CN111669702A - 基于wifi地址与场强的粗精匹配定位方法 - Google Patents

基于wifi地址与场强的粗精匹配定位方法 Download PDF

Info

Publication number
CN111669702A
CN111669702A CN202010498251.2A CN202010498251A CN111669702A CN 111669702 A CN111669702 A CN 111669702A CN 202010498251 A CN202010498251 A CN 202010498251A CN 111669702 A CN111669702 A CN 111669702A
Authority
CN
China
Prior art keywords
class
address
fingerprint
matching
wifi
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.)
Withdrawn
Application number
CN202010498251.2A
Other languages
English (en)
Inventor
李昕
刘春艳
王坚
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202010498251.2A priority Critical patent/CN111669702A/zh
Publication of CN111669702A publication Critical patent/CN111669702A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination

Landscapes

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

Abstract

本发明提供基于WIFI地址与场强的粗精匹配定位方法，包括：步骤1：进行四边形格网或三角形网状指纹点布局；步骤2：采集数据并预处理，建立指纹数据库；步骤3：对指纹数据库进行聚类分块处理，计算每一个指纹数据库类的类中心，包括类中心信号强度矢量及其对应的类地址向量；步骤4：利用实时WIFI信号的接入点地址信息与每一类的地址向量进行粗匹配，实现大致的类范围估计；步骤5：计算实时WIFI信号强度值与粗匹配后获得的类中的WIFI信号强度中心矢量之间的距离和所属概率进行精确地确定所在类，以增强类匹配准确度；步骤6：在精准确定的类集合中，通过WKNN算法计算目标的最终位置。本发明可减少指纹采集的工作量及定位计算量，并提高WIFI定位的精度。

