专利名称：基于分区信息熵增益的wlan室内定位方法
技术领域：
本发明涉及一种WLAN室内定位方法。
背景技术：
目前，随着无线网络的发展，出现了许多与室内定位相关的技术和应用，其中，随着 IEEE 802. 11 标准的提出，无线局域网 WLAN (Wireless Local Area Networks)进一步在世界范围内被各种机构和个人在不同环境下广泛部署。而基于WLAN技术的室内定位系统因具有部署方便，成本低，不需添加定位测量专用硬件等特点而受到广泛重视。
在WLAN环境下，通过测量来自接入点AP (Access Point)的接收信号强度RSS(Received Signal Strength)值获得相应位置信息,结合信号强度数据库求解,确定移动用户的位置。其中基于位置指纹的定位算法因为定位精度高，可充分利用现有设施，升级和维护对用户影响小等优点而得到广泛应用。位置指纹定位算法分为离线测量阶段和在线定位阶段两个步骤，主要包括最近邻法、K近邻法、概率法和神经网络法。其中K近邻法(KNN，K Nearest Neighbors)在算法复杂度和定位精度上都具有一定优势。但是，在实际的应用中发现，不同的AP具有不同的定位能力，他们对同一区域的定位有不同的定位贡献。有的AP定位能力很强,对定位的贡献较多。有的AP定位能力差，对定位的贡献较小，甚至降低定位精度，这部分AP如果应用在定位中，不仅增加了很多无用的计算，而且很可能降低了定位性能。为此，我们需要引入一个原则来区分不同AP的定位能力。传统方法一般根据接收到来自AP的RSS值大小来区分AP的定位能力，即对于某一区域，接收到某一 AP的平均信号强度越大，则认为该AP的定位能力越强。实验表明，这种AP选取原则是不正确的，比如一个AP在定位区域内各处的信号强度都比较大但波动较小，这类AP虽然信号强度平均值很大，但是定位能力较弱。另外，由于RSS的统计特性随着物理位置的变化而变化，建立在整个定位区域的定位模型，包括AP选择策略、定位特征提取模型都是次优的。例如，一个AP对于定位环境中不同的位置有不同的定位贡献，比如一个AP可能对某一区域定位能力很好，但对其他区域定位能力很差，在这种情况下，如果对一个面积较大的定位环境整体进行AP选择，则这类AP很可能由于平均定位贡献小而被去除，这不利于部分区域的定位。为此，当我们进行AP选择时，应先将较大的定位区域按照接收信号强度RSS值之间的相似性分区，然后在每个相对小的子区域内进行AP选取。
发明内容
本发明是为了能同时减少定位所需的运算量并提高WLAN室内定位的精度而提出的一种WLAN室内定位方法。基于分区信息熵增益的WLAN室内定位方法，它由以下步骤实现步骤一、针对室内环境布置m个接入点AP，确保所述环境中任意一点被两个或两个以上的接入点AP发出的信号覆盖，并在所述室内环境中均匀设置N个参考点；N为正整数；步骤二、选取一个参考点为坐标原点建立二维直角坐标系,获得N个参考点在该二维直角坐标系中的坐标位置，并在每个参考点上利用信号接收机采集并记录来自每一个接入点AP的接收信号强度RSS值k次，并进行数据处理；k为正整数；
