一种RF指纹数据库构建方法及装置与流程

本发明涉及室内定位领域，尤其涉及一种RF指纹数据库构建方法及装置。

背景技术：

近年来，随着智能终端普及率的提升，各式各样的移动终端应用也迎来井喷式的发展，其中基于位置的服务(Location Based Service，LBS)是其中重要的一类，其应用范围涵盖医疗看护、物流管理，安防，导航，基于位置的信息投送，基于位置的网络安全，基于位置的用户参与游戏等等。

传统的无线终端定位主要依靠全球定位系统(Global Positioning System，GPS)和无线基站进行定位，这两种方法都是基于几何的定位方法，即通过测量锚节点到终端的距离来确定终端的位置。在室外，测距精度很高，因此可获得很高的定位精度。而在室内环境，由于存在大量的非视距传播路径，难以准确测距，因此传统的定位方式均难以获得好的效果，定位误差很大。

射频(Radio Frequency，RF)指纹系统通过离线阶段，在室内大量已知位置对无线信号做测量，提取无线信号的特征，并建立位置与无线信号特征的对应关系，保存在数据库(既RF指纹数据库)中。在线阶段，无线终端获取当前检测到的无线信号特征，发到后台的RF指纹数据库中做比对，通过定位算法计算获得当前无线终端的所在位置。一方面，由于RF指纹系统在定位原理上，并不受室内复杂环境的影响，因此可在室内获得比较好的定位精度。另一方面，目前WiFi设备的普及率很高，消费类电子产品普遍支持WiFi通信，在城市的楼宇、购物中心、体育场馆等典型室内场景中，WiFi无线信号资源丰富，RF指纹定位系统可以利用丰富的无线信号资源进行室内定位，无需额外增设设备，因此价格低廉。由于这些原因，RF指纹定位系统是一种低成本、较高精度的定位系统，是目前室内定位的主流方案之一，有广阔的发展前景。

虽然RF指纹系统成本低，定位精度较高，但离线阶段构建RF指纹数据库的工作量却十分巨大。显而易见，RF指纹系统的定位精度与构建RF指纹数据库时的地理位置精细程度密切相关，数据库中包含的地理位置越精细，最终的定位精度也就越高，同时离线构建RF指纹数据库时所需的测量位置也就越多，为了保证在已知位置提取的信号特征稳定，通常需要在每个测量位置的多个朝向进行若干次测量，按照各个朝向分别取平均值，并且如果环境发生较大改变，原来的测量结果就不再准确，需要重新构建或更新RF指纹数据库。

2006年，Donoho、Tao等人正式提出了压缩感知的概念，对于具有稀疏特性或者是可压缩的信号，可以通过少量采样点恢复出来。由于自然界有很多物理量(如音频信号，图像信息等)都可以在某种基(通过某种基的表示也可以看作是对原始信号做出某种变换，如傅里叶变换，小波变换等)的表示下，呈现出稀疏或者是可压缩的特性，因此这项技术一经提出，就受到广泛的关注，成为应用数学和信号处理领域的一个热点研究方向。根据目前的研究结果，室内环境下，信号强度等信号特征，随地理位置的变化函数在傅里叶变换下呈现稀疏特性，这就使得利用压缩感知的理论方法解决RF指纹系统构建复杂的问题成为可能。

目前已有的降低构建RF指纹系统难度的方案，是通过在WiFi环境下对空间进行无线信号采样，得到稀疏采样矩阵，然后对稀疏采样矩阵恢复得到信号强度标识(Received Signal Strength Indication，RSSI)矩阵，最后通过无线接入点采集当前位置的无线信号与之前获得的RSSI矩阵进行比对，得到当前位置。但这种方案由于稀疏采样算子为随机布尔数组，因而依赖于随机的地理位置抽样，也就是在在获取稀疏采样矩阵的时候，所选取的测量位置，必须是服从一定分布的随机抽样。从压缩感知的原理上来说，服从随机抽样的原则，能保证压缩感知观测矩阵以一定概率满足严格等距特性(RIP)，从而可以用L1范数最小化的优化方法恢复出一定精度的RSSI矩阵。然而，构建完整RSSI矩阵依赖于地理位置的随机抽样，将不可避免的带来恢复结果正确与否的随机性，如上所述，随机抽样只能保证压缩感知观测矩阵以一定概率满足严格等距特性，从而可由凸优化的方法从较少的观测点恢复出满足一定精度的RSSI矩阵，同时也有一定的概率会出现恢复失败，这种结果的随机性使得该方案在具体使用时受到限制。