Description

基于WIFI地址与场强的粗精匹配定位方法
技术领域
本发明涉及WIFI定位技术领域，具体涉及一种基于WIFI地址与场强的粗精匹配定位方法。
背景技术
目前，WIFI定位是比较流行的一种室内定位技术，其定位方法是基于信号强度的传播模型法和指纹识别法。信号强度的传播模型法，是指使用当前环境下假设的某种信道衰落模型，根据其数学关系估计终端与已知位置AP间的距离，如果用户听到多个AP(AccessPoint，简称为AP)信号，就可以通过三边定位算法来获得用户的位置信息；指纹识别法，则是基于WIFI信号的传播特点，将多个AP的检测数据组合成指纹信息，通过与参考数据对比来估计移动物体可能的位置。在定位精度为米级的一些场景，可利用WIFI进行覆盖，该技术适用于对人/车的定位导航，医疗机构、商场、主题公园等场景。
对于商场、机场等人流密集场景，WIFI信号有可能会被频繁遮挡，变化比较复杂WIFI信号传播模型法难于建立，所以一般采用基于指纹库法。而指纹库方法也同样面临两大难题：一是大的定位范围需要巨大的指纹采集工作量；二是指纹库越大，计算量越大，造成的误匹配也越多，影响定位精度。
发明内容
为了弥补现有技术中的缺陷，本发明提供一种基于WIFI地址与场强的粗精匹配定位方法。
为了实现上述目的，本发明采用如下技术方案：
基于WIFI地址与场强的粗精匹配定位方法，包括如下步骤：
步骤1：根据定位场所面积大小和定位需求进行四边形格网或三角形网状指纹点布局；
步骤2：采集数据并进行预处理，建立指纹数据库；
步骤3：对指纹数据库进行聚类分块处理，并计算每一个指纹数据库类的类中心，包括类中心信号强度矢量及其对应的类地址向量；
步骤4：利用实时WIFI信号的接入点地址信息与每一类的地址向量进行粗匹配，实现大致的类范围估计；
步骤5：利用实时WIFI信号强度值与粗匹配后获得的类指纹数据库的WIFI信号强度中心矢量值进行距离与概率计算，精确地确定所在类，以增强类匹配准确度；
步骤6：在精准确定的类集合中，计算定位目标的最终位置。
进一步的，步骤2，采集的数据有：WIFI信号强度、WIFI接入点AP地址信息、指纹点真实坐标。
进一步的，定义每个接入点所接收到WIFI信号强度值的非零个数与该点的总观测个数比例达75％为有效接入点，对每个指纹点的观测数据提取平均信号强度最大的前10个有效接入点观测量，作为指纹数据库建立的基础数据。如果有效信号小于10个，则全部作为接入点观测量。
进一步的，步骤3，利用最大信号强度信息，建立聚类指纹库，其聚类流程如下所示：
①以第1个指纹点作为第一个类的聚类起点；
②计算下一个指纹点所包含的AP地址分别与现有类AP地址相同的数量值NiAP，然后取出NiAP中的最大值NIAP；其中，类地址是指同一个类中所有指纹点共同包含的AP地址；NiAP表示该指纹点与第i类的相同AP地址数量；
③判断该指纹点的类归属；若满足NIAP≥CNAP，则将该点归入第I类集合，同时保留该点与第I类原有类地址集合的交集，更新第I类的类地址集合，作为下一个指纹点接入点地址的比较依据；否则，将该点作为下一个新类的聚类起点；CNAP为同一类中相同接入点AP个数，即聚类参数；
④重复步骤②和③，直至全部点分类完成。
进一步的，步骤3，计算每一个指纹数据库类的类中心，包括类中心信号强度矢量及其对应的类地址向量；类中心信号强度矢量包括信号强度的平均值和标准差，计算公式如下所示：
Figure BDA0002523696290000021
Figure BDA0002523696290000031
式中，
Figure BDA0002523696290000032
表示在m类中指纹点i所采集到的该类中n个AP的场强值；
Figure BDA0002523696290000033
和σm是第m类的类中心信号强度均值矢量和标准差矢量，其中
Figure BDA0002523696290000034
σm＝{σ1,m,σ2,m,…,σn,m} (5)
n是指第m类中的相同Mac地址个数，Dm是指第m类包含的点个数。
