一种基于改进WKNN的Wi-Fi室内定位方法与流程

本发明涉及室内定位领域，特别是一种基于改进WKNN的室内定位方法。

背景技术：

随着现代社会的不断发展，城镇化进程加快，大型建筑日益增多，大多数人超过80％的时间都处于室内环境。餐饮、购物、地铁交通以及更加智能的家居生活成为人们生活中十分重要的组成部分。公共安全、生产安全(地下施工、采矿等)、应急救援(火灾以及地震救援等)、精准投放商业广告、物联网、特殊人群监控、大型场馆管理、智慧城市建设等都需要使用准确的室内定位信息。虽然GPS在室外定位与导航中取得很好的效果，但是这种定位方法要求发射卫星与接收机之间保持视距传播，因此在有建筑物遮挡的室内环境中，其定位性能大幅下降。

近年来，短距离无线电技术和无线局域网高速发展，Wi-Fi、Zigbee、Bluetooth、Ad-hoc和UWB(Ultra Wideband)等新兴的无线网络技术在办公室、工厂、家庭等大众生活的方方面面得到了广泛应用。而基于短距离无线技术的测距定位开始受到学术界和工业界的关注。室内定位通常需要确定移动终端或其持有者、设备与物品在室内的位置信息，但是受定位基础设施、定位精度以及复杂室内环境等条件的限制，比较完善的定位技术目前还无法很好地利用。随着WLAN IEEE 802.11无线网络的大面积铺设，使得基于Wi-Fi进行室内定位时在硬件设备上的花费大大减少，具有部署灵活、低成本、无需建立昂贵的基础设施等优点。

基于WKNN的Wi-Fi室内定位方法主要原理是根据待定位节点处测量的来自周围接入点的信号强度和指纹数据库中的参考节点信号强度进行相似度对比，取最邻近的K个参考节点进行定位，并对每个参考节点赋予不同的权值，以增大较近节点对定位结果的影响。传统的相似度对比方法中广泛采用欧氏距离，然而无线信号在空间中传播呈指数型衰减，所测量的信号强度与现实中的物理距离并非简单的线性关系，因此使用欧氏距离进行相似度对比分析时并不能取得很满意的定位效果。

技术实现要素：

本发明的目的是解决传统的基于WKNN的Wi-Fi定位方法定位精度不高的问题，提供一种改进的WKNN定位方法。首先将曼哈顿距离应用到WKNN定位算法中，然后对曼哈顿距离进行改进，建立新的相似度对比方法，提高定位精度，同时降低硬件成本开销。

为实现本发明的目的，改进WKNN的Wi-Fi定位方法主要过程分为两个阶段： 离线阶段和在线阶段。

所述离线阶段主要包括以下步骤：

1)待定位环境中选取一定数量的点作为参考节点，测量参考节点坐标位置以及参考节点位置上来自周围接入点的信号强度值。

2)提取测量信息，对于某一个确定的参考节点提取内容主要包括接入点ID以及接受到此接入点的信号强度平均值，并将所有平均值按照接入点的固定顺序记录成向量的形式，比如第i个参考节点的信号强度向量为RSS_i＝RSS_i1，RSS_i2，...，RSS_ij，...，RSS_iN，其中N为周围接入点的个数。

3)将参考节点的物理坐标与对应的信号强度向量一一对应关系存储到指纹数据库中。

所述在线阶段主要包括以下步骤：

1)测量待定位节点处的信号强度向量，比如某一个待定位节点处的信号强度向量为RSS_un＝RSS₁，RSS₂，...，RSS_j，...，RSS_N。

2)计算待定位节点与所有参考节点之间的相似度。首先计算待定位节点与参考节点信号强度向量之间的“距离”，“距离”越大说明相似度越小。待定位节点与第i个参考节点之间“距离”的计算公式为：

其中d为信号强度限定阈值，当来自某一个接入点的信号强度差值大于d，则将此差值扩大λ倍，相当于降低了此接入点对定位结果的影响程度；反之当来自某一个接入点的信号强度差值小于或者等于d，则将此差值缩小λ倍，相当于增大了此接入点对定位结果的影响程度。

3)对相似度最高的前k个参考点赋予不同的权值。根据待定位节点与参考节点之间接受信号强度相似度的不同，对相似度最高的前k个参考点赋予不同的权值，以提高定位精度，假如前k个参考节点与待定位节点接收信号强度之间的“距离”为：D₁，D₂...D_k，则第i个参考节点对应的权值按如下公式计算：

