何满足公式(4)的指纹都被选入拓展搜索范围B。
[0054] 满足公式(3)和公式(4)的指纹构成基于矩形的指纹搜索范围，S卩：基本搜索范围A 和拓展搜索范围B的并集。
[0055] (2)对于预先设置的搜索形状为圆形，预先设定其半径，搜索范围的确定具体如 下：
[0056]对于基本搜索范围A圆的中心位置是1〇,半径可以设为固定值do,或者自适应值Cido。圆形基本搜索范围A定义如下：
[0057]
(5)
[0058] 对于拓展搜索范围B，lint是圆的中心位置。圆的半径可被设定为固定值do，或者适 应值+碭，其中~和％分别是向东和向北位置的标准差，C2是随RSS最大值max(RSS) 负相关变化的自适应参数。圆形拓展搜索范围B定义如下：
[0059]
(6)
[0060] 任何满足公式(6)的指纹都被选入拓展搜索范围B。最终满足公式(5)和公式(6)的 指纹构成基于圆形的指纹搜索范围，即：基本搜索范围A和拓展搜索范围B的并集。
[0061] (3)对于预先设置的搜索形状为椭圆形，预先设定椭圆的主轴和次轴来确定搜索 范围，具体如下：
[0062]基本搜索范围A的椭圆中心位置是1〇。椭圆的主轴和次轴可以设为固定值do,或者 自适应值CkIo。椭圆形基本搜索范围A定义如下：
[0063]
(7)
[0064] 其中rFP是无线信号地图数据库中的指纹三维位置坐标。对于拓展搜索范围B，lint 是椭圆的中心位置。椭圆的主轴和次轴可被设定为固定值do，或者适应值C2〇e和C2〇n，其中 和ση分别是向东和向北位置的标准差，C2是随RSS最大值max(RSS)负相关变化的自适应参 数。椭圆形拓展搜索范围B定义如下：
[0065]
(8)
[0066] 最终满足公式(7)和公式(8)的指纹构成基于椭圆的指纹搜索范围，S卩：基本搜索 范围A和拓展搜索范围B的并集。
[0067] 确定指纹搜索范围之后，采用无线指纹匹配来从搜索范围中选择最匹配的指纹并 估计目标位置，无线指纹匹配算法可以有多种不同实现。根据测量到的用于匹配的RSS向量 数量，这些算法可以分为单点匹配和多点匹配，单点匹配只测量一个RSS向量来匹配指纹， 而多点匹配则测量多个RSS向量来匹配指纹。这些算法按照是否将估计对象的位置假设为 随机向量还可以分为确定性匹配和概率匹配，确定性匹配假设估计对象的位置是非随机向 量，而概率匹配则假设为随机向量。进一步地，上述数据匹配单元14在指纹搜索范围内对待 测目标的RSS值进行指纹匹配得到待测目标的第一位置信息，本发明的指纹匹配可以采用 以下无线指纹匹配算法：（1)单点确定性匹配；（2)单点概率匹配；（3)多点确定性匹配；（4) 多点概率匹配。
[0068]a.单点确定性匹配
[0069] 单点确定性匹配采用确认的搜索范围里的指纹来计算测量单个RSS向量得到的 RSS信息的范数。然后，选择K个具有最小模的指纹来估计目标位置。目标位置通过所选指纹 位置的加权平均计算出来，权重由RSS值的范数的倒数确定。该方法也称为K最近邻法(1(-NearestNeighbor，KNN)。对应的计算公式如下：
[0070]
[0071] (1〇):
[0072] 式中rCFP是估计的目标位置，Γι是第i个指纹的位置，〇^是对应第i个指纹的权重， RSS是测量到的单个RSS向量，RSSi是第i个指纹的RSS向量，N是所选指纹的总数。范数Μ· 是任意的，可以用不同的方法实现，比如Ρ范数、修正Ρ范数和马氏范数等。在所有这些方法 中，欧氏范数(2-范数)和马氏范数使用最广，定义分别如下：
[0076]式中Ρ是指纹的协方差矩阵。[0077]b.单点概率匹配
[0073] (11)
[0074]
[0075] (12)
[0078] 指纹匹配也可以实现为单点概率匹配，目标位置被假设为随机向量且仅有一个 RSS被测向量被用于匹配。该方法可视为一个概率问题。这个概率问题的目标是根据给定的 被测RSS向量的条件概率密度函数估计目标位置的最优解。概率匹配的关键部分是似然度 的计算和概率密度距离的估计。似然度的计算有多种方法，如高斯似然、直方图似然、核密 度似然、对数-正态似然和指数似然。概率密度距离估计可以用LiSSack-Fu(LF)、无穷范数、 Kullback_Leibler、Bhattacharayya和Simandl等方法实现。此外，三个最优性准则已被广 泛用于指纹匹配：（1)最大化似然密度，（2)均方误差最小化和(3)后验密度最大化。其相应 的最优估计器如下：（1)最大似然(MaximumLikelihood，ML)估计器；（2)最小均方误差 (MinimumMeanSquareError，MMSE)估计器；（3)最大后验概率（MaximumAPosteriori， MAP)估计器。这里以最大似然估计器为例说明，，该估计器通过最大化似然密度函数来找到 目标位置，方法如下所示：
