CN101895867B - 基于滑动时间窗的wlan室内wknn跟踪方法 - Google Patents

Abstract

基于滑动时间窗的WLAN室内WKNN跟踪方法，它涉及模式识别领域，它解决了现有的WLAN室内跟踪方法中，因终端采样速率限制和运动状态不易得到等因素所造成的估计轨迹不平滑，即估计位置坐标抖动剧烈的问题。本发明首先采集信号样本并建立相应的位置指纹数据库；然后根据新采集的信号样本，利用WKNN定位法，实时得到终端的预估计位置坐标、运动速率和不同时刻的置信区域；再根据前向滑动时间窗门限、后向滑动时间窗门限和相应的置信区域，剔除预估计位置集里与邻近时刻位置点比较，信号强度变化突兀的错误预估计位置点；最后，按时间先后顺序连接最终估计位置点，得到对终端的平滑估计运动轨迹。本发明适用于室内跟踪定位。

Description

基于滑动时间窗的WLAN室内WKNN跟踪方法

技术领域

本发明涉及模式识别领域，具体涉及一种基于滑动时间窗的WLAN室内WKNN跟踪方法。

背景技术

无线局域网WLAN(Wireless Local Area Network)技术是20世纪末发展起来的一种高速无线IP网络通信技术，技术标准号为IEEE802.11，且自从该标准问世以来，无线通信市场和相关的基于位置的应用服务得到了突飞猛进的增长。其在现有WLAN室内环境下，用户凭借可移动的便携式计算设备，如笔记本电脑、掌上电脑和个人数字助理PDA(PersonalDigital Assistant)，就能实现对Internet网络的随时、随地高速接入。

而且，室内移动用户对位置信息的实时性和就地性需求越来越强烈，这也给基于终端位置跟踪的服务和应用提供了更为广阔的市场空间。此外，WLAN网络不仅具有高速通信、部署方便的特点，而且切合了现代社会对移动办公和生活娱乐的需求，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进行广泛应用，如机场、高档写字楼、研究机构、酒店、餐厅、校园和家庭。

目前，在室外开阔环境下，可以利用全球定位系统GPS(Global Positioning System)和蜂窝无线通信系统实现对定位终端的运动轨迹跟踪。然而，由于室内环境中存在严重的多径效应和建筑物遮蔽等因素的影响，使得这两种定位系统难以满足室内用户的位置精度需求。于是，为了解决这个问题，基于超宽带UWB(Ultra Wideband)、红外IR(InfraredRadiation)、超声波UW(Ultrasonic Wave)、射频识别RFID(Radio FrequencyIdentification)、蓝牙Bluetooth和ZigBee等技术的室内定位跟踪系统逐渐受到人们的重视，其中，WLAN定位跟踪技术不需要额外专用的定位测量硬件，而是在现有WLAN设施中，通过读取来自不同接入点AP(Access Point)的WLAN信号强度，根据离线阶段建立的信号位置指纹数据库，实现在线阶段对终端位置坐标和运动轨迹的估计。

三角测量跟踪算法、扩展卡尔曼滤波器跟踪算法和粒子滤波跟踪算法是三种常见的WLAN室内跟踪算法，然而，由于其对终端样本采集速率、运动状态方程估计和粒子点位置个数选取等条件提出了较高的要求，因此，在实际复杂、动态WLAN室内环境中，跟踪性能往往不尽理想。

发明内容

为了解决现有的WLAN室内跟踪方法中，因终端采样速率限制和运动状态不易得到等因素所造成的估计轨迹不平滑，即估计位置坐标抖动剧烈的问题，本发明提供一种基于滑动时间窗的WLAN室内WKNN跟踪方法。

本发明的基于滑动时间窗的WLAN室内WKNN跟踪方法，它的跟踪过程为：

步骤一：在WLAN目标终端室内定位区域内均匀设置N_RP个参考点，并在所述室内定位区域中布置N_c个接入点AP，使得所述N_RP个参考点中的每个参考点均至少采集到来自一个接入点AP的信号强度RSS值；

