一种基于iBeacon的室内定位方法
【技术领域】
[0001 ]本发明涉及一种室内定位导航的方法，具体为一种基于iBeacon的室内定位方法， 通过蓝牙信号强度的测量判断来实现室内定位。
【背景技术】
[0002]目前定位技术的应用越来越广泛，对于室外定位技术GPS是主流，但是对于室内定 位，GPS受各种因素的干扰，定位精度差，GPS不适用于室内定位，目前室内定位的主流技术 包括:无线网络，ibeacon，射频识别，地磁，超声波，Zigbee等等。
[0003] 无线网络定位:主要用于在短距离、低功耗、传输速率不高的各种电子设备之间进 行数据传输以及周期性数据、间歇性数据和低反应时间数据传输的应用，然而其成本及功 耗都较高。
[0004] 射频识别定位:主要用于短距离精准定位，然而其发射和接收的物事较为特殊，且 不具有通讯能力，因此使用范围有限。
[0005] 超声波定位:虽然其定位精度高，然而其成本较高，不适合规模化运用，且系统容 错和适应性较低。
[0006]超宽带定位:虽然其定位精度、系统容错和适应性都较好，然而其成本过高。
[0007] 地磁定位:定位的准确性较低，不能准确确定终端位置。
[0008] iBeacon是苹果公司2013年9月发布的移动设备用0S(i0S7)上配备的新功能，配备 有低功耗蓝牙(BLE )通信功能的设备使用BLE技术向周围发送自己特有的ID，接收到该ID的 应用软件会根据该ID采取一些行动。
[0009] iBeacon定位相对于其他定位系统的优势有：1)功率小可以做到无源，普通的节点 可以工作几个月至两年；2)iBeacon系统可以布得比较密但是成本相对低，iBeacon节点的 成本目前大概在20多人民币一个的水平，相对于其他定位的物理层实现要低;3) iBeacon在 移动平台要求的是蓝牙，只要手机支持蓝牙，均可实现定位。
【发明内容】
[0010] 为了解决现有技术中存在的不足，本发明提供了一种基于ibeacon的室内定位方 法，通过采用量子群智能优化算法，定位速度快，定位精度高。
[0011] -种基于ibeacon的室内定位方法，实现室内定位的步骤包括： S1:在场景区域内均勾设置定位标签，定位标签采用低功耗蓝牙iBeacon。
[0012] 所述定位标签布置密度为间隔8-15米布置一个，布置方式为均匀布置或沿行走路 线均匀布置，优选地采用三角网络交错均匀布置，定位标签的高度优选在2.5-3米的区域 内。
[0013] S2:数据采集，手持采集终端在场景区域内按同一方向遍历所有参考点，采集定位 标签发出的广播信息，将采集到的广播信息构建一个完整的指纹库，把该指纹库存于服务 器内。
[0014] 所述的广播信息包括位置信息、基站信息以及信号强度，如包含UUID、maj〇r、 minor、rssi 等信息。
[0015] 所述手持终端为载有数据采集测试端软件的手机或平板电脑，数据采集测试端软 件目前已申请软件著作权。
[0016] S3:在线定位，用户手持终端设备进入定位区域，手机终端接收iBeacon蓝牙信息， 在线测量向量与服务器中的指纹库进行定位匹配，采用量子群智能优化算法的定位匹配模 型实现定位。
[0017]指纹法较传统的电波传播模型能更准确地描述RSS和空间位置的关系，且无需AP 具体位置的先验信息；采用量子群智能优化算法以及演化而来的数学定位模型进行定位， 可以提尚定位的效率以及定位的精度。
【附图说明】
