CN103068041B - 一种定位方法 - Google Patents

Abstract

本发明公开了一种定位方法，无线服务终端采集N个样点的位置及其相应的无线信号特征值，构建所述无线信号特征值在所述N个样点的位置上的概率分布模型，其中N为正整数；并构建马尔科夫一步位置转移概率矩阵；所述无线服务终端根据所述概率分布模型和所述马尔科夫一步位置转移概率矩阵对待定位终端进行第m次定位，其中m≥1。进一步地，所述马尔科夫一步位置转移概率矩阵可根据实际情况进行必要的更新。本发明所提供的定位方法，有效利用环境中的无线信号的信息，实现对待定位终端的实时定位，并进一步提高定位的精确度。

Description

一种定位方法

技术领域

本发明涉及定位技术领域，尤其涉及一种定位方法。

背景技术

目前，基于全球定位系统(GlobalPositioningSystem，简称GPS)的定位技术已经相当成熟，且GPS卫星的数目较多，分布均匀，用户接收机可在地球上任何室外地点、任何时间至少同时观测到4颗GPS卫星，确保为用户接收机实现全球、全天候的导航定位服务。但由于地球表面情况比较复杂，GPS卫星信号经受大气摩擦、森林阻隔、建筑物遮挡等因素的影响，使得GPS定位系统的应用范围受到了一定限制。如在室内定位场合中，由于用户接收机接收不到完整的GPS卫星信号，因而GPS不再适用。

近年来，无线传感器网络(WirelessSensorNetworks，简称WSN)、无线局域网(WirelessLocalAreaNetwork，简称WLAN)和射频标签(RadioFrequencyIdentification，简称RFID)等短距离无线通信技术得到了迅速发展。在城市环境和室内环境中均部署了大量的WLAN的无线接入点(AccessPoint，简称AP)，用户终端扫描到多个无线AP的情况经常出现，因此只要是在无线信号的覆盖范围内，利用无线信号来对室外或室内的目标装置进行定位就成为可能。

现有的基于无线信号网络的定位技术，所采用无线信号主要包括红外线、超声波、射频等传感信号进行定位。其中，基于红外线、超声波的定位技术精度相对较高，但其需要使用专门的硬件设施，且接收信号时需要视距传输，因此难以大规模部署；而基于射频信号的定位方法，具有传输距离远、无视距要求、成本低、易大规模部署等优势。基于射频信号的定位技术适用于各种采用射频信号通信的网络，如WSN、WLAN、RFID、GSM/GPRS(GlobalSystemforMobileCommunications/GeneralPacketRadioService，全球移动通信系统/通用分组无线服务)、CDMA(CodeDivisionMultipleAccess，码分多址)及TD-SCAMA(TimeDivision-SynchronousCodeDivisionMultipleAccess，时分同步码分多址)等。

在无线网络环境中，待定位终端是其位置将被确定的装置，其利用无线网络环境中的无线信号进行通信，并且利用无线网络环境中的无线信号的特征来确定其自身的位置。待定位终端的典型例子包括便携式计算机、手持电话终端或其它可移动无线通信设备。

在无线信号覆盖的环境下进行室内定位主要是对无线信号的特征进行观测，所谓的无线信号特征值，主要包括无线信号强度、信号频谱、误码率、比特差错率等可测量的、与目标装置位置相关的参数值。

目前，室内定位技术主要是基于隐马尔科夫模型(HiddenMarkovModel，HMM)和观测模型所提出的。隐马尔科夫模型HMM是统计模型的一种，用于描述含有未知参数的马尔科夫过程(MarkovProcess，MP)，利用可观测的参数来确定该过程中的隐含未知参数。马尔科夫过程MP具有如下特性：在已知目前状态的条件下，它未来的演变不依赖于它以往的演变，即该随机过程的下一个状态只取决于目前的状态，没有记忆性。