步骤三、根据步骤二中每个参考点上处理后的数据采用K均值聚类算法将室内定位环境分成K个子区域；在每个子区域中各个参考点的接收信号强度RSS值具有相似的特征向量；步骤四、在每个子区域中引入信息熵增益模型，分别将所有AP按照对该子区域定位贡献按从大到小的顺序进行排列，选取前t个定位贡献最大的无线接入点AP作为定位AP ；步骤五、采集待测试点的信号强度RSS值，并根据所述RSS值和步骤三中的每个子区域的特征向量进行比较，获得待测试点的特征向量与各子区域的特征向量的距离，并将待测试点定位在与该测试点的特征向量距离最近的子区域内；步骤六、在被定位的子区域内，利用步骤四选取的t个定位AP，采用K近邻位置指纹定位算法对待测试点进行定位，从而实现基于分区信息熵增益的WLAN室内定位。在每个参考点上利用信号接收机采集并记录来自每一个接入点AP的接收信号强度RSS值k次，并进行数据处理的具体方法是步骤Al、将每个参考点接收到的k次来自每一个接入点AP的接收信号强度RSS值形成一个kXm的矩阵；矩阵的第i’行第j’列表示第i次采集中接收到的来自第j个AP的接收信号强度RSS值；i’为小于或等于k的正整数；j’为小于或等于m的正整数；步骤A2、将每个参考点得到的kXm的矩阵中的列向量中所有元素相加获得一个值，再把这个值除以k，每个参考点获得一个I Xm特征向量，作为该参考点处理后的数据。在步骤三中根据步骤二处理后的数据采用K均值聚类算法将室内定位环境分成K个子区域的具体方法是步骤BI、从步骤二中每个参考点上处理后的数据中选取K个参考点的接收信号强度RSS值作为K个子区域的聚类中心，为了避免初始聚类中心选取的随机性对聚类算法产生的负面影响，可在定位区域均匀选取K个初始聚类中心，即(RSSn，RSS12,RSSlm)1,(RSS21, RSS22,RSS2J \ ……(RSSK1，RSSk2, RSSj 1 ；步骤B2、分别计算N个参考点与K个子区域的聚类中心的欧式距离，并将N个参考点分别分配给与该参考点之间的欧氏距离最小的子区域，第f个参考点与第h个聚类中心的距离dfh如下式
权利要求
1.基于分区信息熵增益的WLAN室内定位方法，其特征是它由以下步骤实现 步骤一、针对室内环境布置m个接入点AP，确保所述环境中任意一点被两个或两个以上的接入点AP发出的信号覆盖，并在所述室内环境中均匀设置N个參考点；N为正整数； 步骤ニ、选取ー个參考点为坐标原点建立ニ维直角坐标系,获得N个參考点在该ニ维直角坐标系中的坐标位置，并在每个參考点上利用信号接收机采集并记录来自每ー个接入点AP的接收信号強度RSS值k次，并进行数据处理；k为正整数； 步骤三、根据步骤ニ中每个參考点上处理后的数据采用K均值聚类算法将室内定位环境分成K个子区域；在每个子区域中各个參考点的接收信号強度RSS值具有相似的特征向量; 步骤四、在每个子区域中引入信息熵增益模型，分别将所有AP按照对该子区域定位贡献按从大到小的顺序进行排列，选取前t个定位贡献最大的无线接入点AP作为定位AP ； 步骤五、采集待测试点的信号強度RSS值，井根据所述RSS值和步骤三中的每个子区域的特征向量进行比较，获得待测试点的特征向量与各子区域的特征向量的距离，并将待测试点定位在与该测试点的特征向量距离最近的子区域内； 步骤六、在被定位的子区域内，利用步骤四选取的t个定位AP，采用K近邻位置指纹定位算法对待测试点进行定位，从而实现基于分区信息熵增益的WLAN室内定位。
2.根据权利要求I所述的基于分区信息熵增益的WLAN室内定位方法，其特征在于在每个參考点上利用信号接收机采集并记录来自每ー个接入点AP的接收信号強度RSS值k次，并进行数据处理的具体方法是 步骤Al、将每个參考点接收到的k次来自每ー个接入点AP的接收信号強度RSS值形成ー个kXm的矩阵；矩阵的第i’行第j’列表示第i次采集中接收到的来自第j个AP的接收信号強度RSS值；i’为小于或等于k的正整数；j为小于或等于m的正整数； 步骤A2、将每个參考点得到的kXm的矩阵中的列向量中所有元素相加获得ー个值，再把这个值除以k，每个參考点获得ー个I Xm特征向量，作为该參考点处理后的数据。
