CN102821465B - 基于分区信息熵增益的wlan室内定位方法 - Google Patents

Abstract

基于分区信息熵增益的WLAN室内定位方法，涉及一种WLAN室内定位方法。它是为了能同时减少定位所需的运算量并能够提高WLAN室内定位的精度而提出的。本发明首先在离线阶段通过在各参考点测量接收到的来自各个AP的信号强度RSS值作为位置指纹信息，然后利用K均值聚类算法对定位空间分区，并在每个子区域中引入信息熵增益模型选出定位能力最强的t个AP；在线阶段，首先根据测试点与各聚类中心的特征向量距离大小确定测试点在哪个子区域，然后在每个子区域中分别利用已选择的t个AP应用K近邻定位算法实现对测试点的精确定位。本发明适用于WLAN室内定位。

Description

基于分区信息熵增益的WLAN室内定位方法

技术领域

本发明涉及一种WLAN室内定位方法。

背景技术

目前，随着无线网络的发展，出现了许多与室内定位相关的技术和应用，其中，随着IEEE802.11标准的提出，无线局域网WLAN(Wireless Local Area Networks)进一步在世界范围内被各种机构和个人在不同环境下广泛部署。而基于WLAN技术的室内定位系统因具有部署方便，成本低，不需添加定位测量专用硬件等特点而受到广泛重视。

在WLAN环境下，通过测量来自接入点AP(Access Point)的接收信号强度RSS(Received Signal Strength)值获得相应位置信息，结合信号强度数据库求解，确定移动用户的位置。其中基于位置指纹的定位算法因为定位精度高，可充分利用现有设施，升级和维护对用户影响小等优点而得到广泛应用。位置指纹定位算法分为离线测量阶段和在线定位阶段两个步骤，主要包括最近邻法、K近邻法、概率法和神经网络法。其中K近邻法(KNN，K Nearest Neighbors)在算法复杂度和定位精度上都具有一定优势。

但是，在实际的应用中发现，不同的AP具有不同的定位能力，他们对同一区域的定位有不同的定位贡献。有的AP定位能力很强，对定位的贡献较多。有的AP定位能力差，对定位的贡献较小，甚至降低定位精度，这部分AP如果应用在定位中，不仅增加了很多无用的计算，而且很可能降低了定位性能。为此，我们需要引入一个原则来区分不同AP的定位能力。传统方法一般根据接收到来自AP的RSS值大小来区分AP的定位能力，即对于某一区域，接收到某一AP的平均信号强度越大，则认为该AP的定位能力越强。实验表明，这种AP选取原则是不正确的，比如一个AP在定位区域内各处的信号强度都比较大但波动较小，这类AP虽然信号强度平均值很大，但是定位能力较弱。

另外，由于RSS的统计特性随着物理位置的变化而变化，建立在整个定位区域的定位模型，包括AP选择策略、定位特征提取模型都是次优的。例如，一个AP对于定位环境中不同的位置有不同的定位贡献，比如一个AP可能对某一区域定位能力很好，但对其他区域定位能力很差，在这种情况下，如果对一个面积较大的定位环境整体进行AP选择，则这类AP很可能由于平均定位贡献小而被去除，这不利于部分区域的定位。为此，当我们进行AP选择时，应先将较大的定位区域按照接收信号强度RSS值之间的相似性分区，然后在每个相对小的子区域内进行AP选取。

发明内容

本发明是为了能同时减少定位所需的运算量并提高WLAN室内定位的精度而提出的一种WLAN室内定位方法。

基于分区信息熵增益的WLAN室内定位方法，它由以下步骤实现：

步骤一、针对室内环境布置m个接入点AP，确保所述环境中任意一点被两个或两个以上的接入点AP发出的信号覆盖，并在所述室内环境中均匀设置N个参考点；N为正整数；

步骤二、选取一个参考点为坐标原点建立二维直角坐标系，获得N个参考点在该二维直角坐标系中的坐标位置，并在每个参考点上利用信号接收机采集并记录来自每一个接入点AP的接收信号强度RSS值k次，并进行数据处理；k为正整数；