进一步的，步骤4，利用实时接收到的信号接入点AP地址信息与指纹库类中心的地址向量进行粗匹配，确定一个大致的类范围；该粗匹配方法采用双层过滤技术，通过两次连续过滤，逐渐缩小搜索空间，两次过滤依次是：
第一步过滤，使用定位目标实时接收到最大信号强度RSSI对应的AP地址进行过滤，得到一个搜索空间；
第二步过滤，使用定位目标实时接收到前N个最大信号强度RSSI对应接入点AP地址对上层搜索结果进行过滤。
进一步的，步骤5，利用WIFI信号强度值与各类指纹数据库的WIFI信号强度中心矢量之间的距离进行精确地确定所在类，以增强类匹配准确度，其步骤包括：
第一步，判断基于WIFI地址最大匹配率出现次数，若为1，则将对应的类序号赋值予最终确定类；否则进入第二步基于信号特征的精匹配；
第二步，根据相同接入点地址，按照公式(6)-(7)计算实时接收信号矢量到各类中心矢量的距离与所属概率关系；即当用户实时接收到WIFI信号强度s时，对s进行相关的预处理，然后计算s与各类中心
Figure BDA0002523696290000035
之间的距离：
Figure BDA0002523696290000036
对类集合的信号强度分布使用高斯模型建模，其概率密度函数为：
Figure BDA0002523696290000037
通过公式8进行选择，将信号矢量距离相对较小且所属概率相对较大的类序号赋值给最终的确定类：
cm＝pm(s)/dm (8)
选定cm值最大的类作为匹配目标，而无需对整个指纹数据库进行逐一搜索。
进一步的，步骤6，在精准确定的类集合中应用加权近邻法KWNN实现最终的位置计算。
本发明的有益效果：(1)本发明给出了离线样本点布设成四边形格网或交叉三角形网状结构的设计，在定位精度不会相差太多的情况下，三角形格网相对四边形格网采样点少1/2，使得离线采样工作量减少了一半。
(2)本发明利用最大信号强度信息，建立聚类指纹库。通过计算下一个指纹点所包含的AP地址分别与现有类AP地址相同的数量值，给出确定了最优聚类参数的方法。
(3)本发明首先利用实时信号的接入点地址信息与类中心的地址向量进行粗匹配，实现大致的类范围估计；然后进一步的利用信号强度值与各类指纹数据库的信号强度中心矢量之间的距离与所属概率进行计算，以更精确地确定所在类，以增强类匹配准确度。以四边形网状结构指纹库的数据作双重类匹配运算分析，匹配结果表明精匹配较粗匹配最大提高了2.7倍的正确率；且通过实验给出了指纹数据库动态定位时的最优匹配参数的方法。最后在精准确定的类集合中应用加权近邻法KWNN实现最终的位置计算。
附图说明
图1为本发明流程图；
图2为四边形格网结构的指纹点布设；
图3为三角形格网结构的指纹点布设；
图4为指纹数据库的聚类情况(部分区域)，(a)5号点类匹配结果，(b)24号点类匹配结果。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。
基于指纹数据库的室内定位方法主要分为两个步骤：离线信号采集建立指纹库和在线匹配计算目标位置。离线过程包括指纹点布局设计、数据采集预处理与建库，以及为减少匹配工作量作数据库聚类分块处理；针对聚类指纹数据库的在线阶段也包括两部分内容，一是指纹库类匹配缩减匹配空间，二是在指定类中结合相关定位算法实现目标位置计算。
1.1指纹点布局结构设计
通过对不同结构布局指纹点数据库的定位误差分析，基于四边形指纹数据库的平均误差仅比基于三角形指纹数据库的平均定位误差低0.34m，最大误差低2.64m，但两者在5m以内误差的概率基本相同，表明在狭长环境下，可考虑将离线样本点布设成交叉三角形网状结构，在定位精度不会相差太多的情况下，相对四边形规则格网采样点少1/2，使得离线采样工作量减少了一半。所以，如果在范围较大场景，可选择三角形网格。
1.2离线数据采集及预处理
通过原始数据比较，发现不同方向所接收到的信号强度之差最大可达20dB；将每个接入点所接收到信号强度值的非零个数与总观测个数之比达75％定位为有效接入点；取每个指纹点上平均信号强度最大的前10个有效接入点观测量，作为指纹数据库建立的基础数据。如果有效信号小于10个，则全部作为接入点观测量。
1.3建立聚类指纹数据库
