CN109672973A - 一种基于最强ap法的室内定位融合算法 - Google Patents

一种基于最强ap法的室内定位融合算法 Download PDF

Info

Publication number
CN109672973A
CN109672973A CN201811109415.7A CN201811109415A CN109672973A CN 109672973 A CN109672973 A CN 109672973A CN 201811109415 A CN201811109415 A CN 201811109415A CN 109672973 A CN109672973 A CN 109672973A
Authority
CN
China
Prior art keywords
region
algorithm
point
fingerprint
strong
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
Application number
CN201811109415.7A
Other languages
English (en)
Other versions
CN109672973B (zh
Inventor
常俊
和家慧
于怡然
余江
杨锦朋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan University YNU
Original Assignee
Yunnan University YNU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan University YNU filed Critical Yunnan University YNU
Priority to CN201811109415.7A priority Critical patent/CN109672973B/zh
Publication of CN109672973A publication Critical patent/CN109672973A/zh
Application granted granted Critical
Publication of CN109672973B publication Critical patent/CN109672973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开一种基于最强AP法的室内定位算法，具体采用贝叶斯算法(Bayes)和加权最近邻算法(WKNN)相结合的算法实现室内定位，用于改善定位精度，降低定位误差。其实现过程如下，离线阶段：一，对需要定位的区域进行合理的网格划分并记录相应位置坐标；二，在各个网格区域多次采集信号强度值并进行数据处理；三，离线指纹库构建好后按不同的区域信号强度与AP分布规律的不同，提前划分好相应区域。在线阶段：一，先利用待定位点在线测得的信号强度值与离线指纹库中的所有指纹进行距离计算，通过最强AP法投票先将该待定位点定位到相应区域，即离线指纹库更新为该区域内包含的所有指纹；二，通过贝叶斯算法计算在线数据与所有指纹的后验概率，求得概率最大的S个指纹点；三，通过WKNN算法，将在线数据与S个指纹点求欧式距离，最后用K(K<S)个距离最小的指纹点来计算定位坐标，求得待定位点的位置。

