基于WiFi指纹的多融合室内定位方法及其系统与流程

本发明涉及一种基于WiFi指纹的多融合室内定位方法，同时也涉及相应的多融合室内定位系统，属于无线定位
技术领域：
。
背景技术：
：室内环境下的定位仍然是一个很多问题未被解决的
技术领域：
。由于信号的严重衰减和多径效应，通用的室外定位技术(比如GPS、北斗等)并不能在建筑物内有效地工作。目前，大部分室内环境下都存在WiFi。WiFi信号具有高覆盖率、流量大以及传输距离远等特点，这使得基于WiFi的室内定位技术得到了快速发展。基于WiFi的室内定位技术可以分为两类，即：基于测距的室内定位技术和基于指纹的室内定位技术。其中，基于测距的室内定位技术是在室内部署多个锚节点，通过计算设备到锚节点之间的相对距离来定位追踪设备的位置。其中，距离可以通过多种方法来获取，如接收的信号强度(RSSI)、到达时间(ToA)、到达角度(AoA)。基于RSSI的测距方法是利用路径衰减模型计算距离。基于ToA的测距方法是通过获取信道冲激响应的多径分量首次到达时间来测量距离。基于AoA的测距方法是通过某些硬件设备感知发射节点信号的到达方向，计算接收节点和锚节点之间的相对方位或角度，然后再利用三角测量法等计算出未知节点的位置。基于指纹的室内定位技术是将实际环境中的位置和某种“指纹”联系起来，一个位置对应一个独特的指纹。这个指纹可以是单维或多维的，比如待定位设备在接收或者发送信号，那么指纹可以是这个信号或信号的一个特征或多个特征。待定位设备接收一些固定的发送设备的信号或信号特征，然后根据这些检测到的信号特征来估计自身的位置。基于对上述定位技术的分析可知，基于测距的室内定位技术的精度容易受到物理环境因素(天气、室内障碍物、距离的远近等)的干扰，例如复杂室内环境中出现严重衰减的路径损耗、室内空间存在的大量多径分量等。基于指纹的室内定位技术利用空间位置差异性，通过WiFi指纹库及相关匹配算法寻找待定位点的位置指纹对应的空间位置信息，以此来估算待定位点的坐标。虽然该技术能够降低物理环境因素对无线传输信号的干扰，但是在进行指纹匹配时需要计算待测点样本与整个WiFi指纹库之间的欧式距离。当WiFi指纹库的容量较大时，需要花费较多的时间。技术实现要素：针对现有技术中的不足，本发明所要解决的首要技术问题在于提供一种基于WiFi指纹的多融合室内定位方法。本发明所要解决的另一技术问题在于提供一种基于WiFi指纹的多融合室内定位系统。为实现上述发明目的，本发明采用下述的技术方案：根据本发明实施例的第一方面，提供一种基于WiFi指纹的多融合室内定位方法，包括如下步骤：步骤1：获得WiFi指纹，构建WiFi指纹库；步骤2：采用聚类算法对收集到的WiFi指纹数据进行聚类分析；步骤3：利用分类算法对聚类后的数据进行二次分类，并对其所在的子区域进行判别；步骤4：根据二次分类后的数据得到每个子区域的回归方程，利用该子区域的回归方程求解出待定位点的坐标。其中较优地，所述步骤4进一步包括如下子步骤：(1)输入一个新的待定位点X，对其进行标准化处理；(2)使用聚类算法将标准化后的新观测值进行分类，判断该值属于步骤2中划分的哪个类；(3)利用分类算法对待定位点进行二次分类，判别二次分类后的待定位点所属的子区域，利用该子区域的回归方程求解出待定位点的坐标。其中较优地，所述步骤1中，将待定位区域划分为多个子区域，在每个子区域内采样多个WiFi信号及所对应的坐标点；收集各个坐标点处的WiFi信号的一个特征或多个特征，获得WiFi指纹以建立WiFi指纹库。