CN102802260B - 基于矩阵相关的wlan室内定位方法 - Google Patents

Abstract

基于矩阵相关的WLAN室内定位方法，属于模式识别领域，本发明为解决现有采用基于近邻选择的位置指纹匹配算法和基于机器学习的位置指纹匹配算法进行室内定位，定位过程中丢失了很多有用的RSS信息的问题。本发明方法包括：一、在室内WLAN环境下，离线选取一定数量的参考点，并且记录这些参考点的坐标和RSS样本，建立位置指纹数据库；二、在欲定位点测量并记录用户终端所接收到的实时RSS样本；将所收到的原始RSS样本排列成矩阵，并将位置指纹数据库中每个参考点的RSS数据变换为相同维数的矩阵；三、计算皮尔森相关系数；四、选取最大K个皮尔森相关系数所对应的参考点，取这些参考点坐标的平均值作为定位结果。

Description

基于矩阵相关的WLAN室内定位方法

技术领域

本发明涉及基于矩阵相关(Matrix Correlation,MC)的WLAN室内定位方法，属于模式识别领域。

背景技术

随着全球定位系统(Global Positioning System，GPS)终端设备的不断普及，人们对基于位置的服务(Location Based Services，LBS)的需求也不断增长。GPS等卫星导航系统虽然可以在室外环境下提供满意的位置服务需求，但在室内环境下由于楼体对信号的遮蔽使其不适合应用于室内环境。基于蜂窝网络的定位系统也由于其定位误差较大，不适合应用于室内环境。因此，为了满足在室内环境如：机场、购物中心、地下停车场等，人们对于基于位置的服务的需求，目前已经有许多种室内定位系统被开发出来，例如：超宽带、超声波、红外线和蓝牙，相比这些系统和由于在室内非视距(Non Line of Sight,NLOS)条件下的优越性能，基于位置指纹匹配的WLAN室内定位方法已经成为研究热点。

基于位置指纹匹配的WLAN室内定位方法主要可以分为两个阶段：离线阶段和在线阶段。在离线阶段，在室内环境选择参考点(Reference Point,RP)，在每一个RP处采集一定数量的接收信号强度样本(Received Signal Strength,RSS)并记录该参考点的坐标，建立位置指纹数据库，这个数据库也叫做无线电地图(Radio-map)。在在线阶段，当用户实时采集到RSS样本，匹配无线电地图中RSS样本并根据相应的坐标，估计用户当前的位置。目前，许多算法和技术已经被应用为位置指纹匹配算法。大体可以将他们分为两类，即基于近邻选择的位置指纹匹配算法和基于机器学习的位置指纹匹配算法。基于近邻选择的位置指纹匹配算法目前主要有最近邻算法、K近邻算法(K Nearest Neighbors,KNN)、加权K近邻算法(Weighted K Nearest Neighbors,WKNN)。基于机器学习的位置指纹匹配法主要有人工神经网络法、支持向量机法、自适应神经模糊推理系统法。对于基于近邻选择的位置指纹匹配算法，在在线阶段，当实时采集到来自不同接入点(Access Point,AP)的RSS样本后，计算该RSS数据与位置指纹数据库中各个RP的RSS数据的距离。选择RSS距离较近的参考点，并取他们坐标的平均值作为定位结果。对于基于机器学习的位置指纹匹配算法，在离线阶段，利用无线电地图中的数据训练一个映射RSS样本与坐标之间关系的非线性函数。在在线阶段，当接收到实时RSS样本后，利用这个非线性函数计算定位结果。但是，这些算法存在的主要问题是对很多个原始的实时RSS样本取均值计算一个RSS均值样本，再利用这个RSS均值样本计算定位结果。在这个过程中丢失了很多有用的RSS信息，没有充分利用所采集的RSS样本进行定位。

发明内容

本发明目的是为了解决现有采用基于近邻选择的位置指纹匹配算法和基于机器学习的位置指纹匹配算法进行室内定位，定位过程中丢失了很多有用的RSS信息，没有充分利用所采集的RSS样本进行定位的问题，提出了一种基于矩阵相关的WLAN室内定位方法。

本发明所述基于矩阵相关的WLAN室内定位方法，该方法包括以下步骤：

步骤一、在离线阶段，在室内目标定位环境布置M个接入点AP_i,i＝1,2,...M，在该定位环境下创建二维笛卡尔坐标系，选取L个参考点RP_j,j＝1,2,...L，记录每个参考点的坐标和在每个参考点处采集的W个RSS样本，根据L个参考点的坐标和每个参考点的RSS样本建立位置指纹数据库；