[0079]
(13):
[0080] 式中f(r|p)是似然密度。ML估计器根据最大似然密度选择指纹位置作为目标位置 的估计。如果指纹是稀疏分布的，定位精度受限于只能选到一个指纹作为位置的估计。为提 高定位精度，我们还可以通过平均(或加权平均)K个具有最大似然密度的指纹，使用KNN来 计算位置的估计。单点概率匹配通过ML估计器选择ΚΝΝ的Κ个邻近，而单点确定性匹配则是 按照RSS新息的范数来选择K个邻近。
[0081] c.多点确定性匹配
[0082] 有时，由于无线RSS值波动单点匹配的错配率高。为了减少错配率，可将多个被测 RSS向量结合在一起来匹配无线信号地图数据库中的指纹。一般情况下，多点匹配指纹比单 点匹配更准确。但这需要更大的计算负荷。类似于单点匹配，多点匹配也可以分为2类:确定 性方法和概率方法。多点确定性匹配类似的单点确定性匹配，通过KNN确定目标位置，根据 RSS新息范数的倒数来确定K个指纹。唯一不同的是，该范数现在是由多个点计算得到。一些 数学方法也可用于多点匹配，如动态时间归整(DynamicTimeWarping，DTW)。
[0083] d.多点概率匹配
[0084] 多点匹配也可以用概率的方法实现，即目标位置被假定为一个随机向量，采用多 个RSS观测向量来匹配。这个概率问题的目的是在给定多个观测RSS向量条件下，从联合条 件概率密度函数估计目标位置的最优解估计。似然度计算和概率密度估计的方法与单点概 率匹配相似。同样，ML估计器、丽SE估计器、MAP估计器和KNN算法都可用于多点概率匹配。 [0085]上述无线信号强度数据采集和处理模块1可以为多个，分别对应不同的无线信号， 相应的，待测目标需支持多个无线收发器，通过不同的无线网络将对应的无线接入点所计 算的RSS值进行上报给相应的无线信号强度数据采集和处理模块1。例如:基于无线指纹和 MEMS传感器的融合导航装置包括两个无线信号强度数据采集和处理模块1，一无线信号强 度数据采集和处理模块1接收待测目标通过wifi网络传递过来的RSS值并得到对应的无线 指纹匹配结果，另一无线信号强度数据采集和处理模块1接收待测目标通过蓝牙传输的RSS 值并得到对应的无线指纹匹配结果，将两个指纹匹配得到的两个位置信息进行平均后得到 最终的无线指纹匹配结果，即CFP值。
[0086]上述传感器数据采集和处理模块2包括:传感器数据采集单元21，传感器数据处理 单元22;传感器数据采集单元21采集待测目标的加速度、角速度等状态变化信息，传感器数 据处理单元22根据状态变化信息计算目标的位置、速度和姿态，统称为待测目标的第二位 置信息。待测目标的状态信息可以通过设置在待测目标上的加速度计、陀螺仪传感器获取。 状态数据采集和处理模块2可以采用常见的微型机电系统MEMS，MEMS的导航系统有多种实 现方案，例如：如惯性导航系统（InertialNavigationSystem,INS)、行人航位推算 (PedestrianDeadReckoning,FOR)和运动约束(MotionConstraints，MC)。惯性导航系统 通过使用加速度计和陀螺仪的数据来计算目标的位置、速度和姿态;行人轨迹推算使用加 速度计和陀螺仪的数据依据人的移动模式估计人的位置和前进方向；运动约束利用加速度 计和陀螺仪的数据进行运动检测（即移动和静止），可以进一步增加INS或PDR的性能。传感 器数据采集单元21还可以进一步采集磁力计和气压计等传感器的数据，通过磁力计和陀螺 仪的配合可用来估计目标的前进方向；气压计可用于估计目标的高度，因此可以根据需要 预先设置传感器数据采集单元21所需采集的状态数据，并在待测目标上进行相应传感器的 部署，进一步辅助INS或TOR提高导航性能。
[0087] 上述数据融合模块3包括:组合滤波器31和平滑滤波器32,平滑滤波器32用于对无 线信号强度数据处理模块1获取到的待测目标的第一位置信息(CFP值)进行平滑处理，然后 将平滑处理后的CFP值传送给组合滤波器31，组合滤波器31用于