CN109738863A - 一种融合置信度的WiFi指纹室内定位算法及*** - Google Patents

Abstract

本发明提出一种融合置信度的WiFi指纹室内定位算法及***，包括如下步骤：在离线采集阶段使用采集设备采集各个参考点用于定位的多个AP信号强度特征值，并对所述信号强度特征值进行预处理，计算信号强度特征均值及均方差；获取均方差后使用构建的均方差区间与置信度的虚拟映射表来确定置信度，最终与该参考点的序号、信号强度特征均值集、地理位置坐标一起上传到服务器位置指纹数据库中；在在线定位阶段，实时获取的用户待定位点信号强度特征值数据与数据库中特征数据进行欧氏距离匹配计算时加入置信度，可达到优化其距离的效果。本发明使用融合置信度的WiFi指纹室内定位优化算法，可以减少跳变，增加稳定性，提高定位精度。

Description

一种融合置信度的WiFi指纹室内定位算法及***

技术领域

本发明涉及室内定位技术领域，特别是涉及一种融合置信度的WiFi指纹室内定位算法及***。

背景技术

人们大约有80 %以上的时间处于室内环境，但受制于技术、成本等各方面因素，室内定位没有大范围的应用。目前，国内外学者提出了基于无线保真、蓝牙、红外线、射频识别、超声波、超宽带等室内定位技术及应用***，综合考虑部署成本和定位精度等因素，其中基于WiFi的WLAN室内定位技术应用前景最为广泛。

基于RSS的WLAN室内定位技术是利用RSS值与地理位置坐标之间的关联性从而实现目标的位置估计，该技术具有以下优势：首先，部署成本低且部署简单快捷。该技术利用现有的WLAN***和用户手中的便携式移动终端，通过定位算法估计用户位置。同时针对因离线采集阶段的高昂成本且为了保证采集的准确度，高质量的离线数据库将是对定位精度起到极大的作用。室内环境复杂、多径效应、射频干扰等因素引起的信号采集不够精准最终导致在线定位误差变大。

因此设计较为稳定的离线采集步骤极为重要，在离线采集阶段融合置信度的做法可以进一步提升定位精度。

发明内容

本发明的目的在于提出一种融合置信度的WiFi指纹室内定位算法及***，可以减少跳变，增加了稳定性，优化欧氏距离，提高定位精度。

为实现上述目的，本发明实施方式的一方面提供一种融合置信度的WiFi指纹室内定位算法，包括如下步骤：

在离线采集阶段使用采集设备采集各个参考点用于定位的多个AP信号强度特征值，并对所述信号强度特征值进行预处理，计算信号强度特征均值及均方差；

获取均方差后使用构建的均方差区间与置信度的虚拟映射表来确定置信度，最终与该参考点的序号、信号强度特征均值集、地理位置坐标一起上传到服务器位置指纹数据库中；

在在线定位阶段，实时获取的待定位点信号强度特征值数据与数据库中每一组特征数据进行欧氏距离匹配计算时加入置信度，即在计算欧氏距离中进行平方和加之前乘以相对应的AP的置信度的倒数，将欧氏距离最小的参考点所对应的地理位置坐标作为用户待定位点的位置估计，返回给用户，即完成定位。

进一步地，所述计算信号强度特征均值的步骤包括：

根据公式对某个参考点单个AP采集n次信号强度特征值进行取均值处理，以得到一AP信号强度平均值；

其中，为该AP信号强度平均值，为该AP采集n次的信号强度特征值之和。

根据公式对每个参考点采集的所有AP的信号强度特征值分别进行取均值处理，得到每个参考点的每个AP的信号强度平均值；

其中，为某个参考点第m个AP的信号强度特征均值，为某个参考点第m个AP采集n次的信号强度特征值之和，n为所述采集设备的采集次数，i为自变量，m为AP数量，为单个参考点采集的所有AP分别求信号强度平均值的集合，为单个参考点采集的所有AP分别求信号强度特征值之和的集合。

进一步地，所述计算信号强度特征值均方差为：

在每个参考点接收到各个AP信号强度特征值后进行均值处理的同时计算均方差；

均方差公式为

其中，为单个AP第n次采集的信号强度特征值，为该AP信号强度平均值。

进一步地，所述计算信号强度特征值均方差包括以下步骤：

每完成一个参考点的信号强度特征值的采集，所有的AP都单独计算均方差并与阈值比较，阈值为构建的均方差区间与置信度的虚拟映射表中的均方差最大值；

如果均方差大于阈值，计算均值与采集的信号强度特征值逐一相减取绝对值后降序排序，剔除前三位最大的绝对值对应的信号强度特征值，把剩下的信号强度特征值重新计算均方差并记录，同样判断是否在阈值之内，直至符合为止。