技术实现要素：

针对上述问题，本发明的目的在于提供一种RF指纹数据库构建方法及装置，可在节省构造和更新RF指纹数据库的工作量的同时，保证恢复结果可靠性和正确率。

本发明提供了一种RF指纹数据库构建方法，包括：

将待定位区域离散化为N个检测点，并生成关于所述N个检测点的N阶离散傅里叶变换矩阵F；

根据预设的采样数M，从矩阵F^H中抽取出M行，构成一个M行N列并具有最小相关系数的观测矩阵B；其中，

根据与抽取出的M行的行标号对应的M个检测点测量得到的信号特征生成M维信号特征矢量

根据所述观测矩阵B及所述M维信号特征矢量恢复得到所述待定位区域的全部N个检测点的N维信号特征矢量并根据所述信号特征矢量构建RF指纹数据库，以供RF指纹定位时查询及比对使用。

优选地，所述采样数M满足：M≤N≤M²。

优选地，还包括：对所述观测矩阵B进行归一化处理。

优选地，所述根据预设的采样数M，从矩阵F^H中抽取出M行，构成一个M行N列并具有最小相关系数的观测矩阵B，具体包括：

根据N及预先设定的采样数M，从矩阵F^H中抽取出M行，并使得抽取的M行的行标号形成的M点子集构成模N的加法群ZN中的差分集；

利用抽取出的M行构成一个M行N列的观测矩阵B。

优选地，所述根据预设的采样数M，从矩阵F^H中抽取出M行，构成一个M行N列并具有最小相关系数的观测矩阵B，具体包括：

根据预先设定的采样数量M，通过组合的方法从所述矩阵F^H的全部N行中中抽取出M行，构成个M行N列的矩阵，并计算每个矩阵的相关系数；

对每个矩阵的相关系数进行比对，获取具有最小相关系数的矩阵，并标记为观测矩阵B。

优选地，所述根据所述观测矩阵B及所述M维信号特征矢量恢复得到所述待定位区域的N个检测点的N维信号特征矢量并根据所述信号特征矢量构建RF指纹数据库，以供RF指纹定位时查询及比对使用，具体包括：

根据所述观测矩阵B及所述M维信号特征矢量并通过求解L1范数最小化的优化问题获得其中，满足η为经验参数；

通过傅里叶反变换获得其中

根据所述信号特征矢量构建RF指纹数据库，以供RF指纹定位时查询及比对使用。

本发明还提供一种RF指纹数据库构建装置，包括：

离散化单元，用于将待定位区域离散化为N个检测点，并生成关于所述N个检测点的离散傅里叶变换矩阵F；其中，所述离散傅里叶变换矩阵F为N阶酉矩阵；

抽取单元，用于根据预设的采样数M，从矩阵F^H中抽取出M行，构成一个M行N列并具有最小相关系数的观测矩阵B；其中，

信号特征处理单元，用于根据与抽取出的M行的行标号对应的M个检测点测量得到的信号特征生成M维信号特征矢量

恢复单元，用于根据所述观测矩阵B及所述M维信号特征矢量恢复得到所述待定位区域的全部N个检测点的N维信号特征矢量并根据所述信号特征矢量构建RF指纹数据库，以供RF指纹定位时查询及比对使用。