步骤二：选取一个参考点为坐标原点O建立二维直角坐标系，获得N_RP个参考点在该二维直角坐标系中的坐标位置，并依据每一个参考点的坐标位置和所述每一个参考点采集到的来自每一个接入点AP的信号强度RSS值建立位置指纹数据库；

步骤三：在线实时获取目标终端在u时刻的预估计位置坐标CI(u)和所述目标终端在u-v时刻的最终估计位置CR(u-v)，进而获取所述目标终端的平滑估计运动轨迹，具体为：

步骤三一：初始化变量：u＝1，v＝1，第一计数器k₁＝0，第二计数器k₂＝0，前向滑动时间窗门限W_F＝3，后向滑动时间窗门限W_B＝3，CR(0)＝CI(1)且r(0)＝0；

步骤三二：在WLAN目标终端室内定位区域内，获取目标终端在u时刻采集的来自每一个接入点AP的信号强度RSS值，利用WKNN定位法计算所述目标终端在u时刻的预估计位置坐标CI(u)，所述WKNN定位法为：

$\left\{\begin{array}{c}{D}_i=\sqrt{\underset{i=1}{\overset{N_{\mathrm{RP}}}{\mathrm{\Σ}}}{|S_{\mathrm{new}}-S_{\mathrm{pre},i}|}^2,}i=\mathrm{1,2},...,N_{\mathrm{RP}}\\ S_{\mathrm{new}}=(S_{\mathrm{new},1},...,S_{\mathrm{new},N_c}),S_{\mathrm{pre},i}=(S_{\mathrm{pre},i,1},...,S_{\mathrm{pre},i,N_c})\\ {\mathrm{\Γ}}_D=\{D_i,i=1,...,N_{\mathrm{RP}}\},{\mathrm{\Ψ}}_k=\{R_j=(x_j,y_j):D_j\∈{\mathrm{\Φ}}_k\left({\mathrm{\Γ}}_D\right),j=1,...,k\}\\ \mathrm{CI}\left(u\right)=(x^{*},y^{*})=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{R}_j=(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{x}_j,\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{y}_j),{\mathrm{\ω}}_j=\frac{\frac{1}{|S_{\mathrm{pre},j}-S_{\mathrm{new}}+\mathrm{\η}|}}{\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\frac{1}{|S_{\mathrm{pre},m}-S_{\mathrm{new}}+\mathrm{\η}|}}\end{array}\right.$

其中，S_new表示目标终端采集的信号强度均值矢量，S_pre，i表示第i个参考点采集的信号强度均值矢量；S_new，n表示目标终端采集的来自第n个接入点AP_n的信号强度均值，S_pre，i，n表示第i个参考点采集的来自第n个接入点AP_n的信号强度均值，n＝1，…，N_c，R_j表示第j个参考点的二维平面坐标，x_j表示第j个参考点的X方向坐标，y_j表示第j个参考点的Y方向坐标，Φ_k(Γ_D)表示集合Γ_D中按升序排列的前k个元素，x^*表示目标终端在u时刻的预估计位置坐标CI(u)的X方向坐标，y^*表示目标终端在u时刻的预估计位置坐标CI(u)的Y方向坐标，η＝0.0001；

步骤三三：根据目标终端在u-v时刻的最终估计位置CR(u-v)，进而获取所述目标终端在u时刻的以CR(u-v)为中心且以r(u，v)为半径的圆形置信区域S[CR(u-v)，r(u-v)]，所述 $r(u-v)=v\×\stackrel{\‾}{V},$ $\stackrel{\‾}{V}=\frac{1}{v-1}\underset{t=u-v+1}{\overset{u-1}{\mathrm{\Σ}}}[\mathrm{CR}\left(t\right)-\mathrm{CR}(t-1)],$ 其中，

