一种基于对数映射差分的WIFI室内定位方法与流程

本发明涉及室内定位与导航技术领域，特别是一种基于对数映射差分的wifi室内定位方法。

技术背景

近年来，随着智能便携式移动设备(如智能手机，智能手环等)的逐渐兴起和普及，基于位置的服务和应用快速地发展并逐渐扩展到生活出行的方方面面。例如，基于全球定位系统(如美国的gps，中国的北斗导航等)的电子地图，给人们提供了室外环境的定位和导航服务。基于位置信息服务的应用层出不穷(如百度地图，高德地图等)。然而，人类的大部分活动是在室内进行的，由于全球定位系统的卫星信号难以穿透建筑物，因此全球定位系统无法用于室内定位，所以必须要有新的专门用于室内定位的技术。

随着智能手机的普及，利用智能手机进行wifi定位逐渐成了室内定位的研究热点。一般在医院、办公大楼、购物商场等公共场所都会有wifi热点，而且智能终端基本上都有wifi接口，因此基于wifi的室内定位系统就可以使用现有的设备进行构建，从而大大节省了硬件成本。

目前基于wifi的室内定位算法主要是基于knn(k近邻)的wifi室内定位算法。基于knn的wifi室内定位算法的主要原理是根据rssi(接收信号强度)的欧式距离计算方法来估算带定位节点和数据指纹库中已知节点的距离，算法复杂度比较低，能够适应在运算能力不高的智能手机上运行，所以在实际中应用广泛。但由于室内环境复杂，信号在室内传播是有很明显的多径效应，并且由于障碍物的遮挡等使得knn定位方法存在以下几个问题：

首先，上述knn算法中rssi距离比较大的两个点，其实际空间距离可能比较小，比如两个点之间隔着一堵墙等，因此，只按照rssi的距离大小确定knn算法中的权重可能会造成比较大的定位误差；

其次，在实际测量时发现，在同一地点检测到的同一个ap发射的信号的rssi值波动比较大，离线阶段和在线的信号波动，都会对定位结果造成影响，所以在使用rssi值进行定位前，必须对采集到的数据进行预处理，减少噪声对指纹数据库的影响。

最后，rssi的值和检测设备有关系，同一个ap发射出的无线信号在同一点由不同的接收设备检测，rssi的值可能会不一样，因此，不能只根据rssi距离的绝对数值，来确定knn算法中的权重值。

2017年3月出版的第33卷第3期《科技通报》上介绍了一种名称为“基于余弦相似度的指纹匹配算法的室内定位方法”，该方法不使用rssi向量的欧氏距离作为匹配方法，而使用rssi向量的夹角余弦值(最接近1)作为位置匹配方法，该方法虽然在一定程度上比knn方法的计算量少，但是，在一些常见的复杂的室内办公环境下的定位精度较低，难以达到定位要求。

技术实现要素：

本发明所要解决的技术问题是，针对现有技术的不足，提供一种基于对数映射差分的wifi室内定位方法。

为解决上述技术问题，本发明所采用的技术方案是：一种基于对数映射差分的wifi室内定位方法，包括在线测量阶段和离线测量阶段；

所述离线测量阶段包括以下步骤：

1)预先选定场地中某些点为参考点，测量参考点的坐标，然后在每一个参考点上测量并记录来自每一个wifi热点的接收信号强度(rssi)50次以上并进行高斯滤波，从而除去出现概率小于18％的rssi值，滤波的具体操作方法为：对于在每一个参考点上测得的同一个wifi热点的rssi的值进行统计，统计每一个rssi值出现的次数，然后再除以在这个参考点上测量rssi的次数从而得出每个rssi值出现的概率，然后除去概率小于18％rssi值，即只将出现概率不小于18％的rssi值保存下来给以后使用；

2)先计算各个参考点的来自不同wifi接入点(ap)rssi平均值，接着取绝对值，然后取以10为底的对数；

3)对每个参考点的rssi向量进行扩展差分(具体方法为：设rssi向量为{rssi1，rssi2，···，rssin},然后在其末尾添加首位元素rssi1得扩展后的向量为{rssi1，rssi2，···，rssin，rssi1}，最后对扩展后的向量进行一阶前向差分计算的扩展差分的结果为n维向量{rssi2-rssi1，rssi3-rssi2，···，rssi1-rssin})，然后将扩展差分的结果存入数据库；

所述在线测量阶段包括以下步骤：

1)测量待定位点的rssi向量值并进行扩展差分得rssi’；

2)计算带定位点与指纹数据库中各个参考点的rssi’的欧式距离；

3)找出k个与待定位点的rssi’的欧氏距离最小的点，也就是k个最近邻点；

4)取上述k个最近邻点的位置坐标的平均值作为待定位点的位置估计。

与现有技术相比，本发明所具有的有益效果为：本发明在利用基于knn的wifi室内定位方法的基础之上，引入了对数变换域，将原来的数据映射到对数域中，并且在对数域中用rssi向量的一阶扩展差分rssi＇向量来取代rssi向量，从而提高了系统的定位精度。与传统的rssi向量距离相比，不仅考虑了rssi向量的欧氏距离，还兼顾了来自不同wifi接入点的rssi的关系，从而增加了系统对于复杂环境的适应性。

附图说明

图1为本发明实施例试验区的室内定位地图；

图2为本发明对数映射差分对12个测试点每个进行50次定位实验，定位误差的平均值与最近邻、4阶knn、4阶wknn(加权knn)、基于余弦相似度的指纹匹配算法的比较图。

具体实施方式

以下结合附图对本发明的具体实施方式做进一步的说明。

实验区的布置图如图1所示，使用安卓智能手机作为指纹数据采集设备和定位设备，四台wifi中继放大器作为接入点(ap)。实验区为室内房间，房间长约10米宽约6米。该房间为典型的室内办公室，平常可容纳20多人同时办公，并且人员走动也比较频繁，实验所用的ap也被清楚地标在图1中，四个ap离地面的高度约为1.8米。图1中标记小圆点“o”的位置为指纹数据库的采样位置，而标记“x”的位置为定位测试点的位置。整个房间的指纹采样点总数为38个，并且每个指纹采样点分别间隔1秒采样一次公采样50次。定位测试点的总数为12个，并且每个定位点分别测试50次。

在实际采样过程中，由于各种噪声的影响，使得测得的wifi信号强度的值有时会产生比较大的波动。为了减小噪声对指纹数据库的采样，每个参考点采集到的rssi值进行高斯滤波，滤除掉出现概率小于18％的rssi值，将剩余值取平均值,接着取绝对值，然后再取以10为底的对数并进行扩展差分，最后将所得数据存入指纹数据库。

在实验场地采集到的数据经过滤波取平均值处理后，采用二维表的形式存储这些数据，指纹数据的存放格式如下表1所示：

表1指纹数据的存放格式

将在线测得的rssi向量先进性扩展差分得rssi’向量，然后计算其与指纹库中的每个采样点的rssi’向量的欧氏距离，然后取4个最近邻点，最后求取这4个点的位置坐标平均值作为定位测试点的位置估计。分别用本发明方法、最近邻法、4阶knn法、4阶wknn法和基于余弦相似度的指纹匹配算法对实验区中的12个测试点每个点进行50次定位测试，测得的平均误差如表2和图2所示，从表2和图2可以看出，本发明方法的定位误差明显小于其它4种方法。

表2不同定位方法的平均误差