CN110007269A - 一种基于高斯过程的两阶段无线信号指纹定位方法 - Google Patents

Abstract

本发明公开了一种基于高斯过程的两阶段无线信号指纹定位方法，利用高斯过程，基于稀疏的训练数据库，生成高密度的虚拟数据库；定位过程中首先使用训练数据库确定用户大致范围，然后使用高密度的虚拟指纹数据库进行精确定位，从而提高室内环境的定位精度。

Description

一种基于高斯过程的两阶段无线信号指纹定位方法

技术领域

本发明属于无线通信网络技术领域，涉及一种无线信号指纹定位方法，具体涉及一种基于高斯过程的两阶段无线信号指纹定位方法。

背景技术

随着导航定位服务深入人们生活、军事、金融等各领域，以及人们对导航定位需求的提高，GNSS针对室内环境定位的不足导致严重制约了导航定位产业的进一步发展。人们开发了大量新的定位技术，包括摄像头的定位、红外定位、声波定位、WLAN定位、RFID定位、光线定位、Zigbee定位、UWB定位、伪星定位、惯性定位、磁场定位及结合各种技术和传感器的组合定位等，这些定位技术都有其适用范围，目前为止并没有一种有效的低功耗、高精度，面向普通硬件的，适用室内环境的定位技术。随着无线网络的普及，基于无线网络接收信号指纹的室内定位技术具有所需硬件广泛存在、定位精度较为理想等优势，获得广泛关注。

无线信号指纹定位主要包括两个步骤：离线训练与在线定位。离线训练阶段的工作是创建信号指纹数据库，也就是将处于不同位置的参考点(Reference Point，RP)采集到的信号指纹信息保存在数据库中，无线信号源可以是Wi-Fi、GSM、FM、DTM或者地磁场信号等，信号指纹可以是信号强度、信号分布或者信号方差等。在线定位阶段，将用户当前测量到的信号指纹与数据库中的信号指纹进行对比，用户应处于最匹配的信号指纹对应的参考点位置。随着WiFi设备的普及，基于Wi-Fi无线信号指纹定位基于普通智能手机就能够实现，具有部署代价低、定位精度较高等优点，目前已经有很多商业产品，例如Google MapIndoor，WiFiSlam和Rtmap等。

基于信号指纹的室内定位精度主要依赖于信号指纹数据库中参考点密度和数据库时效。相同一片区域参考点密度越高，则定位越精确；数据库更新的越频繁，定位精度也越高。但是，创建与维护高密度信号指纹数据库需要成本较高，而且有时候难以做到。例如，若要为10m*10m的室内区域创建信号指纹数据库，参考点密度为1个/平米，则一共需要采集100个参考点的信号指纹信息。在每一个参考点，都需要进行数次测量以获取可靠的信号指纹。对于更大区域，参考点数量将以指数增长。对于某些区域，测量时可能难以到达，从而造成信号指纹的缺失。因此，在现实中通常难以构建高密度信号指纹数据库。另外，为了保持数据库的时效性，需要定期进行更新，维护成本同样非常巨大，造成了很多商业产品在实际中不可用。例如，Google公司声称采集了超过10万个场馆的信号指纹数据，但是在实际使用时，仅有少部分场馆可定位，Rtmap实测定位精度也远没有达到理论精度。

即使已经构建了高密度的数据库，定位过程中同样会带来其他问题。用户每次定位时，都会测量当前的信号指纹，并将其发送到位置服务器。服务器将用户指纹与数据库中的所有数据进行匹配，寻找最相似的参考点，参考点密度越高，数据库规模越庞大，寻找过程耗时越长。当有大量用户同时进行位置请求，定位实时性将受到影响。

总之，无线信号指纹定位具有部署容易、算法简单等优点，但是也存在高密度指纹数据库构建与维护成本高、定位时间长的问题。

发明内容

为了解决上述技术问题，本发明提出了一种基于高斯过程的两阶段信号指纹定位方法。

本发明所采用的技术方案是：一种基于高斯过程的两阶段无线信号指纹定位方法，其特征在于，包括以下步骤：

步骤1：基于高斯过程的虚拟数据库构建；

利用高斯过程，基于稀疏的训练数据库，生成高密度的虚拟指纹数据库；

步骤2：两阶段无线信号指纹定位；

首先使用训练数据库确定用户大致范围，然后使用高密度的虚拟指纹数据库进行精确定位，从而提高室内环境的定位精度。

本发明有下列优点：

(1)数据库构建成本大大降低，从步骤1可以看出，本发明基于高斯过程，能够快速生成高密度信号指纹数据库，不需要逐点测量，大大提高数据库构建效率。

(2)数据库构建维护大大降低，从步骤1可以看出，本发明基于高斯过程，能够基于少量测试数据，快速更新信号指纹数据库，不需要逐点测量，大大提高数据库更新效率。

(3)定位时间大大缩短，从步骤2可以看出，本发明通过两个步骤——第一步基于训练数据库缩小搜索范围，第二步采用高密度虚拟数据库进行精确定位——得到户位置以及位置估计方差，不需要直接使用高密度数据库进行定位，大大缩短定位时间。