步骤三、根据步骤二中每个参考点上处理后的数据采用K均值聚类算法将室内定位环境分成K个子区域；在每个子区域中各个参考点的接收信号强度RSS值具有相似的特征向量；

步骤四、在每个子区域中引入信息熵增益模型，分别将所有AP按照对该子区域定位贡献按从大到小的顺序进行排列，选取前t个定位贡献最大的无线接入点AP作为定位AP；

步骤五、采集待测试点的信号强度RSS值，并根据所述RSS值和步骤三中的每个子区域的特征向量进行比较，获得待测试点的特征向量与各子区域的特征向量的距离，并将待测试点定位在与该测试点的特征向量距离最近的子区域内；

步骤六、在被定位的子区域内，利用步骤四选取的t个定位AP，采用K近邻位置指纹定位算法对待测试点进行定位，从而实现基于分区信息熵增益的WLAN室内定位。

在每个参考点上利用信号接收机采集并记录来自每一个接入点AP的接收信号强度RSS值k次，并进行数据处理的具体方法是：

步骤A1、将每个参考点接收到的k次来自每一个接入点AP的接收信号强度RSS值形成一个k×m的矩阵；矩阵的第i’行第j’列表示第i次采集中接收到的来自第j个AP的接收信号强度RSS值；i’为小于或等于k的正整数；j’为小于或等于m的正整数；

步骤A2、将每个参考点得到的k×m的矩阵中的列向量中所有元素相加获得一个值，再把这个值除以k，每个参考点获得一个1×m特征向量，作为该参考点处理后的数据。

在步骤三中根据步骤二处理后的数据采用K均值聚类算法将室内定位环境分成K个子区域的具体方法是：

步骤B1、从步骤二中每个参考点上处理后的数据中选取K个参考点的接收信号强度RSS值作为K个子区域的聚类中心，为了避免初始聚类中心选取的随机性对聚类算法产生的负面影响，可在定位区域均匀选取K个初始聚类中心，即(RSS₁₁,RSS₁₂,...,RSS_1m)¹，(RSS₂₁,RSS₂₂,...,RSS_2m)¹,……(RSS_K1,RSS_K2,...,RSS_Km)¹；

步骤B2、分别计算N个参考点与K个子区域的聚类中心的欧式距离，并将N个参考点分别分配给与该参考点之间的欧氏距离最小的子区域，第f个参考点与第h个聚类中心的距离d_fh如下式:

$d_{\mathrm{fh}}=\sqrt{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{({\mathrm{RSS}}_{\mathrm{fj}}-{\mathrm{RSS}}_{\mathrm{hj}})}^2}$

其中，f为小于等于N的正整数，h为小于等于K的正整数；

步骤B3、在各子区域内，分别将各参考点的接收信号强度RSS值求平均，获得K个新的聚类中心(RSS₁₁,RSS₁₂,...,RSS_1m)^Q，(RSS₂₁,RSS₂₂,...,RSS_2m)²,…(RSS_K1,RSS_K2,...,RSS_Km)²；

步骤B4、重复执行步骤B2至步骤B3，直到每个子区域的中心不再改变，即迭代至收敛。设最后一次迭代是第Q次，则最终得到的K个子区域对应的K个聚类中心向量为(RSS₁₁,RSS₁₂,...,RSS_1m)^Q，(RSS₂₁,RSS₂₂,...,RSS_2m)^Q,…(RSS_K1,RSS_K2,...,RSS_Km)²和各自区域参考点的集合，至此完成K个子区域的划分。

步骤四中在每个子区域中引入信息熵增益模型，分别将所有AP按照对该子区域定位贡献按从大到小的顺序进行排列，选取前t个定位贡献最大的无线接入点AP作为定位AP的具体方法是：

步骤C1、设各子区域内有n个参考点，对每一个参考点在k次接收信号强度RSS值测量中接收到的来自每个AP的接收信号强度RSS值进行统计，并在每一个参考点都生成一个m×101的矩阵，该矩阵的第i”行第j”列表示该参考点接收到的来自AP_i的接收信号强度RSS值大小为-(j-1)dBm的概率；i”为小于或等于m的正整数；j”为小于或等于101的正整数；i为小于或等于m的正整数；

步骤C2、在每个子区域内，以每个参考点为中心做大小相等、相互连接的方格C_g，g为小于或等于n的正整数；其中，将每一参考点离线阶段接收到的来自各无线接入点AP的信号强度RSS值作为该参考点对应方格的定位信息；

