一种用于实时监控的wlan室内位置指纹定位方法
【专利摘要】一种用于实时监控的WLAN室内位置指纹定位方法，属于WLAN室内定位【技术领域】。本发明是为了解决位置指纹定位系统中，定位服务器能耗及系统总耗能过多的问题。本发明所述的一种用于实时监控的WLAN室内位置指纹定位方法，首先对参考点的物理区域进行划分，使定位监控实时性提高了6倍；然后对参考点接收到的AP信号进行分区域聚类筛选，使定位监控实时性又提高了3倍；最后对数据进行压缩传输后再重构，使移动终端能耗降低到33%，从而延长可工作时间，同时使定位监控系统的整体耗能减少到33%。本发明仅用一个定位服务器处理定位和监控移动终端位置，使移动终端的使用周期延长3倍。本发明适用于需要经常定位监控的场合。
【专利说明】—种用于实时监控的WLAN室内位置指纹定位方法
【技术领域】
[0001 ] 本发明涉及一种室内定位方法，属于WLAN室内定位【技术领域】。
【背景技术】
[0002]无线局域网WLAN技术，即Wireless Local Area Network,是计算机网络与无线通信技术相结合的产物，旨在为用户提供无线宽带接入服务，从而满足现代社会对移动办公、移动生活的需求。WLAN无需布线，网络成本大幅度降低，且可移动性强，这些优点使得WLAN的普及正呈日新月异之势。目前，在世界范围内，WLAN被各种组织和个人在不同场合广泛部署，例如:校园、医院、机场和停车场等。
[0003]随着WLAN技术的普及与应用，室内环境下对定位信息的需求也与日俱增。室内定位是为了弥补全球定位系统，如GPS、北斗等系统均无法较好的应用于室内。典型的室内定位系统主要采用传感器技术，WLAN室内定位具有无需添加诸如传感器等额外的硬件设备、只通过软件计算来实现室内定位的特征。目前，WLAN室内定位研究主要采用位置指纹算法，例如K近邻算法和概率法等。K近邻算法是寻求通过比较待定位的移动终端与一系列参考节点接收到的信号强度之间的匹配程度，用参考节点的物理坐标进行加权，来实现对待定位的移动终端物理位置的锁定。在位置指纹定位系统中，为了满足定位准确度和精确度的要求，通常要建立容量庞大的数据库来存储位置指纹信息，包括足够多的APjccessPoint，和参考节点之间对应的MXN个信号强度或信噪比。因此导致用于定位的信号数据维数过高，造成移动终端传输数据消耗过大；同时物理空间搜索范围过大、信号空间维数过高使得定位算法复杂度过大，进而造成定位服务器能耗及系统总耗能过多。
【发明内容】
[0004]本发明是为了解决位置指纹定位系统中，用于定位的信号数据维数过高，造成移动终端传输数据消耗过大，以及物理空间搜索范围过大、信号空间维数过高使得定位算法复杂度过大，进而造成定位服务器能耗及系统总耗能过多的问题，从而提供一种用于实时监控的WLAN室内位置指纹定位方法。
[0005]一种用于实时监控的WLAN室内位置指纹定位方法，所述室内定位空间内设置有N个等间距分布在室内定位空间内的参考节点和M个无线接入节点AP，使室内定位空间内的任意位置均能够接收到至少一个无线接入节点AP发出的无线信号，且所接收到的信号强度应大于_95dBm，M和N均为正整数；
[0006]根据所有参考节点的物理位置，采用K均值聚类算法将参考节点所在的室内定位空间划分为α块定位子区域，记作=SpS2,...，Sa，其中a为正整数，所述定位方法包括以下步骤:
[0007]步骤一:待定位的移动终端利用室内定位空间中用来压缩数据的权值矩阵，把接收到的来自所有无线接入节点AP的接收信号强度值RSS值压缩成一个Y维RSS向量，Y为正整数，然后执行步骤二；[0008]步骤二:根据室内定位空间中用来重构数据的变换矩阵将步骤一获得的Y维RSS向量恢复成M维RSS向量，从而得到M个无线接入节点AP的接收信号强度值RSS值，然后执行步骤三；
[0009]步骤三:对步骤二获得的M个无线接入节点AP的接收信号强度值RSS值进行粗定位，初步确定待定位的移动终端的位置，然后执行步骤四；