通常，待定位终端的位置由多个样点(待定位终端在移动路径上的位置采样点)的概率模型进行估计得出，其中每个样点包括位置参数和在所述样点上的信号值的期望值，根据信号值的观测结果序列及其相应的位置，可组建隐马尔科夫模型。

在隐马尔科夫模型中，状态并不是直接可见的，但受状态影响的某些变量则是可见的，且每一个状态在可能输出的符号上都有一概率分布(如高斯分布)。因此，在为待定位终端的位置与其无线信号特征值建立隐马尔科夫模型时，所述待定位终端的位置并不是直接可见的，但受其位置影响的某些无线信号特征值则是可见或可测的，且待定位终端的每一个位置在不同的时刻上都有一个概率分布。

为了提高对室内的目标装置或待定位终端进行定位的准确性，在现有的一个技术解决方案(中国专利申请号：03815410.2)中，其基于隐马尔科夫模型和一个或多个过去或未来的观测结果，来对待定位的目标装置的位置进行估计。在该技术方案中，没有考虑不同目标装置的移动速度对马尔科夫一步转移概率矩阵的影响，且该马尔科夫一步转移概率矩阵一旦建立，便固定不变，没有学习或更新能力，长此以往有可能会降低定位结果的可靠性。

在现有的另一个技术解决方案(美国专利申请号：US2006/0215880A1)中，其将目标装置移动范围划分为多个相互重叠的区域，并对所述区域建立马尔科夫模型，通过对目标装置的不断观察，直到在某一时刻对目标装置所在位置有一个比较明确的概率的时候，通过马尔科夫一步转移概率矩阵进行反推，获取该时刻之前的观测时刻所在区域的位置，从而获得目标装置的移动轨迹。该方案适用于获取目标装置的移动路径，但不能对目标装置的位置进行实时定位。

发明内容

本发明所要解决的技术问题是，提供一种定位方法，有效利用环境中的无线信号的信息，实现对待定位终端的实时定位，并进一步提高定位的准确度。

为解决以上技术问题，本发明实施例提供一种定位方法，所述方法包括：

无线服务终端采集N个样点的位置及其相应的无线信号特征值，构建所述无线信号特征值在所述N个样点的位置上的概率分布模型，其中N为正整数；

所述无线服务终端对每一个样点经过一步位置转移到所述N个样点的概率进行设置，构建马尔科夫一步位置转移概率矩阵；

所述无线服务终端对待定位终端进行第1次定位；

所述无线服务终端对所述待定位终端进行第m次定位，其中m≥2；

当所述无线服务终端对待定位终端进行第m次定位时，所述定位方法包括以下步骤：

S1：所述无线服务终端采集当前所述N个样点的位置的无线信号特征值，并根据所述概率分布模型，获得所述待定位终端在第m次定位的第一概率分布矢量p’_m；

S2:所述无线服务终端调用在对所述待定位终端进行第m-1次定位时所获得的优化概率分布矢量p_m-1，并根据所述马尔科夫一步位置转移概率矩阵，获得所述待定位终端在第m次定位的第二概率分布矢量p”_m；

S3：所述无线服务终端根据所述第一概率分布矢量p’_m和所述第二概率分布矢量p”_m，获得所述待定位终端在第m次定位时的优化概率分布矢量p_m；

S4：所述无线服务终端根据所述优化概率分布矢量p_m，获得所述待定位终端在第m次定位时所在的位置。

其中，在步骤S3中，所述无线服务终端根据所述第一概率分布矢量p’_m和所述第二概率分布矢量p”_m，获得所述待定位终端在第m次定位时的优化概率分布矢量p_m，包括：

所述无线服务终端为所述第一概率分布矢量p’_m分配权值w1，为所述第二概率分布矢量p”_m分配权值w2，其中，w1+w2＝1，w1≥0，w2≥0；

所述无线服务终端通过加权平均的方式，获得所述待定位终端在第m次定位时的优化概率分布矢量p_m，其中，p_m＝p’_m*w1+p”_m*w2。

在一种实现方式中，在步骤S4中，所述无线服务终端根据所述优化概率分布矢量p_m，获得所述待定位终端在第m次定位时所在的位置，包括：

所述无线服务终端查询所述待定位终端在第m次定位时的所述优化概率分布矢量p_m，获取所述优化概率分布矢量p_m中的最大概率值所对应的样点位置，并将所述最大概率值所对应的样点位置作为所述待定位终端在所述第m次定位时的位置。