进一步地，所述判断均方差是否在阈值之内，之后还包括：

如某个AP的信号一直不是很稳定的情况下，均方差一直是大于阈值，则重新采样；

如重新采样后还是大于阈值，则在经过计算均值与采集的信号强度特征值逐一相减取绝对值后降序排序，剔除前三位最大的绝对值对应的信号强度特征值，把剩下的信号强度特征值重新计算均方差并记录，直到剩最后三个信号强度特征值后，记录整个过程中最小的均方差及均值。

进一步地，将各个参考点的各个AP得到的均方差根据均方差与置信度映射表进行均方差的转换得到该参考点的该AP置信度；均方差与置信度映射表为虚拟映射表，可在程序中创建，分为均方差区间与置信度两类元素。

进一步地，将得到的各个参考点的各个AP置信度和该参考点的地理位置坐标、序号、信号强度特征均值集一同上传至服务器位置指纹数据库中，其中数据库中的信号强度特征均值集记为：，N为参考点数量，m为AP的数量。

进一步地，所述在在线定位阶段，在某个待定位点先进行一段时间的信号强度采集，在这个时间段会采集用于定位的所有AP的信号强度特征值，并对所有AP的信号强度特征值分别求均值，会得到一组AP信号强度特征均值集记为：，m为AP的数量，将该均值集上传至服务器中，与数据库中每一组特征数据进行欧氏距离匹配计算时加入置信度，即在计算欧氏距离中进行平方和加之前乘以相对应的AP的置信度的倒数，将欧氏距离最小的参考点所对应的地理位置坐标作为用户待定位点的位置估计，返回给用户，即完成定位。

原欧氏距离公式为：

设数据库中第j个参考点下的第k个AP的置信度为，则欧氏距离公式变更为：

其中m为AP的数量，N为数据库中参考点总数，A_k为用户在待定位点测得的第k个AP的信号强度特征值，B_jk为数据库中第j个参考点下的第k个AP的信号强度特征值。

为实现上述目的，本发明实施方式的另一方面还提供一种融合置信度的WiFi指纹室内定位***，包括移动终端，与移动终端网络通信的云端服务器，所述移动终端包括WiFi获取单元及处理程序，所述云端服务器包括WiFi特征参数存储单元及定位单元。

所述WiFi获取单元及处理程序，用于在离线采集阶段采集各个参考点接收的多个AP信号强度特征值，并对所述信号强度特征值进行均值及均方差处理并记录，其中每个参考点包括多个AP信号强度特征值。

所述WiFi特征参数存储单元，用于存储各个AP的MAC地址，置信度，地理位置坐标，各个AP在各参考点的信号强度特征均值及均方差。

所述定位单元，用于在线定位阶段，实时获取的用户待定位点信号强度特征值数据与数据库中的每一组信号强度特征值数据进行欧氏距离匹配计算时加入置信度，即在计算欧氏距离中进行平方和加之前乘以相对应的AP的置信度的倒数，达到优化其距离的效果。

与现有技术相比，本发明的有益效果是：

本发明使用融合置信度的WiFi指纹室内定位优化算法，可以减少跳变，增加稳定性，优化欧氏距离，提高定位精度。融合置信度的WiFi指纹室内定位优化算法主要作用是降低实时采集导致的误差并对小概率到达的参考点设置较低置信度。

附图说明

图1为本发明提出的一种融合置信度的WiFi指纹室内定位方法原理框图；

图2为本发明提出的一种融合置信度的WiFi指纹室内定位方法离线采集流程图；

图3为本发明提出的一种融合置信度的WiFi指纹室内定位***流程图；

图4为本发明提出的一种融合置信度的WiFi指纹室内定位原理图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

因室内复杂环境、多径效应、室内固定家具及射频干扰等因素引起的信号采集不够精准最终导致在线定位误差变大。针对该问题，本发明提出一种融合置信度的WiFi指纹室内定位优化算法，可以减少跳变，增加了稳定性，提高定位精度。融合置信度的WiFi指纹室内定位优化算法主要作用是降低实时采集导致的误差并对小概率到达的参考点设置置信度偏低。即在计算定位信号强度特征值时不再只求均值，而是将求均值数据集的均方差也一并进行计算且记录下来，均方差代表了信号质量的好坏。利用均方差与置信度映射表对均方差进行转换，最终与该参考点的序号、信号强度特征均值集、地理位置坐标一起上传到服务器位置指纹数据库中。