附图说明

图1为本发明实施例的流程图；

图2为本发明实施例中基于TS创建用户可能所处的范围S_t原理图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明提供的一种基于高斯过程的两阶段无线信号指纹定位方法，包括以下步骤：

步骤1：基于高斯过程的虚拟数据库构建；

利用高斯过程，基于稀疏的训练数据库，生成高密度的虚拟指纹数据库；

假设位置相近的参考点信号强度具有相关性，即：

其中，x_i,x_j分别表示i,j点的坐标，其中x_i＝(a_i,b_i),x_j＝(a_j,b_j)；y_i,y_j分别表示i,j点处信号强度；是信号强度测量方差，δ_ij为Kronecker delta函数，定义如下：

k(x_i,x_j)为核函数，使用最广泛的核函数是高斯核函数：

式(3)中的和l分别是信号方差和尺度系数，这两个参数决定了位置近似参考点信号强度的相关程度；

给定一组训练数据(X,Y)＝{(x_i,y_i)|i＝1,2,…,n}，基于高斯过程估计空间中任意一点x的信号强度y的概率分布：

信号强度y服从均值为μ_x、方差为的正态分布，其中均值μ_x为：

其中，K为n×n矩阵，是信号强度测量方差，I为单位矩阵，k_x为n×1的向量，向量中的元素分别是未知点x与训练数据中所有点的相关系数：

k_x(i,0)＝k(x_i,x),x_i∈X (6)

信号强度y的方差为：

其中，K为n×n矩阵，矩阵中的元素为训练数据之间的相关性：

K(i,j)＝k(x_i,x_j),x_i,x_j∈X (8)

假设定位区域面积是S，通过人工的方法，逐点测量每个参考点的信号强度，将参考点坐标与信号强度关联，形成训练数据库DB^(tr)，需要构建高密度虚拟数据库DB^(v)，参考点密度是ρ^(v)，ρ^(v)任意选取；

DB^(tr)中的训练数据为(X,Y)＝{(x_i,y_i)|i＝1,2,…,n}，首先在区域S中以密度ρ^(v)均匀选择参考点，随后对于所有参考点，采用公式(5)估计信号强度，采用公式(7)估计方差，在计算过程中，参数和l采用常规的超参数方法进行估计；至此，便基于高斯过程，在训练数据库DB^(tr)基础上，建立起了高密度虚拟数据库DB^(v)。

步骤2：两阶段无线信号指纹定位；

首先使用训练数据库确定用户大致范围，然后使用高密度的虚拟指纹数据库进行精确定位，从而提高室内环境的定位精度。

假设用户t时刻测量到的信号指纹为RSS_t，RSS_t＝{RSS_t,i,i＝1,2,…,b}，其中RSS_t,i表示t测量到的第i个信号源的信号强度，b表示信号源总数；

在第一阶段，首先使用训练数据库DB^(tr)进行粗略定位，计算RSS_t与DB^(tr)中所有参考点的信号距离：

其中，q为系数，这里使用曼哈顿距离，即q＝1，为训练数据库中第j个参考点测量到的第i个信号源的信号强度；

采用公式(9)计算出用户测量的信号与训练数据库DB^(tr)中所有参考点的信号距离，选择其中距离最小的k个参考点(k为大于1的整数)构成训练集TS；

下面进入第二阶段，请见图2，基于TS创建用户可能所处的范围S_t：

定位过程中，对高密度虚拟数据库DB^(v)中S_t范围内所有参考点，计算与用户测量信号的距离：

其中，δ_j,i表示高密度虚拟数据库DB^(v)中第j个参考点的信号估计方差，由公式(7)计算；为高密度虚拟数据库DB^(v)中第j个参考点测量到的第i个信号源的信号强度，采用公式(5)进行计算；公式(11)中的距离计算与传统KWNN区别是增加了参考点的估计方差：参考点估计方差越大，表示该参考点信号强度误差较大，则被选中概率相应降低；