表示目标终端的估计速率；

步骤三四：判断目标终端在u时刻的预估计位置坐标CI(u)是否属于置信区域S[CR(u-v)，r(u-v)]，如果是，则执行步骤三五，否则执行步骤三六；

步骤三五：令CF(u)＝CI(u)，且进行一次迭代使k₁＝k₁+1，进而判断k₁是否大于前向滑动时间窗门限W_F，如果是，则令CR(u-v)＝CF(u-W_F)，并执行步骤三八，否则进行一次迭代使k₁＝k₁-1，u＝u+1，返回步骤三二；

步骤三六：令CB(u)＝CI(u)，且进行一次迭代使k₂＝k₂+1，进而判断k₂是否大于后向滑动时间窗门限W_B，如果是，则执行步骤三七，否则进行一次迭代使k₂＝k₂-1，v＝v+1，返回步骤三二；

步骤三七：获取目标终端在u-W_B+1时刻的预估计位置CB(u-W_B+1)及置信区域S[CR(u-W_B)，r(u-W_B)]，并判断所述目标终端在u-W_B+1时刻的预估计位置CB(u-W_B+1)是否属于置信区域S[CR(u-W_B)，r(u-W_B)]，如果是，则令CR(u-v)＝CB(u-W_B)，并执行步骤三八，否则进行一次迭代使u＝u+1，返回步骤三二；

步骤三八：依据CR(u-v)获取目标终端在u时刻前的连续v时间内的最终估计位置CR(u-v)＝(x_u-v，y_u-v)的位置离散度 $D(u-T_v)=\underset{v=1}{\overset{T_v}{\mathrm{\Σ}}}\underset{s=1}{\overset{T_s}{\mathrm{\Σ}}}\sqrt{{(x_{u-v}-x_{u-s})}^2+{(y_{u-v}-y_{u-s})}^2},$ 判断所获取的D(u-T_v)是否小于位置离散度门限D_T，如果是，则执行步骤三九，否则进行一次迭代使u＝u+1，返回步骤三二；

步骤三九：终止跟踪，并按照时间先后顺序连接最终估计位置，以获取目标终端的平滑估计运动轨迹。

本发明的有益效果为：本发明提出了一种基于滑动时间窗的WLAN室内加权K近邻WKNN(Weighted K Nearest Neighbors)跟踪方法，该方法无需对目标终端的运动方向和加速度等参量进行预估计而能够获取目标终端的平滑轨迹，提高了跟踪性能；本发明根据前向滑动时间窗门限、后向滑动时间窗门限和相应时刻的置信区域，剔除信号强度变化突兀的预估计点，最终实现对终端估计运动轨迹的平滑处理，有效保证了本发明的WLAN室内WKNN跟踪方法的有效性；本发明通过引入位置离散度D_T，获取了该跟踪过程的终止或起始条件(即判定目标终端由运动变为静止状态，或由静止到运动状态)，从而降低了本发明的时间成本、能量及存储开销。

附图说明

图1是本发明的基于滑动时间窗的WLAN室内WKNN跟踪方法流程图；图2和图3是本发明的具体实施方式一的步骤三中获取目标终端的平滑估计运动轨迹的方法流程图，图4是本发明的具体实施方式三所述的WLAN室内环境示意图，其中，

表示接入点AP，●表示目标终端运动轨迹起始点，■表示目标终端运动轨迹终止点；图5是本发明的具体实施方式一所述的位置指纹数据库的数据结构示意图；图6是本发明的具体实施方式三所述的目标终端实际运动轨迹和目标终端最终估计运动轨迹在X方向上的位置比较示意图，其中，◇表示实际运动轨迹，○表示最终估计运动轨迹；图7是本发明的具体实施方式三所述的目标终端实际运动轨迹和目标终端最终估计运动轨迹在Y方向上的位置比较示意图。

具体实施方式

具体实施方式一：根据说明书附图1、2、3、4和5具体说明本实施方式，本实施方式所述的基于滑动时间窗的WLAN室内WKNN跟踪方法，它的跟踪过程为：

步骤一：在WLAN目标终端室内定位区域内均匀设置N_RP个参考点，并在所述室内定位区域中布置N_c个接入点AP，使得所述每个参考点均至少采集到来自一个接入点AP的信号强度RSS值；