Description

一种基于最强AP法的室内定位融合算法
技术领域
本发明涉及涉及一种基于最强AP法的室内定位融合算法，特别是基于最强 AP法的贝叶斯与WKNN相结合的室内定位融合算法，该算法通过结合贝叶斯算法及WKNN算法进行定位。属定位技术领域。
背景技术
目前，基于卫星通信技术GPS(Global Positioning System，全球定位***)、GNSS(Global Navigation Satellite System，全球导航卫星***)和北斗等位置服务***广泛应用，有效解决了室外定位的问题，然而随着物联网和移动互联网应用的爆发式增长，大量应用增加了对室内位置服务(Indoor Location Based Services， ILBS)的需求,通过室内定位***准确获得用户的位置信息，挖掘用户的行为，推荐用户的需要。
常用的基于信号测量技术的距离定位方式可分为基于到达时间(TOA)测量、基于到达时间差(TDOA)测量、基于到达角度(AOA)测量和基于接收信号强度 (RSSI)测量四种定位方式等。由于室内无线电传播效应的复杂性,短距离无线通信信号的多样性和无线设施部署的随意性，使得基于时间、角度等来推算距离的方法定位精度过低，难以实用。而基于接收信号强度指示(RSSI)的位置指纹定位技术成为研究热点。
随着室内WiFi网络的广泛部署，其传输速率高、成本低、覆盖面广等优点，以及廉价的接收模块已广泛嵌入包括传感器，智能手机，家用电器等设备，使得使用现有的WiFi资源实现位置指纹定位，具有很大的应用市场和商业前景。基于信号强度的WiFi定位方法又分为信号传播模型法和指纹法，目前用的较多的是指纹法。指纹法分为离线阶段和在线阶段，离线阶段采集数据并建立离线指纹库，在线阶段通过定位算法把在线数据与离线指纹库进行匹配，通过计算得到定位结果。
发明内容
本发明为改善现有传统定位算法的定位误差，提供一种基于最强AP法的室内定位融合算法，在教学楼的环境里，能够得到更低的定位误差和更高的定位准确率。
为解决上述的技术问题，本发明采用的方案如下：
第一步：根据定位区域的区域特征把定位区域进行合理的网格划分，并记录网格中心点的位置坐标；
第二步：在所有网格区域的中心点，连续采集多次信号强度数据，去除异常值后取均值和标准差，并与该点的坐标组成一个指纹，测试完成建立离线指纹库；
第三步：观察离线指纹库的所有数据，根据不同点的信号对应不同AP的分布规律，将整体区域划分为几个较小的区域；
第四步：获得在线数据后，根据最强AP法投票得到符合分布规律的区域；
第五步：在线数据继续与小区域中的所有指纹进行后验概率的计算，得到前S个后验概率最大的指纹点；
第六步：使用在线数据与S个指纹计算欧式距离，得到距离最小的K个指纹点，并用K个指纹点坐标的加权均值作为定位结果。
采用最强AP法进行定位区域投票的具体过程如下：
第一步：事先离线指纹库划分成多个区域后，每个区域内有多个指纹点，因此每个AP在该区域内有最大的信号强度和最小的信号强度，既有个信号强度范围；
第二步：得到在线数据后，分别用在线数据在不同AP下的信号强度去进行区域匹配，如果某个AP下的信号强度在某个区域该AP的取值范围内，则该区域投票数加1，遍历所有AP进行投票；
第三步：遍历完所有AP后投票数最高的区域即为匹配区域，若有多个区域投票数相同，则继续投票，直至投票数最高区域唯一。
采用融合算法进行定位的具体过程如下：
第一步：求前S个最大的后验概率的指纹，其中将数据分布假设成为高斯分布，因而公式如下，其中R为在线数据，u为均值，σ为标准差：
第二步：已知S个指纹点后，用WKNN算法求最后的定位结果，求欧氏距离的公式如下，其中R为在线数据，fp为指纹，d为欧式距离：
第三步：求得欧式距离后，用下列公式求出对应的权值：
第四步：取前K个最小的欧式距离及对应的坐标、权值，进行加权求平均得到定位结果。
本发明的有益效果是：
利用最强AP法进行投票选出初步定位的区域，减少了定位算法的计算量；
利用贝叶斯算法在小区域内继续求解后验概率，选取最大的S个后验概率的指纹，更新指纹库为S个指纹，继续缩小定位区域，减少计算量；
最后利用WKNN算法在S个指纹的指纹库里求解得到最后的定位结果，定位结果显示基于最强AP法的室内定位融合算法比单独使用贝叶斯算法和WKNN算法有更低的定位误差，更高的定位准确率。
附图说明
图1是基于最强AP法的室内定位融合算法的总体流程图。
图2是贝叶斯算法、WKNN算法、基于最强AP法的室内定位融合算法的平均定位误差对比(三种算法平均定位误差对比)。
图3贝叶斯算法、WKNN算法、基于最强AP法的室内定位三种算法定位准确率对比(三种算法定位准确率对比)。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步的说明。
附图2中贝叶斯算法平均定位误差为2.5889m，WKNN算法平均定位误差为2.6820m，基于最强AP法的室内定位融合算法平均定位误差为2.3559m。可以看出基于最强AP法的室内定位融合算法在贝叶斯算法和WKNN算法的基础上平均定位误差都得到了降低。
附图3中贝叶斯算法的定位准确率为32.35％，WKNN算法的定位准确率为26.47％，基于最强AP法的室内定位融合算法的定位准确率为35％。所以基于最强AP法的室内定位融合算法的定位准确率比贝叶斯算法和WKNN算法都高，此处定位准确率为定位误差在0.6m以内的待定位点数除以所有待定位点数。
为解决现有算法存在的定位误差较高，定位准确率低等问题，本发明采用的技术方案是：本发明实现过程如下，离线阶段：一，对需要定位的区域进行合理的网格划分并记录相应位置坐标；二，在各个网格区域多次采集信号强度值并进行数据处理；三，离线指纹库构建好后按不同的区域信号强度与AP分布规律的不同，提前划分好相应区域。在线阶段：一，先利用待定位点在线测得的信号强度值与离线指纹库中的所有指纹进行距离计算，通过最强AP法投票先将该待定位点定位到相应区域，即离线指纹库更新为该区域内包含的所有指纹；二，通过贝叶斯算法计算在线数据与所有指纹的后验概率，求得概率最大的S个指纹点；三，通过WKNN算法，将在线数据与S个指纹点求欧式距离，最后用K(K<S)个距离最小的指纹点来计算定位坐标，求得待定位点的位置。
一种基于最强AP法的室内定位融合算法，包括以下的步骤：
图1是本发明方法的基于最强AP法的室内定位融合算法的总体流程图，该流程包括离线训练阶段和在线定位阶段。离线阶段主要是构造离线指纹库，包括：
第一步：将整个需要定位的区域合理划分成网格，并标明网格中心点的坐标；
第二步：在每个网格中心点处均用相同方法、相同设备采集多次信号强度数据；
第三步：对采集的数据进行处理，先去除异常值，再求取均值及标准差，结合网格点的坐标作为指纹，建立好完整的离线指纹库；
第四步：观察离线指纹库的所有数据，根据不同点的信号对应不同AP的分布规律，将整体区域划分为几个较小的区域。
在线阶段主要是通过定位算法进行匹配，得到定位结果，包括：
第一步：获得在线数据后，根据最强AP法投票得到符合分布规律的区域；
采用最强AP法进行定位区域投票的具体过程如下：
(a)：事先离线指纹库划分成多个区域后，每个区域内有多个指纹点，因此每个AP在该区域内有最大的信号强度和最小的信号强度；
(b)：得到在线数据后，分别用在线数据在不同AP下的信号强度去进行区域匹配，如果某个AP下的信号强度在某个区域该AP的取值范围内，则该区域投票数加1，遍历所有AP进行投票；
(c)：遍历完所有AP后投票数最高的区域即为匹配区域，若有多个区域投票数相同，则继续投票，直至投票数最高区域唯一。
第二步：在线数据继续与小区域中的所有指纹进行后验概率的计算，得到前S个后验概率最大的指纹点；
求前S个最大后验概率的指纹点，其中将数据分布假设成为高斯分布，因而公式如下，其中R为在线数据，u为均值，σ为标准差：
第三步：使用在线数据与S个指纹计算欧式距离，得到距离最小的K个，并用K个点坐标的加权均值作为定位结果。
(a)：已知S个指纹点后，用WKNN算法求最后的定位结果，求欧氏距离的公式如下，其中R为在线数据，fp为指纹，d为欧式距离：：
(b)：求得欧式距离后，用下列公式求出对应的权值：
(c)：取前K个最小的欧式距离及对应的坐标、权值，进行加权求平均得到定位结果。
最终算得的待定位点的位置坐标为

