本发明涉及一种移动终端二维指纹定位方法，属于室内定位领域。
背景技术：
随着gps与北斗导航定位系统的大大普及，目前室外定位技术已经相当成熟。但是室内定位中，尤其是在矿井巷道等地下环境中，由于难以接收到满足定位要求的卫星信号，需要寻求一种新的定位技术。地下巷道阴暗狭长、通风不畅、空气潮湿，导致爆炸、塌方、一氧化碳中毒等各种煤矿事故正严重威胁着井下作业工人的人生安全。在发生意外时，对地下矿井工人的定位精度直接影响到救援工作开展的效率与成功率。因此，对地下矿井工人的精确定位具有重大的现实意义和应用价值。
巷道复杂的地理环境及电磁环境使得矿井工人定位的难度较大。因此，结合以上地下矿井工人定位的复杂性，近年来不少学者提出了一系列的经典定位方案。其中，《initialpositionestimationusingrfidtags:aleast-squaresapproach》中借鉴rfid技术研制了一种矿井工人标签定位系统，其主要原理为通过部署在巷道中的读卡器读取工人携带的标签来估计工人的位置，该系统架构原理简单易行，目前相关技术也较为成熟，但是依靠读卡器的位置来估计工人位置为精度较低的区域定位，难以满足在意外事故中的营救对定位精度的要求。《energy-efficientindoorlocalizationofsmarthand-helddevicesusingbluetooth》中公开了：在矿井wi-fi网络架构基础上，提出了一种基于接收信号强度rssi的定位方法，将工人终端接收的rssi值对比现有的wi-fi无线接入点ap(accesspoint，ap)的信号传播损耗模型估计出工人终端与ap的距离，然后以终端到附近3个或以上ap的测算距离为依据，通过极大似然估计等方法对工人进行定位。《animprovedtdoaalgorithmappliedpersonlocalizationsystemincoalmine》中公开了：通过测量工人终端发射的无线电信号到达多个ap的时间差(timedifferenceofarrival，tdoa)实现了矿井工人定位。这两种方法在室外及室内定位中使用广泛，在理论上都有较高的定位精度，且技术也较为成熟。但是在冗长的巷道环境下，信号传播的多径效应和驻波对测距会产生较大的影响。且巷道中ap部署于近似一条直线，在实施三角测量时也会带来误差，因此，此类方法在工程上的实现效果不够理想。《基于rss手指模的煤矿井下wlan定位方法》中另辟蹊径，基于wi-fi网络架构提出一种指纹定位技术，主要分为离线阶段和在线阶段。在离线阶段，对目标区域进行间隔遍历采样，将每个定位点所接收到的附近多个ap的rssi值作为该定位点的位置指纹信息并存储在专用数据库中；在线阶段主要完成定位功能，将工人终端在某未知位置所接收的各ap的rssi组成的位置指纹利用匹配算法与数据库中已知位置的位置指纹信息进行匹配，数据库中与工人终端所接收的位置指纹匹配度最高的位置即为该工人当前所处位置。该方法不需要测距，有效解决了巷道复杂电磁环境对定位带来的误差影响，但是为提高定位精度需要大量的数据采样，导致工作量的增加。因此为减少工作量，该方法在巷道建模时忽略巷道宽度，将其简化为一维模型。但是，忽略实际巷道的宽度一定程度上降低了定位的精度。
技术实现要素：
本发明针对现有技术存在的不足，提供了一种移动终端二维指纹定位方法，具体技术方案如下：
一种移动终端二维指纹定位方法，包括以下步骤：
步骤一、ap部署及区域网格化划分
在定位区域进行无线ap部署时采用二维部署，即纵向两个ap分别部署在巷道两侧，横向部署的ap之间的距离依据实际巷道中的ap的有效覆盖半径确定；
步骤二、采样阶段
所述采样阶段包括采样点的选择、样本指纹信息采取、指纹信息数据处理；采样点的选择采用间隔遍历取样法，每间隔一个网格选取一个采样点；样本指纹信息采取是在离线阶段依托移动终端对选取的采样点的位置指纹信息进行多次采样并存储；在进行数据采集时，移动终端仅记录所在区域内邻近的4个ap发送的信号强度值作为该采样点的位置指纹信息；指纹信息数据处理是对存储的样本指纹信息进行高斯滤波处理滤除干扰项，具体方法如下：