步骤二、在在线阶段，用户在每个测试点接收M个接入点的RSS样本，当用户在一个测试点处接收到N个RSS样本后，将N个样本排列成一个M×N的测量矩阵其中每一行代表来自一个接入点的N个RSS样本数据，每一列表示来自M个接入点的数据所组成的一个RSS样本，将步骤一所述的位置指纹数据库中的数据变换为相同维数的矩阵，第l个参考点的RSS矩阵表示为其中：为第l个参考点的RSS矩阵中第i行第j列的因子，l＝1,2,...L；i＝1,2,...,M；j＝1,2,...,N；

步骤三、计算矩阵rss与每个参考点的RSS矩阵RSS^l之间的皮尔森相关系数r_l，

皮尔森相关系数r_l按如下公式获取：

$\left\{\begin{array}{c}{r}_l=\frac{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{rss}}_{m,n}-\stackrel{\‾}{\mathrm{rss}})({\mathrm{RSS}}_{m,n}^l-\stackrel{\‾}{{\mathrm{RSS}}^l})}{\sqrt{\left(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{rss}}_{m,n}-\stackrel{\‾}{\mathrm{rss}})}^2\right)\left(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{RSS}}_{m,n}^l-\stackrel{\‾}{{\mathrm{RSS}}^l})}^2\right)}}\\ \stackrel{\‾}{\mathrm{rss}}=\frac{1}{M\×N}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{rss}}_{m,n},\stackrel{\‾}{{\mathrm{RSS}}^l}=\frac{1}{M\×N}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{RSS}}_{m,n}^l\end{array}\right.,$

其中：为矩阵rss中所有因子的平均值，为矩阵RSS^l中所有因子的平均值。

步骤四、当L个参考点的皮尔森相关系数r₁,…,r_L计算完毕后，按从大到小的顺序选取K个皮尔森相关系数所对应参考点的坐标，计算这些坐标的均值作为最终的定位结果，可由下式得：

$(\stackrel{\‾}{x},\stackrel{\‾}{y})=\frac{1}{K}\underset{q=1}{\overset{K}{\mathrm{\Σ}}}(x_q,y_q)=\frac{1}{K}\underset{q=1}{\overset{K}{\mathrm{\Σ}}}L{\mathrm{oc}}_q$

其中：Loc_q＝(x_q,y_q),r_q∈{MAX_K(r1,…,rL)},q＝1,…,K，K为小于L的正整数，

其中，{MAX_K(r₁,…,r_L)}是最大K个皮尔森相关系数的集合，Loc_q和分别是所选参考点的坐标和最终的定位结果。

本发明的优点：该方法充分利用原始的实时采集的RSS样本，将实时采集的RSS信号样本排列成矩阵形式，同时对radio-map中的RSS数据也排列相同维度的矩阵。通过计算皮尔森相关系数(Pearson correlation coefficient,PCC)测量矩阵之间的相似程度来选择参考点。皮尔森相关系数的值越大表明这两个矩阵的相似度越大。这种方法利用所有RSS数值所组成的矩阵计算定位结果，充分利用了原始的实时RSS样本信息。所以可以选择与用户所在位置，即测试点(Test point,TP)，无线电特征更加相似的RP实现定位。因此，在在线阶段采集到相同实时RSS样本的情况下可以得到更高的定位结果。

本发明的提出方法采用基于MC的相似度测量方法，利用原始实时RSS样本组成的矩阵与radio-map中相同形式的数据进行匹配，选择与测试点采集到的RSS数据相似度最大的参考点进行定位，避免了采用实时RSS样本均值定位的传统位置指纹匹配法在计算实时RSS样本均值过程中造成的信息损失，该方法有效地利用了原始RSS数据信息从而获得更加精确的定位结果。

附图说明

图1是具体实施方式三的实验环境示意图，图中C表示房屋宽度，D表示房屋长度；

图2是当K＝9，N＝2时，计算皮尔森相关系数的MC法和经典位置指纹匹配算法WKNN算法定位结果的比较示意图；

图3是当K＝9，N＝10时，计算皮尔森相关系数的MC法和经典位置指纹匹配算法WKNN算法定位结果的比较示意图；

图4是本发明所述基于矩阵相关的WLAN室内定位方法的流程图。

具体实施方式

具体实施方式一：下面结合图4说明本实施方式，本实施方式所述基于矩阵相关的WLAN室内定位方法，该方法包括以下步骤：

步骤一、在离线阶段，在室内目标定位环境布置M个接入点AP_i,i＝1,2,...M，在该定位环境下创建二维笛卡尔坐标系，选取L个参考点RP_j,j＝1,2,...L，记录每个参考点的坐标和在每个参考点处采集的W个RSS样本，根据L个参考点的坐标和每个参考点的RSS样本建立位置指纹数据库；