[0010]步骤四:根据步骤三获得的待定位的移动终端的位置和定位子区域，对步骤三获得的粗定位后的RSS值进行筛选，并采用KNN算法对筛选后的RSS值进行精定位，最终得到待定位的移动终端的定位结果。
[0011]本发明所述的一种用于实时监控的WLAN室内位置指纹定位方法，首先对参考节点的物理区域进行划分，使搜索空间变小，定位计算量也就随之减少了 17%，从而使定位监控实时性提高了 6倍；然后对参考节点接收到的AP信号进行分区域聚类筛选，使匹配信号的维度降低，进一步使定位运算量减少到33%，并使定位监控实时性又提高了 3倍；最后对数据进行压缩传输后再重构，使移动终端数据传输量减少到33%，并使移动终端能耗降低到33%，从而延长可工作时间，同时使定位监控系统的整体耗能减少到33%。本发明在位置指纹定位系统中用一个定位服务器负责集中处理定位和监控移动终端位置，移动终端不需要运行定位软件，只需要完成少量必要的数据收发，达到绿色节能的目的。这样对于在需要经常定位监控的场合，如:医院、监狱和停车场，能够使移动终端的使用周期延长3倍，同时便于室内定位监控系统的集中化管理。本发明所述的一种用于实时监控的WLAN室内位置指纹定位方法适用于需要经常定位监控的场合。
【专利附图】
【附图说明】
[0012]图1是一种用于实时监控的WLAN室内位置指纹定位方法的流程图。
[0013]图2是获得权值矩阵和变换矩阵的方法的流程图。
[0014]图3是某实验室楼层平面示意图，尺寸为24.9mX 66.4m，内置27个AP，走廊是待定位总区域。
【具体实施方式】
[0015]【具体实施方式】一:参照图1具体说明本实施方式，本实施方式所述的一种用于实时监控的WLAN室内位置指纹定位方法，所述室内定位空间内设置有N个等间距分布在室内定位空间内的参考节点和M个无线接入节点AP，使室内定位空间内的任意位置均能够接收到至少一个无线接入节点AP发出的无线信号，且所接收到的信号强度应大于_95dBm，M和N均为正整数；
[0016]根据所有参考节点的物理位置，采用K均值聚类算法将参考节点所在的室内定位空间划分为α块定位子区域，记作=SpS2,...，Sa，其中a为正整数，所述定位方法包括以下步骤:
[0017]步骤一:待定位的移动终端利用室内定位空间中用来压缩数据的权值矩阵，把接收到的来自所有无线接入节点AP的接收信号强度值RSS值压缩成一个Y维RSS向量，Y为正整数，然后执行步骤二；
[0018]步骤二:根据室内定位空间中用来重构数据的变换矩阵将步骤一获得的Y维RSS向量恢复成M维RSS向量，从而得到M个无线接入节点AP的接收信号强度值RSS值，然后执行步骤三；
[0019]步骤三:对步骤二获得的M个无线接入节点AP的接收信号强度值RSS值进行粗定位，初步确定待定位的移动终端的位置，然后执行步骤四；
[0020]步骤四:根据步骤三获得的待定位的移动终端的位置和定位子区域，对步骤三获得的粗定位后的RSS值进行筛选，并采用KNN算法对筛选后的RSS值进行精定位，最终得到待定位的移动终端的定位结果。
[0021]【具体实施方式】二:本实施方式是对【具体实施方式】一所述的一种用于实时监控的WLAN室内位置指纹定位方法作进一步说明，本实施方式中，所述的采用K均值聚类算法将参考节点所在的室内定位空间划分为α块定位子区域的方法，它包括以下步骤:
[0022]步骤一 1:在室内定位空间内任意选取一点作为原点建立直角坐标系，以N个参考节点的物理位置作为描述参考节点的参数，在N个参考节点中随机选取K个初始聚类中心，记作=Z1 (I)，Z2 (I)，…，Zk (I)，其中K= α且O < Κ〈Ν，聚类中心括号内数字表示迭代次数，然后执行步骤一 2 ；
[0023]步骤一 2:按最小欧氏距离原则将剩余参考节点分配到某一个初始聚类中心中:
[0024]min {| | X-Zi (k) | |，i=l, 2，...，K} = | | X-Zj (k) | | =Dj (k)