优选地，所述抽取单元具体包括：

差分集计算模块，用于根据N及预先设定的采样数M，从矩阵F^H中抽取出M行，并使得抽取的M行的行标号形成的M点子集构成模N的加法群ZN中的差分集；

观测矩阵构建模块，用于利用抽取出的M行构成M行N列的观测矩阵B。

优选地，所述抽取单元具体包括：

组合模块，用于根据预先设定的采样数量M，通过组合的方法从所述矩阵F^H的全部N行中抽取出M行，构成个M行N列的矩阵，并计算每个矩阵的相关系数；

比对模块，用于对每个矩阵的相关系数进行比对，获取具有最小相关系数的矩阵，并标记为观测矩阵B。

优选地，所述恢复模块具体包括：

最优化计算模块，用于根据所述观测矩阵B及所述M维信号特征矢量并通过求解L1范数最小化的优化问题获得其中，满足η为经验参数；

傅里叶反变换模块，用于通过傅里叶反变换获得N维信号特征矢量其中

数据库构建模块，用于根据所述信号特征矢量构建RF指纹数据库，以供RF指纹定位时查询及比对使用。

本发明实施例提供的RF指纹数据库构建方法及装置，利用少量的M个检测点测量得到的信号特征，获得全部N个检测点上的信号特征，节省了构造和更新RF指纹数据库的工作量。由于本发明对于M个检测点的选择是基于观测矩阵相关系数最小化的原则进行选取的，避免了随机选取可能导致的恢复结果不正确的问题，增加了恢复结果的可靠性。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供RF指纹数据库构建方法的流程图。

图2是本发明实施例提供的一种待定位区域的检测点分布图。

图3是本发明实施例提供RF指纹数据库构建装置的结构示意图。

图4是图3所示的抽取单元的一种结构示意图。

图5是图3所示的恢复单元的一种结构示意图。

图6是图3所示的抽取单元的另一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例提供一种RF指纹数据库构建方法，所述RF指纹数据库构建方法用于构建一个RF指纹数据库，以供RF指纹定位识别实用，其可由RF指纹数据库构建装置来执行，并包括如下步骤：

S101，将待定位区域离散化为N个检测点，并生成关于所述N个检测点的N阶离散傅里叶变换矩阵F。

在本发明实施例中，具体地，在构建RF指纹数据库前，需要先对待定位区域(特别的，所述待定位区域为室内环境)进行离散化，来生成N个检测点，其中，N的数目可根据定位精度进行设置，N的数目越大，相应的定位精度也越高。

在本发明实施例中，在获得N个检测点后，所述RF指纹数据库构建装置将生成一个N阶的离散傅里叶变换矩阵F。

具体地，设对应所有N个检测点的信号特征(如信号强度)构成的信号特征矢量为其傅里叶变换记为：

其中，F为离散傅里叶变换矩阵，表达式如下：

显然F为酉矩阵，并满足由于室内环境的信号特征随地理位置变化有一定的平滑性，导致了其傅里叶变换具有稀疏性，因此(1)式中的具有稀疏性。

式(1)可以变形为：

S102，根据预设的采样数M，从矩阵F^H中抽取出M行，构成一个M行N列并具有最小相关系数的观测矩阵B；其中，

在本发明实施例中，可通过采样算子Φ来抽取矩阵F^H中的M行，构成M行N列的观测矩阵B。其中抽取的M行的行标号并非随机生成，而是根据令观测矩阵B相关系数尽量小的原则进行抽取。

其中，一个矩阵的相关系数的定义为：

设矩阵A＝[a1,a2,...,aN]∈C^M×N，称：

为矩阵A的相关系数。

其中，优选地，采样数M满足条件：M≤N≤M²。

具体地，为了获得具有最小相关系数的观测矩阵B，在一个实施例中，步骤S102可包括：

S1021，根据N及预先设定的采样数M，从矩阵F^H中抽取出M行，并使得抽取的M行的行标号形成的M点子集构成模N的加法群ZN中的差分集。

具体地，设D＝{d1,d2,...,dM}为模N的加法群ZN中的子集，如果对于任意ZN中的元素u，均恰好有λ种方式可写为：u＝di-dj,i≠j,di∈D,dj∈D的形式，则把子集D称为(N,M,λ)差分集。

S1022，利用抽取出的M行构成M行N列的观测矩阵B。

在本发明实施例中，可通过上述提及的差分集的方法从矩阵F^H中抽取出M行，并使得抽取的M行的行标号形成的M点子集构成模N的加法群ZN中的差分集，则这抽取出的M行就可构成具有最小相关系数的观测矩阵B。

需要说明的是，在本实施例中，在获得所述观测矩阵B后，还需对所述观察矩阵B进行归一化，以使所述观测矩阵B的每一列(列矢量)的长度为1，此时只需对所述观测矩阵B乘以归一化系数即可。