步骤二：选取一个参考点为坐标原点O建立二维直角坐标系，获得N_RP个参考点在该二维直角坐标系中的坐标位置，并依据每一个参考点的坐标位置和所述每一个参考点采集到的来自每一个接入点AP的信号强度RSS值建立位置指纹数据库；

步骤三：在线实时获取目标终端在u时刻的预估计位置坐标CI(u)和所述目标终端在u-v时刻的最终估计位置CR(u-v)，进而获取所述目标终端的平滑估计运动轨迹，具体为：

步骤三一：初始化变量：u＝1，v＝1，第一计数器k₁＝0，第二计数器k₂＝0，前向滑动时间窗门限W_F＝3，后向滑动时间窗门限W_B＝3，CR(0)＝CI(1)且r(0)＝0；

步骤三二：在WLAN目标终端室内定位区域内，获取目标终端在u时刻采集的来自每一个接入点AP的信号强度RSS值，利用WKNN定位法计算所述目标终端在u时刻的预估计位置坐标CI(u)，所述WKNN定位法为：

$\left\{\begin{array}{c}{D}_i=\sqrt{\underset{i=1}{\overset{N_{\mathrm{RP}}}{\mathrm{\Σ}}}{|S_{\mathrm{new}}-S_{\mathrm{pre},i}|}^2,}i=\mathrm{1,2},...,N_{\mathrm{RP}}\\ S_{\mathrm{new}}=(S_{\mathrm{new},1},...,S_{\mathrm{new},N_c}),S_{\mathrm{pre},i}=(S_{\mathrm{pre},i,1},...,S_{\mathrm{pre},i,N_c})\\ {\mathrm{\Γ}}_D=\{D_i,i=1,...,N_{\mathrm{RP}}\},{\mathrm{\Ψ}}_k=\{R_j=(x_j,y_j):D_j\∈{\mathrm{\Φ}}_k\left({\mathrm{\Γ}}_D\right),j=1,...,k\}\\ \mathrm{CI}\left(u\right)=(x^{*},y^{*})=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{R}_j=(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{x}_j,\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{y}_j),{\mathrm{\ω}}_j=\frac{\frac{1}{|S_{\mathrm{pre},j}-S_{\mathrm{new}}+\mathrm{\η}|}}{\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\frac{1}{|S_{\mathrm{pre},m}-S_{\mathrm{new}}+\mathrm{\η}|}}\end{array}\right.$

其中，S_new表示目标终端采集的信号强度均值矢量，S_pre，i表示第i个参考点采集的信号强度均值矢量；S_new，n表示目标终端采集的来自第n个接入点AP_n的信号强度均值，S_pre，i，n表示第i个参考点采集的来自第n个接入点AP_n的信号强度均值，n＝1，…，N_c，R_j表示第j个参考点的二维平面坐标，x_j表示第j个参考点的X方向坐标，y_j表示第j个参考点的Y方向坐标，Φ_k(Γ_D)表示集合Γ_D中按升序排列的前k个元素，x^*表示目标终端在u时刻的预估计位置坐标CI(u)的X方向坐标，y^*表示目标终端在u时刻的预估计位置坐标CI(u)的Y方向坐标，η＝0.0001；

步骤三三：根据目标终端在u-v时刻的最终估计位置CR(u-v)，进而获取所述目标终端在u时刻的以CR(u-v)为中心且以r(u，v)为半径的圆形置信区域S[CR(u-v)，r(u-v)]，所述 $r(u-v)=v\×\stackrel{\‾}{V},$ $\stackrel{\‾}{V}=\frac{1}{v-1}\underset{t=u-v+1}{\overset{u-1}{\mathrm{\Σ}}}[\mathrm{CR}\left(t\right)-\mathrm{CR}(t-1)],$ 其中，

