本发明通信
技术领域：
，特别涉及一种wifi室内定位方法，可用于对室内用户的定位、导航等基于位置的服务。
背景技术：
：随着移动通信技术和移动互联网技术的蓬勃发展，移动智能终端应运而生，并迅速普及，基于移动互联网的各类服务呈现爆炸式增长。其中基于位置的服务lbs在过去十年也经历了快速的发展，被广泛应用到人们的生活中，极大地改变了人们的生活方式，为人们的生活带来了便利。而定位技术是lbs应用中必不可少的底层支持技术。在室外环境下，全球定位系统gps是当前最为成熟的定位系统。但在室内，由于墙体阻隔，室内环境复杂多变，干扰众多，无法使用gps信号进行室内定位。随着ieee802.11协议的不断完善，wifi得到了普及。wifi虽不是为定位而生，但却因为其传输速度快，覆盖率高，公共场合可免费使用，无需安装特殊设备，且部署成本低这些自身的特点，成为室内定位的首选。在wifi定位技术中，目前主要的研究方向是基于信号强度rssi的定位，其中基于位置指纹识别的wifi室内定位方法是一种很流行的方法。基于位置指纹识别的wifi室内定位方法就是对待定位环境中观测到的场景特征进行抽象和形式化描述，利用信号强度rssi与物理位置之间的关联性进行定位。在不同的物理位置上，信号强度rssi的表现力是不一样的，也就是说各点接收到的ap的信号强度不同。通过提前在各采样点检测定位环境中布置的ap点的信号强度，提取该信号强度作为定位特征值，将其训练成与物理位置的映射关系，构建相应的位置指纹数据库。然后，通过特定的匹配方法，将在待定位点实时测量到的信号强度rssi指纹数据与位置指纹数据库中的指纹数据进行匹配，以相似度比较大的若干个指纹对应的坐标位置估计待定位用户的位置。随着wifi的快速普及，无线接入点也变得随处可见。这样在进行数据采集的时候，在定位环境中可以检测到数以百计的接入点。而这些接入点中存着一些距离定位环境较远的不理想接入点，其信号不稳定，波动大，且携带较大的噪声，几乎不会给定位提供有价值的信息，甚至还有可能会降低定位精度。另外，当使用所有的接入点时，这会大大增加指纹库的维度，增大定位复杂度。技术实现要素：本发明的目的在于提出一种基于多重接入点选择的wifi室内定位方法，以选择出更为稳定且分辨能力强的接入点集合来表示位置指纹，减少计算复杂度、降低指纹库的维度、去除信号质量差的接入点对定位结果的影响，提高定位精度。本发明的技术思路是：通过多重接入点选择，选出信号稳定且分辨能力强的接入点集合，建立一个维度更低且更为稳定的位置指纹库，通过该位置指纹库纹对定位环境中的位置进行分群，将指纹相似度更高位置分到同一个位置分群内。通过对接入点的重新选择，选出可以更好表示各位置分群特征的接入点集合，并建立对位置分群有更好定位效果的决策模型。根据上述思路，本发明的实现步骤包括如下：1)构建接入点信号强度数据库：将定位环境划分为多个大小相同的栅格，并用栅格的中心点位置表示该栅格的位置；再对每一个位置进行数据采集，记录每个位置检测到的各接入点信号强度值，形成一个记录各位置采样数据的接入点信号强度数据库；2)构建位置指纹库：2a)根据定位环境中各接入点的覆盖时间分布，设置接入点至少覆盖各位置的时间初始阈值m，及接入点至少覆盖整个定位空间的时间初始阈值n，根据数据库中接入点对各位置的覆盖时间，以及接入点在整个定位环境的覆盖时间，对接入点进行多重选择，删除覆盖时间小于这两个阈值的接入点，筛选出预选接入点，形成预选接入点集合；2b)计算预选接入点集合中各接入点的信息增益，按信息增益从大到小的顺序对接入点进行排序，选择前k个接入点，构成最终的指纹接入点集合，k大于等于10；2c)根据指纹接入点集合对步骤1)得到的接入点信号强度数据库进行筛选，仅保留指纹接入点集合中包含的接入点数据，得到各位置的指纹，形成最终的位置指纹库；3)使用k-means算法对环境位置进行分群，并对每个位置分群进行接入点的重新选择，选择出能够更好地表示该位置分群自己的特征接入点集合；4)使用c4.5决策树方法为每个分群建立决策树模型，得到一个位置未知信息减少最快的判决模型；5)定位阶段5a)给定需要定位的样本数据，计算定位样本指纹到各位置分群之间的欧氏距离，选择与其欧氏距离最小的位置分群，将该分群作为其目标位置所在的分群；5b)定位样本沿着该分群的判决树模型从根节点向下移动，直到移动到判决树的叶子节点，该叶子节点即为最终的定位样本的位置。