基于改进通用克里金插值的RSSI位置指纹构建方法与流程

本发明属于无线定位领域，具体涉及一种用于室内无线定位的RSSI位置指纹构建方法。
背景技术：
：泛在定位借助广泛分布的无线信号(WiFi(WirelessFidelity，无线保真技术)、蓝牙等)确定移动终端位置，能够辅助卫星导航定位提供无缝定位服务。位置指纹匹配作为泛在定位最主要的定位方法之一，能够提供较高的定位精度，但需要构建、维护和更新位置指纹数据库。构建数据库的传统做法是在每个定位格网点进行人工离线采集，耗费人力，且后期维护和更新工作量大。为了减轻数据采集、更新的工作量，采用插值方法是有效途径，即在少数格网点采集数据，利用插值方法估计其余格网点的数值。虽然传统插值方法能够直接用于RSSI插值，但不能顾及RSSI(ReceivedSignalStrengthIndicator，接收信号强度)的空间分布特性，插值精度有待提高。技术实现要素：本发明的目的在于克服现有技术的缺点和不足，提供一种插值精度高的RSSI位置指纹构建方法。为了实现以上目的，本发明提供了一种基于改进通用克里金插值的RSSI位置指纹构建方法，其包括以下步骤：步骤1.构建半方差模型1)根据数据点P1和P2以及信号发射器，首先选择离发射器近的数据点P1；2)然后在信号经过P2的传播路径上找到与P1距离发射器相等的点P2’，然后便得到向量和其中，用|h1|表示传播方向夹角对应的距离，用|h2|表示信号传播距离之差；3)计算|h1|和|h2|；4)根据上述两种新的向量，统计得到两组相应的半方差数据，然后分别拟合得到模型和5)将和套合得到最终的半方差模型，如下所示：γ^(h)=γ^1(h1)+γ^2(h2)---(1)]]>步骤2.RSSI插值估计克里金插值方法是以下线性估计式的变种：Z^(x0)-m(x0)=Σi=1nωi[Z(xi)-m(xi)]---(2)]]>其中，m(x0)和m(xi)分别是Z(x0)和Z(xi)的期望，x0表示插值点，而{xi}表示附近的采样点，ωi表示采样点xi的权值，Z(x0)可以当作是随机场，包含趋势m(x0)和残差R(x0)＝Z(x0)-m(x0)；对于RSSI而言，m(x0)不是常量而是与插值点坐标(x,y)相关的线性或更高阶的趋势；假设m(x)=Σk=1pβksk(x)---(3)]]>其中，sk(·)是位置函数，βk是未知参数；将(3)代入(2)，得Z^(x0)=Σi=1nωiZ(xi)+Σk=1pβksk(x0)-Σi=1nωiΣk=1pβksk(xi)---(4)]]>令Σk=1pβksk(x0)-Σi=1nωiΣk=1pβksk(xi)=0---(5)]]>就可以得到通用克里金估计Z^UK(x0)=Σi=1nωiUKZ(xi)---(6)]]>并Σk=1pβksk(x0)=Σi=1nωiΣk=1pβksk(xi)---(7)]]>为了简化，令Σi=1nωisk(xi)=sk(x0),k=1,...,p---(8)]]>此时仍然满足式(5)；那么我们就得到了具有p个条件的最小化问题，引入拉格朗日乘子λkL=σE2(x0)+2Σk=1pλk[Σi=1nωisk(xi)-sk(x0)]---(9)]]>分别求取λk和ωi偏导数，可得到求取克里金权值的方程组Σj=1nωjCov[Z(xi),Z(xj)]+Σk=1pλksk(xi)=Cov[Z(xi),Z(x0)],i=1,...,nΣi=1nωisk(xi)=sk(x0),k=1,...,p---(10)]]>以矩阵的形式表示为Cov11Cov12...Cov1ns11...s1pCov21Cov22...Cov2ns21...s2p.....................Covn1Covn2...Covnnsn1...snps11s12...s1n0...0.....................sp1sp2...spn0...0×ω1ω2...ωnλ1...λp=Cov10Cov20...Covn0s10...sp0---(11)]]>简化表达为C×ω＝D(12)那么权值为ω＝C-1×D(13)其中涉及的协方差通过半方差模型γ(·)得到，半方差利用式(1)得到；步骤3.构建位置指纹在利用以上插值方法估计出每个采样点的RSSI特征之后，首先得到来自其中一个信号源的RSSI特征分布，然后按照同样的步骤得到其它信号源的RSSI特征分布，最后将这些RSSI特征分布叠加，按照以每个采样点为单位的特征向量形式存储，便得到当前时刻的位置指纹数据。现有的传统半方差模型构建方法不能完整描述RSSI空间分布机构。不同点之间的RSSI变化率可能具有较大差异。比如，信号传播方向上的RSSI变化率要明显大于其切线方向上的RSSI变化率。本发明认为，除了共有的动态环境影响因素之外，不同点对之间都有各自独特的影响因素，比如传播方向不同导致的传播路径的局部环境不同，或者是信号传播距离差异。基于此，本发明针对这两种影响因素分别统计并构建了半方差模型，有区分地对待两种影响因素所对应的RSSI空间结构信息。因此，本发明采用将数据点之间的距离向量进行分解，分别统计并构建半方差模型，再套合形成RSSI半方差模型，从而能够有效提高插值精度。附图说明图1示出了RSSI空间分布特性。图2是本发明根据AP和两个采样点位置分解向量h的示意图。具体实施方式下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。如图1所示，以间隔1m采样的RSSI数据探讨其空间分布。信号源在图中已用红点标出。我们可以看到RSSI沿着信号传播方向逐渐变小。