当没有导入待测试点获得的来自任一无线接入点AP的信号强度RSS值时，待测试点的实际位置在各个方格中的熵值为：

$H\left(C\right)=-{\mathrm{\Σ}}_{g=1}^{n}P\left(C_g\right){\log }_{2}P\left(C_g\right)$

此时待测试点的实际位置在各个方格中的概率P(C_g)是均等，即：

H(C)＝log₂n

当待测试点获得的来自无线接入点AP_j的信号强度RSS值为已知时，j为小于或等于m的正整数，待测试点实际位置在各个方格中的条件熵值为：

$H(C/{\mathrm{AP}}_j)=-{\mathrm{\Σ}}_v{\mathrm{\Σ}}_{g=1}^{n}P(C_g,{\mathrm{AP}}_j=v)\log P(C_g/{\mathrm{AP}}_j=v)$

其中：后验概率P(C_g/AP_j＝v)的值利用贝叶斯公式转换为先验概率后求取，即：

P(C_g/AP_j＝v)＝P(AP_j＝v/C_g)P(C_g)/P(AP_j＝v)

其中：v是接收到的来自无线接入点AP_j的信号强度，P(AP_j＝v/C_g)表示格子C_g中心的参考点，在离线测量阶段的k次接收信号RSS值测量中获得的来自AP_j的信号强度为v(dBm)的概率，该概率可以从步骤A1中的k×m矩阵中查取；P(AP_i＝v)表示子区域中所有参考点的k次信号强度RSS值测量中，无线接入点AP_j信号强度为v(dBm)的概率；

在每个子区域中，对于任意一个无线接入点AP_j，其信息熵增益为：

InfoGain(AP_j)＝H(C)-H(C/AP_j)

步骤C3、在每个子区域内，分别将m个AP按步骤C2获得的信息增益从大到小的顺序进行排列，选取前t个为该区域的定位AP。

步骤六中在被定位的子区域内，利用步骤四选取的t个定位AP，采用K近邻位置指纹定位算法对待测试点进行定位的具体方法是：

步骤D1、在被定位的子区域中，n个参考点中每一个参考点都对应一个1×m的向量，该向量中的第j₁个元素表示在该参考点处获得的来自AP_j的接收信号强度RSS均值；

根据已经确定的该子区域内定位能力最强的前t个AP，将该子区域内不参与定位的接收信号强度RSS值去除，则测试点的特征向量(RSS₁,RSS₂,...RSS_t)与第g个参考点的特征向量(RSS_g1,RSS_g2,...RSS_gt)之间的距离d_gq为：

$d_{\mathrm{gq}}={\left(\underset{j=1}{\overset{t}{\mathrm{\Σ}}}{|{\mathrm{RSS}}_{\mathrm{jg}}-{\mathrm{RSS}}_j|}^q\right)}^{1/q}$

q＝1和q＝2时分别表示曼哈顿距离和欧几里德距离；

步骤D2、从步骤D1获得的距离d_gq结果中按从小到大的顺序选取K^*个与测试点特征向量距离最近的参考点，并通过公式：

$(\hat{x},\hat{y})=\frac{1}{K*}\underset{g=1}{\overset{K*}{\mathrm{\Σ}}}(x_g,y_g)$

计算该K^*个参考点位置坐标的均值作为结果输出；式中：是测试点的定位坐标。

本发明通过引入信息熵增益模型，采取先分区，后定位的定位原则，有效提高了整个WLAN室内定位系统的定位精度。

附图说明

图1是本发明的具体实施方式三中所述的K均值聚类算法的流程图；图2是本发明的具体实施方式五中所述的室内场景示意图；图3是具体实施方式五中子区域A1处的9个无线接入点AP的信息熵增益直方图；图4是具体实施方式五中子区域A2处的9个无线接入点AP的信息熵增益直方图；图5是具体实施方式五中子区域A3处的9个无线接入点AP的信息熵增益直方图；图6是具体实施方式五中的实验环境下1.5m内的累加定位误差概率随着t的取值不同而变化的仿真示意图。