在另一种实现方式中，在步骤S4中，所述无线服务终端根据所述优化概率分布矢量p_m，获得所述待定位终端在第m次定位时所在的位置，包括：

所述无线服务终端查询所述待定位终端在第m次定位时的所述优化概率分布矢量p_m，获取所述优化概率分布矢量p_m中的大于门限值ω的多个概率值，并将所述大于门限值ω的多个概率值所分别对应的样点位置的质心位置，作为所述待定位终端在所述第m次定位时的位置。

更进一步地，所述无线信号特征值包括无线信号强度、无线信号频谱、无线信号到达时间和无线信号到达角中的至少一项。

本发明提供的一种定位方法，首先采用现有的定位系统所建立的概率分布模型对待定位终端进行初步定位，获得初步定位结果；再进一步通过利用无线通信网络环境中的有用信息，为待定位终端与无线信号特征值建立隐马尔科夫模型，且其马尔科夫一步位置转移概率矩阵可根据待定位终端的移动速度和移动习惯进行调整，使得马尔科夫一步位置转移概率矩阵趋于合理。本发明提供的一种定位方法，可有效提高对目标装置的定位结果的可靠性。

附图说明

图1是本发明提供的定位方法的一个实施例的方法流程图；

图2是图1所提供的实施例的室内环境的样点分布示意图；

图3是图1所提供的实施例在第m(m≥2)次定位时所采用的定位方法步骤示意图；

图4是图1所提供的实施例中的待定位终端在第1次定位时所采用的方法步骤示意图；

图5是图1所提供的实施例的完整定位方法步骤流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

在本发明实施例中，无线服务终端采集得到的所述无线信号特征值与其相应位置信息的对应关系，实质构成了隐马尔科夫模型关系。

参看图1，是本发明提供的一种定位方法的一个实施例的流程示意图。

在本实施例中，在对待定位终端进行定位时，可将本实施例所提供的定位方法划分为离线准备和在线实时定位两个实施阶段。

其中，离线准备阶段的主要工作包括步骤S101和步骤S102：

步骤S101：无线服务终端采集N个样点的位置及其相应的无线信号特征值，构建所述无线信号特征值在所述N个样点的位置上的概率分布模型，其中N为正整数。

步骤S102：所述无线服务终端对每一个样点经过一步位置转移到所述N个样点的概率进行设置，构建马尔科夫一步位置转移概率矩阵。

在本实施例中，在对待定位终端进行实时定位前，本实施例所提供的定位方法必须进行初始化设置，即离线准备，其主要工作包括构建概率分布模型和对马尔科夫一步位置转移概率矩阵进行初始化设置。

其中，在构建概率分布模型时，首先，无线服务终端将室内环境的多个位置按照一定间距进行量化取样，获取N个样点的地理位置信息；然后，无线服务终端在每个样点上采集无线信号的特征参数值(简称无线信号特征值)，并连同其相应的地理位置信息一同保存起来；进一步地，无线服务终端基于以上所述的N个样点的地理位置信息和无线信号特征值，构建起所述无线信号特征值在所述N个样点的位置上的概率分布模型。

在具体定位过程中，无线服务终端可通过所述概率分布模型，统计得到所述待定位终端在第m次定位的第一概率分布矢量p’_m＝[p’_m(a＝a₁)，p’_m(a＝a₂)，…，p’_m(a＝a_N)]^T。其中，m≥1，字母T表示矩阵的转置。

