CN101657014B - 基于近邻概率法的wlan室内定位方法 - Google Patents

Abstract

基于近邻概率法的WLAN室内定位方法，本发明涉及一种复杂系统辨识领域中的室内定位方法，用于室内定位，以解决现有室内概率定位方法中，位置先验概率不确定所带来的定位偏差问题。它首先利用K近邻法，计算欲定位点与不同参考点处信号特征向量间的欧氏距离，并根据不同欧氏距离的差异性，得到欲定位点在不同参考点处的位置先验信息，进而实现WLAN环境下的近邻概率定位方法。本发明的方法能够解决K近邻法定位信息容错性差，以及概率法先验假设与实际情况不符的问题，它能够有效应用在WLAN室内定位环境中。

Description

基于近邻概率法的WLAN室内定位方法

技术领域

本发明涉及一种复杂系统辨识领域中的室内定位方法，具体涉及WLAN室内定位方法。

背景技术

WLAN网络具有高速通信、部署方便的特点，切合了现代社会对移动办公、移动生活娱乐的需求，快速带动了整个WLAN产业链，在世界范围内被各种机构和个人在不同环境下(如机场、高档写字楼、研究机构、酒店、餐厅、校园和家庭)广泛部署。室内环境和人们活动的热点地区是WLAN主要的应用环境。基于WLAN的定位技术研究在这种应用背景下发展起来。目前，基于WLAN的室内定位技术不需要在现有无线局域网设施中添加定位测量专用硬件，而是通过读取接收信号强度，结合信号强度数据库求解，确定移动用户的位置。其主要采用的定位方法是K近邻法和概率法。

K近邻法利用测试点与不同参考点之间的欧式距离进行加权计算，从而估计测试点的实际位置，充分利用了与测试点邻近且相关性较强的参考点位置信息，具有严谨的推导过程。在环境变化不明显，室内信号分布较单一的条件下，K近邻法能够得到较高的定位精度，它适合作为其它室内定位方法的基础或补充。但是，K近邻法是一种利用单一信号特征，且环境适应性较差的定位方法，它不能综合考虑全局信号分布信息，以对位置误判点进行调整或修正，所以该方法受室内多径效应、环境噪声等外界因素的影响较大。

而概率法则充分利用了信号分布的统计特征，首先针对定位区域内不同参考点处的信号样本进行长时间统计分析，得到各自的统计概率分布，进而根据不同参考点与测试点处的信号特征在概率分布上的相关性，选择具有最大信号出现概率的参考点作为定位目标的估计位置。概率法是一种全局位置搜索的统计定位方法，抗干扰性较强，且能在一定条件下减小信号抖动性与不确定性对定位精度带来的影响。但是，在实际应用中，概率法的位置先验概率参量一般难以选取，通常将终端在不同参考点处的先验概率默认为同一常数或某几个确定值，而这显然与实际情况存在很大差异，且环境适应性也较差。

发明内容

本发明的目的在于解决现有室内概率定位方法中，位置先验概率不确定所带来的定位偏差的问题。提供一种基于近邻概率法的WLAN室内定位方法。它包括下述步骤：

一、根据在欲定位点处采集的信号样本，与定位指纹数据库中的信号样本进行分析比较，利用近邻概率法实现欲定位点的位置估计，从而选定与欲定位点相邻的参考点；

二、利用K近邻法计算欲定位点与选定的不同参考点t信号样本特征的欧几里得距离D^t；

三、根据K近邻法得到的前q个具有较小欧几里得距离的参考点，利用公式(3)中方法，得到每个参考点t的位置先验概率Prob^*(C^t)，且将该q个点以外的其余参考点的位置先验概率设置为0；

${\mathrm{Prob}}^{*}\left(C^t\right)=10\%+\frac{D^t-\underset{j=1}{\overset{q}{\min }}{D}^j}{\underset{j=1}{\overset{q}{\max }}{D}^j-\underset{j=1}{\overset{q}{\min }}{D}^j}\×90\%,t=1,...,q---\left(3\right)$

其中，

和

分别表示q个参考点中的最小和最大欧几里得距离值；

四、结合K近邻法得到的参考点位置先验概率和贝叶斯变换值，使得欲定位点处的空间估计位置C^*满足公式(4)所示关系；

$\left\{\begin{array}{c}\mathrm{Prob}(C^{*}/R_{\mathrm{new}})=\underset{t=1}{\overset{q}{\max }}\left[\mathrm{Prob}(C^t/R_{\mathrm{new}})\right]\\ =\underset{t=1}{\overset{q}{\max }}\left[\frac{\mathrm{Prob}(R_{\mathrm{new}}/C^t){\mathrm{Prob}}^{*}\left(C^t\right)}{\mathrm{Prob}\left(R_{\mathrm{new}}\right)}\right]\\ \mathrm{Prob}(R_{\mathrm{new}}/C^t)=\underset{i=1}{\overset{k}{\mathrm{\Π}}}\mathrm{Prob}(R_{\mathrm{new},i}/C^t),t=1,...,q\\ R_{\mathrm{new}}=(R_{\mathrm{new},1},R_{\mathrm{new},2},...,R_{\mathrm{new},k})\end{array}\right.---\left(4\right)$

