CN102802118B - 基于ap权重自适应调整的位置指纹定位方法 - Google Patents

Abstract

本发明涉及无线定位技术领域，公开了一种基于AP权重自适应调整的位置指纹定位方法。本发明根据对目标点初步估计位置附近的参考点的分辨能力计算每个接入点的权重，具有一定的自适应性，能提高基于位置指纹定位技术的定位精度。另外，采用单调递增函数进行分辨力参数的平滑处理，能防止直接使用分辨力参数而带来的局部大差异性导致某些接入点作用失效的情况。

Description

基于AP权重自适应调整的位置指纹定位方法

技术领域

本发明涉及无线定位技术领域，特别是涉及一种基于AP权重自适应调整的位置指纹定位方法。

背景技术

现有的无线定位技术大致可分为基于测距的定位和非基于测距的定位技术两种。如传统的基于TOA（Time of Arrival，到达时间）/TDOA（Time Difference of Arrival，到达时间差）/RSS（Received SignalStrength，接收信号强度）的定位技术，都是根据这些时间或信号强度参数来计算基站和目标点（如移动台）的大致距离，再利用基站间的几何位置关系进行目标点的定位。这些基于测距的定位技术很容易受到非视距情形的干扰，对于高复杂性和强时变特性的无线信道呈现的定位准确度和稳定性均较差。因此在室内场景下，很多基于测距的定位技术已不适用。

近些年来，一种基于位置指纹的与测距无关的定位技术备受青睐。其大致可分为两个过程，离线测量阶段和实时定位阶段：

1）离线阶段：用N个均匀分布于待定位区域的RP处（ReferencePoint,参考点）的便携设备对来自覆盖该区域的M多个AP（AccessPoint,接入点）的信号强度进行采样并进行记录。对这些采样值进行特征提取，计算信号强度均值来构建该参考点处的位置指纹，所有的参考点的位置指纹形成了该区域的指纹地图。

2）定位阶段：对目标点接收的实时信号强度进行特征提取后，与指纹地图中的每个位置指纹按照一定的定位算法进行匹配，目标的实际位置则可能处于那些指纹匹配结果相近的参考点附近。

这种基于位置指纹的定位技术的定位精度很大程度上受到匹配算法的影响。目前比较常用的有最近邻居算法、概率估计算法，神经元算法等。很多学者也对这些算法进行了改进，对位置指纹定位系统也进行了整体上的优化设计，如信号强度滤波，最佳AP的选取和定位空间的聚类划分等。然而几乎所有现有的定位系统和算法对于每个AP对匹配算法的影响都等同看待，定位精度不高。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是：如何提高基于位置指纹定位技术的定位精度。

（二）技术方案

为了解决上述技术问题，本发明提供一种基于AP权重自适应调整的位置指纹定位方法，包括以下步骤：

S1、在分布于待定位区域内的参考点处测量接入点AP的信号强度值，根据所述信号强度值对目标点位置进行估计；

S2、在估计得到的目标点位置附近选取一定数目的参考点，列入集合S，计算每个AP对所述集合S中的参考点的分辨力参数；

S3、根据所述分辨力参数计算每个AP的权重因子；

S4、将所述每个AP的权重因子作用到集合S中每个参考点所测量的AP的信号强度值，以及在估计得到的目标点位置测量的AP的信号强度值上，得到变换后的相应信号强度值，根据变换后的相应信号强度值在集合S所确定的指纹空间中对目标点位置再次进行估计，得到估计结果。

优选地，步骤S2中选取参考点的方式为：选取落在以估计得到的目标点位置为圆心，一定距离r为半径的圆形区域内的参考点。

优选地，步骤S3具体为：

当所有分辨力参数中最大值与最小值的比值大于预设门限值α时，对所有分辨力参数进行平滑处理，使得处理后得到的所有分辨力参数中最大值与最小值的比值小于门限值α，然后利用所有分辨力参数进行归一化计算得到权重因子；

当所有分辨力参数中最大值与最小值的比值小于预设门限值α时，直接利用所有分辨力参数进行归一化计算得到权重因子。

优选地，步骤S4中权重因子的作用方式为：将每个AP的权重因子分别乘以集合S中参考点相应的信号强度值和目标点位置相应的信号强度值得到变换后的相应信号强度值。

优选地，所述半径r大于或等于所述待定位区域中任意两点间距离中最远距离的一半。

优选地，步骤S3中，利用单调递增函数进行所述平滑处理。

优选地，所述单调递增函数为开根号函数。

优选地，预设门限值α小于或者等于10。

优选地，步骤S1与步骤S4中对目标点位置进行估计的方法均为最近邻居算法。

（三）有益效果

上述技术方案具有如下优点：根据对目标点初步估计位置附近的参考点的分辨能力计算每个接入点的权重，具有一定的自适应性，能提高基于位置指纹定位技术的定位精度。另外，采用单调递增函数进行分辨力参数的平滑处理，能防止直接使用分辨力参数而带来的局部大差异性导致某些接入点作用失效的情况。