WIFI指纹定位方法需构建离线指纹数据库，在较大区域的室内环境下所需要的指纹数据库相对庞大，导致在进行数据库实时匹配过程中计算量较大。因此，考虑对指纹数据库进行聚类分块处理，使实时匹配定位时只需与其中一个子类块进行匹配，而无需对整个指纹数据库全部逐一匹配，可减小算法的实时计算量。
聚类分块是将集合中元素按照特征相似度聚合在一起，基本原则是类中的特征相似度大于不同类元素的特征相似度。
利用最大信号强度信息，建立聚类指纹库。其聚类流程如下所示：
①以第1个指纹点作为第一个类的聚类起点。
②计算下一个指纹点所包含的接入点地址分别与现有类类地址相同的数量值NiAP(NiAP表示该指纹点与第i类的相同接入点数量)，然后取出NiAP中的最大值NIAP。其中，类地址是指同一个类中所有指纹点共同包含的接入点地址。
③判断该指纹点的类归属。若满足NIAP≥CNAP，则将该点归入第I类集合，同时保留该点与第I类原有类地址集合的交集，更新第I类的类地址集合，作为下一个指纹点接入点地址的比较依据；否则，将该点作为下一个新类的聚类起点。
④重复步骤②和③，直至全部点分类完成。
该方法涉及一个自定义参数——同一类中相同接入点AP个数CNAP，称之为聚类参数。在本实验场景，确定了两种指纹数据库的最优聚类参数CNAP值均为7。实验结果显示，聚类参数为7时，指纹定位平均误差最小，且误差在5m以内的概率值最大。
1.4计算每一个指纹数据库类的类中心
待设定好指纹数据库的聚类参数后，对指纹数据库进行聚类处理。首选计算每一个指纹数据库类的类中心，包括类中心信号强度矢量及其对应的类地址向量，用于后续的在线匹配运算。类中心信号强度矢量通常包括信号强度的平均值和标准差，计算公式如下所示：
Figure BDA0002523696290000061
Figure BDA0002523696290000062
式中，
Figure BDA0002523696290000063
和σm是第m类的类中心信号强度均值矢量和标准差矢量，其中
Figure BDA0002523696290000064
σm＝{σ1,m,σ2,m,…,σn,m} (4)
n是指第m类中的相同Mac地址个数，Dm是指第m类包含的点个数，而
Figure BDA0002523696290000065
表示在m类中指纹点i所采集到的该类中n个AP的场强值。
继聚类处理后，在实时匹配阶段，当用户实时接收到WIFI信号强度s时，对s进行相关的预处理，然后计算s与各类中心
Figure BDA0002523696290000066
之间的距离如下：
Figure BDA0002523696290000067
对类集合的信号强度分布使用高斯模型建模，其概率密度函数为：
Figure BDA0002523696290000068
通过公式8进行选择，将信号矢量距离相对较小且所属概率相对较大的类序号赋值给最终的确定类：
cm＝pm(s)/dm (8)
选定cm值最大的类作为匹配目标，而无需对整个指纹数据库进行逐一搜索，从而大大减小室内定位***的实时计算量，提高算法的实时性能。
1.5在线双重类匹配运算
对原始获取的信号强度以“取强去弱”的方式进行预处理，即选择同一位置点上接收到的信号强度值最强的前10个接入点信息，与指纹数据库进行匹配定位。如果有效信号小于10个，则全部作为接入点观测量。
在线匹配定位时，首先利用实时信号的接入点地址信息与类中心的地址向量进行粗匹配，实现大致的类范围估计；然后进一步的，利用信号强度值与各类指纹数据库的信号强度中心矢量之间的距离作精确类的确定，增强类匹配准确度，从而提高定位精度。
1.5.1信号AP地址辅助指纹库类粗匹配运算
利用实时接收到的信号接入点AP地址信息与指纹库类中心的地址向量进行粗匹配，确定一个大致的类范围。该粗匹配方法采用参考点层过滤技术，该技术通过两次连续过滤，逐渐缩小搜索空间，两次过滤依次是：
第一步过滤，使用目标TP(TP,Test Point)实时接收到最大信号强度RSSI对应的接入点AP的Mac地址进行过滤，得到一个搜索空间。
第二步过滤，使用目标TP实时接收到前N个最大信号强度RSSI对应接入点AP的Mac地址对上层搜索空间进行过滤。