其中，Prob(C^*/R_new)和Prob(C^t/R_new)分别表示当新采集到的信号特征向量为R_new时，欲定位点位于参考点C^*和C^t处的概率；Prob(R_new/C^t)和Prob(R_new，i/C^t)分别表示在参考点C^t处，根据离线阶段建立的定位指纹数据库，出现信号特征向量R_new和R_new，i的概率；

五、解公式(4)，得到欲定位点的位置坐标。

本发明提出了一种可以有效确定不同参考点的位置先验信息、抗干扰能力强且环境适应性好的WLAN室内近邻概率定位方法，该方法首先利用K近邻法确定前q个具有较小欧几里得距离的参考点，然后根据与这q个不同参考点信号向量的欧氏距离差异，确定其不同的位置先验概率，进而使用概率法估计定位终端的实际位置，通过充分利用信号分布的统计特征和有效避免先验概率的不合理假设，提高了整个WLAN室内定位系统的有效性和可靠性。解决了现有室内概率定位方法中，位置先验概率不确定的问题。

附图说明

图1是具体实施方式一所述的室内定位指纹数据库的数据结构示意图；其中，(x_i，y_i)表示参考点R(i)的空间二维位置坐标；k表示在该参考点处，可检测到的WLAN网络接入点(AP，Access Point)数目；SNR表示WLAN信号的信噪比；SNR分布特性指根据采集到的SNR信号样本，利用最小二乘法估计得到的最优分布规律，例如满足均值a、方差b²的高斯分布可表示为N(a，b²)。图2是WLAN室内定位离线阶段和在线阶段的流程图。图3是实施方式二实例分析中所述的实验场景。该实验场景尺寸面积为66.43×24.9m²，高度3m。且拥有19个实验室，1个会议室和1个乒乓球室。墙的材料是砖块，铝合金窗户和金属门。AP为D-linkDWL-2100AP，且用AP1，AP2，...，AP9标示，固定在2m高度，支持IEEE 802.11g标准，传输速率54Mbps。接收机离地面1.2m。图4是实例分析中所述的1211室定位场景。该定位场景中实线表示1211室轮廓，整数坐标点为参考点，共72个；相邻四个参考点的中心坐标点为测试点，共56个。图5是实例分析中所述的，利用信号样本均值，近邻定位法的平均定位误差距离。图6是实例分析中所述的概率定位法的定位误差距离。图7，和图8是实例分析中所述的近邻概率定位法的定位误差概率。

具体实施方式

具体实施方式一：基于近邻概率法的WLAN室内定位方法，需要根据在不同参考点处采集的WLAN信号样本，建立定位指纹数据库，实现对待测未知信号样本的模式匹配和系统辨识功能。定位指纹数据库的数据结构，参见图1。定位指纹数据库是在离线阶段建立的，在离线阶段完成WLAN室内网络的布置、参考点位置标记和不同参考点处的信号样本采集等步骤，最后建立WLAN定位指纹数据库。定位指纹数据库中，反映了不同参考点的空间二维坐标与采集的信号样本统计特征之间的映射关系；其中，信号样本的统计特征包括接收到来自不同AP的SNR均值、中值、最大值和最小值，以及利用最小二乘法估计得到的最优高斯统计分布的均值a和方差b²参量。

假设对于参考点t处的来自APk的n个信号样本(x_i，i＝1，…，n)，共有m个不同的离散信号样本值(S_r，r＝1，…，m)，样本值S_r出现的次数为(N_r，r＝1，…，m)，则最优高斯统计分布N^*(a，b²)需满足等式1中条件：

$\underset{r=1}{\overset{m}{\mathrm{\Σ}}}{(N^{*}(a,b^2)\left(s_r\right)-N_r/n)}^2=\min \left[\underset{r=1}{\overset{m}{\mathrm{\Σ}}}{(N(a,b^2)\left(s_r\right)-N_r/n)}^2\right]---\left(2\right)$

从而，最优高斯统计分布的均值a和方差b²参量需满足等式2中条件：

$\left\{\begin{array}{c}\frac{\∂\left[\underset{r=1}{\overset{m}{\mathrm{\Σ}}}{(N^{*}(a,b^2)\left(s_r\right)-N_r/n)}^2\right]}{\∂a}\\ \frac{\∂\left[\underset{r=1}{\overset{m}{\mathrm{\Σ}}}{(N^{*}(a,b^2)\left(s_r\right)-N_r/n)}^2\right]}{\∂b}\end{array}\right.---\left(2\right)$

