终端间Wi-Fi信号的信号强度差异修正方法
【技术领域】
[0001] 本发明涉及的是一种无线通信领域的技术，具体是一种基于EM(期望最大化， Expectation Maximization)算法的不同终端间Wi - Fi信号的信号强度差异修正方法。
【背景技术】
[0002] 随着无线通信与网络技术的飞速发展，无线技术已经深入到了方方面面，譬如医 疗、工业、物流、交通、公共安全等领域及其他与人们生活息息相关的方面。正因为现在的无 线信息资源相当广泛且能够被用户利用，所以基于无线系统的室内定位技术也得到了快速 发展，而Wi -Fi指纹定位方法是目前主流的室内定位方法之一。这种定位系统一般分为离 线训练阶段和在线定位阶段。离线训练阶段需要建立室内空间的Wi -Fi场强指纹数据库， 在线定位阶段则根据当前检测到的指纹与数据库中的指纹进行匹配，得到定位结果。
[0003] 传统的Wi - Fi指纹定位方法忽略了在线终端和离线终端的差异性。实际上不同 终端间Wi - Fi信号的信号强度可能存在很大的差异。当在线终端和离线终端是不同终端 时，这种不同终端间Wi - Fi信号的信号强度差异会造成定位精度的下降，甚至可能是严重 下降，因此，不同终端间Wi - Fi信号的信号强度的差异问题必须加以解决。
[0004] 经过对现有技术文献的检索发现，A. W. Tsui，Y. H. Chuang等人在2009年的Mobile Networks and Applications会议上所发表的论文〃Unsupervised learning for solving RSS hardware variance problem in Wi-Fi localization"中提出 了解决 Wi -Fi 定位 中RSS硬件差异性问题的非监督学习方法，该方法考虑到在同一个位置不同终端采集到的 RSS指纹间的Wi-Fi信号的信号强度存在线性的映射关系，针对不同的终端类型，提出了一 种非监督学习方法，通过该方法学习获得不同终端间Wi - Fi信号的信号强度的转移函数， 从而实现检测到的指纹间的映射，减小不同终端间Wi -Fi信号的信号强度的差异。但是该 方法存在两方面的不足：1)对于采集得到指纹的异常信号强度分量没有进行特殊处理，导 致定位精度较低；2)每次只根据一个观测指纹来计算得到新的转移函数，不能准确得到转 移函数。
[0005] 经过对现有技术的检索发现，中国专利文献号CN104540219A，公开（公告）日 2015. 04. 22,公开了一种低复杂度的Wi -Fi指纹室内定位方法，通过在室内环境中，利用终 端接收到的多个AP的Wi - Fi信号的信号强度RSSI以及磁力计方向确定终端位置。在建 立指纹数据库阶段，通过采样平均建立指纹库。在实时定位阶段，根据终端方向以及前一时 刻的位置，得到指纹库子集用于计算位置，从而减小匹配算法的计算复杂度。但该技术在不 同终端在同一位置采集到Wi -Fi信号的信号强度存在差异及该差异引起的Wi -Fi指纹定 位系统定位精度的降低。
[0006] 中国专利文献号CN102932738A，公开（公告）日2013. 02. 13,公开了一种改进的 基于分簇神经网络的室内指纹定位方法。其技术方案是，离线阶段，用参考点处采集的指纹 信息构建指纹数据库；利用聚类算法对指纹数据库中的指纹进行分类；再利用人工神经网 络模型对各参考点的指纹与位置信息进行训练，得出最优的网络模型。在线阶段，将采集的 实时指纹信息与指纹数据库中的类中心进行类匹配，确定初步定位区域；并将初步定位区 域中包括的实时指纹信息作为参考点的神经网络模型的输入端，从而获取最终的精确位置 估计。但当在线阶段与离线阶段采用的终端种类不同时，不同终端间Wi -Fi信号的信号强 度差异会造成定位精度的下降，导致该技术的位置估计不准确。
【发明内容】
[0007] 本发明针对现有技术存在的上述不足，提出一种终端间Wi -Fi信号的信号强度差 异修正方法，采用EM算法架构对Wi -Fi信号的信号强度差异值进行修正，增加了回归的指 纹数量，并对异常信号强度进行了处理，然后用优化K - Nearest -Neighbor(KNN)算法实现 指纹匹配，从而使定位精度明显提高。
[0008] 本发明是通过以下技术方案实现的：
[0009] 本发明涉及一种终端间Wi -Fi信号的信号强度差异修正方法，根据初始转移函数 对在线终端采集到的观测指纹映射至离线指纹数据库空间，然后与离线数据库中的指纹信 息进行指纹匹配得到匹配指纹，再利用观测指纹和匹配指纹计算更新后的Wi -Fi信号的信 号强度转移函数的参数，重复计算直至满足收敛条件后，得到最终的转移函数及其参数，最 后对观测指纹进行映射并计算得到离线指纹数据库中的匹配指纹和最终位置结果。