表示目标终端的估计速率；

步骤三四：判断目标终端在u时刻的预估计位置坐标CI(u)是否属于置信区域S[CR(u-v)，r(u-v)]，如果是，则执行步骤三五，否则执行步骤三六；

步骤三五：令CF(u)＝CI(u)，且进行一次迭代使k₁＝k₁+1，进而判断k₁是否大于前向滑动时间窗门限W_F，如果是，则令CR(u-v)＝CF(u-W_F)，并执行步骤三八，否则进行一次迭代使k₁＝k₁-1，u＝u+1，返回步骤三二；

步骤三六：令CB(u)＝CI(u)，且进行一次迭代使k₂＝k₂+1，进而判断k₂是否大于后向滑动时间窗门限W_B，如果是，则执行步骤三七，否则进行一次迭代使k₂＝k₂-1，v＝v+1，返回步骤三二；

步骤三七：获取目标终端在u-W_B+1时刻的预估计位置CB(u-W_B+1)及置信区域S[CR(u-W_B)，r(u-W_B)]，并判断所述目标终端在u-W_B+1时刻的预估计位置CB(u-W_B+1)是否属于置信区域S[CR(u-W_B)，r(u-W_B)]，如果是，则令CR(u-v)＝CB(u-W_B)，并执行步骤三八，否则进行一次迭代使u＝u+1，返回步骤三二；

步骤三八：依据CR(u-v)获取目标终端在u时刻前的连续v时间内的最终估计位置CR(u-v)＝(x_u-v，y_u-v)的位置离散度 $D(u-T_v)=\underset{v=1}{\overset{T_v}{\mathrm{\Σ}}}\underset{s=1}{\overset{T_s}{\mathrm{\Σ}}}\sqrt{{(x_{u-v}-x_{u-s})}^2+{(y_{u-v}-y_{u-s})}^2},$ 判断所获取的D(u-T_v)是否小于位置离散度门限D_T，如果是，则执行步骤三九，否则进行一次迭代使u＝u+1，返回步骤三二；

步骤三九：终止跟踪，并按照时间先后顺序连接最终估计位置，以获取目标终端的平滑估计运动轨迹。

具体实施方式二：本实施方式与对具体实施方式一的不同之处在于，本实施方式在步骤三八中，在获取目标终端的平滑估计运动轨迹时所需的最终估计位置还包括目标终端在non时刻的最终估计位置 $\mathrm{CR}\left(\mathrm{non}\right)=(\mathrm{CR}{\left(\mathrm{non}\right)}_x,\mathrm{CR}{\left(\mathrm{non}\right)}_y)=(\frac{\mathrm{non}-b}{a-b}(\mathrm{CR}{\left(a\right)}_x-\mathrm{CR}{\left(b\right)}_x),\frac{\mathrm{non}-b}{a-b}(\mathrm{CR}{\left(a\right)}_y-\mathrm{CR}{\left(b\right)}_y))$ 其中，CR(a)_x表示已经获取的目标终端在a时刻的最终估计位置CR(a)的x方向坐标，CR(a)_y表示已经获取的目标终端在a时刻的最终估计位置CR(a)的y方向坐标，CR(b)_x表示已经获取的目标终端在b时刻的最终估计位置CR(b)的x方向坐标，CR(b)_y表示已经获取的目标终端在b时刻的最终估计位置CR(b)的y方向坐标，non时刻分别与a时刻、b时刻相邻，且b＜non＜a。