基于近邻概率法的WLAN室内定位方法。它包括下述步骤：

一、根据在欲定位点处采集的信号样本，与定位指纹数据库中的信号样本进行分析比较，利用近邻概率法实现欲定位点的位置估计，从而选定与欲定位点相邻的参考点；根据定位指纹数据库中存储的不同参考点处的信号样本，利用最小二乘法估计信号概率密度函数的各个参数，并保存在图1所示的SNR分布特性数据库中。

二、利用K近邻法计算欲定位点与选定的不同参考点t信号样本特征的欧几里得距离D^t；具体计算过程如公式(5)所示；

$\left\{\begin{array}{c}{D}^t={\left(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\left|\right|R_{\mathrm{new},i}-R_{t,i}\left|\right|}_2^2\right)}^{1/2}\\ C^q={\mathrm{Seq}}_{\min \→\max }(D^t,q)\⊆C\\ {\left|\right|R\left|\right|}_2=\sqrt{\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{r}_i^2},R=(r_1,r_2,r_3,r_4)\end{array}\right.---\left(5\right)$

其中，k表示可检测到的AP数目；R_new，i和R_ti分别表示对于AP(i)，测试点与参考点R(t)处的WLAN信号特征向量；C表示所有参考点形成的集合；Seq_min→max(D^t，q)表示与测试点信号特征向量有较小欧几里得距离的前q个参考点组成的集合C^q，且q的选取与定位目标区域面积和参考点密度有关；

三、根据K近邻法得到的前q个具有较小欧几里得距离的参考点，利用公式(3)中方法，得到每个参考点t的位置先验概率Prob^*(C^t)，且将该q个点以外的其余参考点的位置先验概率设置为0；

${\mathrm{Prob}}^{*}\left(C^t\right)=10\%+\frac{D^t-\underset{j=1}{\overset{q}{\min }}{D}^j}{\underset{j=1}{\overset{q}{\max }}{D}^j-\underset{j=1}{\overset{q}{\min }}{D}^j}\×90\%,t=1,...,q---\left(3\right)$

其中，和

分别表示q个参考点中的最小和最大欧几里得距离值；

四、结合K近邻法得到的参考点位置先验概率和贝叶斯变换值，使得欲定位点处的空间估计位置C^*满足公式(4)所示关系；

$\left\{\begin{array}{c}\mathrm{Prob}(C^{*}/R_{\mathrm{new}})=\underset{t=1}{\overset{q}{\max }}\left[\mathrm{Prob}(C^t/R_{\mathrm{new}})\right]\\ =\underset{t=1}{\overset{q}{\max }}\left[\frac{\mathrm{Prob}(R_{\mathrm{new}}/C^t){\mathrm{Prob}}^{*}\left(C^t\right)}{\mathrm{Prob}\left(R_{\mathrm{new}}\right)}\right]\\ \mathrm{Prob}(R_{\mathrm{new}}/C^t)=\underset{i=1}{\overset{k}{\mathrm{\Π}}}\mathrm{Prob}(R_{\mathrm{new},i}/C^t),t=1,...,q\\ R_{\mathrm{new}}=(R_{\mathrm{new},1},R_{\mathrm{new},2},...,R_{\mathrm{new},k})\end{array}\right.---\left(4\right)$

其中，Prob(C^*/R_new)和Prob(C^t/R_new)分别表示当新采集到的信号特征向量为R_new时，欲定位点位于参考点C^*和C^t处的概率；Prob(R_new/C^t)和Prob(R_new，i/C^t)分别表示在参考点C^t处，根据离线阶段建立的定位指纹数据库，出现信号特征向量R_new和R_new，i的概率；

五、解公式(4)，得到欲定位点的位置坐标。

具体实施方式二：下面举一个实例来进行分析：

选择的实验场景以及AP的放置位置如图3所示。此外，由于实验场景的面积较大，所以选择图3中的1211室作为验证本明有效性的定位场景，其轮廓以及参考点和测试点位置如图4所示。

该定位区域规则，覆盖性能较好，区域中的任意位置均能检测到来自AP1，AP2，AP3，AP8和AP9的WLAN信号样本值。使用NetStumbler信号采集软件，在每个参考点处，进行3分钟的WLAN信号采集，每秒采样两次；在每个测试点处，进行1分钟的WLAN信号采集，每秒采样两次。由于数据量较大，仅给出参考点(x＝1，y＝1)处的WLAN原始采集信号样本，见表1。

图5给出了近邻定位法在56个测试点处的平均定位误差距离，并得到了不同距离类型q和邻近节点个数k对定位误差的影响，且q与k均取1到20之间的正整数。最优组合为(q＝1与k＝13)，其相应的最小定位误差为0.15m，最大定位误差为6.02m，平均定位误差为1.98m。

