基于室内定位的融合楼层推断方法与流程

本发明涉及室内定位技术领域，尤其涉及基于室内定位的融合楼层推断方法。

背景技术

随着社会城市化建设的不断推进，超大型商城、机场、高铁站、地铁枢纽、会议场馆和会展中心等人员密集的室内区域急剧增多，在复杂陌生的环境中确定自身的位置信息是一个繁琐的过程，往往会造成时间与精力的双重浪费。然而，室内区域是卫星导航定位的盲区，全球定位系统gps(globalpositionsystem)和北斗bds(beidounavigationsatellitesystem)卫星导航定位系统均无法正常工作，针对这一问题，国内外众多科研机构也相继展开研究，提出了基于wifi、蓝牙、rfid、uwb、红外线等技术的室内定位方法，其中wifi是城市中最为常见的无线信号，低成本的推广应用是wifi室内定位的一大优势。

目前，众多基于wifi的室内定位技术的研究均从二维平面的角度，并且采用基于位置指纹匹配的方法可以获得较高的定位精度，但多层结构是当前大型建筑的主流构造，楼层的准确推断是室内定位技术进一步发展的重点，因此亟需一种基于室内定位的融合楼层推断方法。

技术实现要素：

为了克服现有技术的不足，本发明的目的在于提供基于室内定位的融合楼层推断方法，通过室内无线信号定位映射对应的楼层，适用于三维楼层的推断。

本发明提供基于室内定位的融合楼层推断方法，包括以下步骤：

信号强度采集，采集建筑物内各楼层信号接入点的信号强度；

信号聚类处理，将采集到的信号强度分为若干类，通过若干所述类生成聚类集合，提取所述聚类集合的初始聚类中心，采用聚类算法对采集到的信号强度和所述初始聚类中心进行聚类处理，生成聚类结果；

楼层推断，通过集合楼层映射表将所述聚类结果映射为对应的真实楼层。

进一步地，所述信号强度采集中，通过移动终端内置的无线信号接收模块根据设定的采样间隔采集建筑物内各楼层的所有接入点的信号强度。

进一步地，所述信号聚类处理中，采用层次聚类算法提取所述初始聚类中心，包括以下步骤：

样本数据输入，将采集到的信号强度作为样本数据进行输入，并将输入的每个所述样本数据分为一个类；

计算类间距离，通过所述样本数据生成样本集合，通过所述类生成初始聚类集合，分别计算所述初始聚类集合中各类之间的距离；

生成初始聚类中心，将不同的类进行合并，并计算合并后的类中心，生成所述初始聚类中心。

进一步地，所述信号聚类处理中，采用k-means聚类算法对采集到的信号强度和所述初始聚类中心进行聚类处理，包括以下步骤：

选取聚类样本，在所述初始聚类中心中随机选取若干个样本作为聚类中心；

计算欧式距离，分别计算所述初始聚类中心中剩余样本与每个所述聚类中心的欧式距离，将所述欧式距离分为若干距离集合；

计算聚类中心，计算若干所述距离集合的聚类中心；

生成聚类结果，判断k-means聚类算法是否收敛，是则跳转至步骤计算欧式距离，否则输出聚类结果。

进一步地，所述集合楼层映射表通过隐马尔科夫模型生成，包括以下步骤：

生成模型参数，将每个楼层对应的信号强度、若干聚类集合、在不同楼层间移动的转移概率、模型在真实状态下向任意观测状态转移的概率、初始状态时模型处于观测状态的概率分别组成真实楼层状态集合、观测状态集合、状态转移矩阵、发射概率矩阵、模型初始状态概率分布；