具体实施方式三：根据说明书附图6和7具体说明本实施方式，本实施方式是对具体实施方式一或二的进一步说明，具体实施方式一或二中在在步骤三八中，位置离散度门限 $D_T=\underset{g=1}{\overset{N_{\mathrm{text}}}{\max }}\left\{\underset{p=1}{\overset{N_{\mathrm{rand}}}{\mathrm{\Σ}}}\underset{q=1}{\overset{N_{\mathrm{rand}}}{\mathrm{\Σ}}}\sqrt{{(x_{g,p}-x_{g,q})}^2+{(y_{g,p}-y_{g,p})}^2}\right\},$ 其中，x_g，p和y_g，p分别表示第g次测试目标终端最终估计位置时，所述目标终端在WLAN目标终端室内定位区域在二维方形区域Γ内随机跳动第p次时的所处位置的x方向坐标和y方向坐标，所述WLAN目标终端室内定位区域为方形区域Γ＝χ×χ，其中， $\mathrm{\χ}=\max \left\{\underset{l=1}{\overset{N_{\mathrm{mobile}}}{\min }}\right\{\mathrm{CR}{(l+1)}_x-\mathrm{CR}{\left(l\right)}_x\},\underset{l=1}{\overset{N_{\mathrm{mobile}}}{\min }}\{\mathrm{CR}{(l+1)}_y-\mathrm{CR}{\left(l\right)}_y\},\},$ N_mobile表示目标终端最终估计位置坐标的个数，N_rand表示目标终端在所述方形区域Γ内随机跳动的次数，N_text表示测试目标终端最终估计位置的次数，CR(l)_x表示在l时刻目标终端的最终估计位置CR(l)的x方向坐标。

针对本实施方式，进行实例分析：

在图4所示的WLAN室内环境中进行实验，其中，1211和1205分别表示房间号码，

表示电梯，目标终端实际运动轨迹I的起始点位于房间1211，经过直走廊C1→C2和C2→C3，最后到达位于房间1205的终止点，目标终端在运动过程中能检测到来自同一楼层5个AP(AP5、AP6、AP7、AP8和AP9)的RSS值，且均大于-90dBm，楼层高3m，砖质墙面，铝合金窗户和金属门，AP选择为Linksys WAP54G，固定在2m高度，支持IEEE802.11b/g标准，传输速率为54Mbps，定位终端为装有Intel PRO/Wireless3945ABG无线网卡的ASUS A8F笔记本电脑，距离地面1.2m，坐标原点0选在C3处。目标终端的信号采集速率为2样本/秒，且同一个参考点处的信号采集持续时间为3分钟，即得到来自同一接入点AP的瞬时信号强度样本360个。

图6和图7给出了给出了目标终端实际运动轨迹和最终估计运动轨迹在X方向和Y方向上的位置关系。

可见，在单一、简单且直射信号覆盖条件下的直走廊环境中，基于滑动时间窗的WLAN室内WKNN跟踪方法的跟踪性能由于室内环境，其原因主要在于以下两点：

(1)该跟踪方法的性能在很大程度上依赖于WKNN定位法对预估计位置坐标的确定，且WKNN定位法是一种信号距离依赖性很强的定位方法。而存在直射信道的直走廊环境相对于复杂、动态且多径影响严重的室内环境，终端位置变化与信号强度损耗具有较强的相关性，因此，WKNN定位法具有较高的预估计精度。

(2)由于直走廊环境的空间限制条件，终端的运动方向更容易判断，即置信区域范围较小，从而降低了因新采集信号样本数较少，所造成的终端运动方向的误判概率。

Claims (3)

1.基于滑动时间窗的WLAN室内WKNN跟踪方法，其特征在于它的跟踪过程为：

步骤一：在WLAN目标终端室内定位区域内均匀设置N_RP个参考点，并在所述室内定位区域中布置N_c个接入点AP，使得所述N_RP个参考点中的每个参考点均至少采集到来自一个接入点AP的信号强度RSS值；

步骤二：选取一个参考点为坐标原点O建立二维直角坐标系，获得N_RP个参考点在该二维直角坐标系中的坐标位置，并依据每一个参考点的坐标位置和所述每一个参考点采集到的来自每一个接入点AP的信号强度RSS值建立位置指纹数据库；

步骤三：在线实时获取目标终端在u时刻的预估计位置坐标CI(u)和所述目标终端在u-v时刻的最终估计位置CR(u-v)，进而获取所述目标终端的平滑估计运动轨迹，具体为：

步骤三一：初始化变量：u＝1，v＝1，第一计数器k₁＝0，第二计数器k₂＝0，前向滑动时间窗门限W_F＝3，后向滑动时间窗门限W_B＝3，CR(0)＝CI(1)且r(0)＝0；

