i个RP的位置坐标，(x_j,y_j)为第j个AP的位置坐标；

步骤五、令RSS服从高斯分布，并考虑各个AP之间的相关性，计算在第i个RP处测得的RSS的概率密度函数；

步骤六、计算第q个RSS矢量R_q＝[r₁ r₂ … r_m]^T(1≤q≤Q)在第i个参考点出现的概率值p_i1，其中r_i(1≤i≤m)为第i个参考点接收到的来自第j个AP的RSS值，Q为所有可能的RSS矢量的个数；

步骤七、计算第i个参考点的位置先验概率p_i2；

步骤八、计算RSS矢量R_q在第i个RP处出现的加权概率p_i＝p_i1×p_i2；

步骤九、计算第i个参考点的平均定位精度；

步骤十、计算目标区域的平均定位精度；

步骤十一、将目标区域的平均定位精度e作为模拟退火算法的目标函数，通过该算法寻找目标函数的最优解，即使e值最小，从而得到最优的AP摆放位置；

步骤十二、算法结束，返回最优的AP位置坐标。

2.根据权利要求1所述的一种基于信号统计分布的WLAN定位组网方法，其特征在于：步骤七中，计算第i个参考点的位置先验概率p_i2，包括以下步骤：

7a、设定家具周围的物理环境为感兴趣区域，障碍物为不可达区域；将目标区域的地图转换为像素宽度为η的图像；初始化k＝1，k为计数量；

7b、设定起点A与终点B；将A设置为待处理方格T；

7c、将T存入开启列表，开启列表是一个待检查方格列表；

7d、从开启列表删除T，并将T加入关闭列表，关闭列表存放的是不需要再次检查的方格；对于T的可达邻接方格，检查其是否已在开启列表中，若是，则进入步骤7e；若否，则进入步骤7f；

7e、计算T到其邻接方格的欧氏距离d，T到起点A的欧氏距离G，邻接方格到起点A的欧氏距离G′，若G+d＜G′，则将T设为邻接方格的父方格，且代价函数的值为F＝G+H+d，H为邻接方格到终点B的曼哈顿距离；

7f、将T的邻接方格放入开启列表，设置T为其父方格；计算代价函数F＝G+H，其中，G为邻接方格到起点A的欧氏距离；

7g、从开启列表中选择使代价函数值F最小的方格C，将C存入路径trace_k，判断C是否等于终点B，若是，进入步骤7h，若否，将C设置为待处理方格T，进入步骤7c；

7h、得到仿真路径trace_k，判断k是否小于等于路径条数K，若是，k＝k+1，返回步骤7b；若否，路径仿真结束，得到K条仿真路径；

7i、将目标区域划分为五个子区域；观测仿真得到的K条路径，统计每个子区域的位置先验概率；假设每个子区域中参考点等概出现，则根据参考点所属子区域的先验概率，得到每个参考点的位置先验概率p_i2。

3.根据权利要求1所述一种基于信号统计分布的WLAN定位组网方法，其特征在于：步骤九中，根据RSS值在每个参考点的加权概率，计算每个参考点的平均定位精度，包括以下步骤：

9a、计算RSS矢量R_q在所有参考点出现的加权概率p₁,p₂,...p_n，并找出其出现的最大加权概率：

p_max＝max(p₁,p₂,...,p_n)；

记录下最大加权概率p_max所对应的参考点的物理坐标；

9b、计算第i个参考点到RSS矢量R_q出现加权概率最大的点的欧氏距离；

9c、取不同的RSS矢量，依次重复步骤六，步骤七与步骤八，得到所有可能的RSS矢量在第i个参考点出现的加权概率，加权概率矢量P_i为：

其中，Q为所有可能的RSS矢量的个数；为第q个RSS矢量在第i个参考点出现的加权概率；

9d、重复步骤9a及9b，在所有可能的RSS取值条件下，计算第i个参考点到RSS出现加权概率最大的点的距离矢量：

其中，为第i个参考点到第q个RSS矢量出现加权概率最大的点的欧氏距离；

9e、利用步骤9c与步骤9d得到的加权概率矢量和距离矢量，得到第i个参考点的平均定位精度为：

e_i＝P_i×D_i。