生成隐马尔科夫模型，通过所述真实楼层状态集合、观测状态集合、状态转移矩阵、发射概率矩阵、模型初始状态概率分布生成隐马尔科夫模型；

生成映射表，通过所述隐马尔科夫模型生成真实楼层与聚类集合之间的映射表。

进一步地，所述生成映射表还包括采用baum-welch算法估计所述模型参数，生成参数估计结构，通过所述参数估计结构获得真实楼层与聚类集合之间的映射表。

相比现有技术，本发明的有益效果在于：

本发明提供基于室内定位的融合楼层推断方法，包括以下步骤：信号强度采集，采集建筑物内各楼层信号接入点的信号强度；信号聚类处理，将采集到的信号强度分为若干类，通过若干类生成聚类集合，提取聚类集合的初始聚类中心，采用聚类算法对采集到的信号强度和初始聚类中心进行聚类处理，生成聚类结果；楼层推断，通过集合楼层映射表将聚类结果映射为对应的真实楼层。本发明在室内无需增设额外硬件，无需对待测区域进行网格划分，无需预先测算各楼层的高度，通过室内移动终端采集信号强度，采集路径自由，只要无线信号覆盖楼层区域即可，同时无需在各楼层固定点位进行采集，也无需记录采集点的位置信息，实现三维楼层推断，由于初始聚类中心的选取会严重影响k-means算法的计算量和运算结果，为减少噪声点和孤立点对聚类的影响，采用层次聚类算法预先为k-means算法选取初始聚类中心，对其进一步优化，改善了噪音较大时分类和回归问题出现过拟的情况，通过构造隐马尔科夫模型，采用baum-welch算法实现对模型参数的重估，简化了集合序列，建立真实楼层与聚类集合之间的映射关系，实现建筑物楼层的推断，不涉及坐标系的建立，也不需要记录采集点和参考节点ap的位置信息，大大减少了运算量，降低人力、物力的耗费。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明的基于室内定位的融合楼层推断方法流程图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

基于室内定位的融合楼层推断方法，如图1所示，包括以下步骤：

信号强度采集，采集建筑物内各楼层信号接入点的信号强度；优选的，信号强度采集中，通过移动终端内置的无线信号接收模块根据设定的采样间隔采集建筑物内各楼层的所有接入点的信号强度。本实施例中，移动终端内置的无线信号接收模块具体为wifi信号接收模块。不同于一般的位置指纹采集，通过移动终端内置的wifi信号接收模块采集建筑物内各楼层的所有接入点的信号强度，采集路径自由，只要无线信号覆盖楼层区域即可，无需在各楼层固定点位进行采集，也不需要记录采集点的位置信息。

信号聚类处理，根据wifi信号的“聚集-离散”特性，将采集到的信号强度分为若干类，使得一个类里的样本都来自同一楼层，而建筑物的楼层数已知，因此最终的聚类数目也能得到确认，通过若干类生成聚类集合，提取聚类集合的初始聚类中心，采用聚类算法对采集到的信号强度和初始聚类中心进行聚类处理，生成聚类结果；

在一实施例中，初始聚类中心的选取会严重影响k-means算法的计算量和运算结果，优选的，信号聚类处理中，采用层次聚类算法为k-means算法选取初始聚类中心，减少噪声点和孤立点对聚类的影响，包括以下步骤：

样本数据输入，将采集到的信号强度作为样本数据进行输入，并将输入的每个样本数据分为一个类si＝ri；其中，ri为样本数据，si为类。

计算类间距离，通过样本数据生成样本集合rs＝(r1，r2，...，ri)，通过类生成初始聚类集合s＝(s1，s2，...，si)，分别计算初始聚类集合中各类之间的距离dmin＝(si，sj)；其中，rs为样本集合，s为初始聚类集合，dmin为各类之间的距离。

生成初始聚类中心，将不同的类si和sj进行合并，并计算合并后的类中心ci，生成初始聚类中心。通过对聚类对象距离百分比的选取实现初始聚类中心的提取，为后续k-means算法提供基础。

在一实施例中，优选的，信号聚类处理中，采用k-means聚类算法对采集到的信号强度和初始聚类中心进行聚类处理，包括以下步骤：

选取聚类样本，在初始聚类中心中随机选取若干个样本作为聚类中心；本实施例中，在初始聚类中心中随机选取k个样本作为聚类中心，k个样本组成的聚类中心用c＝(c1，c2，...，ck)表示，ci∈rs，用ci，i＝1，2，...，k表示对应的类。

计算欧式距离，分别计算初始聚类中心中剩余样本与k个聚类中心的欧式距离d(ri，cj)，将欧式距离分为k个距离集合；d(ri，cj)＝min{d(ri，cj)，j＝1，2，...，k}，ri∈cj。

计算聚类中心，计算k个距离集合的聚类中心，nj表示该类中的样本数。

生成聚类结果，判断k-means聚类算法是否收敛，是则跳转至步骤计算欧式距离，直到聚类中心不再发生改变，否则输出聚类结果。

在一实施例中，为找到真实楼层与聚类集合的映射关系，通过经聚类后的观测序列与个人行走过程中的移动特性构造隐马尔科夫模型。采集到的信号强度经过聚类处理被归类到相应的集合中，经过映射获得真实的楼层信息。对于一个随机过程{ξn：n≥0}，ξn表示该随机过程在时刻n的状态，未来的状态ξn+1只依赖于当前的状态ξn，与过去的状态ξn-1，...ξ0相互独立，则形成马尔科夫随机过程：表示状态的取值，pij为状态转换概率。