步骤三二：在WLAN目标终端室内定位区域内，获取目标终端在u时刻采集的来自每一个接入点AP的信号强度RSS值，利用WKNN定位法计算所述目标终端在u时刻的预估计位置坐标CI(u)，所述WKNN定位法为：

$\left\{\begin{array}{c}{D}_i=\sqrt{\underset{i=1}{\overset{N_{\mathrm{RP}}}{\mathrm{\Σ}}}{|S_{\mathrm{new}}-S_{\mathrm{pre},i}|}^2,}i=\mathrm{1,2},...,N_{\mathrm{RP}}\\ S_{\mathrm{new}}=(S_{\mathrm{new},1},...,S_{\mathrm{new},N_c}),S_{\mathrm{pre},i}=(S_{\mathrm{pre},i,1},...,S_{\mathrm{pre},i,N_c})\\ {\mathrm{\Γ}}_D=\{D_i,i=1,...,N_{\mathrm{RP}}\},{\mathrm{\Ψ}}_k=\{R_j=(x_j,y_j):D_j\∈{\mathrm{\Φ}}_k\left({\mathrm{\Γ}}_D\right),j=1,...,k\}\\ \mathrm{CI}\left(u\right)=(x^{*},y^{*})=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{R}_j=(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{x}_j,\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{y}_j),{\mathrm{\ω}}_j=\frac{\frac{1}{|S_{\mathrm{pre},j}-S_{\mathrm{new}}+\mathrm{\η}|}}{\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\frac{1}{|S_{\mathrm{pre},m}-S_{\mathrm{new}}+\mathrm{\η}|}}\end{array}\right.$

其中，S_new表示目标终端采集的信号强度均值矢量，S_pre，i表示第i个参考点采集的信号强度均值矢量；S_new，n表示目标终端采集的来自第n个接入点AP_n的信号强度均值，S_pre，i，n表示第i个参考点采集的来自第n个接入点AP_n的信号强度均值，n＝1，…，N_c，R_j表示第j个参考点的二维平面坐标，x_j表示第j个参考点的X方向坐标，y_j表示第j个参考点的Y方向坐标，Φ_k(Γ_D)表示集合Γ_D中按升序排列的前k个元素，x^*表示目标终端在u时刻的预估计位置坐标CI(u)的X方向坐标，y^*表示目标终端在u时刻的预估计位置坐标CI(u)的Y方向坐标，η＝0.0001；

步骤三三：根据目标终端在u-v时刻的最终估计位置CR(u-v)，进而获取所述目标终端在u时刻的以CR(u-v)为中心且以r(u，v)为半径的圆形置信区域S[CR(u-v)，r(u-v)]，所述 $r(u-v)=v\×\stackrel{\‾}{V},$ $\stackrel{\‾}{V}=\frac{1}{v-1}\underset{t=u-v+1}{\overset{u-1}{\mathrm{\Σ}}}[\mathrm{CR}\left(t\right)-\mathrm{CR}(t-1)],$ 其中，

表示目标终端的估计速率；

步骤三四：判断目标终端在u时刻的预估计位置坐标CI(u)是否属于置信区域S[CR(u-v)，r(u-v)]，如果是，则执行步骤三五，否则执行步骤三六；

步骤三五：令CF(u)＝CI(u)，且进行一次迭代使k₁＝k₁+1，进而判断k₁是否大于前向滑动时间窗门限W_F，如果是，则令CR(u-v)＝CF(u-W_F)，并执行步骤三八，否则进行一次迭代使k₁＝k₁-1，u＝u+1，返回步骤三二；

步骤三六：令CB(u)＝CI(u)，且进行一次迭代使k₂＝k₂+1，进而判断k₂是否大于后向滑动时间窗门限W_B，如果是，则执行步骤三七，否则进行一次迭代使k₂＝k₂-1，v＝v+1，返回步骤三二；