假设Z1、Z2、Z3和Z4四个已知点，Z0为待估点。我们发现，同Z0与Z1和Z3之间的距离和相比，Z0与Z2和Z4之间的距离和更近，但Z0与Z2、及与Z4之间值的差异却大于Z0与Z1及与Z3之间值的差异。其原因在于，Z0、Z2与Z4同处信号传播方向上，而Z0、Z1和Z3同处信号传播垂直方向上。而RSSI在信号传播方向上的变化率要明显大于在垂直于传播方向上的变化率。除了共有的动态环境影响因素之外，它们都有各自独特的影响因素。对于A、B点之间而言，主导因素是传播方向不同导致的传播路径的局部环境不同；而对于C、D点之间而言，主导因素是信号传播距离差异。而这两种因素所导致的RSSI差异很可能是不同层级的。RSSI空间分布特性体现在信号传播方向及非传播方向上的RSSI变化率不同，其中的原因是信号传播方向上导致差异的因素是信号传播距离之差，而非传播方向上导致差异的因素是信号传播方向之差。针对这两种不同主导因素，本发明提出将数据点之间的距离向量进行分解。本发明基于改进通用克里金插值的RSSI位置指纹构建分为三步，具体如下：(1)构建半方差模型1)如图2所示，已知数据点P1和P2以及信号发射器，首先选择离发射器近的数据点P1；2)然后在信号经过P2的传播路径上找到与P1距离发射器相等的点P2’，然后便得到向量和如图2所示，|h1|表示传播方向夹角对应的距离，而|h2|表示信号传播距离之差；3)计算|h1|和|h2|。4)根据两种新的向量，统计得到两组相应的半方差数据，然后分别拟合得到模型和5)将和套合得到最终的半方差模型，γ^(h)=γ^1(h1)+γ^2(h2)---(1)]]>(2)RSSI插值估计通用克里金插值因为考虑了变量的地理统计规律而成为插值的首选。克里金插值方法是以下线性估计式的变种，Z^(x0)-m(x0)=Σi=1nωi[Z(xi)-m(xi)]---(2)]]>其中，m(x0)和m(xi)分别是Z(x0)和Z(xi)的期望，x0表示插值点，而{xi}表示附近的采样点，ωi表示采样点xi的权值。Z(x0)可以当作是随机场，包含趋势m(x0)和残差R(x0)＝Z(x0)-m(x0)。对于RSSI而言，m(x0)不是常量而是与插值点坐标(x,y)相关的线性或更高阶的趋势。假设m(x)=Σk=1pβksk(x)---(3)]]>其中，sk(·)是位置函数，βk是未知参数。这类克里金方法称作为UK(通用克里金)。将(3)代入(2)得Z^(x0)=Σi=1nωiZ(xi)+Σk=1pβksk(x0)-Σi=1nωiΣk=1pβksk(xi)---(4)]]>令Σk=1pβksk(x0)-Σi=1nωiΣk=1pβksk(xi)=0---(5)]]>就可以得到通用克里金估计Z^UK(x0)=Σi=1nωiUKZ(xi)---(6)]]>并Σk=1pβksk(x0)=Σi=1nωiΣk=1pβksk(xi)---(7)]]>为了简化，令Σi=1nωisk(xi)=sk(x0),k=1,...,p---(8)]]>此时仍然满足式(5)。那么我们就得到了具有p个条件的最小化问题，引入拉格朗日乘子λkL=σE2(x0)+2Σk=1pλk[Σi=1nωisk(xi)-sk(x0)]---(9)]]>分别求取λk和ωi偏导数，可得到求取克里金权值的方程组Σj=1nωjCov[Z(xi),Z(xj)]+Σk=1pλksk(xi)=Cov[Z(xi),Z(x0)],i=1,...,nΣi=1nωisk(xi)=sk(x0),k=1,...,p---(10)]]>以矩阵的形式表示为Cov11Cov12...Cov1ns11...s1pCov21Cov22...Cov2ns21...s2p.....................Covn1Covn2...Covnnsn1...snps11s12...s1n0...0.....................sp1sp2...spn0...0×ω1ω2...ωnλ1...λp=Cov10Cov20...Covn0s10...sp0---(11)]]>简化表达为C×ω＝D(12)那么权值为ω＝C-1×D(13)其中那个涉及的协方差一般通过半方差模型γ(·)得到，在本发明中，半方差是利用式(1)得到的。(3)构建位置指纹在利用以上插值方法估计出每个采样点的RSSI特征之后，首先得到来自其中一个信号源的RSSI特征分布，然后按照同样的步骤得到其它信号源的RSSI特征分布，最后将这些RSSI特征分布叠加，按照以每个采样点为单位的特征向量形式存储，便得到当前时刻的位置指纹数据。在现有技术中，传统的半方差模型构建方法不能完整地描述RSSI空间分布机构。不同点之间的RSSI变化率可能具有较大差异。比如，信号传播方向上的RSSI变化率要明显大于其切线方向上的RSSI变化率。本发明认为，除了共有的动态环境影响因素之外，不同点对之间都有各自独特的影响因素，比如传播方向不同导致的传播路径的局部环境不同，或者是信号传播距离差异。基于此，本发明针对这两种影响因素分别统计并构建了半方差模型，有区分地对待两种影响因素所对应的RSSI空间结构信息。因此，本发明采用将数据点之间的距离向量进行分解，分别统计并构建半方差模型，再套合形成RSSI半方差模型。实际应用效果表明，本发明的方法能够有效提高插值精度。上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他任何在未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均因为等效的置换方式，都包含在本发明的保护范围之内。当前第1页1 2 3