Claims (5)

1.一种基于最强AP法的室内定位融合算法，其特征在于，定位融合算法基于采用贝叶斯算法(Bayes)和加权最近邻算法(WKNN)相结合的算法以实现室内定位，过程如下，
离线阶段：()对需要定位的区域进行合理的网格划分并记录相应位置坐标；(2)各个网格区域多次采集信号强度值并进行数据处理；(3)离线指纹库构建好后按不同的区域信号强度与AP分布规律的不同，提前划分好相应区域；
在线阶段：(4)，先利用待定位点在线测得的信号强度值与离线指纹库中的所有指纹进行距离计算，通过最强AP法投票先将该待定位点定位到相应区域，即离线指纹库更新为该区域内包含的所有指纹；(5)，通过贝叶斯算法计算在线数据与所有指纹的后验概率，求得概率最大的S个指纹点；三，通过WKNN算法，将在线数据与S个指纹点求欧式距离，最后用K(K<S)个距离最小的指纹点来计算定位坐标，求得待定位点的位置。
2.根据权利要求1所述的基于最强AP法的室内定位融合算法，其特征在于，定位融合算法具体步骤如下：
第一步：通过对定位区域实现合理的网格型划分，在每个网格中采集多次数据并进行取均值处理，并记录网格的编号及坐标；
第二步：将所有网格点的数据采集完毕形成离线指纹库后，根据不同点的信号对应不同AP的分布规律，将整体区域划分为几个较小的区域；
第三步：获得在线数据后，将其与离线指纹库中所有指纹进行欧式距离的计算，根据最强AP法投票得到符合分布规律的区域；
第四步：在线数据继续与小区域中的所有指纹进行后验概率的计算，得到前S个后验概率最大的指纹点；
第五步：使用在线数据与S个指纹进行欧式距离的计算，得到距离最小的K个，并用K个点坐标的加权均值作为定位结果。
3.权利要求1所述的基于最强AP法的室内定位融合算法，其特征在于，对于定位区域进行网格点划分，测量出每个网格点中心点的信号强度数据及坐标并记录处理，建立指纹库。
4.权利要求1所述的基于最强AP法的室内定位融合算法，其特征在于，利用采集的数据，将区域事先按照数据对应各个AP的分布规律划分为多个区域，并利用最强AP法进行区域的匹配，具体步骤如下：
第一步：事先离线指纹库划分成多个区域后，每个区域内有多个指纹点，因此每个AP在该区域内有最大的信号强度和最小的信号强度；
第二步：得到在线数据后，分别用在线数据在不同AP下的信号强度去进行区域匹配，如果某个AP下的信号强度在某个区域该AP的取值范围内，则该区域投票数加1，遍历所有AP进行投票；
第三步：遍历完所有AP后投票数最高的区域即为匹配区域，若有多个区域投票数相同，则继续投票，直至投票数最高区域唯一。
5.根据权利要求1所述的基于最强AP法的室内定位融合算法，其特征在于，结合贝叶斯算法和WKNN算法，先在限定区域内求出后验概率最大的S个指纹点，再用WKNN算法求出待定位点的位置，具体步骤如下：
第一步：求前S个最大的后验概率，其中将数据分布假设成为高斯分布，因而公式如下：
第二步：已知S个指纹点后，用WKNN算法求最后的定位结果，求欧氏距离的公式，求权值的公式，求定位结果的公式如下：
CN201811109415.7A 2018-09-21 2018-09-21 一种基于最强ap的室内定位融合方法 Active CN109672973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811109415.7A CN109672973B (zh) 2018-09-21 2018-09-21 一种基于最强ap的室内定位融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811109415.7A CN109672973B (zh) 2018-09-21 2018-09-21 一种基于最强ap的室内定位融合方法