S103，根据与抽取出的M行的行标号对应的M个检测点测量得到的信号特征生成M维信号特征矢量

具体地，在获得M行的行标号后，获取与这M行的行标号对应的M个检测点测量得到的信号特征，并乘以归一化系数后，即可获得M维信号特征矢量

需要说明的是，在本发明实施例中，在测量所述M个检测点的信号特征(以信号强度为例)时，可对每个检测点的信号强度进行多次测量(如测量不同朝向的信号强度等)，然后取多次测量的平均值作为该检测点的信号强度，也可取出现次数最多的信号强度作为该检测点的信号强度，本发明不做具体限定。

S104，根据所述观测矩阵B及所述M维信号特征矢量恢复得到所述待定位区域的全部N个检测点的N维信号特征矢量并根据所述信号特征矢量构建RF指纹数据库，以供RF指纹定位时查询及比对使用。

在本发明实施例中，可通过最优化求解方法来恢复得到所述待定位区域的全部N个检测点的N维信号特征矢量以求解L1范数最小化的优化问题为例，则所述S104具体包括：

S1041，根据所述观测矩阵B及所述M维信号特征矢量并通过求解L1范数最小化的优化问题获得其中，满足η为经验参数。

在本发明实施例中，公式的含义为，从所有满足条件的中，选择出模最小的并将该具有最小模的记为

S1042，通过傅里叶反变换获得其中

S1043，根据所述信号特征矢量构建RF指纹数据库，以供RF指纹定位时查询及比对使用。

当然，应当理解的是，在本发明的其他实施例中，求解最优化问题的形式有多种变化，例如改变限制条件、获得常用的等价的凸优化的表示式等，基于最优化计算来恢复获得信号特征矢量的方案均在本发明的保护范围之内，在此不再赘述。

综上所述，本发明实施例提供的RF指纹数据库构建方法，利用少量的M个检测点测量得到的信号特征，采用压缩感知的理论方法获得全部N个检测点上的信号特征，节省了构造和更新RF指纹数据库的工作量。由于本发明实施例对于M个检测点的选择是基于观测矩阵相关系数最小化的原则进行选取的，避免了随机选取可能导致的恢复结果不正确的问题，增加了恢复结果的可靠性。

为了便于对本发明的理解，下面将以一个实际的例子来解释本发明的工作原理和过程。请参阅图2，如图所示：

1)首先把待定位区域划分为N＝57个检测点，并给出标号，根据需求设定M＝8，满足M≤N≤M²。

2)设57个检测点的离散傅里叶变换矩阵为F57，从矩阵中抽取8行，构成观测矩阵B。抽取的原则是令观测矩阵B有最小的相关系数。由于模N(即模57)的整数加法群Z57中，有差分集D＝{1,6,7,9,19,38,42,49}，根据相关的理论研究结果，从傅里叶变换矩阵(及逆变换矩阵)取模N群中的差分集对应的行，得到的矩阵具有最小的相关系数。因此本实施例中，取的第1、6、7、9、19、38、42、49行构成观测矩阵B，此后，再乘以归一化系数对所述观测矩阵B进行归一化。

3)根据选取的行标号，获取所述待定位区域上对应位置(加圆圈的标号)的信号特征。例如，对于信号强度，可在同一个检测点进行多次测量，取平均RSSI(或者出现概率最大的RSSI)作为该检测点的信号特征。把位置1、6、7、9、19、38、42、49的测量结果整合，并乘以归一化系数形成8维信号特征矢量

4)根据步骤2)获得的观测矩阵B以及步骤3)测量得到的信号特征矢量按照求解最优化问题(参照步骤S104)，计算获得全部57个检测点上的信号特征(分别对应的57个分量)，既获得完整的信号特征矢量这样就给出了一个根据少量检测点上的信号特征测量来获得全部信号特征的方法，从而快速建立RF指纹数据库。