附图说明

图1为本发明的定位方法的整体流程图；

图2为本发明的定位方法中权重因子计算过程的流程图；

图3为实施例1中的定位方案示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明主要考虑将每个接入点AP提供的信号强度对最终定位估计方法的影响区别对待，解决此问题的关键，是要确定每个AP贡献率的衡量标准，因此本发明提出了一种自适应的AP权重计算方法，来提升位置指纹算法的定位精度。

如图1所示，本发明的方法包括以下步骤：

1)离线阶段在均匀分布于待定位区域中N个RP测量M个AP处的信号强度样值和位置信息，并进行记录：

R_j＝{(x_j,y_j);R_i,j(t),R_i,j,σ_i,j},i＝1,2...,M,j＝1,2,...N,t＝1,2,...,T（1）

$R_{i,j}={\mathrm{\Σ}}_{t=1}^T{R}_{i,j}\left(t\right)/T,{\mathrm{\σ}}_{i,j}={\mathrm{\Σ}}_{t=1}^T{(R_{i,j}\left(t\right)-R_{i,j})}^2/T---\left(2\right)$

R_j代表所记录的信息所构成的集合，其中(x_j,y_j)代表第j个RP的二维空间坐标，R_i,j(t)代表第j个RP处接收的来自第i个AP在采样时刻t的信号强度，T为采样周期。R_i,j、σ_i,j分别代表该信号强度样值R_i,j(t)的均值和方差。

在定位阶段，用现有的位置指纹定位算法根据上述信号强度样值进行目标位置的初步估计，得出目标的可能位置

2)选取落在以估计得到的目标点位置为圆心，一定距离r为半径的圆

形区域内的参考点，即，找出有符合以下条件的参考点:

$S\stackrel{\mathrm{\Δ}}{=}\left\{j\right|\sqrt{{(x_j-\hat{x})}^2+{(y_j-\hat{y})}^2}\≤r,j=\mathrm{1,2},...,N\}---\left(3\right)$

作为该目标的邻近参考点集。r的取值要能保证以很高的概率使目标的实际位置落在区域S内。其大小也直接决定着要舍弃的指纹库中的参考点的数目，因而这一参数要尽可能得大，一般要超出选取的位置估计算法的定位精度值的下限。在本发明中，r取待定位区域中最远两点间距的一半。由于在下一步中，要评定接入点对这些参考点信号强度指纹的辨别能力，而不同位置的目标点可能产生不同的目标点集合，需要重新评价每个接入点的分辨能力，因此其属于一种自适应的AP权重调整方法。

3)对步骤2）中得到的邻近参考点集合，计算初步的分辨力参数ζ_i：

${\mathrm{\ζ}}_i=\frac{1}{\left|S\right|T}\left(\underset{j\∈S}{\mathrm{\Σ}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{(R_{i,j}\left(t\right)-R^i)}^2\right)/\underset{j\∈S}{\mathrm{\Σ}}{\mathrm{\σ}}_{i,j},i=\mathrm{1,2},...,M---\left(4\right)$

ζ_i越大，表征接入点i对参考点集的分辨能力越强。其中表示邻近参考点集合S中的所有参考点从接入点i处接收的信号强度均值。|S|表示集合S中元素的个数。上述公式（4）分母要尽可能的小，以保证该参考点集合从接入点i获取的信号强度变化要尽可能的小，以体现这些参考点处从接入点i捕获的信号强度指纹的稳定性。而其分子则要尽可能的大，以表征每个参考点从接入点i接收的信号强度之间的差异性，更好的体现每个参考点的空间位置特征。

4)由于实际计算得到的分辨力参数可能会相差很大，如直接使用，具有很小分辨力参数值的接入点可能完全失效。然而这种分辨力参数的值会随着不同的具体的定位场景产生变化，所以该步骤要随着其作出自适应的算法调整，具体做法如下：

当得到的分辨力参数的最大值与最小值的比值γ超过某一门限α，选取一定的单调递增函数η＝f(ζ)对上述分辨力参数进行平缓处理，防止陡变，然后进一步进行归一化处理得到权重因子：

${\mathrm{\η}}_i=f\left({\mathrm{\ζ}}_i\right)/{\mathrm{\Σ}}_{i=1}^{M}f\left({\mathrm{\ζ}}_i\right),i=\mathrm{1,2},...,M---\left(5\right)$