其中较优地，所述步骤2进一步包括如下子步骤：(1)在定位区域中随机地选择K个点作为聚类中心，其中K为正整数；(2)依次计算定位区域内各个点到K个聚类中心之间的欧氏距离，并将距离相近的点归为一类；(3)重新计算所有聚类中心，记TMidt为1个簇的所有成员向量值的集合，idt表示该簇的标号，则此簇的聚类中心值Hidt表示为(4)循环步骤(2)与(3)，直至聚类中心的位置收敛，小于预期阈值。其中较优地，利用控制变量法调优参数，遍历K的取值，根据SVM分类算法的分类效果确定最优的K值，进而确定最优的K个聚类中心。其中较优地，所述步骤4中，利用非线性映射在高维特征空间得到一个最优的超平面代替原始的信号强度和目标位置的非线性关系，在控制VC维的条件下使经验风险极小化。其中较优地，分为训练阶段和定位阶段两部分实施；其中，训练阶段在线下训练过程中不断调优参数，利用统计学算法训练出位置与WiFi指纹的关系；在定位阶段直接利用经过调优后的参数对待定位点进行定位。根据本发明实施例的第二方面，提供一种基于WiFi指纹的多融合室内定位系统，包括定位终端、服务器和多个无线路由器，其中该系统用于实施上述的多融合室内定位方法。本发明所提供的多融合室内定位方法及其系统充分考虑了无线传输衰减特性与室内障碍物对定位精度的影响，通过聚类算法将收集到的WiFi指纹进行聚类，采用分类算法对聚类后的数据所在的区域进行判别，利用该区域的回归方程计算出待定位点的位置坐标。该定位方法及其系统既避免了定位精度易受物理环境因素影响的局限，又克服了传统定位方法速度慢的缺陷。附图说明图1为本发明所提供的多融合室内定位方法的整体流程图；图2为采用上述多融合室内定位方法的室内定位系统的示意图；图3为SVM分类算法、K-means聚类算法以及贝叶斯算法这三种算法的定位精度比较示意图；图4为K-means聚类算法+贝叶斯算法、K-means聚类算法+SVM分类算法以及贝叶斯算法+SVM分类算法这三种算法的定位精度比较示意图；图5为K-means聚类算法+贝叶斯算法+回归拟合、K-means聚类算法+SVM分类算法+回归拟合以及贝叶斯算法+SVM分类算法+回归拟合这三种算法的定位精度比较示意图。具体实施方式下面结合附图和具体实施例对本发明的技术方案展开详细具体的说明。如图1所示，本发明实施例所提供的多融合室内定位方法主要包括如下步骤：将待定位区域划分为多个子区域，在每个子区域内采样多个WiFi信号及所对应的坐标点；收集各个坐标点处的WiFi信号的一个特征或多个特征(优选为信号强度RSSI，也可以包括其它特征，例如某个位置上WiFi信号的多径结构、某个位置上是否能检测到接入点或基站、某个位置上WiFi信号的往返时间或延迟等)，获得WiFi指纹以建立WiFi指纹库；采用聚类算法将所收集的数据进行聚类；利用分类算法对聚类后的数据进行二次分类，并对其所在的子区域进行判别；根据二次分类后的数据得到每个子区域的回归方程，利用该子区域的回归方程求解出待定位点的坐标。本多融合室内定位方法不仅有效降低了无线传输衰减特性的影响，而且还减弱了室内障碍物对定位精度的影响，在定位精度和定位效率上都得到有效提升。下面以对室内运动的物体进行定位为例，对本多融合室内定位方法的具体实施步骤展开详细说明。在图2所示的室内定位场景的示例中，假设定位区域的面积为S，根据定位区域的面积S大小以及室内布局情况将定位区域划分为n个均等的小区域Si，即定位区域S＝(S1,S2,…,Sn)，在该定位区域面积S中部署p个无线路由器APu,idu,1≤u≤p。