采集结果x的密度函数满足高斯分布，为：
其中μ为多次采集数据集的均值，σ为标准差；选取高概率事件0.6≤f(x)≤1内对应的rssi数据，将该范围内的rssi值的几何平均值作为所采取的ap的最终rssi值；
步骤三、插值阶段及构建数据库
所述插值阶段包括插值点选取、变异函数拟合、kriging插值估计，所述插值点为前述区域网格划分中除去采样阶段的采样点所剩余的网格点的中心点；
以接收到的其中一个ap的信号强度为依据计算采样点之间的变异函数值，并进行基于svr的变异函数曲线拟合；以拟合出的变异函数曲线为依据利用kriging插值法估计出该ap在各插值点的rssi值；同理，以采样点接收到的其他3个ap的信号强度分别利用前述svr-kriging插值估计法进行插值估计补全二维网格划分中的各未采样区域的该3个ap的rssi值；结合该4个ap在该插值点估计出的rssi生成该插值点的位置指纹信息；将采样点与插值点的位置指纹信息融合之后便可构建出移动终端二维指纹定位的信息数据库；
步骤四、在线定位
所述在线定位阶段，矿井工人所携带的移动终端首先进行某未知位置的各ap信号强度采集，而后通过数据预处理筛选出所需要的4个ap的rssi组成该位置的位置指纹信息；在进行指纹定位时通过矿井工人所处位置的位置指纹信息与对应的前述构建的数据库进行匹配，输出数据库中最为相近的指纹信息的位置作为该矿井工人的位置。
进一步地，所述基于svr的变异函数曲线拟合步骤如下：
步骤s1、利用空间变异函数计算所有样本数据对的距离hi以及对应的变异函数值γ(hi)组成数据集[hi,γ(hi)]；
空间变异函数如下：
其中，hi表示空间区域一对采样点的向量距离，nhi表示所有采样点对中相距hi的个数；
步骤s2、从数据集中随机抽取80％数据生成训练集t＝{[h1,γ(h1)],[h2,γ(h2)],…,[hl,γ(hl)]}，其余数据作为测试集；
步骤s3、采用svr对训练集t进行训练，拟合出变异函数曲线γ(h)；
步骤s4、使用步骤s2中生成的测试集对变异函数曲线γ(h)进行性能评价，若达到预期要求则输出变异函数曲线γ(h)，否则修改svr参数并返回步骤s3重新拟合。
进一步地，所述kriging插值估计法是将区域内满足二阶平稳或本征的插值点区域变化量为r(x0)，其邻域范围内m个满足二阶平稳样本的区域变化量为r(xi)(i＝1,2,…,m)，通过对已知的r(xi)值加权求和可以估计出插值点所要估计的r(x0)，即：
本发明的有益效果：
本发明在稀疏采样的数据基础上，通过所提svr-kriging插值对未采样区域进行插值估计，从而达到减少位置指纹信息数据采集工作量的前提下，提高矿井工人指纹定位精度的目的。本发明解决了位置指纹定位中存在的定位精度不高的问题，同时还解决了由于二维指纹信息库的建立会导致数据采集工作量增加的问题，使得本发明在矿井工人定位等室内定位领域具有良好的应用前景。
附图说明
图1为本发明所述巷道单元示意图；
图2为本发明所述ap部署模型示意图；
图3为本发明所述移动终端二维指纹定位方法的流程图；
图4为本发明所述ap1训练集拟合曲线示意图；
图5为本发明所述ap1测试集测试结果图；
图6为本发明所述训练集拟合结果qq图；
图7为本发明所述测试集测试结果qq图；
图8为本发明所述插值法估值结果对比图；
图9为本发明所述ap1接收信号强度分布图；
图10为本发明所述ap2接收信号强度分布图；
图11为本发明所述ap3接收信号强度分布图；