图6给出了概率定位法在56个测试点处的，X方向、Y方向以及总的累积误差概率。其最小定位误差为0.35m，最大定位误差为7.82m，平均定位误差为2.66m。定位误差在2m以内的概率为38.79％。

图7和图8给出了本发明在56个测试点处的误差概率。最小定位误差为0.11m，最大定位误差为5.39m，平均定位误差为1.78m。

显然，近邻概率法在最小定位误差、最大定位误差以及平均定位误差方面，相对于单一近邻和概率定位法，都有很大的优势。

表1无线网络探测存储数据库

Claims (3)

1.基于近邻概率法的WLAN室内定位方法，其特征在于它包括下述步骤：

一、根据在欲定位点处采集的信号样本，与定位指纹数据库中的信号样本进行分析比较，利用近邻概率法实现欲定位点的位置估计，从而选定与欲定位点相邻的参考点；

二、利用K近邻法计算欲定位点与选定的不同参考点t的信号样本特征的欧几里得距离D^t；

三、根据K近邻法得到的前q个具有较小欧几里得距离的参考点，利用公式(3)中方法，得到每个参考点t的位置先验概率Prob^*(C^t)，且将该q个点以外的其余参考点的位置先验概率设置为0；

${\mathrm{Prob}}^{*}\left(C^t\right)=10\%+\frac{D^t-\underset{j=1}{\overset{q}{\min }}{D}^j}{\underset{j=1}{\overset{q}{\max }}{D}^j-\underset{j=1}{\overset{q}{\min }}{D}^j}\×90\%,$ t＝1，…，q    (3)

其中，和

分别表示q个参考点中的最小和最大欧几里得距离值；

四、结合K近邻法得到的参考点位置先验概率和贝叶斯变换值，使得欲定位点处的空间估计位置C^*满足公式(4)所示关系：

$\left\{\begin{array}{c}\mathrm{Prob}(C^{*}/R_{\mathrm{new}})=\underset{t=1}{\overset{q}{\max }}\left[\mathrm{Prob}(C^t/R_{\mathrm{new}})\right]\\ =\underset{t=1}{\overset{q}{\max }}\left[\frac{\mathrm{prob}(R_{\mathrm{new}}/C^t){\mathrm{Prob}}^{*}\left(C^t\right)}{\mathrm{Prob}\left(R_{\mathrm{new}}\right)}\right]\\ \mathrm{Prob}(R_{\mathrm{new}}/C^t)=\underset{i=1}{\overset{k}{\mathrm{\Π}}}\mathrm{Prob}\left(R_{\mathrm{new},i}{C}^t\right),t=1,\·\·\·,q\\ R_{\mathrm{new}}=(R_{\mathrm{new},1},R_{\mathrm{new},2},\·\·\·,R_{\mathrm{new},k})\end{array}\right.---\left(4\right)$

其中，k表示可检测到的AP数目，所述AP指WLAN网络接入点，Prob(C^*/R_new)和Prob(C^t/R_new)分别表示当新采集到的信号特征向量为R_new时，欲定位点位于C^*和C^t处的概率；Prob(R_new/C^t)和Prob(R_new，i/C^t)分别表示在C^t处，根据离线阶段建立的定位指纹数据库，出现信号特征向量R_new和R_new，i的概率；

五、解公式(4)，得到欲定位点的位置坐标。

2.根据权利要求1所述的基于近邻概率法的WLAN室内定位方法，其特征在于在步骤二中，计算欧几里得距离的过程如公式(5)所示：

$\left\{\begin{array}{c}{D}^t={\left(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\left|\right|R_{\mathrm{new},i}-R_{t,i}\left|\right|}_2^2\right)}^{1/2}\\ C^q={\mathrm{Seq}}_{\min \→\max }(D^t,q)\⊆C\\ {\left|\right|R\left|\right|}_2=\sqrt{\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{r}_i^2},R=(r_1,r_2,r_3,r_4)\end{array}\right.---\left(5\right)$

其中，k表示可检测到的AP数目；R_new，i和R_t，i分别表示对于AP(i)，测试点与参考点处的WLAN信号特征向量；C表示所有参考点形成的集合；Seq_min→max(D^t，q)表示与测试点信号特征向量有较小欧几里得距离的前q个参考点组成的集合C^q，且q的选取与定位目标区域面积和参考点密度有关。

3.根据权利要求1所述的基于近邻概率法的WLAN室内定位方法，其特征在于在步骤一中，定位指纹数据库中，反映了不同参考点的空间二维坐标与采集的信号样本统计特征之间的映射关系；其中，信号样本的统计特征包括接收到来自不同AP的SNR均值、中值、最大值和最小值，以及利用最小二乘法估计得到的最优高斯统计分布的均值a和方差b²参量。

Images