其中所有的w_i满足w₁+w₂+...+w_k＝1。

4)计算待定位节点坐标。假设前k个最邻近参考节点对应的坐标为：C₁，C₂...C_k，则待定位节点坐标计算公式如下：

与传统的基于WKNN的Wi-Fi定位方法，本发明的有益效果是：

1)将曼哈顿距离引入到WKNN算法当中，并对其进行改进，提高了定位精度。

2)利用当前社会中广泛存在的Wi-Fi信号进行室内定位，极大的降低了硬件成本花销。

附图说明

图1是本发明的实验区的布置图。

图2是本发明的定位过程流程图。

具体实施方式

为了使本发明的目的、特征、优点更加明显易懂，下面结合基础基论、公式附图，按照基本原理、宏观流程、具体步骤的顺序对本发明做进一步的详细说明。

实验区选择在湖南省长沙市中南大学物理与电子学院6楼，实验区平面图见图1，总大小为32米长、16.5米宽，其中每一小房间为7.5米长、4米宽，大房间为小房间的2倍。其中选择了7个具有代表性的路由器接入点用于本次定位，在图1中以五角星标注。

实施阶段主要分为两个步骤：离线阶段的指纹数据库构建和在线阶段的对未知节点进行定位，流程图见图2。

步骤1、离线阶段构建指纹库。

步骤1.1、选取参考节点位置。

本步骤中选取的参考节点尽量均分与待定位空间内。本实例中参考节点之间横向相距1米，纵向相距1.5米，走廊空间选取了49个参考节点，每个小房间选取12个，每个大房间选取28个，在图1中以小圆点标注。

步骤1.2、测量参考节点接收到各个接入点的信号强度。

本步骤中利用笔记本电脑依次在每一个参考节点上测量来自周围路由器接入点的信号强度，每一个参考点上测量10次，取平均值。比如在第i个参考节点上，接收来自第一个接入点的信号强度平均值为RSS_i1，第二个为，RSS_i2，以此类推，第7个为RSS_i7，则我们可以将此参考节点上接收周围接入点信号强度写成向量形式RSS_i＝RSS_i1，RSS_i2，...，RSS_ij，...，RSS_i7。其中每个RSS的向量顺序要与固定的接入点顺序对应。

步骤1.3、构建指纹数据库。

本步骤中将每一个参考节点的坐标信息，与接收到周围接入点信号强度向量一一对应起来，并存储在指纹数据库中，以便在线阶段中实际定位时使用。

步骤2、在线阶段对未知节点进行定位。

步骤2.1、测量待定位节点接收到各个接入点的信号强度。

在实验环境中随机选取一部分未知节点，记录其真实位置坐标，以及在这些点上测量的来自周围接入点的信号强度向量，假设其中某一点的信号强度向量为RSS_un＝RSS₁，RSS₂，...，RSS₇。

步骤2.2、计算未知节点与各参考节点的信号强度向量之间的“距离”。

利用改进的曼哈顿距离计算未知节点与参考节点的信号强度向量之间的“距离”，“距离”越小，则表明二者相似度越高，进而二者的物理位置越相近，因此“距离”较小的参考节点对未知节点位置的影响较大。待定位节点与第i个参考节点之间“距离”的计算公式为：

其中d为信号强度之差的限定阈值，当来自某一个接入点的信号强度差值大于d，则将此差值扩大λ倍，相当于降低了此接入点对定位结果的影响程度；反之当来自某一个接入点的信号强度差值小于或者等于d，则将此差值缩小λ倍，相当于增大了此接入点对定位结果的影响程度。d与λ的大小可以为任意整数，误差分析阶段可以确定最优的d与λ值。

步骤2.3、选取前k个“距离”最近的参考节点，并赋予不同的权值。

通过步骤2.2的计算结果，可以选取“距离”最小的前k个参考节点，比如前k个最小距离分别为D₁，D₂...D_k，则可以依据如下公式对它们赋予对应的权值。

其中所有的w_i满足w₁+w₂+...+w_k＝1。

步骤2.4、根据前k个参考节点坐标以及对应的权值，对未知节点进行定位。

根据已知位置坐标的参考节点，以及步骤2.3计算出的每个参考节点对应的权值，利用如下公式可以对未知节点进行定位。

需要指出的是，本发明所诉的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其它实施方式，同样属于本发明保护的范围。