下面将对本发明实施例的一些优选实施例做进一步的说明。

上述实施例中，针对步骤S102，考虑到并非对任意的N、M参数组合，都能找到对应的差分集(既某些参数的差分集并不存在)，因而还可采用其他的抽取方法。

为此，所述步骤S102还可包括：

S1023，根据预先设定的采样数量M，通过组合的方法从所述矩阵F^H的全部N行中中抽取出M行，构成个M行N列的矩阵，并计算每个矩阵的相关系数；

S1024，对每个矩阵的相关系数进行比对，获取具有最小相关系数的矩阵，并标记为观测矩阵B。

通过采用穷举法分别计算中抽取任意8行得到的矩阵的相关系数，然后取相关系数最小的那次抽取对应的行，并进行归一化后构成观测矩阵B。由于构建在RF指纹数据库的工作是在离线完成，因此对计算量的要求并不严格，可以容忍穷举带来的计算繁琐，并不影响方案的实用性。

请参阅图3，本发明实施例提供了一种RF指纹数据库构建装置，用于执行上述的RF指纹数据库构建方法，所述RF指纹数据库构建装置100具体包括：

离散化单元10，用于将待定位区域离散化为N个检测点，并生成关于所述N个检测点的N阶离散傅里叶变换矩阵FN。

抽取单元20，用于根据预设的采样数M，从矩阵中抽取出M行，构成一个M行N列并具有最小相关系数的观测矩阵B；其中，

请一并参阅图4，在本发明实施例中，所述抽取单元20具体包括差分集计算模块21及观测矩阵构建模块22：

所述差分集计算模块21，用于根据N及预先设定的采样数M，从矩阵F^H中抽取出M行，并使得抽取的M行的行标号形成的M点子集构成模N的加法群ZN中的差分集。

所述观测矩阵构建模块22，用于利用抽取出的M行构成M行N列的观测矩阵B。

信号特征处理单元30，用于根据与抽取出的M行的行标号对应的M个检测点测量得到的信号特征生成M维信号特征矢量

具体地，在获得M行的行标号后，所述信号特征处理单元30获取与这M行的行标号对应的M个检测点测量得到的信号特征，并乘以归一化系数后即可获得M维信号特征矢量

恢复单元40，用于根据所述观测矩阵B及所述M维信号特征矢量恢复得到所述待定位区域的全部N个检测点的N维信号特征矢量并根据所述信号特征矢量构建RF指纹数据库，以供RF指纹定位时查询及比对使用。

请一并参阅图5，在本发明实施例中，所述恢复单元40具体包括：

最优化计算模块41，用于根据所述观测矩阵B及所述M维信号特征矢量并通过求解L1范数最小化的优化问题获得其中，满足η为经验参数。

在本发明实施例中，公式的含义为，从所有满足条件的中，选择出模最小的并将该具有最小模的记为

傅里叶反变换模块42，用于通过傅里叶反变换获得N维信号特征矢量其中

数据库构建模块43，用于根据所述信号特征矢量构建RF指纹数据库，以供RF指纹定位时查询及比对使用。

综上所述，本发明实施例提供的RF指纹数据库构建装置100，所述恢复单元40利用少量的M个检测点测量得到的信号特征，采用压缩感知的理论方法获得全部N个检测点上的信号特征，节省了构造和更新RF指纹数据库的工作量。由于所述抽取单元20对于M个检测点的选择是基于观测矩阵相关系数最小化的原则进行选取的，避免了随机选取可能导致的恢复结果不正确的问题，增加了恢复结果的可靠性。

下面将对本发明实施例的一些优选实施例做进一步的说明。

上述实施例中，针对抽取单元20，考虑到并非对任意的N、M参数组合，都能找到对应的差分集(既某些参数的差分集并不存在)，因而还可采用其他的抽取方法。

为此，请一并参阅图6，在本优选实施例中，所述抽取单元20还可包括：

组合模块23，用于根据预先设定的采样数量M，通过组合的方法从所述矩阵中抽取出M行，构成个M行N列的矩阵，并计算每个矩阵的相关系数；

比对模块24，用于对每个矩阵的相关系数进行比对，获取具有最小相关系数的矩阵，并标记为观测矩阵B。

所述组合模块23通过采用穷举法分别计算中抽取任意8行得到的矩阵的相关系数，然后所述比对模块24取相关系数最小的那次抽取对应的行，并经归一化后构成观测矩阵B。由于构建在RF指纹数据库的工作是在离线完成，因此对计算量的要求并不严格，可以容忍穷举带来的计算繁琐，并不影响方案的实用性。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。