[0025]其中X为样本点，且有X e Sj (k), Sj (k)为第j个聚类，k为迭代次数，j为类别标号，Z^k)为第k次迭代时第j个类别的聚类中心，Ddk)为第k次迭代时，样本与样本所在的类别的聚类中心之间的欧氏距离，然后执行步骤一 3 ；
[0026]步骤一 3:计算各聚类中心的新向量值:
[0027]
【权利要求】
1.一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，所述室内定位空间内设置有N个等间距分布在室内定位空间内的参考节点和M个无线接入节点AP，使室内定位空间内的任意位置均能够接收到至少一个无线接入节点AP发出的无线信号，且所接收到的信号强度应大于_95dBm，M和N均为正整数； 根据所有参考节点的物理位置，采用K均值聚类算法将参考节点所在的室内定位空间划分为α块定位子区域，记作，其中a为正整数，所述定位方法包括以下步骤: 步骤一:待定位的移动终端利用室内定位空间中用来压缩数据的权值矩阵，把接收到的来自所有无线接入节点AP的接收信号强度值RSS值压缩成一个Y维RSS向量，Y为正整数，然后执行步骤二； 步骤二:根据室内定位空间中用来重构数据的变换矩阵将步骤一获得的Y维RSS向量恢复成M维RSS向量，从而得到M个无线接入节点AP的接收信号强度值RSS值，然后执行步骤三； 步骤三:对步骤二获得的M个无线接入节点AP的接收信号强度值RSS值进行粗定位，初步确定待定位的移动终端的位置，然后执行步骤四； 步骤四:根据步骤三获得的待定 位的移动终端的位置和定位子区域，对步骤三获得的粗定位后的RSS值进行筛选，并采用KNN算法对筛选后的RSS值进行精定位，最终得到待定位的移动终端的定位结果。
2.根据权利要求1所述的一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，所述的采用K均值聚类算法将参考节点所在的室内定位空间划分为a块定位子区域的方法，它包括以下步骤: 步骤一 1:在室内定位空间内任意选取一点作为原点建立直角坐标系，以N个参考节点的物理位置作为描述参考节点的参数，在N个参考节点中随机选取K个初始聚类中心,记作=Z1 (I)，Z2 (I)，…，Zk (I)，其中K= a且O < K〈N，聚类中心括号内数字表示迭代次数，然后执行步骤一 2 ； 步骤一 2:按最小欧氏距离原则将剩余参考节点分配到某一个初始聚类中心中: min {I I X-Zi (k) | |，i=l, 2，...，K} = | | X-Zj (k) | | =Dj (k) 其中X为样本点，且有X e Sj (k), Sj (k)为第j个聚类，k为迭代次数，j为类别标号，Zj (k)为第k次迭代时第j个类别的聚类中心，Ddk)为第k次迭代时，样本与样本所在的类别的聚类中心之间的欧氏距离，然后执行步骤一 3 ； 步骤一 3:计算各聚类中心的新向量值: 咖丨)=去Σ X ’卢丨2 ，κ
1Vj XeSjik) 其中％为第j个类别所含样本的个数，然后执行步骤一 4 ； 步骤一 4:判断Zj (k+Ι)与Zj (k)的关系； 当Zj(k+1) Zj (k)时,返回步骤一 2 ； 当Zj(k+l)=Zj(k)时,算法收敛,完成计算,获得a块定位子区域,记作=S1, S2,...，Sa,并得到a个距离聚类中心最近的参考节点，记作=X1, X2，...，Xa。
3.根据权利要求1所述的一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，步骤一所述的权值矩阵和步骤二所述的变换矩阵是通过以下步骤获得: 步骤二 1:根据室内定位空间及其内部的参考节点和无线接入节点AP的分布情况建立指纹数据空间Radio Map数据，然后执行步骤二 2 ； 步骤二 2:利用步骤二 1获得的指纹数据空间Radio Map数据，分别在每块定位子区域和每一对相邻的定位子区域内，以所有无线接入节点AP的接收信号强度值RSS值为参数，对M个无线接入节点AP进行聚类划分，然后执行步骤二 3 ； 步骤二 3:以指纹数据空间中每个参考节点对应的M维RSS向量作为样本，运用BP神经网络对该样本进行训练，得到用来压缩数据的权值矩阵和用来重构数据的变换矩阵。