本发明实施方式的一方面提供一种融合置信度的WiFi指纹室内定位算法，包括如下步骤：

S101，在离线采集阶段使用采集设备采集各个参考点用于定位的多个AP信号强度特征值，并对所述信号强度特征值进行预处理，其中包括计算均值及均方差。

根据公式对某个参考点单个AP采集n次信号强度特征值进行取均值处理，以得到一AP信号强度平均值。

其中，为该AP信号强度平均值，为该AP采集n次的信号强度特征值之和。

在本实施例中，采集者使用移动智能手机在已经布设完成的参考点上逐一朝同一方向采集。每个参考点采集的次数为30次，每一次都是采集所有AP的信号强度特征值，时间约为1分半。可通过公式对每个参考点采集的所有AP的信号强度特征值分别进行取均值处理，得到每个参考点的每个AP的信号强度平均值。

其中，为某个参考点第m个AP的信号强度特征均值，为某个参考点第m个AP采集n次的信号强度特征值之和，n为所述采集设备的采集次数，i为自变量，m为AP数量，为单个参考点采集的所有AP分别求信号强度平均值的集合，为单个参考点采集的所有AP分别求信号强度特征值之和的集合。

进行均值后再进行均方差处理，可根据均方差公式计算出均方差，为单个AP第n次采集的信号强度特征值，为该AP信号强度平均值。均方差又常称为标准差，是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的两组数据，均方差未必相同。如X组的信号强度特征值为（-95dBm、-85dBm、-75dBm、-65dBm、-55dBm、-45dBm），B组的信号强度特征值为(-73dBm、-72dBm、-71dBm、-69dBm、-68dBm、-67dBm)。这两组的平均值都是-70dBm，但A组的均方差约为17.08dBm，B组的均方差约为2.16dBm，说明B组信号强度特征值要比A组信号强度特征值跳变低、更稳定，所以在进行转换的时候本发明使用均方差。

在此需要指出的是，在进行下一个参考点采集时，应在该位置上等待10s，以保证信号的稳定性。

S102，获得的所有的参考点的AP的均方差与阈值相比较；阈值为本发明构建的均方差区间与置信度的虚拟映射表中的均方差最大值。

如果均方差大于阈值，计算均值与采集的信号强度特征值逐一相减取绝对值后降序排序，剔除前三位最大的绝对值对应的信号强度特征值，把剩下的信号强度特征值重新计算均方差并记录，同样判断是否在阈值之内，直至符合为止。

其中，需要特别说明的是，如某个AP的信号一直不是很稳定的情况下，均方差一直是大于阈值，则重新采样。

如重新采样后还是大于阈值，则在经过计算均值与采集的信号强度特征值逐一相减取绝对值后降序排序，剔除前三位最大的绝对值对应的信号强度特征值，把剩下的信号强度特征值重新计算均方差并记录，直到剩最后三个信号强度特征值后，记录整个过程中最小的均方差及均值。

其中，对各个参考点的各个AP得到的均方差根据均方差与置信度映射表进行均方差的转换得到该参考点的该AP置信度。

均方差与置信度映射表为虚拟映射表，可在程序中创建，分为均方差区间与置信度两类元素。

如下表所示，每个置信度与一个均方差区间进行映射，当求得某AP在某一参考点的信号强度特征值的所得均方差落入下表某个均方差区间时，则此AP在该参考点的信号强度特征值置信度为均方差相对应置信度。

序号	均方差区间	置信度
			1	（10.00，50.00）	0.60
2	（1.00，10.00）	0.70
			3	（0.50,1.00）	0.80
4	（0.25,0.50）	0.90
			5	（0.00,0.25）	1.00

置信度也称可信度，阈值的确定方法为：整个实验区域的参考点为98个，AP为4个，因每个参考点都需采集4个AP的信号强度特征值，即均方差的计算数量为98*4=392个，392个均方差数值利用数据分析工具中的离群点检测算法剔除离群点，剩下的均方差区间为（0.00,50.00），取均方差最大值50.00作为阈值。

均方差区间确定方法：先以数量相同为标准，把均方差区间0.00至50.00划为5个部分，即可以初步确定每个均方差区间。完成之后再根据置信度从100%以10%一次的递减方式递减，同时调整均方差区间。