这就需要确定第二步过滤中最大信号强度的AP接入点个数N，称之为匹配参数MNAP。将各测试点的前MNAP个最大信号强度对应的接入点AP地址与相应类中心地址Mac集合相对比。首先进行静态定位测试，由于这些静态点是从指纹库中所选取，其所在类是已知的，因此，采用类匹配正确率RigR指标来评价类匹配的准确度。
在本实验场景，以对四边形指纹数据库的类匹配测试为例，其类匹配结果如下表所示：
表1静态测试点的粗匹配结果
Figure BDA0002523696290000081
其中，MNAP为匹配参数，表示测试点前MNAP个最大信号强度；ProR表示在类匹配过程中，各测试点经地址匹配，根据最大匹配率确定所在类集合，其中有包括类真值的概率，即正确类匹配的可能概率；RigR表示在类匹配过程中，唯一最大地址匹配所在类集合与测试点所在类真值相同的概率值，即正确数据类匹配的准确率。
对比表中基于四边形类指纹数据库的类匹配结果，当MNAP值较小(如取1、2)时，可能匹配的概率ProR相对较大，但此时正确匹配率RigR却非常小，因此N值不宜取1或2。当N为5时，其正确匹配概率最高，达到41％。具体检查表数据，当N为5时，ProR与RigR分别对应的点数为为15和11，即有11个点是依靠唯一最大地址匹配率得到正确指纹库类匹配的，另外还有4个点，其最大地址匹配率曾出现在多个类中，经检查，其详情如下表所示：
表2类匹配的部分结果
Figure BDA0002523696290000082
其中，RouC表示由两次连续过滤匹配得到的类序号，RelC表示真实类序号。
图是指纹数据库的局部聚类情况，第4个类指纹库与第5个类指纹库相邻，第37个类指纹库与第25、36及38个类指纹库相邻关系。说明粗匹配得到了一个相邻的类范围。
由指纹库聚类处理结果知，四边形指纹数据库共390个指纹点，共分成39个指纹数据类，其中第1到第24类、第25到第31类、第32到第39类，以及第23、24与31类和第25、26与37类在几何结构上分别是依次紧邻的指纹类集合。表中MNAP＝10可能匹配率ProR与正确匹配率RigR对应的定位点个数分别是22和7，它们的具体类匹配情况如表3所示。表中显示，当粗匹配唯一确定类序号时存在两种情况，一是正确匹配，二是匹配到邻近类，前者占58.3％，后者占41.7％；其余15/27的定位点利用接入点AP地址信息进行的粗匹配得到一个类范围，该类范围在几何结构上存在邻近关系。
由此，根据以上的类匹配结果不难看出，在利用WIFI接入点地址信息进行类匹配时，易匹配至邻近多个类集合，正确匹配率并不高。因此，需要考虑做进一步的匹配运算，以提高类匹配的正确概率。
表3类匹配部分结果
Figure BDA0002523696290000091
其中，RouC表示粗匹配得到的类序号，ExaC表示基于下文采用信号强度精匹配得到的类序号，RelC表示真实类序号。
1.5.2信号强度辅助指纹库类精匹配运算
根据上文粗匹配结果，导致正确匹配率低的很大原因是产生了邻近类匹配，这是由于邻近类集合的样本点在几何位置上相对靠近，同属于一个片区，能接收到的接入点AP具有很大的相似性。因此，为避免因匹配到邻近类而产生较大误差，可根据信号强度特征，考虑在可能正确匹配的范围内，做进一步的类精匹配，其步骤包括：
第一步，判断基于WIFI地址最大匹配率出现次数，若为1，则将对应的类序号赋值予最终确定类；否则进入第二步基于信号特征的精匹配。
第二步，根据相同接入点地址，计算实时接收信号矢量到类中心矢量的距离及所属类概率。根据信号传播特征得知，两个数据采集点之间的几何距离越近，它们所接收到的信号强度值相近的可能性越高的。按照公式8进行选择计算，确定最终的类。
采用以上精匹配方法，对粗匹配后的结果做进一步的精匹配运算，得到类匹配的最终结果如下表所示：
表4静态测试点的精匹配结果
Figure BDA0002523696290000101
对比基于接入点地址粗匹配的结果表和进一步精匹配的结果表，基于信号矢量距离的精匹配比粗匹配的正确匹配率最大提高了2.7倍，其最大正确匹配概率对应的匹配参数MNAP为3。