选择其中距离最小的k个参考点(k为大于1的整数)，用户位置采用下式计算：

其中， 为参考点j的权重，计算如下：

d_t,j ^p表示d_t,j的p次方，p为可调参数，通过调节p获得最佳估计值；

位置估计的方差为：

得到户位置以及位置估计方差，完成定位过程。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (3)

1.一种基于高斯过程的两阶段无线信号指纹定位方法，其特征在于，包括以下步骤：

步骤1：基于高斯过程的虚拟数据库构建；

利用高斯过程，基于稀疏的训练数据库，生成高密度的虚拟指纹数据库；

步骤2：两阶段无线信号指纹定位；

首先使用训练数据库确定用户大致范围，然后使用高密度的虚拟指纹数据库进行精确定位，从而提高室内环境的定位精度。

2.根据权利要求1所述的基于高斯过程的两阶段无线信号指纹定位方法，其特征在于，步骤1的具体实现过程是：

假设位置相近的参考点信号强度具有相关性，即：

其中，x_i,x_j分别表示i,j点的坐标，其中x_i＝(a_i,b_i),x_j＝(a_j,b_j)；y_i,y_j分别表示i,j点处信号强度；是信号强度测量方差，δ_ij为Kronecker delta函数，定义如下：

k(x_i,x_j)为核函数，使用最广泛的核函数是高斯核函数：

式(3)中的和l分别是信号方差和尺度系数，这两个参数决定了位置近似参考点信号强度的相关程度；

给定一组训练数据(X,Y)＝{(x_i,y_i)|i＝1,2,…,n}，基于高斯过程估计空间中任意一点x的信号强度y的概率分布：

信号强度y服从均值为μ_x、方差为的正态分布，其中均值μ_x为：

其中，K为n×n矩阵，是信号强度测量方差，I为单位矩阵，k_x为n×1的向量，向量中的元素分别是未知点x与训练数据中所有点的相关系数：

k_x(i,0)＝k(x_i,x),x_i∈X (6)

信号强度y的方差为：

其中，K为n×n矩阵，矩阵中的元素为训练数据之间的相关性：

K(i,j)＝k(x_i,x_j),x_i,x_j∈X (8)

假设定位区域面积是S，通过人工的方法，逐点测量每个参考点的信号强度，将参考点坐标与信号强度关联，形成训练数据库DB^(tr)，需要构建高密度虚拟数据库DB^(v)，参考点密度是ρ^(v)，ρ^(v)任意选取；

DB^(tr)中的训练数据为(X,Y)＝{(x_i,y_i)|i＝1,2,…,n}，首先在区域S中以密度ρ^(v)均匀选择参考点，随后对于所有参考点，采用公式(5)估计信号强度，采用公式(7)估计方差，在计算过程中，参数和l采用常规的超参数方法进行估计；至此，便基于高斯过程，在训练数据库DB^(tr)基础上，建立起了高密度虚拟数据库DB^(v)。

3.根据权利要求2所述的基于高斯过程的两阶段无线信号指纹定位方法，其特征在于，步骤2的具体实现过程是：

假设用户t时刻测量到的信号指纹为RSS_t，RSS_t＝{RSS_t,i,i＝1,2,…,b}，其中RSS_t,i表示t测量到的第i个信号源的信号强度，b表示信号源总数；

在第一阶段，首先使用训练数据库DB^(tr)进行粗略定位，计算RSS_t与DB^(tr)中所有参考点的信号距离：

其中，q为系数，这里使用曼哈顿距离，即q＝1，为训练数据库中第j个参考点测量到的第i个信号源的信号强度；

采用公式(9)计算出用户测量的信号与训练数据库DB^(tr)中所有参考点的信号距离，选择其中距离最小的k个参考点构成训练集TS，k为大于1的整数；

下面进入第二阶段，基于TS创建用户可能所处的范围S_t：

定位过程中，对高密度虚拟数据库DB^(v)中S_t范围内所有参考点，计算与用户测量信号的距离：

其中，δ_j,i表示高密度虚拟数据库DB^(v)中第j个参考点的信号估计方差，由公式(7)计算；为高密度虚拟数据库DB^(v)中第j个参考点测量到的第i个信号源的信号强度，采用公式(5)进行计算；公式(11)中的距离计算与传统KWNN区别是增加了参考点的估计方差：参考点估计方差越大，表示该参考点信号强度误差较大，则被选中概率相应降低；

选择其中距离最小的k个参考点，用户位置采用下式计算：

其中， 为参考点j的权重，计算如下：

d_t,j ^p表示d_t,j的p次方，p为可调参数，通过调节p获得最佳估计值；

位置估计的方差为：

得到户位置以及位置估计方差，完成定位过程。