接下来继续以置信度为基准验证均方差区间：如均方差区间为0.00至0.25时，找出均方差在这个区间的参考点，重新采集数据并计算30次均方差后得到的均方差都在这个区间，可信度即为100%也就是置信度为1.00，如若不是则放大均方差区间，直至置信度为1.00为止，其他区间同理，进而确定均方差区间与置信度之间的虚拟映射表。

确定均方差区间与置信度映射表后，在其他还未采集的区域可使用该映射表确定置信度，无需重复上述过程。如单个AP计算的均方差是0.10，则该参考点的该AP的置信度为1.00。

通过以上处理后得到各个参考点的各个AP的置信度方可和该参考点的地理位置坐标、信号强度特征均值集、序号一同上传至服务器位置指纹数据库中。其中数据库中的信号强度特征均值集记为：，N为参考点数量，m为AP的数量。

S103，在定位匹配阶段使用置信度来优化欧氏距离。

用户使用原用于采集的智能移动设备，在某个待定位点先进行一段时间的信号强度采集，在这个时间段会采集用于定位的所有AP的信号强度特征值，并对所有AP的信号强度特征值分别求均值，会得到一组AP信号强度特征均值集记为：，m为AP的数量，将该均值集上传至服务器中，与数据库中每一组特征数据进行欧氏距离匹配计算时加入置信度，即在计算欧氏距离中进行平方和加之前乘以相对应的AP的置信度的倒数，将欧氏距离最小的参考点所对应的地理位置坐标作为用户待定位点的位置估计，返回给用户，即完成定位。

原欧氏距离公式为：

设数据库中第j个参考点下的第k个AP的置信度为，则欧氏距离公式变更为：

其中m为AP的数量，N为数据库中参考点总数，A_k为用户在待定位点测得的第k个AP的信号强度特征值，B_jk为数据库中第j个参考点下的第k个AP的信号强度特征值。

本发明实施方式的另一方面还提供一种融合置信度的WiFi指纹室内定位***，包括移动终端，与移动终端网络通信的云端服务器，所述移动终端包括WiFi获取单元及处理程序，所述云端服务器包括WiFi特征参数存储单元及定位单元。

所述WiFi获取单元及处理程序，用于在离线采集阶段采集各个参考点接收的多个AP信号强度特征值，并对所述信号强度特征值进行均值及均方差处理并记录，其中每个参考点包括多个AP信号强度特征值。

所述WiFi特征参数存储单元，用于存储各个AP的MAC地址，置信度，地理位置坐标，各个AP在各参考点的信号强度特征均值及均方差。

所述定位单元，用于在线定位阶段，实时获取的用户待定位点信号强度特征值数据与数据库中的每一组信号强度特征值数据进行欧氏距离匹配计算时加入置信度，即在计算欧氏距离中进行平方和加之前乘以相对应的AP的置信度的倒数，可达到优化其距离的效果。

以上所述实施例仅表达了本发明的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种融合置信度的WiFi指纹室内定位算法，其特征在于：包括如下步骤：

在离线采集阶段使用采集设备采集各个参考点用于定位的多个AP信号强度特征值，并对所述信号强度特征值进行预处理，计算信号强度特征均值及均方差；

获取均方差后使用构建的均方差区间与置信度的虚拟映射表来确定置信度，最终与该参考点的序号、信号强度特征均值集、地理位置坐标一起上传到服务器位置指纹数据库中；

在在线定位阶段，实时获取的待定位点信号强度特征值数据与数据库中每一组特征数据进行欧氏距离匹配计算时加入置信度，即在计算欧氏距离中进行平方和加之前乘以相对应的AP的置信度的倒数，将欧氏距离最小的参考点所对应的地理位置坐标作为用户待定位点的位置估计，返回给用户，即完成定位。

2.根据权利要求1所述的融合置信度的WiFi指纹室内定位算法，其特征在于：所述计算信号强度特征均值的步骤包括：

根据公式对某个参考点单个AP采集n次信号强度特征值进行取均值处理，以得到一AP信号强度平均值；

其中，为该AP信号强度平均值，为该AP采集n次的信号强度特征值之和；

根据公式

对每个参考点采集的所有AP的信号强度特征值分别进行取均值处理，得到每个参考点的每个AP的信号强度平均值；

其中，为某个参考点第m个AP的信号强度特征均值，为某个参考点第m个AP采集n次的信号强度特征值之和，n为所述采集设备的采集次数，i为自变量，m为AP数量，为单个参考点采集的所有AP分别求信号强度平均值的集合，为单个参考点采集的所有AP分别求信号强度特征值之和的集合。