然后进行动态定位实验，将用户实时接收到的WIFI信号强度及地址信息，以接入点地址作粗匹配运算，继而使用信号强度与粗匹配确定类的信号中心矢量间距离作精匹配运算，根据不同匹配参数的定位精度评价匹配效果，确定动态定位时的最优匹配参数。表5是对四边形指纹数据库作双重类匹配运算，然后利用常规KNN算法实现的定位结果。
表5基于WIFI地址与场强的粗精匹配定位结果
Figure BDA0002523696290000102
从表5中各定位误差值可以看到，当类匹配参数MNAP取5时，平均误差最小，为4.09m，相应的最大误差也最小，且定位误差小等于5m的概率最大。因此，在使用四边形指纹数据库进行动态定位时，类匹配参数MNAP应取值为5。
分析动静态定位的匹配参数不一致的原因，是因为静态定位数据是指纹数据库中随机抽选出来的，数据采集特征与指纹数据库一致，四个方向采集，且数据采集次数为40次，所以匹配正确的概率较高；而动态定位时的数据，只采取一组接收到的无线信号数据，即当所扫描信号发生变化更新时，立即使用新数据进行定位计算，因为信号的随机性导致正确匹配存在较大挑战，也使得两种测试方案(动态定位与静态定位)的匹配参数MNAP不同。
1.6 WKNN定位算法
经过对指纹数据库类集合从粗到精的匹配运算之后，只需在所确定的集合中进行匹配定位计算，而无需对整个指纹数据库进行逐一搜索，大大地减小了室内定位***的实时计算量，确保算法的实时性。
在选定的类中使用加权K近邻算法(Weighted K Nearest Neighborhood,WKNN)进行定位。K近邻算法是指选取RSS欧式距离前K个最小的位置指纹点，然后计算这些指纹点的平均位置坐标作为用户的定位结果：
Figure BDA0002523696290000111
其中，(xi,yi)是所确定指纹类集合中的第i个最近邻的指纹点所对应的坐标；
Figure BDA0002523696290000113
是输出的定位结果。进一步，WKNN考虑到此K个指纹点处的信号强度值与实测RSS信号强度之间距离的不同，使得不同近邻指纹点的权重也是不同的。以计算得到的欧式距离倒数为权值，计算位置坐标为：
Figure BDA0002523696290000112
其中，di是实测RSS样本向量与所确定类中的第i个最近邻的指纹点相应接入点AP均值之间的RSS欧氏距离。将信号欧式距离的倒数设为邻近算法的加权系数，使实测RSS距离较小的指纹点位置坐标权重更大，可以在一定程度上提高其定位精度。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于WIFI地址与场强的粗精匹配定位方法，其特征在于，包括如下步骤：
步骤1：根据定位场所面积大小和定位需求进行四边形格网或三角形网状指纹点布局；
步骤2：采集数据并进行预处理，建立指纹数据库；
步骤3：对指纹数据库进行聚类分块处理，并计算每一个指纹数据库类的类中心，包括类中心信号强度矢量及其对应的类地址向量；
步骤4：利用实时WIFI信号的接入点地址信息与每一类的地址向量进行粗匹配，实现大致的类范围估计；
步骤5：利用实时WIFI信号强度值与粗匹配后获得的类指纹数据库的WIFI信号强度中心矢量值进行距离与概率计算，精确地确定所在类，以增强类匹配准确度；
步骤6：在精准确定的类集合中，计算定位目标的最终位置。
2.根据权利要求1所述的基于WIFI地址与场强的粗精匹配定位方法，其特征在于，步骤2，采集的数据有：WIFI信号强度、WIFI接入点AP地址信息、指纹点真实坐标。
3.根据权利要求2所述的基于WIFI地址与场强的粗精匹配定位方法，其特征在于，定义每个接入点所接收到WIFI信号强度值的非零个数与该点的总观测个数比例达75％为有效接入点，对每个指纹点的观测数据提取平均信号强度最大的前10个有效接入点观测量，作为指纹数据库建立的基础数据。如果有效信号小于10个，则全部作为接入点观测量。
4.根据权利要求1所述的基于WIFI地址与场强的粗精匹配定位方法，其特征在于，步骤3，利用最大信号强度信息，建立聚类指纹库，其聚类流程如下所示：
①以第1个指纹点作为第一个类的聚类起点；