[0018]下面结合附图及实施例对本发明进一步进行描述 图1为本发明所采用的定位步骤示意图； 图2本定位测试用的实景平面示意图； 图3是三种不同量子群智能优化算法的平均定位误差随迭代次数的变化图； 图3中：条形柱从左向右依次代表量子人工蜂群算法、量子人工鱼群算法、量子蚁群算 法； 图4是上述量子人工蜂群算法在某一相同环境下的定位误差累积分布图； 图5是上述量子人工鱼群算法在某一相同环境下的定位误差累积分布图； 图6是上述量子蚁群算法在某一相同环境下的定位误差累积分布图； 图7是上述量子人工蜂群算法在实景中的定位效果示意图。
【具体实施方式】
[00?9] -种基于ibeacon的室内定位方法，实现室内定位的步骤包括： S1:在场景区域内均勾设置定位标签，定位标签采用低功耗蓝牙iBeacon。
[0020]所述定位标签布置密度为间隔8-15米布置一个，布置方式为均匀布置或沿行走路 线均匀布置，优选地采用三角网络交错均匀布置，定位标签的高度优选在2.5-3米的区域 内。
[0021 ] S2:数据采集，手持采集终端在场景区域内按同一方向遍历所有参考点，采集定位 标签发出的广播信息，将采集到的广播信息构建一个完整的指纹库，把该指纹库存于服务 器内。
[0022]所述的广播信息包括位置信息、基站信息以及信号强度，如包含UUID、major、 minor、rssi 等信息。
[0023] 所述手持终端为载有数据采集测试端软件的手机或平板电脑，数据采集测试端软 件目前已申请软件著作权。
[0024] S3:在线定位，用户手持终端设备进入定位区域，手机终端接收iBeacon蓝牙信息， 在线测量向量与服务器中的指纹库进行定位匹配，采用量子群智能优化算法的定位匹配模 型实现定位。
[0025] 指纹法较传统的电波传播模型能更准确地描述RSS和空间位置的关系，且无需AP 具体位置的先验信息。
[0026] 所述S3步骤中所述的定位匹配，其具体步骤如下： 在t时刻，在线RSS测量向量资,,与指纹库中位于参考点RPj处1^3向量灼间的距离定义 为：
选择较小的n(ne [ 1，N])个点作为参考点，通过求平均值的方法进行位置估计，即：
其中，代表第j个参考点的权重，ω j=l/(e+drj)，e代表实际定位点与参考点的关联 度系数，
为参考点RPj的二维坐标，je U，2，···，N};当ε(ε>1)无限 接近于1且不为1时，drj接近于零，即可理解为定位点 RPr与参考点RP」无限接近;则定位匹配问题的数学模型表达为：
所述的量子群智能优化算法，采用量子蚁群算法，具体步骤包括： 步骤1:初始化量子种群，种群大小为n(n=N)，量子位数目为m(m=L)，种群pUMpiS ?2\?3\~，？，），其中，？^〇 = 1，2,3，一，11)为种群中第七次迭代的第」个个体，
在开始时所有的<^，私(i=l，2，3，…，m)取值为1ΑΓ2，即Ρ/= Ρ」? t=1=l/ ,2,初始迭代次数t=0; 步骤2:参数初始化，设定各参数α、β、Ρ的值，随机生成Q的值，蚂蚁的个数种群数量一 致，最大迭代次数tmax，当前迭代次数t=0;
，选择drj较小的n (n e [ 1，N])个点作为参考点； 步骤4:蚂蚁k(k=l，2，3，…，n)随机选择一个参考点RPj; 步骤5:每只蚂蚁独立地构造一个数组解:按概率计算各参考点被选择的概率，蚂蚁k按 照选择概率Pf并更新数组。
式中，τ」信息启发因子，表示第j个参考点信息素的量，ru(t)表示参考点的价值，即nj= l/dij，a和β分别表示信息素量和参考点价值的权重(α 2 〇，β> 〇);μ」为参考点内AP的量子信 息强度，其表达式为:^=1/I2，式中| ^ |2表示第j个量子位的量子态坍缩到I 0 >的概率， γ ( γ 2