3.根据权利要求1所述的融合置信度的WiFi指纹室内定位算法，其特征在于：所述计算信号强度特征值均方差为：

在每个参考点接收到各个AP信号强度特征值后进行均值处理的同时计算均方差；

均方差公式为

其中，为单个AP第n次采集的信号强度特征值，为该AP信号强度平均值。

4.根据权利要求1或3所述的融合置信度的WiFi指纹室内定位算法，其特征在于：所述计算信号强度特征值均方差包括以下步骤：

每完成一个参考点的信号强度特征值的采集，所有的AP都单独计算均方差并与阈值比较，阈值为构建的均方差区间与置信度的虚拟映射表中的均方差最大值；

如果均方差大于阈值，计算均值与采集的信号强度特征值逐一相减取绝对值后降序排序，剔除前三位最大的绝对值对应的信号强度特征值，把剩下的信号强度特征值重新计算均方差并记录，同样判断是否在阈值之内，直至符合为止。

5.根据权利要求4所述的融合置信度的WiFi指纹室内定位算法，其特征在于：所述判断均方差是否在阈值之内，之后还包括：

如某个AP的信号一直不是很稳定的情况下，均方差一直是大于阈值，则重新采样；

如重新采样后还是大于阈值，则在经过计算均值与采集的信号强度特征值逐一相减取绝对值后降序排序，剔除前三位最大的绝对值对应的信号强度特征值，把剩下的信号强度特征值重新计算均方差并记录，直到剩最后三个信号强度特征值后，记录整个过程中最小的均方差及均值。

6.根据权利要求1所述的融合置信度的WiFi指纹室内定位算法，其特征在于：将各个参考点的各个AP得到的均方差根据均方差与置信度映射表进行均方差的转换得到该参考点的该AP置信度；均方差与置信度映射表为虚拟映射表，可在程序中创建，分为均方差区间与置信度两类元素。

7.根据权利要求1所述的融合置信度的WiFi指纹室内定位算法，其特征在于：将得到的各个参考点的各个AP置信度和该参考点的地理位置坐标、序号、信号强度特征均值集一同上传至服务器位置指纹数据库中，其中数据库中的信号强度特征均值集记为：，N为参考点数量，m为AP的数量。

8.根据权利要求1所述的融合置信度的WiFi指纹室内定位算法，其特征在于：所述在在线定位阶段，在某个待定位点先进行一段时间的信号强度采集，在这个时间段会采集用于定位的所有AP的信号强度特征值，并对所有AP的信号强度特征值分别求均值，会得到一组AP信号强度特征均值集记为：，m为AP的数量，将该均值集上传至服务器中，与数据库中每一组特征数据进行欧氏距离匹配计算时加入置信度，即在计算欧氏距离中进行平方和加之前乘以相对应的AP的置信度的倒数，将欧氏距离最小的参考点所对应的地理位置坐标作为用户待定位点的位置估计，返回给用户，即完成定位；

原欧氏距离公式为：

设数据库中第j个参考点下的第k个AP的置信度为，则欧氏距离公式变更为：

其中m为AP的数量，N为数据库中参考点总数，A_k为用户在待定位点测得的第k个AP的信号强度特征值，B_jk为数据库中第j个参考点下的第k个AP的信号强度特征值。

9.一种融合置信度的WiFi指纹室内定位***，其特征在于：包括移动终端，与移动终端网络通信的云端服务器，所述移动终端包括WiFi获取单元及处理程序，所述云端服务器包括WiFi特征参数存储单元及定位单元；

所述WiFi获取单元及处理程序，用于在离线采集阶段采集各个参考点接收的多个AP信号强度特征值，并对所述信号强度特征值进行均值及均方差处理并记录，其中每个参考点包括多个AP信号强度特征值；

所述WiFi特征参数存储单元，用于存储各个AP的MAC地址，置信度，地理位置坐标，各个AP在各参考点的信号强度特征均值及均方差；

所述定位单元，用于在线定位阶段，实时获取的用户待定位点信号强度特征值数据与数据库中的每一组信号强度特征值数据进行欧氏距离匹配计算时加入置信度，即在计算欧氏距离中进行平方和加之前乘以相对应的AP的置信度的倒数，达到优化其距离的效果。