具体实施方式

具体实施方式一、基于分区信息熵增益的WLAN室内定位方法，它由以下步骤实现：

步骤一、针对室内环境布置m个接入点AP(Access Point)(AP_j,1≤j≤m)，确保所述环境中任意一点被两个或两个以上的接入点AP发出的信号覆盖；

步骤二、在室内环境中均匀设置参考点，选取一个参考点为原点建立直角坐标系，获得各个参考点在该直角坐标系中的坐标位置，并在每个参考点上利用信号接收机采集并记录来自每一个AP的接收信号强度RSS值k次并进行相应的数据处理；

步骤三、根据K均值聚类算法将室内定位环境分成K个子区域，在每个子区域中各个参考点的接收信号强度RSS值具有相似的特征，即个参考点的特征向量相似；

步骤四、对K个子区域中每个子区域引入信息熵增益模型，分别将所有AP按照它们对该区域定位贡献大小按顺序排列，选取前t个定位能力最强的AP用于后续定位操作；

步骤五、将待测点获取的信号强度RSS值与步骤三获取的各个子区域的特征向量进行比较，即求取测试点的特征向量与各子区域的特征向量的距离，将测试点定位在与其特征向量距离最近的子区域内；

步骤六、在被定位的子区域内，利用步骤五选取的t个AP，采用K近邻位置指纹定位算法对测试点进行精确定位。

具体实施方式二、本具体实施方式是具体实施方式一所述的基于分区信息熵增益的WLAN室内定位方法的进一步限定，具体实施方式一中步骤二所述的在每个参考点上利用信号接收机采集并记录来自每一个AP的接收信号强度RSS值k次并进行相应的数据处理的具体步骤为：

步骤A1：对每个参考点得到一个k×m阶矩阵，矩阵的第i’行第j’列表示第i次采集中接收到的来自第j个AP的接收信号强度RSS值；

步骤A2、将每个参考点得到的k×m阶矩阵列向量里所有的元素相加得到一个值，再把这个值除以k，这样每个参考点都得到了一个1×m的向量，对于每一个参考点，该向量称为该参考点的特征向量，向量中的第j个元素(即从AP_j获得的信号强度RSS均值)可以做为该参考点的第j个特征。若在一个参考点上某些AP的RSS值检测不到，则将其赋值为该环境下能接收到的最小信号值-100dBm,故而任意参考点的接收信号强度RSS值v的范围为-100dBm≤v≤0dBm。这组向量将用于实现步骤三的聚类分区。

本实施方式为后续具体实施方式提供了数据库样本。

具体实施方式三、本具体实施方式是具体实施方式二所述的基于分区信息熵增益的WLAN室内定位方法的进一步限定，具体实施方式一中步骤三所述的根据K均值聚类算法对室内定位环境划分成K个子区域的具体步骤为：

步骤B1、RadioMap中的每个位置指纹，即特征向量都应由相应参考点上的RSS均值向量表示。输入步骤A2测得的所有参考点的特征向量和子区域个数K；为了避免初始聚类中心选取的随机性对聚类算法产生的负面影响，从步骤A2得到得数据里按照物理空间位置均匀选取K个参考点的RSS(即各参考点的特征向量)值作为K个子区域的聚类中心，即(RSS₁₁,RSS₁₂,...,RSS_1m)¹，(RSS₂₁,RSS₂₂,...,RSS_2m)¹,……(RSS_K1,RSS_K2,...,RSS_Km)¹，从而尽可能实现按照物理位置空间的一致性进行聚类；

步骤B2、计算每个参考点和K个聚类中心特征向量的欧式距离，将各个参考点分配给与其欧氏距离最小的子区域，第f个参考点与第h个聚类中心的距离d_fh如下式:

$d_{\mathrm{fh}}=\sqrt{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{({\mathrm{RSS}}_{\mathrm{fj}}-{\mathrm{RSS}}_{\mathrm{hj}})}^2}$

其中，f为小于等于N的正整数，h为小于等于K的正整数；

步骤B3、把每个子区域中各个参考点的RSS值求平均值，得到新的聚类中心，(RSS₁₁,RSS₁₂,...,RSS_1m)^Q，(RSS₂₁,RSS₂₂,...,RSS_2m)²,…(RSS_K1,RSS_K2,...,RSS_Km)²；

步骤B4、重复步骤B2和步骤B3直到每个子区域的中心不再改变，即迭代过程的终止条件为聚类中心不再变化。每个位置指纹被安排到与之最近的聚类中心，每个聚类对应一个定位子区域；