其中对ζ_i进行变换后f(ζ_i)的最大值与最小值的比值应小于上述门限值α。实际应用中，对给定的定位场景，在离线阶段可以预先计算每个接入点对定位区域内所有参考点指纹的分辨力参数，获得最大值与最小值的比值，结合取定的门限值α，来进行函数f的选择。实际应用中，可以在离线测量阶段，预先计算出每个接入点对所有参考点集合的分辨力参数，找出其最大值与最小值的比值，确定好可用的备选函数集合，以供实测阶段调用。当然实测阶段的单调递增函数也可以根据先前定位过程积累的历史经验，进行一定的择取，目的均在于保证处理后的函数值最大值与最小值比值小于预先定义的门限值α。本发明中单调递增函数选为开根号函数，α取10。

而当上述分辨力参数的最大值与最小值的比值γ小于门限值α时，直接对分辨力参数进行归一化得到权重因子：

${\mathrm{\η}}_i={\mathrm{\ζ}}_i/{\mathrm{\Σ}}_{i=1}^M{\mathrm{\ζ}}_i,i-\mathrm{1,2},...,M---\left(6\right)$

5)将所述每个AP的权重因子作用到集合S中每个参考点所测量的AP的信号强度值，以及在估计得到的目标点位置测量的AP的信号强度值上，得到变换后的相应信号强度值：

RSSI_i′(t)=η_iRSSI_i(t),R_i,j′(t)=η_iR_i,j(t),i=1,2,...,N,j=1,2,...,M    （7）

其中RSSI_i(t)是在估计得到的目标点位置测量的第i个接入点在时刻t的信号强度样值。根据变换后的目标点信号强度和信号强度指纹，按照一定的位置估计算法（如最近邻居算法）对目标点的位置再次进行估计，得到最终定位结果。

实施例1

在典型的矩形室内场景下，整个待定位区域约为30m×21.5m。该区域内均匀分布着数百个参考点以及十几个无线接入点。在得到目标点的实测信号强度以后，根据位置指纹定位技术中常用的最近邻居算法初步估计出目标点的大致位置，以其为圆心，以为半径的圆形区域选取该目标点的临近参考点集S。根据公式（4）计算每个接入点对集合S中的参考点的分辨力参数。由上述计算结果知分辨力参数的最大值与最小值之比约为80，那么可取函数使得变换后的f(ζ)的最大值与最小值的比值低于门限值α。同时取定门限值α等于10。对f(ζ_i)归一化后按照公式（7）作用到目标点位置测量的信号强度值与集合S中的参考点处测量的信号强度值上，最后按照最近邻居算法对目标点的位置进行最终估计。图3中虚线圆形区域为由目标点初步估计位置确定的圆形区域覆盖的参考点集合。

由以上实施例可以看出，本发明根据对目标点初步估计位置附近的参考点的分辨能力计算每个接入点的权重，具有一定的自适应性，能提高基于位置指纹定位技术的定位精度。另外，采用单调递增函数进行分辨力参数的平滑处理，能防止直接使用分辨力参数而带来的局部大差异性导致某些接入点作用失效的情况。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (6)

1.一种基于AP权重自适应调整的位置指纹定位方法，其特征在于，包括以下步骤：

S1、在分布于待定位区域内的参考点处测量接入点AP的信号强度值，根据所述信号强度值对目标点位置进行估计；

S2、在估计得到的目标点位置附近选取一定数目的参考点，列入集合S，计算每个AP对所述集合S中的参考点的分辨力参数；

S3、根据所述分辨力参数计算每个AP的权重因子；

S4、将所述每个AP的权重因子作用到集合S中每个参考点所测量的AP的信号强度值，以及在估计得到的目标点位置测量的AP的信号强度值上，得到变换后的相应信号强度值，根据变换后的相应信号强度值在集合S所确定的指纹空间中对目标点位置再次进行估计，得到估计结果；

其中，步骤S3具体为：

当所有分辨力参数中最大值与最小值的比值大于预设门限值α时，对所有分辨力参数利用单调递增函数进行平滑处理，使得处理后得到的所有分辨力参数中最大值与最小值的比值小于门限值α，然后利用所有分辨力参数进行归一化计算得到权重因子；

当所有分辨力参数中最大值与最小值的比值小于预设门限值α时，直接利用所有分辨力参数进行归一化计算得到权重因子；

步骤S4中权重因子的作用方式为：将每个AP的权重因子分别乘以集合S中参考点相应的信号强度值和目标点位置相应的信号强度值，得到变换后的相应信号强度值。

2.如权利要求1所述的方法，其特征在于，步骤S2中选取参考点的方式为：选取落在以估计得到的目标点位置为圆心，一定距离r为半径的圆形区域内的参考点。

3.如权利要求2所述的方法，其特征在于，所述半径r大于或等于所述待定位区域中任意两点间距离中最远距离的一半。

4.如权利要求1所述的方法，其特征在于，所述单调递增函数为开根号函数。

5.如权利要求1中所述的方法，其特征在于，预设门限值α小于或者等于10。

6.如权利要求1～5中任一项所述的方法，其特征在于，步骤S1与步骤S4中对目标点位置进行估计的方法均为最近邻居算法。