一种基于域聚类的WiFi室内定位方法与流程

技术特征：

1.一种基于域聚类的WiFi室内定位方法，其特征在于，包括以下步骤：

步骤1：在两种不同的室内环境中选取若干校准点，采集校准点处的WiFi信号强度信息，将信号强度信息和校准点的位置信息关联起来组成位置指纹，得到位置指纹库；

步骤2：采集测试点(x,y)的WiFi信号强度信息，将测试点的WiFi信号强度信息与位置指纹库进行预匹配，利用校准点与测试点的欧氏距离找到距测试点最近的K个邻近校准点；统计K个邻近校准点的边界值并求出中心点；

步骤3：采用WKNN或朴素贝叶斯分类器对测试点进行定位；若校准点与测试点共同观测到的AP总共有m个，则可获得m个测试点可能出现的位置；

步骤4：确定测试点的最终位置

2.根据权利要求1所述的基于域聚类的WiFi室内定位方法，其特征在于，步骤3中所述采用WKNN或朴素贝叶斯分类器对测试点进行定位，WKNN方法和朴素贝叶斯方法具体实现原理：

选取k个AP用于位置估计，因此第j个校准点的RSS向量为：

${\mathrm{RSS}}_{c_j}=\left[\begin{array}{cccc}{\mathrm{RSS}}_{c_j}^1& {\mathrm{RSS}}_{c_j}^2& ...& {\mathrm{RSS}}_{c_j}^m\end{array}\right];$

校准点和定位点之间多维信号空间的距离可以采用欧氏距离表示为：

$d_{c_j}^{signal}=\sqrt{\underset{i=1}{\overset{m}{\Σ}}({\mathrm{RSS}}_{c_j}^i-{\mathrm{RSS}}_t^i)}$

其中，表示测试点的第i个AP的RSS观测值；

选取距离最短的K个校准点用于估计测试点的位置，WKNN和朴素贝叶斯分类器的区别就在于权重计算；

WKNN通常采用距离反比例加权：

$w_{c_j}=\frac{1/d_{c_j}^{signal}}{\underset{i=1}{\overset{K}{\Σ}}1/d_{c_i}^{signal}};$

因此测试点的位置可通过下式计算：

$(\hat{x},\hat{y})=\underset{j=1}{\overset{K}{\Σ}}{w}_{c_j}\·(x_{c_j},y_{c_j});$

其中表示测试点的二维坐标估计值，表示是第j个校准点的坐标；

假定测试点的RSS观测向量为并且表示第j个校准点的位置，那么朴素贝叶斯分类器利用后验概率测度测试点出现在第j个校准点的可能性；利用贝叶斯理论，后验概率可表达成如下的形式：

$p\left(L_{c_j}\right|{\mathrm{RSS}}_t)=\frac{p\left({\mathrm{RSS}}_t\right|L_{c_j})\·p\left(L_{c_j}\right)}{p\left({\mathrm{RSS}}_t\right)};$

其中表示RSS_t的条件概率存，其在线下阶段存储在指纹库中，所有校准点的为相同的常量；

类似WKNN，将看成第j个校准点的权重，因此测试点的朴素贝叶斯分类器位置估计公式如下：

$(\hat{x},\hat{y})=\underset{j=1}{\overset{K}{\Σ}}p\left(L_{c_j}\right|{\mathrm{RSS}}_t)\·(x_{c_j},y_{c_j}).$

3.根据权利要求1所述的基于域聚类的WiFi室内定位方法，其特征在于，步骤4中所述确定测试点的最终位置，其具体实现包括以下子步骤：

步骤4.1：分别对m个测试点可能出现的位置的x坐标和y坐标排序；

步骤4.2：将m个估计位置的x坐标利用分为两部分，其中表示测试点可能出现位置中最大的x坐标值；表示测试点可能出现位置中最小的x坐标值；

步骤4.3：分别计算小于和大于的x坐标的个数，个数多的部分即x坐标最可能落入的区域，成为x域；

步骤4.4：挑选出所有位于x域的x坐标估计值并利用下式计算测试点最终的x坐标

${\hat{x}}_f=\frac{1}{k_x}\underset{i=1}{\overset{k_x}{\Σ}}{\hat{x}}_i;$

式中k_x表示位于x域的坐标的个数，表示属于x域的坐标估计；

步骤4.5：利用步骤4.1-4.1的原理，计算测试点y坐标的最终估计值

步骤4.5：获得测试点的最终位置

4.根据权利要求1-3任意一项所述的基于域聚类的WiFi室内定位方法，其特征在于：测试点的真实位置(x,y)与估计位置的误差err计算如下：

$err=\sqrt{{({\hat{x}}_f-x)}^2+{({\hat{y}}_f-y)}^2}.$