图12为本发明所述ap4接收信号强度分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在进行本发明所述移动终端二维指纹定位方法的研究中，首先需要建立和分析地下矿井巷道模型。虽然地下矿井巷道长达几百到几千米，宽度为4～5m，但是由于其岔口较少，即使变向，大致每段巷道亦呈直线形状。因此，模型建立时将巷道分割为若干个直线型巷道单元，如图1所示。
在图1所示的巷道单元部署无线ap时，为达到均匀的无线ap信号覆盖，一般依据ap的有效覆盖距离采用排列式部署。由于巷道狭长，因此所需的无线ap较多。在进行位置指纹信息采样时，若不对某采样点参与采集的ap数量进行限制，则会导致采集维度较高，复杂度大。而事实上，并不是参与定位的ap数目越多，位置指纹定位的精度就越高。有些较远距离的弱信号ap反而会影响算法的定位精度。因此本发明采用二维部署，其ap部署模型如图2所示，即纵向两个ap分别部署在巷道两侧，横向部署的ap之间的距离依据实际巷道环境中ap的有效覆盖半径确定。在某一巷道单元内，位置指纹信息的采集仅记录该单元中的4个ap的rssi。
不失一般性，依据ap有效覆盖半径将巷道单元长度设定为50m。在进行采样点位置指纹数据采集时，移动终端仅记录所在单元内邻近的4个ap的rssi值。
如图2所示，在工人1所处的单元内进行位置指纹信息采集时，仅记录ap1，ap2，ap3和ap4的rssi值，一般为移动终端所接收的信号强度最高的4个ap的rssi值。如果rssi值所对应的ap序号出现个别偏差，由于ap按一定的顺序进行编号，可以根据其它未产生偏差的ap的mac地址进行甄别。由于每个巷道单元中的位置指纹数据采集方法类似，为研究方便，本发明选取工人1所在巷道单元进行研究。各位置的指纹信息可按表1格式存储进数据库中。
表1采样点指纹信息存储格式
本发明主要目的是在减少工作量的前提下完成二维矿井巷道的数据采集和插值估计，确保位置指纹定位的准确性。本发明所述移动终端二维指纹定位方法的流程如图3所示。
在离线阶段，为便于采样点与插值点的选取，首先对定位区域进行均匀正方形网格划分，具体网格划分大小可依据实际使用中所要求的定位精度调整，所要求的精度越高，网格划分的越密。其次为离线阶段的核心技术，主要由采样和插值两个阶段构成。其中采样阶段主要完成采样点的选取、样本指纹信息采集以及指纹信息处理3个功能。插值阶段实现对未采样的网格区域的插值估计，包括插值点选取、变异函数拟合和kriging插值估计3个部分。最后，将采样的指纹信息和插值估计的指纹信息存储在数据库中以供在线定位阶段参考使用。
在在线阶段，矿井工人所携带的移动终端首先进行某未知位置的各ap信号强度采集，而后筛选出符合要求的4个ap的rssi生成该未知位置的位置指纹信息。最后，利用最近邻等匹配算法与离线阶段构建的数据库进行匹配，输出数据库中与工人移动终端采集的位置指纹信息最为相近的指纹信息的位置作为该矿井工人的位置。
在本发明建立的巷道单元模型中，设定巷道单元的宽为4m，长为50m。在不影响性能的前提下，假设平均定位精度要求达到2m，则在进行网格划分时将区域均匀划分为25×2维的网格区域，ap部署于区域的四角。
1、采样阶段
采样阶段主要完成采样点选取、指纹信息采集和指纹信息处理。首先，为防止采样点过多导致数据采集量过大，采用间隔遍历取样法，每间隔一个网格选取一个采样点，共计25个。其次，为避免测量误差，在样本指纹信息采集时进行多次采样并按表1所示的格式进行存储。最后，对存储的样本指纹信息进行高斯滤波处理。
已知每个采样点多次采集的数据之间相互独立且服从高斯分布，可以通过高斯滤波滤除噪声误差，得到较精确稳定的采样点rssi值。以所接收的ap1的rssi值为例，其多次采集的结果x的密度函数如下：
其中μ为数据集的均值，σ为标准差。选取0.6≤f(x)≤1(经验值)范围内对应的rssi值，求其几何平均值作为采样点所采集的ap1的rssi值。
2、插值阶段
插值阶段主要包括插值点选取、变异函数拟合和kriging插值估计3个部分。其中插值点为50个区域网格中除去前述选取的采样点所剩余的25个网格点。