本发明与现有技术相比具有以下优点：本发明通过多重接入点选择可以删除不理想接入点、信号不稳定的接入点，能选择出更为稳定且分辨能力强的接入点集合，从而减少定位计算复杂度、降低指纹库的维度，提高定位精度，可以应用到更加复杂的定位环境；本发明通过对位置分群接入点的重新选择，可以选择出更好地表示该位置分群的特征接入点集合，从而能够为各分群建立更合理的定位模型，进一步提高定位精度。附图说明图1是本发明的实施流程图；图2是本发明实施的定位场景示意图；图3是本发明在定位场景中不同定位误差下的定位结果示意图；图4是定位误差在2m之内，本发明与基于信息增益法的定位方法在定位场景中的定位结果对比图；图5是位置分群的决策树模型。具体实施方式参照图1，本发明的实现步骤如下：步骤1，构建接入点信号强度数据库。如图2，本实例的定位场景是西安电子科技大学主楼4楼i区走廊，面积为340m2；本步骤是先将所述定位环境划分成177个边长为0.8m的正方形栅格，用栅格的中心点位置表示该栅格的位置，并对各位置进行编号，用gj表示第j个位置；再对每一个位置进行数据采集，记录每个位置检测到的各接入点信号强度rssi值，形成一个记录各位置采样数据的rssi数据库。步骤2，接入点选择。本步骤进行接入点选择时，分为如下两步进行：2a)该方法基于接入点的覆盖时间对检测到的接入点进行初步筛选，删除那些信号不稳定的接入点，用相对稳定的接入点构成预先接入点集合：2a1)计算每个位置上检测到的接入点在检测时间段内出现的个数，并保留那些在检测时间段内至少80％的时间覆盖该位置的接入点，删除其它的接入点，用各位置保留的接入点集合构成初级的预选接入点的集合；2a2)计算初级预选接入点集合中各接入点在定位环境中所有位置出现的次数，保留那些在检测时间段内至少有20％的时间覆盖所有位置的接入点，形成最终的预选接入点集合；2b)基于信息增益方法计算预选接入点集合中接入点的信息增益，按信息增益的降序对接入点排序，选择信息增益最大的15个接入点构成接入点集合，接入点的信息增益计算过程如下：2b1)计算定位环境中位置信息的不确定度h(g)：其中，g表示定位环境中的位置，gi表示第i个位置，p(gi)表示位置gi出现的概率，177为定位环境中位置的个数；2b2)计算在已知接入点的条件下，定位环境中位置信息的不确定度h(g|api)：其中，api表示第i个接入点，vj表示api的信号强度取值，n表示api信号强度的取值个数，h(g|api＝vj)表示在已知api的信号强度取值为vj的条件下，定位环境中位置的信息熵，其计算公式与h(g)相同；2b3)根据2b1)和2b2)的结果计算接入点的信息熵gain(api)：gain(api)＝h(g)-h(g|api)，其中，gain(api)表示在已知接入点api的条件下，定位环境中位置信息不确定度的减少量，信息增益越大表示位置不确定信息的减少量越大，且接入点对位置的分辨能力越强。步骤3，构建位置指纹库。根据指纹接入点集合对步骤1得到的接入点信号强度数据库进行筛选，即仅保留指纹接入点集合中包含的接入点数据，得到各位置的指纹，形成最终的位置指纹库。步骤4，位置分群。本步骤使用经典的k-means分群方法根据各位置的指纹对位置进行分群，其过程如下:4a)确定分群数量k，本实例在图2所示的定位环境下确定分群数为5，任选5个位置作为这5个群的群中心，并将位置的指纹做为群指纹；4b)计算所有位置到这5个群中心的欧氏距离，将其分配到距离最小的群，所有位置分配完之后，求位置分群内所有群元素指纹的均值，作为新的群中心；4c)重复步骤4b，直到群中心指纹不再发生变化，即为位置分群结束。