4.根据权利要求3所述的一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，步骤二 1所述建立指纹数据空间Radio Map数据的方法为: 采集并记录每个参考节点处接收到的所有无线接入节点AP的接收信号强度值RSS值，根据N个参考节点的物理位置、每个参考节点对应的所有无线接入节点AP的RSS值及相应无线接入节点AP的物理位置,形成指纹数据空间Radio Map数据。
5.根据权利要求3所述的一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，步骤二 2所述以所有无线接入节点AP的接收信号强度值RSS值为参数，对M个无线接入节点AP进行聚类划分的方法，它包括以下步骤: 步骤三1:对每个定位子区域和每一对相邻的定位子区域，进行K=4的K均值聚类，获得4个聚类中心，选取距离4个聚类中心最近的参考节点作为4个参考基准节点； 步骤三2:对于任意一个无线接入节点ΑΡ，用步骤三I获得的4个参考基准节点处接收到的该无线接入节点AP的接收信号强度值RSS值作为该无线接入节点AP的四维描述参数； 步骤三3:根据对定位贡献相近的无线接入节点AP归为一类的原则，将所有无线接入节点AP的四维接收信号强度向量RSS向量坐标作为SOFM神经网络的输入参数，采用SOFM神经网络将M个无线接入节点AP聚为β类，即将每一个参考点收到的M个RSS值聚为β类，并将所有无线接入节点AP所属类别作为SOFM神经网络的输出参数。
6.根据权利要求1所述的一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，步骤三所述对步骤二获得的M个无线接入节点AP的接收信号强度值RSS值进行粗定位的方法为: 根据步骤二获得的M个无线接入节点AP的接收信号强度值RSS值，并以α个距离聚类中心最近的参考节点作为总参考节点，分别计算M个无线接入节点AP在α个参考节点处得到的所有无线接入节点AP的接收信号强度值RSS值的欧式距离φ，i=l, 2,..., α:
7.根据权利要求1所述的一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，步骤四所述对步骤三获得的粗定位后的RSS值进行筛选的方法为: 步骤四1:运用步骤三获得的粗定位结果，对步骤二中通过使用重构数据变换矩阵而获得的每一个待定位处收到的M个无线接入节点AP的接收信号强度值RSS值进行分类，最终划分为β类，然后执行步骤四2 ； 步骤四2:当任意一个聚类内无线接入节点AP的个数大于I时，则删除该聚类中的最小RSS值，否则不进行操作，然后执行步骤四3 ； 步骤四3:对各类别内剩余的RSS值求平均值，得到β个RSS值的均值，完成筛选。
8.根据权利要求1所述的一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，步骤四所述采用KNN算法对筛选后的RSS值进行精定位的方法为: 在待搜索定位子区域内，采用步骤四待测试点处M个RSS值的筛选结果，对每一个参考节点所接收到的RSS值进行筛选，最后计算每个参考节点与待定位的移动终端的欧式距离，并从中选择出欧式距离最小的k个参考节点，然后求出这k个参考节点的物理坐标的平均值，最终得到待定位的移动终端的定位结果。
9.根据权利要求1所述的一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，步骤三3所述SOFM神经网 络为人工神经网络中的自组织特征映射网络。
【文档编号】H04W64/00GK103476118SQ201310459631
【公开日】2013年12月25日 申请日期:2013年9月29日 优先权日:2013年9月29日
【发明者】马琳, 郑秀明, 徐玉滨, 田硕, 孟维晓, 崔扬 申请人:哈尔滨工业大学