2.1kriging插值法估计
kriging插值法起源于矿山储量的地质统计估算，如今已经衍生到各个领域的估算估计之中。其主要原理是通过插值点邻域范围内的采样点的特征属性来估计插值点的特征属性，该方法已经被证明为一种线性无偏估计方法。
某未知的插值点区域变化量为r(x0)，其邻域范围内m个已知的满足二阶平稳的采样点区域变化量为r(xi)(i＝1,2,…,m)。通过对已知的m个r(xi)加权求和可以估计出r(x0)，即：
在本发明中，r(x0)为待估计插值点rssi值，r(xi)为已知采样点的rssi值，λi是m个参与插值估计的r(xi)的权重，
设定r(x0)的无偏估计为r*(x0)，此时插值点x0估计方差最小：
varmin＝var[r(x0)-r*(x0)]＝e{[r(x0)-r*(x0)]2}
通过引入lagrange乘子μ求条件极值，可表示为：
经过公式推导得到kriging方程组：
其中，
2.2基于svr的变异函数拟合
作为kriging插值法的核心部分，通过变异函数能够利用样本数据属性值随分离距离变化的规律推断出插值点的特征属性值。变异函数可以表达如下：
其中，hi表示空间区域一对采样点的向量距离，又称作分离距离，nhi表示所有采样点对中分离距离为hi的点对的个数。根据上述空间变异函数公式可以计算出数据集中所有点对的分离距离对应的变异函数值，通过这些变异函数值能够拟合出变异函数曲线γ(h)，从而根据曲线可以计算出待估计插值点与其邻域内参与估计的采样点之间的变异函数值，可求得权重λi。
在进行变异函数曲线拟合时，通常选用现有模型进行最小二乘法拟合。现有的变异函数模型主要有球形模型、高斯模型、线性模型等。但是这种模型代入的拟合方法通常是根据人工经验选取相关模型，模型的选取缺乏可靠的理论依据。而且选取现成模型存在无法完全吻合实际样本数据的问题，往往需要选取多个变异函数模型进行比对，选取较为吻合的模型，无法达到最优。为了解决此类问题，本发明从支持向量回归(supportvectorregression,svr)的角度对样本变异函数值直接进行拟合，克服了变异函数模型代入拟合方法的局限性。
在实施时，svr大都是进行线性回归拟合，而在变异函数拟合时，函数曲线多为非线性拟合情况。因此，需要引入非线性映射函数将样本数据映射到高维特征空间中进行线性回归拟合。
为不失一般性，给定含有l个样本的训练集t＝{(x1,y1),(x2,y2),…,(xl,yl)}∈(rn×r)。其中，xk(k∈(1,l))表示第k个训练样本的输入向量，yk为对应的输出值。设在高维特征空间中的线性回归函数为：
f(x)＝wφ(x)+b
其中，φ(x)即为非线性映射函数。引入ε线性不敏感损失函数：
l(f(x),y,ε)＝max(0,|y-f(x)|-ε)
其中，f(x)为输出的预测值，y为样本的真实值。引入松弛变量ξk，
其中c为惩罚参数。在求解时，利用拉格朗日函数因子将以上问题转换为其对偶形式，表示如下：
其中αk，
其中，nnsv表示支持向量的个数，对于采样点xi，若其对应的
需要确定核函数k(xk,x)和惩罚参数c。在进行变异函数曲线拟合时，rbf核函数效果较优，公式为：
k(xi,xj)＝exp(-σ||xi-xj||2),σ＞0
其中，σ为核参数。因此，主要需要确定参数σ和c。
综上所述，基于svr的变异函数拟合具体步骤如下：
步骤1)、根据空间变异函数公式计算所有样本数据对的距离hi以及对应的变异函数值γ(hi)组成数据集[hi,γ(hi)]；
步骤2)、从数据集中随机抽取80％数据生成训练集t＝{[h1,γ(h1)],[h2,γ(h2)],…,[hl,γ(hl)]}，其余20％数据则作为测试集；
步骤3)、采用svr对训练集t进行训练，拟合出变异函数曲线γ(h)；
步骤4)、使用步骤(2)中生成的测试集对变异函数曲线γ(h)进行性能评价，若达到预期要求则输出变异函数曲线γ(h)，否则修改svr参数并返回步骤(3)重新拟合。