如图2所示，是图1所提供的实施例的室内环境的样点分布示意图。

在图2所示的室内环境地图中，对待定位终端可能所处在的位置进行量化取样，样点位置为a_i，其中，i＝1，2，…，N，表示将室内环境量化为N个样点。具体实施时，样点的数量N的取值可根据实际情况需要而设定，一般而言，N的值越大，对待定位终端的定位结果越准确，但定位方法的复杂度也相应会提高。其中，以N＝13为例，在具体定位时，无线服务终端只需要将当前观测得到的各个样点位置的无线信号特征值，去匹配概率分布模型中对应的地理位置，从而获得待定位终端可能所处样点位置的第一概率分布矢量p’_m＝[p’_m(a＝a₁)，p’_m(a＝a₂)，…，p’_m(a＝a₁₃)]^T。

需要说明的是，无线服务终端可采用现有技术中的各种基于概率的定位系统，包括基于后验概率估计定位系统、射频指纹系统或其它能够输出一定精度的定位系统，来构建所述的概率分布模型，以实现对待定位终端的初步定位，获得所述的第一概率分布矢量p’_m，其中，p’_m＝[p’_m(a＝a₁)，p’_m(a＝a₂)，…，p’_m(a＝a_N)]^T中的各个概率值之和为1。

在本实施例中，在离线准备阶段还需要对马尔科夫一步位置转移概率矩阵进行初始化设置。其中，无线服务终端把室内环境地图量化为N个待定位终端可能处于的位置时，将所述进行量化的待定位终端各个可能位置称作为样点，相邻样点的间距称作为一步位置。

具体实施时，要为所述N个样点设置一步位置转移概率时，必须考虑实际环境的条件。如图2所示，虽然所有位置样点都可以互通，但是由于环境的约束，并不是所有的位置样点都可以通过一步位置转移即可到达，即其通过一步位置转移而到达的可能性为零。

进一步地，在本实施例所提供的定位方法中，待定位终端的一步位置转移规律近似符合马尔科夫性质，即待定位终端的下一时刻所处的样点位置，可以近似认为只与其当前所在样点位置相关。在本实施例中，默认所述待定位终端在单位时间里进行一次定位，且所述待定位终端进行匀速运动。因此，待定位终端的移动规律符合马尔科夫性，可以建立马尔科夫一步位置转移概率矩阵，以通过根据本次定位的结果来获得一些在下一步对待定位终端进行定位时的有用信息。

具体地，以N＝13为例，无线服务终端根据室内环境的实际情况和待定位终端的移动规律，为所述的13个样点分配一步位置转移的概率。

具体实施时，在一种优选的实施方式中，无线服务终端在对各个样点的一步位置转移概率进行初始化设置时，可将通过一步位置转移即可到达的各个样点平均分配一步位置转移概率；将不可通过一步位置转移而到达的样点的一步位置转移概率置零。

因此，在基于以上各种条件的规范下，根据图2所示的样点分布示意图，可对马尔科夫一步位置转移概率矩阵进行初始化设置，得到矩阵H₀：

在本实施例中，进行了初始化设置的马尔科夫一步位置转移概率矩阵H₀矩阵中，其元素为p_ij＝p(a_i|a_j)，表示位置a_j下一步转移到位置a_i的概率。譬如，待定位装置当前位置处于样点a₇，则它有1/4的概率移动到位置a₆，因此在矩阵的第6行第7列的元素为1/4。在对马尔科夫一步位置转移概率矩阵进行初始化设置时，作为一种优选的实施方式，可以按照实际情况平均分派概率值(如：将通过一步位置转移即可到达的各个样点平均分配一步位置转移概率；将不可通过一步位置转移而到达的样点的一步位置转移概率置零)，其中，分派概率的约束条件为：每列元素的概率之和等于1。马尔科夫一步位置转移概率矩阵建立之后，保存在无线服务终端中。