通过隐马尔科夫模型进行参数估计时，参数的初始值会严重影响最终得到的参数结果。因此，需确定隐马尔科夫模型五元组(s，o，a，b，∏)中各参数表达，优选的，集合楼层映射表通过隐马尔科夫模型生成，包括以下步骤：

生成模型参数，将每个楼层对应的信号强度、若干聚类集合、在不同楼层间移动的转移概率、模型在真实状态下向任意观测状态转移的概率、初始状态时模型处于观测状态的概率分别组成真实楼层状态集合、观测状态集合、状态转移矩阵、发射概率矩阵、模型初始状态概率分布；本实施例中，真实楼层状态集合s＝{s1，s2，s3，...，sk}，分别表示k个楼层，floor1，floor2，floor3，...，floork；观测状态集合o＝{o1，o2，o3，...，ok}，分别表示k个聚类集合，由观测状态产生的观测序列用集合序列表示：seqi＝{o1，o2，o3，o4，...}；状态转移矩阵a表示在不同楼层间移动的转移概率，a＝{aij}，aij表示从t时刻到t+1时刻模型状态由si转移到sj的概率，a＝{aij}＝p(qt+1＝sj|qt＝si)，1≤i，j≤k，其中aij＞0，集合序列经简化处理，楼层自转移概率为0，获得状态转移矩阵如下：

发射概率矩阵b，表示在t时刻模型在真实状态sj下向任意观测状态转移的概率，b＝{bj(ot)}＝p(ot|qt＝si)，1≤j≤k，在楼层i采集到的信号强度属于集合j的概率，即真实楼层与聚类集合之间的映射关系。其中，矩阵的行数表示楼层数，矩阵的列数表示聚类集合，矩阵表示如下：

∏代表模型初始状态概率分布，∏＝{π1，π2，π3，...，πk}，表示初始状态时模型处于某种状态的概率。

生成隐马尔科夫模型，通过真实楼层状态集合、观测状态集合、状态转移矩阵、发射概率矩阵、模型初始状态概率分布生成隐马尔科夫模型。

生成映射表，通过隐马尔科夫模型生成真实楼层与聚类集合之间的映射表。

在一实施例中，优选的，生成映射表还包括采用baum-welch算法估计模型参数，生成参数估计结构，针对观测序列o＝{o1，o2，o3，...，ok}，选取合适的模型参数，利用递归的方法，求取概率p(o|λ)的局部最大值，继而求得所需的模型参数。λ的极大似然估计值表示为：

对数似然函数表示如下：

l(λ)＝lnp(o|λ)

结合前向变量αt(i)，以及后向变量βt(i)，可得：

引入辅助函数q表示似然函数的期望，其表达式如下：

其中，ωt(j，i)为t时刻状态为j，t+1时刻状态为i的概率，其表达式为：

得到baum-welch算法的重估公式，时刻t为1时，系统处于i的概率：

其中，表示模型从状态i转移为其它状态的次数的期望，表示模型从状态i转移为状态j的期望。

获得新的模型参数计算概率若则说明重估得到的参数比原来的参数更优，重复上述计算，可以获得目标模型的参数，其参数估计的结构即为真实楼层与聚类集合的映射关系。

楼层推断，通过集合楼层映射表将聚类结果映射为对应的真实楼层。

本发明提供基于室内定位的融合楼层推断方法，包括以下步骤：信号强度采集，采集建筑物内各楼层信号接入点的信号强度；信号聚类处理，将采集到的信号强度分为若干类，通过若干类生成聚类集合，提取聚类集合的初始聚类中心，采用聚类算法对采集到的信号强度和初始聚类中心进行聚类处理，生成聚类结果；楼层推断，通过集合楼层映射表将聚类结果映射为对应的真实楼层。本发明在室内无需增设额外硬件，无需对待测区域进行网格划分，无需预先测算各楼层的高度，通过室内移动终端采集信号强度，采集路径自由，只要无线信号覆盖楼层区域即可，同时无需在各楼层固定点位进行采集，也无需记录采集点的位置信息，实现三维楼层推断，由于初始聚类中心的选取会严重影响k-means算法的计算量和运算结果，为减少噪声点和孤立点对聚类的影响，采用层次聚类算法预先为k-means算法选取初始聚类中心，对其进一步优化，改善了噪音较大时分类和回归问题出现过拟的情况，通过构造隐马尔科夫模型，采用baum-welch算法实现对模型参数的重估，简化了集合序列，建立真实楼层与聚类集合之间的映射关系，实现建筑物楼层的推断，不涉及坐标系的建立，也不需要记录采集点和参考节点ap的位置信息，大大减少了运算量，降低人力、物力的耗费。

以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是，凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。