步骤B5、得到K个子区域个各子区域对应的聚类中心向量，即迭代至收敛。设最后一次迭代是第Q次，则最终得到的K个子区域对应的K个聚类中心向量为(RSS₁₁,RSS₁₂,...,RSS_1m)^Q，(RSS₂₁,RSS₂₂,...,RSS_2m)^Q,…(RSS_K1,RSS_K2,...,RSS_Km)²和各自区域参考点的集合。离线阶段，每个聚类和相应的指纹数据组成一个独立的子RadioMap。

本实施方式能保证对定位环境进行行之有效的划分，使一个子区域内的任意两个参考点接收到的来自各个AP的信号强度RSS均值，即参考点的特征向量相似程度大于来自两个不同子区域的参考点的特征向量相似度，这也为步骤四中运用信息熵增益模型在每个子区域中分别选取t个定位能力最强的接入点AP奠定基础。

具体实施方式四、本具体实施方式是具体实施方式三所述的基于分区信息熵增益的WLAN室内定位方法的进一步限定，具体实施方式一中步骤四所述的对K个子区域分别引入信息熵增益模型，并借此选出t个定位能力最强的AP的具体过程为：

步骤C1、设各子区域内有n个参考点(不同子区域内n的个数不一定相同，取决于步骤三的分区结果)，对每一个参考点在k次RSS值测量中接收到的来自每个AP的RSS值(步骤A1已获得的k×m矩阵)进行统计，在每一个参考点都生成一个m×101的矩阵，该矩阵的第i”行第j”列表示该参考点接收到的来自AP_i的RSS值大小为-(j-1)dBm的概率；

步骤C2、在每个子区域内，以每个参考点为中心做大小相等、相互连接的方格C_g(1≤g≤n)，每一参考点离线阶段接收到的来自各个AP的信号强度RSS值则作为其对应方格的定位信息。当没有导入测试点获得的来自任何AP的信号强度RSS值时，测试点的实际位置在各个方格中的不确定度，即熵值为：

$H\left(C\right)=-{\mathrm{\Σ}}_{g=1}^{n}P\left(C_g\right){\log }_{2}P\left(C_g\right)---\left(1\right)$

通常，可以认为此时测试点实际位置在各个方格中的概率是均等的，即：

H(C)＝log₂n  (2)

当测试点获得的来自AP_j的信号强度RSS值已知时，测试点实际位置在各个方格中的不确定度，即条件熵值为：

$H(C/{\mathrm{AP}}_j)=-{\mathrm{\Σ}}_v{\mathrm{\Σ}}_{g=1}^{n}P(C_g,{\mathrm{AP}}_j=v)\log P(C_g/{\mathrm{AP}}_j=v)---\left(3\right)$

其中，后验概率P(C_g/AP_j＝v)的值较难求取，本发明利用贝叶斯公式将后验概率转换为先验概率求取。如公式四所示，其中P(AP_j＝v/C_g)表示格子C_g中心的参考点，在步骤二描述的离线测量阶段的k次测量中获得的来自AP_j的信号强度为v(dBm)的概率，此概率可以从步骤A1中获得的k×m矩阵中查取。而分母中的P(AP_i＝v)则表示子区域中所有(n个)参考点的k次信号强度RSS值测量中，AP_j信号强度为v(dBm)的概率,此概率亦可通过步骤C1获得的n个m×101的矩阵各项相加再除n所得的新矩阵中查取；

P(C_g/AP_j＝v)＝P(AP_j＝v/C_g)P(C_g)/P(AP_j＝v)  (4)

在子区域中，对于任意一个接入点AP_j，其信息熵增益的计算式如下式：

InfoGain(AP_j)＝H(C)-H(C/AP_j)(5)

此公式的右侧表示测试点从所有接入点AP获得的RSS值未知时测试点位置的不确定度减去从AP_j获得的RSS值已知时测试点位置的不确定度，因此，InfoGain(AP_i)表示当从AP_j接收到的信号强度值已知时，获得的定位信息，即该AP的定位能力的大小；

步骤C4、每个子区域内，分别将m个AP按其信息增益从大到小的顺序排列，选取前t个为该区域用于定位的AP。

本实施方式能保证对于每个子区域，都能找到相应的定位能力最好的t个AP用于定位，这不仅减小了后续定位操作的运算量，节省运算时间，而且可以排除一些干扰定位的AP，用较少的AP实现更精确的定位。