进一步地，在后续的在线实时定位过程中，可以根据实际情况需要对马尔科夫一步位置转移概率矩阵进行更新。

在本实施例中，完成离线准备工作后，可启动对待定位终端的实时定位与跟踪，即，本实施例所提供的定位方法可继续执行以下步骤：

步骤S103：所述无线服务终端对待定位终端进行第m次定位，其中m≥1。

在本实施例中，所述无线服务终端在对所述待定位终端进行初次定位时，即m＝1时，由于待定位终端还没发生一步位置转移，因此根据马尔科夫性质，所述无线服务终端不能根据马尔科夫一步位置转移概率矩阵来获得所述待定位终端的定位信息。所述无线服务终端必须获得上一次定位的概率信息，才能采用马尔科夫性质来获得本次定位的概率信息。

参看图3，是图1所提供实施例在第m(m≥2)次定位时所采用的定位方法步骤示意图。

在本实施例中，当m≥2时，所述定位方法包括以下步骤：

S1：所述无线服务终端采集当前所述N个样点的位置的无线信号特征值，并根据所述概率分布模型，获得所述待定位终端在第m次定位的第一概率分布矢量p’_m；

具体实施时，无线服务终端在进行第m(m≥2)次定位时，只需要将观测得到的各个样点位置的无线信号特征值，去匹配概率分布模型p’_m＝[p’_m(a＝a₁)，p’_m(a＝a₂)，…，p’_m(a＝a_N)]^T中对应的地理位置，从而获得待定位终端可能所处的位置概率分布矢量，并将该通过所述概率分布模型而进行初步定位，所得到的位置概率分布矢量称作为第m次定位的第一概率分布矢量p’_m。其中，p’_m＝[p’_m(a＝a₁)，p’_m(a＝a₂)，…，p’_m(a＝a_N)]^T中的各个概率值已做归一化处理，即各个概率值之和为1。

S2:所述无线服务终端调用在对所述待定位终端进行第m-1次定位时所获得的优化概率分布矢量p_m-1，并根据所述马尔科夫一步位置转移概率矩阵，获得所述待定位终端在第m次定位的第二概率分布矢量p”_m；

S3：所述无线服务终端根据所述第一概率分布矢量p’_m和所述第二概率分布矢量p”_m，获得所述待定位终端在第m次定位时的优化概率分布矢量p_m；

S4：所述无线服务终端根据所述优化概率分布矢量p_m，获得所述待定位终端在第m次定位时所在的位置。

在本实施例中，执行步骤S1和步骤S2后，获得了第一概率分布矢量p’_m和所述第二概率分布矢量p”_m，所述无线服务终端再根据实际情况选取优化算法，基于所述第一概率分布矢量p’_m和所述第二概率分布矢量p”_m，得到优化概率分布矢量p_m。

在本实施例中，作为一种优选的实施方式，在步骤S3中，所述无线服务终端根据所述第一概率分布矢量p’_m和所述第二概率分布矢量p”_m，获得所述待定位终端在第m次定位时的优化概率分布矢量p_m，包括：

所述无线服务终端为所述第一概率分布矢量p’_m分配权值w1，为所述第二概率分布矢量p”_m分配权值w2，其中，w1+w2＝1，w1≥0，w2≥0；

所述无线服务终端通过加权平均的方式，获得所述待定位终端在第m次定位时的优化概率分布矢量p_m，其中，p_m＝p’_m*w1+p”_m*w2。

需要说明的是，在本发明实施例中，权值w1和权值w2均为可变参量，可根据实际情况需要对其进行调整，其中，对其进行调整的限制条件为w1+w2＝1。此外，具体实施时，无线服务终端还可通过其它实现方式或优化算法，获得待定位终端当前进行第m次定位的优化概率分布矢量p_m，以进一步提高所述待定位终端的位置信息的精确度。

进一步地，作为一种实现方式，在本实施例所提供的定位方法的步骤S4中，所述无线服务终端根据所述优化概率分布矢量p_m，获得所述待定位终端在第m次定位时所在的位置，可采用以下实现方法，包括：