仿真实验
为了验证本发明的有效性与可行性，本发明基于模拟巷道单元中的实测数据从变异函数曲线拟合性能分析、svr-kriging插值估计性能分析和移动终端二维指纹定位精度分析3个角度设计了3个实验。
①变异函数曲线拟合性能分析
变异函数拟合的性能是决定插值估计性能及指纹定位精度的重要指标。以接收到的ap1的信号强度为依据计算25个采样点之间的变异函数值，并利用matlab进行基于svr的变异函数曲线拟合，随机选取80％的变异函数值作为训练集，其余作为测试集，得到结果如图4、图5所示。
为了更加直观地衡量，针对训练集拟合结果与测试集测试结果作qq图，如图6、图7所示。
其中在图6中，可以看出在qq图中的对角线左下角区域内，位点拟合值位于期望值附近，上下浮动不大，基本与对角线保持一致，说明svr回归拟合模型的合理性较好。而在对角线的右上角为显著性较高的位点，拟合值均超过了期望值，证明该拟合方法涵盖了关联性较高的位点，其准确性较好。图7所示为拟合模型与测试集的对比结果，其性能与图6基本吻合，再次验证了svr拟合的合理性与准确性。
为了更好地对比各拟合方法的性能，计算各模型的均方根误差rmse与决定系数r2，其结果如表2所示。
表2不同模型变异函数拟合性能对比
从表2可以看出svr拟合rmse较低，r2较高，性能较其他模型均有一定的优势。由此可见，本发明提出的基于svr的变异函数拟合方法与传统模型拟合法相比效果更好。
②svr-kriging插值估计性能分析
为验证svr-kriging插值算法的有效性，将本发明与反距离权重插值法(idw)和普通kriging插值法对前述选取的25个插值点分别进行插值估计并与其实际测量值对比，其结果如图8所示。
分别计算该3个插值估计方法的rmse。其中本发明所述svr-kriging为1.2780，idw为3.2647，普通kriging插值法为1.7345。因此，本发明所述svr-kriging插值估计法性能好，具有一定的有效性。
鉴于矿井环境下对工人所处位置的精度要求较高，特别是异常情况发生时便于精确施救，因此本发明所述svr-kriging插值估计法较传统方法的创新与改进，更能够满足实际应用需求。
③所述移动终端二维指纹定位精度分析
以接收到的其他3个ap的rssi分别进行本发明提出的插值估计，结合ap1的插值结果，最终可以生成所需的位置指纹信息数据库。为了更为直观地反映指纹定位信息数据库，将各ap所对应的rssi与位置信息结果表示如图9～12所示。在图9～12的坐标轴上，x轴与y轴代表矿井工人的二维坐标，z轴表示该位置所接收ap的rssi(dbm)。在进行指纹定位时可以通过在线阶段矿井工人所处位置接收到的4个ap的rssi与图9～12对应的数据库进行对比，选取数据库中与工人移动终端采集指纹信息匹配度最高的位置指纹信息来确定工人的位置坐标。
为验证本发明的定位精度，从在线定位阶段工人所携带的终端采集的数据中随机选取了10个位置点采集的数据，将数据通过匹配算法中的对数权重landmarc算法与本发明所建立的二维位置指纹数据库进行定位仿真。同时，在相同的仿真环境下利用《energy-efficientindoorlocalizationofsmarthand-helddevicesusingbluetooth》中提出的rssi信号传播模型估计法(对照1)和《基于rss手指模的煤矿井下wlan定位方法》中提出的一维位置指纹定位方法分别进行了仿真(对照2)，其对比结果如表3所示。
表3三种定位算法的定位效果对比
表3可以看出，本发明的平均误差为1.297m，优于对照1与对照2所提出的方法，达到了所设计的平均定位精度2m的要求，证明了本发明在位置指纹定位中的有效性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。