在本发明的一个实施例中，以0.5m*0.5m的幅度设置采样点并记录坐标值，假设在定位区域设置m个采样点，每个采样点的信号强度RSSI与位置信息表示为：mv＝(RSSIu,v、Si、idu、(x,y)),其中，RSSIu,v表示在采样点v处收集到第u个无线路由器的信号强度RSSI，1≤u≤p,1≤v≤m,Si表示采样点所在的第i个区域，idu表示第u个无线路由器的id，(x,y)表示采样点的坐标，n、m、p、u、i等均为正整数。根据WiFi信号的衰减特性，在采集的过程中可能出现某些采样位置获取不到参考点的情况。因此，为了统一各个小区域Si的信号强度，需要对样本进行标准化。通常情况下，WiFi信号的RSSI取值范围是[—95,—25],数值越小表示信号越微弱，当WiFi信号的的RSSI值小于—95时，定位终端(例如智能手机，下同)就很难接收到WiFi信号，因此将RSSI值小于—95的WiFi信号设置为缺失值(NA)。接下来，以Si，RSSI和id作为特征向量，(x,y)为类标签，构造训练数据集。具体实施步骤如下：步骤1：获得WiFi指纹，构建WiFi指纹库为了保证采样数据的时效性以及可靠性，利用定位终端在同一位置对同一个无线路由器连续记录多次(例如至少10次)RSSI，求取信号强度RSSI的平均值作为该位置的RSSI。为了减少缺失值的影响，将特定位置不同路由收集的数据进行标准化处理，即：MAX＝{J1,J2,…,Jp}(1)MIN＝{j1,j2,…,jp}(2)式中，式中，1≤u≤p,1≤v≤m,RP＝{RSSI1,RSSI2,…,RSSIm}，则每个标准化特征值表示如下：利用上述公式(1)～(5)，可以通过归一化方法构建出WiFi指纹库。其中，通过归一化方法将不同的信号强度RSSI值映射到区间[0,1]，减少了缺失值对分类的影响。步骤2：采用聚类算法对收集到的WiFi指纹数据进行聚类分析步骤1中采集的数据集都是由标准化的特征向量组成的。在本发明的一个实施例中，利用K-means聚类算法将其划分为若干个群，每个群中都有一个中心，若干个成员。具体的划分步骤如下：(1)在定位区域中随机地选择K个点作为聚类中心，其中K为正整数；(2)依次计算定位区域内各个点到K个聚类中心之间的欧氏距离，并将距离相近的点归为一类。欧氏距离计算如下：其中，向量RSSIj,k为位置点j的RSSI值，向量y为某个聚类中心值，p为无线路由器的个数，q为每个位置的采集样本个数。(3)重新计算所有聚类中心，记TMidt为1个簇的所有成员向量值的集合，idt表示该簇的标号，则此簇的聚类中心值Hidt表示为(4)循环步骤(2)与(3)，直至聚类中心的位置收敛，小于预期阈值。当K-means聚类算法完成后，在空间分布上具有相似信号强度的点会被聚成一类，最后在整个定位区域聚成K个簇。此时，由于没有先验条件而无法知道最优的K取值是多少，所以在此步骤中利用控制变量法调优参数，遍历K的取值，根据SVM分类算法的分类效果确定最优的K值，进而确定最优的K个原始聚类中心。步骤3：利用分类算法对聚类后的数据进行二次分类，并对其所在的子区域进行判别在本发明的一个实施例中，采用K-means聚类算法完成聚类后，定位区域中的数据集分成K个簇。接下来，进一步利用SVM分类算法进行二次分类以便获取特定区域内的最优回归方程。在二次分类阶段，首先需要提取每个采样点(即样本)中的区域标志和信号强度两种信息，即(Si,RSSIu,v)。然后，将每个聚类后区域的样本分为两种类型，第一类是经过聚类后的样本仍在原Si区域的，标志为1，反之标志为-1。那么，用来进行二次分类训练的二次样本可以表示为(bi,RSSIu,v),其中bi∈{1，-1}。通常情况下，对样本信号强度组成的空间进行划分都是非线性的，而非线性分类的处理方式通常是将其往更高维的空间映射，在高维空间映射中寻找一个最优的分类超平面将数据分开。