所述无线服务终端查询所述待定位终端在第m次定位时的所述优化概率分布矢量p_m，获取所述优化概率分布矢量p_m中的最大概率值所对应的样点位置，并将所述最大概率值所对应的样点位置作为所述待定位终端在所述第m次定位时的位置。

在本实施例中，作为另一种实现方式，在步骤S4中，所述无线服务终端根据所述优化概率分布矢量p_m，获得所述待定位终端在第m次定位时所在的位置，包括：

所述无线服务终端查询所述待定位终端在第m次定位时的所述优化概率分布矢量p_m，获取所述优化概率分布矢量p_m中的大于门限值ω的多个概率值，并将所述大于门限值ω的多个概率值所分别对应的样点位置的质心位置，作为所述待定位终端在所述第m次定位时的位置。

具体实施时，为提高对待定位终端的定位精确度，通常，当所述优化概率分布矢量p_m中的大于门限值ω的多个概率值之和大于或等于80％时，则无线服务终端分别查询它们所对应的样点位置，求出它们所对应的样点位置的质心所在位置，并将该质心所在位置作为所述待定位终端在第m次定位时的最终位置。

以N＝13为例，如图2所示，若所述优化概率分布矢量p_m中的大于门限值ω＝30％的概率值有三个，分别为概率值p_m(a＝a₃)，概率值p_m(a＝a₄)和概率值p_m(a＝a₆)，三者之和p_sum＝p_m(a＝a₃)+p_m(a＝a₄)+p_m(a＝a₆)，当p_sum≥80％时，所述无线服务终端分别查询样点a＝a₃、样点a＝a₄和样点a＝a₆的所对应的位置，并求出该三个样点的(地理)位置的质心位置，将该质心位置作为所述待定位终端在第m次定位的定位结果。

需要说明的是，在步骤S4中，所述无线服务终端根据所述优化概率分布矢量p_m，获得所述待定位终端在第m次定位时所在的位置，除了以上所述的两种实现方式，无线服务终端还可以根据待定位终端的实际情况，包括待定位终端的移动规律等，通过适当的变换，以根据所述优化概率分布矢量p_m来获得待定位终端在第m次定位时所在的最终地理位置信息。

在本实施例中，当m＝1时，无线服务终端对待定位终端进行第1次定位，即初次定位，由于没有先验信息，所述无线服务终端无法获得相对于当前时刻的“第m-1次”定位时的优化概率分布矢量p_m-1，因此，所述无线服务终端在对所述待定位终端进行第1次定位时，不能采用步骤S1～步骤S4所述的定位方法。

参看图4，图1所提供的实施例中的待定位终端在第1次定位时所采用的方法步骤示意图。

当m＝1时，所述无线服务终端对待定位终端进行第1次定位时，作为一种优选的实施方式，本发明实施例所提供的定位方法包括：

S01：所述无线服务终端采集当前所述N个样点所在位置的无线信号特征值，并根据所述概率分布模型，获得所述待定位终端在第1次定位的第一概率分布矢量p’₁。

S02：所述无线服务终端把所述待定位终端在第1次定位所获得的第一概率分布矢量p’₁，作为对所述待定位终端在第1次定位时的优化概率分布矢量p₁。

S03：所述无线服务终端根据所述优化概率分布矢量p₁，获得所述待定位终端在第1次定位时所在的位置。

参看图5，是图1所提供的实施例的完整定位方法步骤流程图。

在本实施例中，所述无线服务终端对所述待定位终端进行第m(m≥1)次定位时，所采用的定位方法可统一表示为：

$p_m=\left\{\begin{array}{cc}{p^{\′}}_1,& m=1\\ {p^{\′}}_m*w1+{p^{\′\′}}_m*w2,& m\≥2\end{array}\right.---\left(2\right)$

其中，在式子(2)中，参量p’₁为所述待定位终端在第1次定位所获得的第一概率分布矢量；参量p’_m所述待定位终端在第m次定位的第一概率分布矢量；参量p”_m所述待定位终端在第m次定位的第二概率分布矢量；在一种实现方式中，如前面所述，参量p”_m可取值为：p”_m＝H_m-1*p_m-1，其中，m≥2。图5所示的各个方法步骤在本说明书中均有记载，在此不再一一叙述。