具体实施方式五、本具体实施方式是具体实施方式四所述的基于分区信息熵增益的WLAN室内定位方法的进一步限定，具体实施方式一中步骤六所述的对K个子区域中的每个子区域，分别利用步骤四选取的t个AP，采用K近邻位置指纹定位算法对测试点进行定位进行具体说明：

步骤D1、步骤五将测试点定位在一个子区域中，该子区域内，n个参考点中每一个参考点都对应一个1×m的向量(步骤A2中已获得)，向量中的第j个元素表示在该参考点出获得的来自AP_j的RSS均值。在步骤四中已经确定了该子区域内定位能力最强的前t个AP,将该子区域内不参与定位的RSS值去除，则每个参考点的特征向量由m维变为t维。则测试点的特征向量(RSS₁,RSS₂,...RSS_t)与第g(1≤g≤n)个参考点的特征向量(RSS_g1,RSS_g2,...RSS_gt)之间的距离d_gq可以由公式(6)求得。

$d_{\mathrm{gq}}={\left(\underset{j=1}{\overset{t}{\mathrm{\Σ}}}{|{\mathrm{RSS}}_{\mathrm{jg}}-{\mathrm{RSS}}_j|}^q\right)}^{1/q}g=\mathrm{1,2},...,n---\left(6\right)$

q＝1和2时分别是曼哈顿(Manhattan)和欧几里德(Euclidian)距离。

步骤D2、从结果中从小到大选取k个与测试点特征向量距离最近的参考点，以下式计算这k个参考点位置坐标的均值作为结果输出。

$(\hat{x},\hat{y})=\frac{1}{k}\underset{g=1}{\overset{k}{\mathrm{\Σ}}}(x_g,y_g)---\left(7\right)$

式中是测试点的定位坐标。

以下通过仿真实验验证本发明的效果：在图1所示的室内场景中进行实验，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，各接入点AP为LinksysWAP54G-CN，且用AP1、AP2、……、AP9标示1至9号AP，各AP固定在距地面2m高度的位置。信号接收机离地面1.2m，图中箭头标志为1至9号AP放置的位置，选择走廊作为实验场所，相邻参考点之间间隔为1m，共115个参考点。

针对步骤二，进行实例分析：

使用Intel PRO/Wireless3945ABG network connection的无线网卡连接入网，在Windows XP操作系统下收集来自9个接入点AP的信号强度RSS值；对于每一个接入点AP，信号采集3分钟数据，每秒采样2次。

针对步骤三，进行实例分析：

按照K均值聚类算法分区原则将503室以右的走廊区域划分为A1，A2，A3三个区域，本试验中的坐标系以A1区的1参考点做为原点。

针对步骤四，应用K近邻算法进行实例分析：

如图2～4所示，应用信息熵增益模型获得了A1，A2，A3各子区域中9个AP的信息熵增益直方图，可在每个子区域中选取定位能力最好的前t个用于后续定位。

观察图3得出结论，即当t的取值从1增加到9时，1.5m内的累加误差概率呈现先增多，后减少的趋势，本实验环境下，t＝5、6、7、8时的定位精度均好于9个AP全用于定位时的定位精度，t＝6时可以达到最佳定位精度。

在本实验环境下，应用本发明，可在参与定位的AP数量减小33.3％的同时，使1.5m内的定位精度提高4.76％。

分区信息熵增益WLAN室内定位方法，解决了现有室内WLAN定位方法中出现的部分AP定位能力差甚至降低定位精度的问题。本发明首先针对室内环境布置接入点AP，然后在室内环境中设置参考点，并在离线阶段通过在各参考点测量接收到的来自各个AP的信号强度RSS值作为位置指纹信息，接下来利用K均值聚类算法对定位空间分区，并在每个子区域中引入信息熵增益模型选出定位能力最强的t个AP；在线阶段，首先根据测试点与各聚类中心的特征向量距离大小确定测试点在哪个子区域，然后在该子区域中利用已选择的t个AP应用K近邻定位算法实现对测试点的精确定位。最终，在减少参与定位的AP数量，即减少运算量的同时，提高了室内定位的精度。

Claims (5)