步骤二、在在线阶段，用户在每个测试点接收M个接入点的RSS样本，当用户在一个测试点处接收到N个RSS样本后，将N个样本排列成一个M×N的测量矩阵其中每一行代表来自一个接入点的N个RSS样本数据，每一列表示来自M个接入点的数据所组成的一个RSS样本，将步骤一所述的位置指纹数据库中的数据变换为相同维数的矩阵，第l个参考点的RSS矩阵表示为其中：为第l个参考点的RSS矩阵中第i行第j列的因子，l＝1,2,...L；i＝1,2,...,M；j＝1,2,...,N；

在实际执行过程中，用户在每个测试点不一定能接收到M个接入点的RSS样本，在个别位置可能接收不到个别AP的信号，此时RSS矩阵中相应位置的值为0。

步骤三、计算矩阵rss与每个参考点的RSS矩阵RSS^l之间的皮尔森相关系数r_l，

步骤四、当L个参考点的皮尔森相关系数r₁,…,r_L计算完毕后，按从大到小的顺序选取K个皮尔森相关系数所对应参考点的坐标，计算这些坐标的均值作为最终的定位结果，可由下式得：

$(\stackrel{\‾}{x},\stackrel{\‾}{y})=\frac{1}{K}\underset{q=1}{\overset{K}{\mathrm{\Σ}}}(x_q,y_q)=\frac{1}{K}\underset{q=1}{\overset{K}{\mathrm{\Σ}}}L{\mathrm{oc}}_q$

其中：Loc_q＝(x_q,y_q),r_q∈{MAX_K(r₁,…,r_L)},q＝1,…,K，K为小于L的整数，

其中，{MAX_K(r₁,…,r_L)}是最大K个皮尔森相关系数的集合，Loc_q和分别是所选参考点的坐标和最终的定位结果。

具体实施方式二：本实施方式对实施方式一作进一步说明，步骤三中计算矩阵rss与每个参考点的RSS矩阵RSS^l之间的皮尔森相关系数r_l按如下公式获取：

$\left\{\begin{array}{c}{r}_l=\frac{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{rss}}_{m,n}-\stackrel{\‾}{\mathrm{rss}})({\mathrm{RSS}}_{m,n}^l-\stackrel{\‾}{{\mathrm{RSS}}^l})}{\sqrt{\left(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{rss}}_{m,n}-\stackrel{\‾}{\mathrm{rss}})}^2\right)\left(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{RSS}}_{m,n}^l-\stackrel{\‾}{{\mathrm{RSS}}^l})}^2\right)}}\\ \stackrel{\‾}{\mathrm{rss}}=\frac{1}{M\×N}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{rss}}_{m,n},\stackrel{\‾}{{\mathrm{RSS}}^l}=\frac{1}{M\×N}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{RSS}}_{m,n}^l\end{array}\right.,$

其中：为矩阵rss中所有因子的平均值，为矩阵RSS^l中所有因子的平均值。

具体实施方式三：下面结合图1至图3给出具体实施例。

在图1的实验环境下测试方法的有效性，其中，9个Linksys WAP54G AP布置于24.9m×66.4m的室内环境中。实验路径是从房间中A点到3米宽的走廊内B点。实验利用一台华硕笔记本电脑采集数据。它装有Intel PRO/Wireless 3945ABG无线网卡和RSS样本采集软件NetStumbler，采样速率每秒2个RSS样本。在离线阶段，在房间中选择24个RP和3米宽的走廊中选择67个RP，每个RP上收集150秒共300个RSS样本。在在线阶段，沿着实验路径共选取65个测试点，间距为0.6m。考虑的RP的数量和布置，选取K＝9时在每个测试点的收集2个和10个RSS样本比较计算皮尔森相关系数的MC算法与传统的WKNN算法的性能。本发明所提出的MC算法与WKNN算法的平均误差比较如表1所示。