3.根据权利要求2所述的基于分区信息熵增益的WLAN室内定位方法，其特征在于在步骤三中根据步骤ニ处理后的数据采用K均值聚类算法将室内定位环境分成K个子区域的具体方法是 步骤BI、从步骤ニ中每个參考点上处理后的数据中选取K个參考点的接收信号強度RSS值作为K个子区域的聚类中心，在定位区域均匀选取K个初始聚类中心，即(RSS11, RSS12,RSSlm)1, (RSS21, RSS22,RSS2J \ ……(RSSK1，RSSk2, RSSj 1 ； 步骤B2、分别计算N个參考点与K个子区域的聚类中心的欧式距离，并将N个參考点分别分配给与该參考点之间的欧氏距离最小的子区域，第f个參考点与第h个聚类中心的距离dfh如下式:
4.根据权利要求3所述的基于分区信息熵增益的WLAN室内定位方法，其特征在于步骤四中在每个子区域中引入信息熵增益模型，分别将所有AP按照对该子区域定位贡献按从大到小的顺序进行排列，选取前t个定位贡献最大的无线接入点AP作为定位AP的具体方法是 步骤Cl、设各子区域内有η个參考点，对每ー个參考点在k次接收信号強度RSS值测量中接收到的来自每个AP的接收信号強度RSS值进行统计，并在每ー个參考点都生成ー个mXlOl的矩阵，该矩阵的第i”行第j”列表示该參考点接收到的来自APi的接收信号強度RSS值大小为-(j-1) dBm的概率；i”为小于或等于m的正整数；j”为小于或等于101的正整数；i为小于或等于m的正整数； 步骤C2、在每个子区域内，以每个參考点为中心做大小相等、相互连接的方格Cg，g为小于或等于η的正整数；其中，将每ー參考点离线阶段接收到的来自各无线接入点AP的信号强度RSS值作为该參考点对应方格的定位信息； 当没有导入待测试点获得的来自任一无线接入点AP的信号强度RSS值时，待测试点的实际位置在各个方格中的熵值为
5.根据权利要求3所述的基于分区信息熵增益的WLAN室内定位方法，其特征在于步骤六中在被定位的子区域内，利用步骤四选取的t个定位AP，采用K近邻位置指纹定位算法对待测试点进行定位的具体方法是 步骤DI、在被定位的子区域中,η个參考点中姆ー个參考点都对应ー个I Xm的向量,该向量中的第j’个元素表示在该參考点处获得的来自AP^的接收信号強度RSS均值； 根据已经确定的该子区域内定位能力最強的前t个AP，将该子区域内不參与定位的接收信号強度RSS值去除，则测试点的特征向量(RSS1, RSS2,... RSSt)与第g个參考点的特征向量(RSSgl，RSSg2,. . . RSSgt)之间的距离 dg(1 为
全文摘要
基于分区信息熵增益的WLAN室内定位方法，涉及一种WLAN室内定位方法。它是为了能同时减少定位所需的运算量并能够提高WLAN室内定位的精度而提出的。本发明首先在离线阶段通过在各参考点测量接收到的来自各个AP的信号强度RSS值作为位置指纹信息，然后利用K均值聚类算法对定位空间分区，并在每个子区域中引入信息熵增益模型选出定位能力最强的t个AP；在线阶段，首先根据测试点与各聚类中心的特征向量距离大小确定测试点在哪个子区域，然后在每个子区域中分别利用已选择的t个AP应用K近邻定位算法实现对测试点的精确定位。本发明适用于WLAN室内定位。
文档编号H04W64/00GK102821465SQ20121032966
公开日2012年12月12日 申请日期2012年9月7日 优先权日2012年9月7日
发明者马琳, 马欣茹, 刘曦, 周才发, 徐玉滨, 强蔚 申请人:哈尔滨工业大学