②计算下一个指纹点所包含的AP地址分别与现有类AP地址相同的数量值NiAP，然后取出NiAP中的最大值NIAP；其中，类地址是指同一个类中所有指纹点共同包含的AP地址；NiAP表示该指纹点与第i类的相同AP地址数量；
③判断该指纹点的类归属；若满足NIAP≥CNAP，则将该点归入第I类集合，同时保留该点与第I类原有类地址集合的交集，更新第I类的类地址集合，作为下一个指纹点接入点地址的比较依据；否则，将该点作为下一个新类的聚类起点；CNAP为同一类中相同接入点AP个数，即聚类参数；
④重复步骤②和③，直至全部点分类完成。
5.根据权利要求1所述的基于WIFI地址与场强的粗精匹配定位方法，其特征在于，步骤3，计算每一个指纹数据库类的类中心，包括类中心信号强度矢量及其对应的类地址向量；类中心信号强度矢量包括信号强度的平均值和标准差，计算公式如下所示：
Figure FDA0002523696280000021
Figure FDA0002523696280000022
式中，
Figure FDA0002523696280000023
表示在m类中指纹点i所采集到的该类中n个AP的场强值；
Figure FDA0002523696280000024
和σm是第m类的类中心信号强度均值矢量和标准差矢量，其中
Figure FDA0002523696280000025
σm＝{σ1,m,σ2,m,…,σn,m} (5)
n是指第m类中的相同Mac地址个数，Dm是指第m类包含的点个数。
6.根据权利要求1所述的基于WIFI地址与场强的粗精匹配定位方法，其特征在于，步骤4，利用实时接收到的信号接入点AP地址信息与指纹库类中心的地址向量进行粗匹配，确定一个大致的类范围；该粗匹配方法采用双层过滤技术，通过两次连续过滤，逐渐缩小搜索空间，两次过滤依次是：
第一步过滤，使用定位目标实时接收到最大信号强度RSSI对应的AP地址进行过滤，得到一个搜索空间；
第二步过滤，使用定位目标实时接收到前N个最大信号强度RSSI对应接入点AP地址对上层搜索结果进行过滤。
7.根据权利要求1所述的基于WIFI地址与场强的粗精匹配定位方法，其特征在于，步骤5，利用WIFI信号强度值与各类指纹数据库的WIFI信号强度中心矢量之间的距离进行精确地确定所在类，以增强类匹配准确度，其步骤包括：
第一步，判断基于WIFI地址最大匹配率出现次数，若为1，则将对应的类序号赋值予最终确定类；否则进入第二步基于信号特征的精匹配；
第二步，根据相同接入点地址，按照公式(6)-(7)计算实时接收信号矢量到各类中心矢量的距离与所属概率关系；即当用户实时接收到WIFI信号强度s时，对s进行相关的预处理，然后计算s与各类中心
Figure FDA0002523696280000031
之间的距离：
Figure FDA0002523696280000032
对类集合的信号强度分布使用高斯模型建模，其概率密度函数为：
Figure FDA0002523696280000033
通过公式8进行选择，将信号矢量距离相对较小且所属概率相对较大的类序号赋值给最终的确定类：
cm＝pm(s)/dm (8)
选定cm值最大的类作为匹配目标，而无需对整个指纹数据库进行逐一搜索。
8.根据权利要求1所述的基于WIFI地址与场强的粗精匹配定位方法，其特征在于，步骤6，在精准确定的类集合中应用加权近邻法KWNN实现最终的位置计算。
CN202010498251.2A 2020-06-04 2020-06-04 基于wifi地址与场强的粗精匹配定位方法 Withdrawn CN111669702A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010498251.2A CN111669702A (zh) 2020-06-04 2020-06-04 基于wifi地址与场强的粗精匹配定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010498251.2A CN111669702A (zh) 2020-06-04 2020-06-04 基于wifi地址与场强的粗精匹配定位方法