步骤5，接入点的重新选择。本步骤使用信息增益法对接入点进行重新选择，分别计算预选接入点集合中各接入点对各群群元素的分辨能力，为每一个位置分群选择一组接入点集合，且重新选择分群的接入点集合时，只考虑接入点对该分群内位置的分辨能力，不考虑该接入点对其他分群元素的分辨能力，得到对于每个分群最优的接入点集合；通过各分群最优的接入点集合对步骤1得到的接入点信号强度数据库进行重新筛选，得到位置分群内各位置新的指纹，接入点重现选择之前各位置的指纹是由步骤2中选择出的接入点集合组成的，且步骤2中选择出的接入点集合是对整个定位环境来说最优的；本步骤的目的是选择出对于每个位置分群来说最优的接入点，即局部最优，因为对于整个定位环境最优的接入点集合，不一定是每个位置分群的最优接入点集合，故新的位置指纹比接入点重现选择之前位置指纹更好的表示各位置的属性，即新的位置指纹可以更好地表示各位置的特征。步骤6，建立定位决策模型。本步骤基于c4.5算法为每个位置分群建立决策树模型，该算法基于接入点的信息增益率来选择决策树各节点的接入点，建立一个位置未知信息减少最快的判决模型，过程如下：6a)对各接入点的信号强度取值进行离散化，即将接入点的取值范围划分成几个连续的取值范围，本实例将接入点取值范围分为但不限于两段，并计算出各接入点离散化后对应的信息增益率，选择信息增益率最大的接入点作为根节点；6b)将接入点的每一个取值范围对应一个树枝，并将该取值范围作为该树枝的判决条件；6c)重复以上过程，进一步确定各树枝连接点子节点，直到最终各树枝的子节点均为叶子结点，即完成了决策树的建立。步骤7，判断定为样本所在位置分群。根据需要定位的样本数据，计算该数据到各位置分群之间的欧氏距离，本实例在图2所示的定位环境中得到5个欧氏距离，选择与定位样本欧氏距离最小的位置分群，将该分群作为其目标位置所在的分群，其欧氏距离计算如下：其中，d(t,cj)表示定位样本t与第j个位置分群的欧氏距离，cj是第j个位置分群的群中心，ssj(t)表示定位样本中第i个接入点的信号强度，ssj(cj)表示第j个位置分群的第i个接入点的信号强度。步骤8，判断定位样本的具体位置。定位样本沿着定位样本所在分群的判决树模型从根节点向下移动，并根据定位样本的特征接入点取值对决策树支路的判决条件进行匹配，即沿着定位样本满足判决条件的那条支路向下移动，直到移动到叶子节点，该叶子节点即为定位样本最终的位置；例如表1为一个定位样本，图5为定位样本所在分群的决策树模型，利用该决策树模型对样本的定位过程如下：8a)该决策树模型的根节点为ap4，故首先判断定位样本中ap4的取值满足哪条树枝的判决条件，显然该样本满足ap4节点最右端树枝的判决条件，故沿着ap4最右端树枝向下移动；8b)移动到节点ap1，该定位样本ap1的取值为63，满足该节点最右支的判决条件，则沿ap1最右端树枝向下移动；8c)当ap1向下移动移动到节点ap6时，该定位样本ap6的取值为57，满足该节点最左支的判决条件，再沿ap6最左端树枝向下移动；8d)当ap6移动到节点g6时，该节点为叶子节点，即该定位样本的目标位置为g6。表1ap1ap2ap3ap4ap5ap6635645706157本发明的优点可以通过以下仿真结果进一步说明：仿真1，在定位场景中用不同定位误差对随机采集的定位样本进行定位，结果如图3，从图3中可以看出在不同定位误差条件下，最佳选择的接入点个数是一致的，且定位误差在2m内，定位正确率最优时可达到93％，定位误差在0.8m内最优时也可以有超过60％的正确率，表明本发明具有良好的定位效果。仿真2，在定位场景中，用本发明与基于信息增益法的定位方法在定位误差为2m内对随机采集的定位样本进行定位，结果如图4，由图4可见在相同条件下，本发明定位效果明显优于基于信息增益法的定位方法。当前第1页12