Publications (2)

Publication Number Publication Date
CN109672973A true CN109672973A (zh) 2019-04-23
CN109672973B CN109672973B (zh) 2021-02-19

Family

ID=66141593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811109415.7A Active CN109672973B (zh) 2018-09-21 2018-09-21 一种基于最强ap的室内定位融合方法

Country Status (1)

Country Link
CN (1) CN109672973B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110035384A (zh) * 2019-05-09 2019-07-19 桂林电子科技大学 一种融合多传感器信号滤波优化的室内定位方法
CN110430528A (zh) * 2019-07-23 2019-11-08 云南大学 一种基于深度特征学习的免校准室内定位方法
CN110543896A (zh) * 2019-08-16 2019-12-06 成都电科慧安科技有限公司 一种基于半监督朴素贝叶斯的异构众包指纹标注方法
CN111065158A (zh) * 2019-12-25 2020-04-24 大连理工大学 一种基于蜂窝网信号角度和强度融合的指纹定位方法
CN111372212A (zh) * 2020-03-17 2020-07-03 杭州十域科技有限公司 一种低算法复杂度的指纹匹配方法
CN111818446A (zh) * 2020-06-02 2020-10-23 南京邮电大学 一种基于位置指纹的室内定位优化方法及***
CN113490272A (zh) * 2021-09-08 2021-10-08 中铁工程服务有限公司 基于uwb定位的安全吊装预警方法、***及介质
CN113747355A (zh) * 2021-09-03 2021-12-03 中国华能集团清洁能源技术研究院有限公司 一种电厂内的WiFi定位方法、装置、设备及介质
CN113852911A (zh) * 2021-09-26 2021-12-28 桂林电子科技大学 基于指纹库和pdr推算的融合定位方法及指纹库更新方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101895867A (zh) * 2010-06-25 2010-11-24 哈尔滨工业大学 基于滑动时间窗的wlan室内wknn跟踪方法
US20150334677A1 (en) * 2014-05-16 2015-11-19 Qualcomm Incorporated, Inc. Leveraging wireless communication traffic opportunistically
CN106793075A (zh) * 2016-12-21 2017-05-31 武汉大学 一种基于域聚类的WiFi室内定位方法
CN107949052A (zh) * 2017-10-09 2018-04-20 北京航空航天大学 基于空间特征分区和前点约束的wknn室内定位方法
CN108519579A (zh) * 2018-03-29 2018-09-11 吴帮 基于区间重叠度分析优选AP的WiFi指纹定位技术

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101895867A (zh) * 2010-06-25 2010-11-24 哈尔滨工业大学 基于滑动时间窗的wlan室内wknn跟踪方法
US20150334677A1 (en) * 2014-05-16 2015-11-19 Qualcomm Incorporated, Inc. Leveraging wireless communication traffic opportunistically
CN106793075A (zh) * 2016-12-21 2017-05-31 武汉大学 一种基于域聚类的WiFi室内定位方法
CN107949052A (zh) * 2017-10-09 2018-04-20 北京航空航天大学 基于空间特征分区和前点约束的wknn室内定位方法
CN108519579A (zh) * 2018-03-29 2018-09-11 吴帮 基于区间重叠度分析优选AP的WiFi指纹定位技术