1.基于分区信息熵增益的WLAN室内定位方法，其特征是：它由以下步骤实现：

步骤一、针对室内环境布置m个接入点AP，确保所述环境中任意一点被两个或两个以上的接入点AP发出的信号覆盖，并在所述室内环境中均匀设置N个参考点；N为正整数；

步骤二、选取一个参考点为坐标原点建立二维直角坐标系，获得N个参考点在该二维直角坐标系中的坐标位置，并在每个参考点上利用信号接收机采集并记录来自每一个接入点AP的接收信号强度RSS值k次，并进行数据处理；k为正整数；

步骤三、根据步骤二中每个参考点上处理后的数据采用K均值聚类算法将室内定位环境分成K个子区域；在每个子区域中各个参考点的接收信号强度RSS值具有相似的特征向量；

步骤四、在每个子区域中引入信息熵增益模型，分别将所有AP按照对该子区域定位贡献按从大到小的顺序进行排列，选取前t个定位贡献最大的无线接入点AP作为定位AP；

步骤五、采集待测试点的信号强度RSS值，并根据所述RSS值和步骤三中的每个子区域的特征向量进行比较，获得待测试点的特征向量与各子区域的特征向量的距离，并将待测试点定位在与该测试点的特征向量距离最近的子区域内；

步骤六、在被定位的子区域内，利用步骤四选取的t个定位AP，采用K近邻位置指纹定位算法对待测试点进行定位，从而实现基于分区信息熵增益的WLAN室内定位。

2.根据权利要求1所述的基于分区信息熵增益的WLAN室内定位方法，其特征在于在每个参考点上利用信号接收机采集并记录来自每一个接入点AP的接收信号强度RSS值k次，并进行数据处理的具体方法是：

步骤A1、将每个参考点接收到的k次来自每一个接入点AP的接收信号强度RSS值形成一个k×m的矩阵；矩阵的第i’行第j’列表示第i次采集中接收到的来自第j个AP的接收信号强度RSS值；i’为小于或等于k的正整数；j’为小于或等于m的正整数；

步骤A2、将每个参考点得到的k×m的矩阵中的列向量中所有元素相加获得一个值，再把这个值除以k，每个参考点获得一个1×m特征向量，作为该参考点处理后的数据。

3.根据权利要求2所述的基于分区信息熵增益的WLAN室内定位方法，其特征在于在步骤三中根据步骤二处理后的数据采用K均值聚类算法将室内定位环境分成K个子区域的具体方法是：

步骤B1、从步骤二中每个参考点上处理后的数据中选取K个参考点的接收信号强度RSS值作为K个子区域的聚类中心，在定位区域均匀选取K个初始聚类中心，即(RSS₁₁,RSS₁₂,...,RSS_1m)¹，(RSS₂₁,RSS₂₂,...,RSS_2m)¹,……(RSS_K1,RSS_K2,...,RSS_Km)¹；

步骤B2、分别计算N个参考点与K个子区域的聚类中心的欧式距离，并将N个参考点分别分配给与该参考点之间的欧氏距离最小的子区域，第f个参考点与第h个聚类中心的距离d_fh如下式:

$d_{\mathrm{fh}}=\sqrt{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{({\mathrm{RSS}}_{\mathrm{fj}}-{\mathrm{RSS}}_{\mathrm{hj}})}^2}$

其中，f为小于等于N的正整数，h为小于等于K的正整数；

步骤B3、在各子区域内，分别将各参考点的接收信号强度RSS值求平均，获得K个新的聚类中心(RSS₁₁,RSS₁₂,...,RSS_1m)^Q，(RSS₂₁,RSS₂₂,...,RSS_2m)²,…(RSS_K1,RSS_K2,...,RSS_Km)²；

步骤B4、重复执行步骤B2至步骤B3，直到每个子区域的中心不再改变，即迭代至收敛；设最后一次迭代是第Q次，则最终得到的K个子区域对应的K个聚类中心向量为(RSS₁₁,RSS₁₂,...,RSS_1m)^Q，(RSS₂₁,RSS₂₂,...,RSS_2m)^Q,…(RSS_K1,RSS_K2,...,RSS_Km)²和各自区域参考点的集合，至此完成K个子区域的划分。

4.根据权利要求3所述的基于分区信息熵增益的WLAN室内定位方法，其特征在于步骤四中在每个子区域中引入信息熵增益模型，分别将所有AP按照对该子区域定位贡献按从大到小的顺序进行排列，选取前t个定位贡献最大的无线接入点AP作为定位AP的具体方法是：