Publications (1)

Publication Number Publication Date
CN111669702A true CN111669702A (zh) 2020-09-15

Family

ID=72385990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010498251.2A Withdrawn CN111669702A (zh) 2020-06-04 2020-06-04 基于wifi地址与场强的粗精匹配定位方法

Country Status (1)

Country Link
CN (1) CN111669702A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111935820A (zh) * 2020-09-24 2020-11-13 腾讯科技（深圳）有限公司 基于无线网络的定位实现方法及相关设备
CN114845388A (zh) * 2022-05-17 2022-08-02 电子科技大学 一种分方向熵加权wknn的位置指纹室内定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105044662A (zh) * 2015-05-27 2015-11-11 南京邮电大学 一种基于wifi信号强度的指纹聚类多点联合室内定位方法
CN107333238A (zh) * 2017-07-03 2017-11-07 杭州电子科技大学 一种基于支持向量回归的室内指纹快速定位方法
CN110519692A (zh) * 2019-09-12 2019-11-29 中南大学 基于贝叶斯-k均值聚类的定位分区方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105044662A (zh) * 2015-05-27 2015-11-11 南京邮电大学 一种基于wifi信号强度的指纹聚类多点联合室内定位方法
CN107333238A (zh) * 2017-07-03 2017-11-07 杭州电子科技大学 一种基于支持向量回归的室内指纹快速定位方法
CN110519692A (zh) * 2019-09-12 2019-11-29 中南大学 基于贝叶斯-k均值聚类的定位分区方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘春燕: "基于WIFI与惯性技术的行人室内定位算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111935820A (zh) * 2020-09-24 2020-11-13 腾讯科技（深圳）有限公司 基于无线网络的定位实现方法及相关设备
CN114845388A (zh) * 2022-05-17 2022-08-02 电子科技大学 一种分方向熵加权wknn的位置指纹室内定位方法
CN114845388B (zh) * 2022-05-17 2023-02-28 电子科技大学 一种分方向熵加权wknn的位置指纹室内定位方法

Similar Documents

Publication Publication Date Title
CN110012428B (zh) 一种基于WiFi的室内定位方法
CN107948930B (zh) 基于位置指纹算法的室内定位优化方法
CN104703143B (zh) 一种基于wifi信号强度的室内定位方法
CN106646338B (zh) 一种快速精确的室内定位方法
CN112887902B (zh) 一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法
CN108802722B (zh) 一种基于虚拟谱的弱目标检测前跟踪方法
CN109951807A (zh) 基于WiFi信号的融合RSS和CSI室内定位方法
CN106851571B (zh) 一种基于决策树的快速KNN室内WiFi定位方法
CN112135248B (zh) 一种基于K-means最优估计的WIFI指纹定位方法
CN105491661B (zh) 基于改进的Kalman滤波算法的室内定位***及方法
CN106851573A (zh) 基于对数路径损耗模型的联合加权k近邻室内定位方法
CN110049549B (zh) 基于WiFi指纹的多融合室内定位方法及其***
CN104581644B (zh) 基于径向基插值的室内wlan指纹数据库多点自适应更新方法
CN102695272B (zh) 一种匹配定位的方法和移动终端
CN109348416B (zh) 基于二分k均值的指纹室内定位方法
CN107677989B (zh) 一种基于rssi最大值进行rssi去除噪声的室内位置定位方法
CN108924756A (zh) 基于WiFi双频带的室内定位方法
CN111669702A (zh) 基于wifi地址与场强的粗精匹配定位方法
CN108521631B (zh) 一种面向室内定位的移动ap识别方法
CN111757257B (zh) 一种克服设备差异的动态模糊匹配室内定位方法
CN108445443B (zh) 一种基于knn的指纹点聚类方法
CN109600711B (zh) 一种基于信道响应频域和空域联合处理的室内定位方法
CN108519579B (zh) 基于区间重叠度分析优选AP的WiFi指纹定位方法
CN108761385A (zh) 一种基于ap虚拟坐标进行指纹点聚类的室内位置定位方法
CN113518308B (zh) 室内定位中最佳ap筛选方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200915