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110035384A (zh) * 2019-05-09 2019-07-19 桂林电子科技大学 一种融合多传感器信号滤波优化的室内定位方法
CN110430528A (zh) * 2019-07-23 2019-11-08 云南大学 一种基于深度特征学习的免校准室内定位方法
CN110543896A (zh) * 2019-08-16 2019-12-06 成都电科慧安科技有限公司 一种基于半监督朴素贝叶斯的异构众包指纹标注方法
CN110543896B (zh) * 2019-08-16 2023-04-07 成都电科慧安科技有限公司 一种基于半监督朴素贝叶斯的异构众包指纹标注方法
CN111065158B (zh) * 2019-12-25 2021-01-05 大连理工大学 一种基于蜂窝网信号角度和强度融合的指纹定位方法
CN111065158A (zh) * 2019-12-25 2020-04-24 大连理工大学 一种基于蜂窝网信号角度和强度融合的指纹定位方法
CN111372212A (zh) * 2020-03-17 2020-07-03 杭州十域科技有限公司 一种低算法复杂度的指纹匹配方法
CN111818446A (zh) * 2020-06-02 2020-10-23 南京邮电大学 一种基于位置指纹的室内定位优化方法及***
CN111818446B (zh) * 2020-06-02 2022-06-24 南京邮电大学 一种基于位置指纹的室内定位优化方法及***
CN113747355A (zh) * 2021-09-03 2021-12-03 中国华能集团清洁能源技术研究院有限公司 一种电厂内的WiFi定位方法、装置、设备及介质
CN113490272A (zh) * 2021-09-08 2021-10-08 中铁工程服务有限公司 基于uwb定位的安全吊装预警方法、***及介质
CN113490272B (zh) * 2021-09-08 2021-12-28 中铁工程服务有限公司 基于uwb定位的安全吊装预警方法、***及介质
CN113852911A (zh) * 2021-09-26 2021-12-28 桂林电子科技大学 基于指纹库和pdr推算的融合定位方法及指纹库更新方法
CN113852911B (zh) * 2021-09-26 2024-05-07 桂林电子科技大学 基于指纹库和pdr推算的融合定位方法及指纹库更新方法

Also Published As

Publication number Publication date
CN109672973B (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN109672973A (zh) 一种基于最强ap法的室内定位融合算法
CN105137390B (zh) 一种基于可调发射功率ap的室内定位方法
CN104869639B (zh) 一种室内定位方法和装置
CN103747524B (zh) 一种基于云平台的Android终端室内定位方法
CN105704652B (zh) 一种wlan/蓝牙定位中的指纹库采集和优化方法
CN103945332B (zh) 一种接收信号强度和多径信息联合神经网络室内定位方法
KR102116824B1 (ko) 딥러닝 기반 측위 시스템 및 이의 구축 방법
CN103402258B (zh) 一种基于Wi‑Fi的室内定位***和方法
CN105792356A (zh) 一种基于wifi的位置指纹定位方法
CN108919177B (zh) 一种基于虚拟信源估计与轨迹校正的定位地图构建方法
Prieto et al. Performance evaluation of 3D-LOCUS advanced acoustic LPS
CN104507050B (zh) 一种WiFi室内定位中概率型指纹匹配方法
CN106093852A (zh) 一种提高WiFi指纹定位精度与效率的方法
CN108375754B (zh) Wsn中基于移动节点初始状态和移动状态的节点定位方法
CN109275095A (zh) 一种基于蓝牙的室内定位***、定位设备和定位方法
CN102802260A (zh) 基于矩阵相关的wlan室内定位方法
CN109511085B (zh) 一种基于MeanShift和加权k近邻算法的UWB指纹定位方法
CN102209382A (zh) 一种基于rssi的无线传感器网络节点定位方法
CN103618997B (zh) 一种基于信号强度概率的室内定位方法和装置
CN104754735B (zh) 基于位置指纹库的定位方法
CN106851571A (zh) 一种基于决策树的快速KNN室内WiFi定位方法
CN103905992A (zh) 一种基于指纹数据的无线传感器网络的室内定位方法
CN110933599A (zh) 一种融合uwb与wifi指纹的自适应定位方法
CN110351660B (zh) 一种基于双步指纹匹配架构的蓝牙室内定位方法
CN105916201A (zh) 一种基于rss欧氏距离拟合的knn指纹定位方法

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