步骤C1、设各子区域内有n个参考点，对每一个参考点在k次接收信号强度RSS值测量中接收到的来自每个AP的接收信号强度RSS值进行统计，并在每一个参考点都生成一个m×101的矩阵，该矩阵的第i”行第j”列表示该参考点接收到的来自AP_i的接收信号强度RSS值大小为-(j-1)dBm的概率；i”为小于或等于m的正整数；j”为小于或等于101的正整数；i为小于或等于m的正整数；

步骤C2、在每个子区域内，以每个参考点为中心做大小相等、相互连接的方格C_g，g为小于或等于n的正整数；其中，将每一参考点离线阶段接收到的来自各无线接入点AP的信号强度RSS值作为该参考点对应方格的定位信息；

当没有导入待测试点获得的来自任一无线接入点AP的信号强度RSS值时，待测试点的实际位置在各个方格中的熵值为：

$H\left(C\right)=-{\mathrm{\Σ}}_{g=1}^{n}P\left(C_g\right){\log }_{2}P\left(C_g\right)$

此时待测试点的实际位置在各个方格中的概率P(C_g)是均等，即：

H(C)＝log₂n

当待测试点获得的来自无线接入点AP_j的信号强度RSS值为已知时，j为小于或等于m的正整数，待测试点实际位置在各个方格中的条件熵值为：

$H(C/{\mathrm{AP}}_j)=-{\mathrm{\Σ}}_v{\mathrm{\Σ}}_{g=1}^{n}P(C_g,{\mathrm{AP}}_j=v)\log P(C_g/{\mathrm{AP}}_j=v)$

其中：后验概率P(C_g/AP_j＝v)的值利用贝叶斯公式转换为先验概率后求取，即：

P(C_g/AP_j＝v)＝P(AP_j＝v/C_g)P(C_g)/P(AP_j＝v)

其中：v是接收到的来自无线接入点AP_j的信号强度，P(AP_j＝v/C_g)表示格子C_g中心的参考点，在离线测量阶段的k次接收信号RSS值测量中获得的来自AP_j的信号强度为v(dBm)的概率，该概率可以从步骤A1中的k×m矩阵中查取；P(AP_i＝v)表示子区域中所有参考点的k次信号强度RSS值测量中，无线接入点AP_j信号强度为v(dBm)的概率；

在每个子区域中，对于任意一个无线接入点AP_j，其信息熵增益为：

InfoGain(AP_j)＝H(C)-H(C/AP_j)

步骤C3、在每个子区域内，分别将m个AP按步骤C2获得的信息增益从大到小的顺序进行排列，选取前t个为该区域的定位AP。

5.根据权利要求3所述的基于分区信息熵增益的WLAN室内定位方法，其特征在于步骤六中在被定位的子区域内，利用步骤四选取的t个定位AP，采用K近邻位置指纹定位算法对待测试点进行定位的具体方法是：

步骤D1、在被定位的子区域中，n个参考点中每一个参考点都对应一个1×m的向量，该向量中的第j’个元素表示在该参考点处获得的来自AP_j的接收信号强度RSS均值；

根据已经确定的该子区域内定位能力最强的前t个AP，将该子区域内不参与定位的接收信号强度RSS值去除，则测试点的特征向量(RSS₁,RSS₂,...RSS_t)与第g个参考点的特征向量(RSS_g1,RSS_g2,...RSS_gt)之间的距离d_gq为：

$d_{\mathrm{gq}}={\left(\underset{j=1}{\overset{t}{\mathrm{\Σ}}}{|{\mathrm{RSS}}_{\mathrm{jg}}-{\mathrm{RSS}}_j|}^q\right)}^{1/q}$

q＝1和q＝2时分别表示曼哈顿距离和欧几里德距离；

步骤D2、从步骤D1获得的距离d_gq结果中按从小到大的顺序选取K^*个与测试点特征向量距离最近的参考点，并通过公式：

$(\hat{x},\hat{y})=\frac{1}{K*}\underset{g=1}{\overset{K*}{\mathrm{\Σ}}}(x_g,y_g)$

计算该K^*个参考点位置坐标的均值作为结果输出；式中：是测试点的定位坐标。