[0010] 所述方法具体包括以下步骤：
[0011] 步骤1、采用两种不同的终端设备作为离线终端，分别在需要定位的室内空间中采 集各个位置的指纹信息，同时对离线终端采集到的每组指纹标定其对应的空间坐标位置， 并生成相应的离线指纹数据库。
[0012] 所述的离线终端是指：离线阶段采用的终端，可以与在线终端类型不同。
[0013] 步骤2、根据不同终端设备之间的Wi-Fi信号的信号强度转移函数，将在线终端采 集到的观测指纹映射到离线指纹数据库空间并与离线数据库中的指纹信息进行指纹匹配， 从而得到观测指纹的匹配指纹信息和相应位置坐标。
[0014] 所述的指纹信息是指：通过离线终端检测到的在室内空间各个位置处来自多个 AP (无线接入点）的Wi -Fi信号的信号强度构成的信号强度向量的集合。
[0015] 所述的在线终端是指：在线定位阶段所用的终端，一般是与离线终端不同种类的 终端。
[0016] 所述的观测指纹是指：通过在线终端（在线阶段采用的终端）检测到的在室内空 间某一位置处来自多个AP的Wi - Fi信号的信号强度构成的向量。
[0017] 所述的空间坐标位置通过离散方式或连续方式采集得到，其中：离散采集指的是 在空间内几个定点上采集一段时间的指纹并标定位置坐标；连续采集指的是终端在空间内 匀速移动采样，并手动记录当前路线上起始点的位置坐标，从而按照时间戳计算每一个连 续采集得到的指纹的位置坐标。
[0018] 所述的Wi - Fi信号的信号强度转移函数是指：F&ain= aXF t_k+b，其中：FtrainR 表离线训练时终端设备采集的离线指纹数据库中的指纹信息，FtradiR表在线定位时终端采 集的指纹数据库中的指纹，a和b则是该线性函数的两个参数。
[0019] 所述的Wi -Fi信号的信号强度转移函数模型，其初始参数通过以下方式确定得 至Ij :EM定位修正算法能对不同的初始参数进行修正，最后收敛得到最大似然参数估计。一 般情况下，初始参数a可选为I，初始参数b可选为0。
[0020] 所述的指纹匹配以K - Nearest - Neighbor (KNN)算法为基础，并对其进行优化，具 体为：找出离线指纹数据库中与观测指纹的距离最近的K个指纹，然后计算该K个指纹的定 标位置的中心位置，最后以与该中心位置距离最近的指纹作为匹配指纹。由于K个指纹中 大多数指纹的定标位置都与实际位置相近，该优化算法能够有效避免定位结果出现较大的 偏差，因此可以提尚定位精度。
[0021] 所述的距离，优选为欧氏距离，即：对于拥有η个AP的室内空间，终端在空间内采 集到两个指纹满足P = (X1, X2, · · ·，Xn)和Q = (Y1, y2, · · ·，yn)，其中：xn, yj#应终端采样得 到来自第η个AP (无线接入点）的信号强度，（xn，yn)则称为信号强度点对，两指纹之间的 欧氏距离表示为
[0022] 匹配算法的目的是找出离线指纹数据库中与待匹配指纹距离最近的指纹及其定 标位置，而距离最近也代表相似度最大。计算匹配指纹及其定标位置就相当于EM算法中对 隐含变量期望值的计算。特别的，在指纹匹配过程中需要剔除指纹中不在[_90dB，-30dB] 范围内的异常信号强度分量，这些异常信号强度会加大定位误差。
[0023] 步骤3、将得到的离线数据库中的匹配指纹中的信号强度分量与相应观测指纹中 的信号强度分量按照不同的AP(无线接入点）构成不同的信号强度点对，然后通过线性回 归处理直至收敛，得到更新后的Wi - Fi信号的信号强度转移函数的估计参数。
[0024] 所述的线性回归处理是指：以观测指纹作为X轴，离线数据库中的匹配指纹作为Y 轴，观测指纹与离线数据库中对应匹配指纹按不同的AP构成不同的信号强度点对，然后对 多组指纹的信号强度点对线性回归，得到的函数的参数作为信号强度转移函数的新的估计 参数。线性回归这一过程就相当于EM算法中将隐含变量期望最大化的过程。
[0025] 特别地，对于[_90dB，-30dB]范围外的信号强度分量判断为异常，并在线性回归 时不考虑这些异常分量，以避免定位精度的降低。
[0026] 所述的收敛是指：当观测指纹通过带有新的估计参数的信号强度转移函数映射后 与离线数据库中匹配指纹间平均信号强度差变化持续预设时间段后小于收敛阈值时则认 为算法收敛，否则回到步骤2重新处理。
[0027] 步骤4、采用更新后的Wi - Fi信号的信号强度转移函数将观测指纹映射到离线指 纹数据库空间，与离线数据库中的指纹信息进行指纹匹配，从而得到观测指纹的最终位置 坐标。