步骤三七：获取目标终端在u-W_B+1时刻的预估计位置CB(u-W_B+1)及置信区域S[CR(u-W_B)，r(u-W_B)]，并判断所述目标终端在u-W_B+1时刻的预估计位置CB(u-W_B+1)是否属于置信区域S[CR(u-W_B)，r(u-W_B)]，如果是，则令CR(u-v)＝CB(u-W_B)，并执行步骤三八，否则进行一次迭代使u＝u+1，返回步骤三二；

步骤三八：依据CR(u-v)获取目标终端在u时刻前的连续v时间内的最终估计位置CR(u-v)＝(x_u-v，y_u-v)的位置离散度 $D(u-T_v)=\underset{v=1}{\overset{T_v}{\mathrm{\Σ}}}\underset{s=1}{\overset{T_s}{\mathrm{\Σ}}}\sqrt{{(x_{u-v}-x_{u-s})}^2+{(y_{u-v}-y_{u-s})}^2},$ 判断所获取的D(u-T_v)是否小于位置离散度门限D_T，如果是，则执行步骤三九，否则进行一次迭代使u＝u+1，返回步骤三二；

步骤三九：终止跟踪，并按照时间先后顺序连接最终估计位置，以获取目标终端的平滑估计运动轨迹。

2.根据权利要求1所述的基于滑动时间窗的WLAN室内WKNN跟踪方法，其特征在于在步骤三八中，在获取目标终端的平滑估计运动轨迹时所需的最终估计位置还包括目标终端在non时刻的最终估计位置 $\mathrm{CR}\left(\mathrm{non}\right)=(\mathrm{CR}{\left(\mathrm{non}\right)}_x,\mathrm{CR}{\left(\mathrm{non}\right)}_y)=(\frac{\mathrm{non}-b}{a-b}(\mathrm{CR}{\left(a\right)}_x-\mathrm{CR}{\left(b\right)}_x),\frac{\mathrm{non}-b}{a-b}(\mathrm{CR}{\left(a\right)}_y-\mathrm{CR}{\left(b\right)}_y))$ 其中，CR(a)_x表示已经获取的目标终端在a时刻的最终估计位置CR(a)的x方向坐标，CR(a)_y表示已经获取的目标终端在a时刻的最终估计位置CR(a)的y方向坐标，CR(b)_x表示已经获取的目标终端在b时刻的最终估计位置CR(b)的x方向坐标，CR(b)_y表示已经获取的目标终端在b时刻的最终估计位置CR(b)的y方向坐标，non时刻分别与a时刻、b时刻相邻，且b＜non＜a。

3.根据权利要求1或2所述的基于滑动时间窗的WLAN室内WKNN跟踪方法，其特征在于在步骤三八中，位置离散度门限 $D_T=\underset{g=1}{\overset{N_{\mathrm{text}}}{\max }}\left\{\underset{p=1}{\overset{N_{\mathrm{rand}}}{\mathrm{\Σ}}}\underset{q=1}{\overset{N_{\mathrm{rand}}}{\mathrm{\Σ}}}\sqrt{{(x_{g,p}-x_{g,q})}^2+{(y_{g,p}-y_{g,p})}^2}\right\},$ 其中，x_g，p和y_g，p分别表示第g次测试目标终端最终估计位置时，所述目标终端在WLAN目标终端室内定位区域在二维方形区域Γ内随机跳动第p次时的所处位置的x方向坐标和y方向坐标，所述WLAN目标终端室内定位区域为方形区域Γ＝χ×χ，其中， $\mathrm{\χ}=\max \left\{\underset{l=1}{\overset{N_{\mathrm{mobile}}}{\min }}\right\{\mathrm{CR}{(l+1)}_x-\mathrm{CR}{\left(l\right)}_x\},\underset{l=1}{\overset{N_{\mathrm{mobile}}}{\min }}\{\mathrm{CR}{(l+1)}_y-\mathrm{CR}{\left(l\right)}_y\},\},$ N_mobile表示目标终端最终估计位置坐标的个数，N_rand表示目标终端在所述方形区域Γ内随机跳动的次数，N_text表示测试目标终端最终估计位置的次数，CR(l)_x表示在l时刻目标终端的最终估计位置CR(l)的x方向坐标。

Images