设在高维空间中用于进行非线性划分样本的方程为：wrT+b＝0(8)当wrT+b＞0表示属于区域中的样本，否则就是不属于区域中样本。在SVM分类算法中，可以通过寻找一个超平面的方式将数据较完美地分开。这个超平面不仅能够准确无误地将两类样本分开，还可以将超平面与最近分类样本之间的距离最大化。因此，从数学上可以将寻找超平面的问题转化成求解带有约束条件的最大值问题，即：式(9)中，可以通过凸优化求解出一个最优的超平面。对于不可分的样本，如类重叠，SVM分类算法需要定义一组松弛变量e＝(e1，e2，…,en)来允许存在一定的误差。然后，考虑惩罚函数最大化分类边界，即：其中，c是惩罚因子，为给定常数，表示SVM分类算法中对于错分样本的重视程度，C越大，表示SVM分类算法尽量要求不将样本划分错误，求解式(10)就得到了SVM分类算法对于不可分情况的一个软间隔分类。SVM分类算法是通过将在原始空间线性不可分情况的信号样本非线性映射(内积回旋)到它们的高维特征空间，通过在高维特征空间寻找到一个最优的超平面来将两类样本线性分开以实现信号强度样本的分类。其中，内积回旋允许在原始空间构造一个非线性的决策函数：它等价于在高维特征空间寻找一个线性决策函数。这里的函数K成为核函数，利用该核函数实现了内积回旋。步骤4：根据二次分类后的数据得到每个子区域的回归方程，利用该子区域的回归方程求解出待定位点的坐标基于在步骤1采集到的WiFi指纹的数据样本，可以得到一个关于信号强度和目标位置的非线性关系。利用非线性映射的方法在高维特征空间得到一个最优的超平面代替原始的信号强度和目标位置的非线性关系。根据结构化风险最小理论，需要在控制VC维(Vapnik-ChervonenkisDimension)的条件下使经验风险极小化，这就等价于：其中，ei、e*为松弛变量。求解式(12)得到的结果即是SVM分类算法的回归结果。接下来，介绍如何利用子区域的回归方程求解出待定位点的坐标。这一过程可以分为三个子步骤：(1)输入一个新的待定位点X，对其进行标准化处理，将该点映射到[0,1]范围中。即(2)使用K-means聚类算法将标准化后的新观测值new进行分类，判断该值属于步骤2中划分的哪个类。具体算法为计算该值到各个聚类中心点之间的欧式距离，将该点分类到距离最近的那一类。记为clnew:式(14)中，Hidt为簇idt的簇中心值，1≤idt≤k。(3)利用SVM分类算法对待定位点进行二次分类，判别二次分类后的待定位点所属的子区域，利用该子区域的回归方程求解出待定位点的坐标。从上述定位过程的说明可以看出，该多融合室内定位方法的定位精度在很大程度上取决于子区域的数量，子区域数量越多，定位精度越高，因此更适用于中小型室内空间内的定位。对于大型室内空间内的定位，可能会因为子区域数量不足，导致WiFi指纹的数据样本不充分，造成回归方程无法计算待定位点的坐标。在具体实施的过程中，该多融合室内定位方法可以分为训练阶段和定位阶段两部分实施。其中，训练阶段在线下持续实施图1所示的各个步骤，在线下训练过程中不断调优参数，利用统计学算法训练出位置与WiFi指纹的关系；在定位阶段直接利用经过调优后的参数对待定位点进行定位，不需要花费大量时间计算待定位点与WiFi指纹库中各个节点的距离，从而提高了定位效率。下面通过仿真实验对本发明所提供的多融合室内定位方法与其它类似室内定位方法的实施效果进行比较分析，以充分体现本多融合室内定位方法的优异性能。表1为SVM分类算法、K-means聚类算法以及贝叶斯算法这三种算法在2m以内的分类准确率比较情况。