表1 算法性能比较

由图2和图3所示，MC算法的定位结果相比WKNN算法的定位结果总体上更接近TPs的位置，尤其是当采用10个RSS样本定位时，在坐标原点附近的拐角处较为明显。如表1所示，当仅用2个RSS样本定位时，MC算法的平均误差为2.50米，其定位精度高于平均误差为2.68米的WKNN算法。当采用10个RSS样本定位时，MC算法的平均定位误差降低为2.40米，但是，WKNN算法的定位误差为2.67米，降低幅度很小。说明当有更多的RSS样本用于定位时，MC算法可以充分利用这些信息，并较大幅度地提高定位精度。但是，传统采用RSS均值样本定位的WKNN算法在求取均值时，损失了大部分增加的RSS信息，所以它的定位精度提高很有限。因此，上述实验有力地证明了本发明所提出方法的价值和有效性。

Claims (2)

1.基于矩阵相关的WLAN室内定位方法，其特征在于，该方法包括以下步骤：

步骤一、在离线阶段，在室内目标定位环境布置M个接入点AP_i,i＝1,2,...M，在该定位环境下创建二维笛卡尔坐标系，选取L个参考点RP_j,j＝1,2,...L，记录每个参考点的坐标和在每个参考点处采集的W个RSS样本，根据L个参考点的坐标和每个参考点的RSS样本建立位置指纹数据库；

步骤二、在在线阶段，用户在每个测试点接收M个接入点的RSS样本数据，当用户在一个测试点处接收到来自M个接入点的M×N个RSS样本数据后，将其排列成一个M×N的测量矩阵其中每一行代表来自一个接入点的N个RSS样本数据，每一列表示来自M个接入点的数据所组成的一个RSS样本，将步骤一所述的位置指纹数据库中的数据变换为相同维数的矩阵，第l个参考点的RSS矩阵表示为 ${\mathrm{RSS}}^l=\left[\begin{array}{ccc}{\mathrm{RSS}}_{\mathrm{1,1}}^l& ...& {\mathrm{RSS}}_{1,N}^l\\ .& & .\\ .& & .\\ .& & .\\ & {\mathrm{RSS}}_{i,j}^l& \\ .& & .\\ .& & .\\ .& & .\\ {\mathrm{RSS}}_{M,1}^l& ...& {\mathrm{RSS}}_{M,N}^l\end{array}\right],$ 其中：为第l个参考点的RSS矩阵中第i行第j列的因子，l＝1,2,...L；i＝1,2,...,M；j＝1,2,...,N；

步骤三、计算矩阵rss与每个参考点的RSS矩阵RSS^l之间的皮尔森相关系数r_l，

步骤四、当L个参考点的皮尔森相关系数r₁,…,r_L计算完毕后，按从大到小的顺序选取K个皮尔森相关系数所对应参考点的坐标，计算这些坐标的均值作为最终的定位结果，可由下式得：

$(\stackrel{\‾}{x},\stackrel{\‾}{y})=\frac{1}{K}\underset{q=1}{\overset{K}{\mathrm{\Σ}}}(x_q,y_q)=\frac{1}{K}\underset{q=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{Loc}}_q$

其中：Loc_q＝(x_q,y_q),r_q∈{MAX_K(r₁,…,r_L)},q＝1,…,K，K为小于L的正整数，

其中，{MAX_K(r₁,…,r_L)}是最大K个皮尔森相关系数的集合，Loc_q和分别是所选参考点的坐标和最终的定位结果。

2.根据权利要求1所述基于矩阵相关的WLAN室内定位方法，其特征在于，步骤三中计算矩阵rss与每个参考点的RSS矩阵RSS^l之间的皮尔森相关系数r_l按如下公式获取：

$\left\{\begin{array}{c}{r}_l=\frac{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{rss}}_{m,n}-\stackrel{\‾}{\mathrm{rss}})({\mathrm{RSS}}_{m,n}^l-\stackrel{\‾}{{\mathrm{RSS}}^l})}{\sqrt{\left(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{rss}}_{m,n}-\stackrel{\‾}{\mathrm{rss}})}^2\right)\left(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{RSS}}_{m,n}^l-\stackrel{\‾}{{\mathrm{RSS}}^l})}^2\right)}}\\ \stackrel{\‾}{\mathrm{rss}}=\frac{1}{M\×N}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{rss}}_{m,n},\stackrel{\‾}{{\mathrm{RSS}}^l}=\frac{1}{M\×N}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{RSS}}_{m,n}^l\end{array}\right.,$

其中：为矩阵rss中所有因子的平均值，为矩阵RSS^l中所有因子的平均值。