表1三种分类方法的分类准确率比较样本个数SVM贝叶斯K-means205190185183174161158160279274264269准确率94.98％92.25％93.01％由表1可知，在样本数量相同时(658)时，SVM分类算法与K-means聚类算法的分类效果要优于贝叶斯算法。表2为SVM分类算法、K-means聚类算法以及贝叶斯算法这三种算法进行两两组合时，在2m以内的分类准确率比较情况。表2三种分类方法进行两两组合时的分类准确率比较样本个数K-means+SVMK-means+贝叶斯贝叶斯+SVM205196190186174166165166279275270272准确率96.82％94.98％94.84％由表2可知，K-means聚类算法+SVM分类算法的分类效果要优于K-means聚类算法+贝叶斯算法、贝叶斯算法+SVM分类算法，而且分类的效果提升至96.8％。图3所示为SVM分类算法、K-means聚类算法以及贝叶斯算法这三种算法的定位精度比较情况。其中，横坐标表示定位的误差(单位：米)，纵坐标表示相应的概率值，下同。图4所示为K-means聚类算法+贝叶斯算法、K-means聚类算法+SVM分类算法以及贝叶斯算法+SVM分类算法这三种算法的定位精度比较情况。从图3和图4的比较可以看出，K-means聚类算法+SVM分类算法的组合方式在现有定位场景下的定位精度要优于K-means聚类算法+贝叶斯算法以及贝叶斯算法+SVM分类算法的组合方式。另外，上述实验结果表明K-means聚类算法+SVM分类算法的组合方式在分类问题上得到了解决。在上述分类结果的基础上，将所在区域内的锚节点进行回归拟合，进而获取更高的定位精度。图5所示为K-means聚类算法+贝叶斯算法+回归拟合、K-means聚类算法+SVM分类算法+回归拟合以及贝叶斯算法+SVM分类算法+回归拟合这三种算法的定位精度比较情况。从图5中可知，K-means聚类算法+SVM分类算法+回归拟合的融合方法(即本发明所提供的多融合室内定位方法)要优于其他两种方法，并且1米以内的定位精度可以达到70％左右。这表明该多融合室内定位方法可以用在室内定位系统中。如图2所示，本发明所提供的室内定位系统采用上述的多融合室内定位方法实现，包括定位终端、服务器和多个无线路由器(在图2所示的实施例中为5个，但不限于此)。其中，多个无线路由器分布在室内空间的不同角落，分别向定位终端发射WiFi信号。服务器可以由PC或者笔记本电脑等实现，用于存储WiFi指纹库并执行三维空间定位计算。例如在图2所示的室内定位系统中，假设有一个待定位点(即定位终端所在的位置)，利用公式(13)将该定位点标准化，利用公式(14)计算待定位点到各聚类中心点之间的欧式距离，从而将待定位点分配到欧氏距离最近的那一类，利用公式(10)判断该点所在的子区域，将该点的相关位置信息带入该子区域的回归方程，利用公式(11)即可得出待定位点的坐标。与现有技术相比较，本发明所提供的多融合室内定位方法及其系统充分考虑了无线传输衰减特性与室内障碍物对定位精度的影响，通过聚类算法将收集到的WiFi指纹进行聚类，采用分类算法对聚类后的数据所在的区域进行判别，利用该区域的回归方程计算出待定位点的位置坐标。该定位方法及其系统既避免了定位精度易受物理环境因素影响的局限，又克服了传统定位方法速度慢的缺陷。上面对本发明所提供的基于WiFi指纹的多融合室内定位方法及其系统进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质精神的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。当前第1页1 2 3