在本实施中，无线服务终端还将所述优化概率分布矢量p_m进行另存，以便于在下一次(m+1)对待定位终端进行定位时，调用所述优化概率矢量p_m和马尔科夫一步位置转移概率矩阵，来计算第m+1次定位时的第二概率分布矢量p”_m+1。

在本实施例中，作为优选的实施方式，所述无线信号特征值包括无线信号强度、无线信号频谱、无线信号到达时间和无线信号到达角中的至少一项。

在本实施例所提供的定位方法中，在离线准备时，无线服务终端对其中的任意一种无线信号特征值建立在N个样点的位置上的概率分布模型，所述无线信号特征值包括但不限于无线信号强度、无线信号频谱、无线信号到达时间或无线信号到达角中的任意一种，以实现对所述待定位终端的初步定位，获得所述的第一概率分布矢量p’_m和其它相关参数信息。

在本实施例中，所述待定位终端经过第1次定位后，获得初次定位的各种相关定位信息，本实施例中所提供的定位方法中，所提供的马尔科夫一步位置转移概率矩阵可进一步地，根据历史定位信息对其自身进行更新。

在一种实现方式中，所述无线服务终端获得所述待定位终端在第m次定位时的优化概率矩阵p_m后，查询所述优化概率分布矢量p_m中的最大概率值。

所述无线服务终端判断所述优化概率分布矢量p_m中的最大概率值是否大于阈值Δ。

当所述无线服务终端第k次检测到所述优化概率分布矢量p_m中的最大概率值大于阈值Δ时，所述无线服务终端对所述优化概率分布矢量p_m的最大概率值所对应的样点位置进行标记，其中，1≤k≤m。

当k≥2时，所述无线服务终端根据第k-1次和第k次所分别标记的样点位置，对所述马尔科夫一步位置转移概率矩阵中的相应元素进行更新。

以图2所示的样点分布示意图为例，当每一次所述优化概率分布矢量p_m中的最大概率值大于阈值Δ时，无线服务终端都会将所述最大概率值所对应的样点位置记录下来；当所述无限服务终端从第二次检测到，所述优化概率分布矢量p_m中的最大概率值大于阈值Δ时，所述无限服务终端就启动对所述马尔科夫一步位置转移矩阵进行更新。若条件不满足，则保持马尔科夫一步位置转移概率矩阵的值不变。

具体地，当无线服务终端在第k-1次定位时，检测到所述待定位终端在样点a₂位置上的概率值最大，且大于阈值Δ；同时，无线服务终端在第k次定位时，检测到所述待定位终端在样点a₃位置上的概率值最大，且大于阈值Δ，那么，所述无线服务终端启动对所述马尔科夫一步位置转移矩阵的更新。在一种可实现更新方法中，在初次更新时，可以将式子(1)中的马尔科夫一步位置转移概率矩阵H₀(后续更新是基于前次更新后的马尔科夫一步位置转移概率矩阵)中的第2列第3行元素分子分母各加1，再将该列中的其它非零元素分母加1，矩阵其它元素保持不变，最后将获得的新矩阵H₁作为初次更新的马尔科夫一步位置转移概率矩阵H₁。如式子(3)所示。

本实施例只是给出一种简单的马尔科夫一步位置转移概率矩阵的更新方法，在具体实施过程中，还可通过其它方法可以对马尔科夫一步位置转移概率矩阵实现更新。

在本实施例中，在很多场合下，目标终端或待定位终端的移动是有一定的习惯性或规律性的，在初始化过程中，由于没有先验信息，因此采用了像式子(1)那样平均分配转移概率的方式，但平均分配转移概率的方式并不一定合理。在对所述待定位终端进行了多次定位以后，由于获得了多次定位的结果，可以根据历史定位信息对所述马尔科夫一步位置转移概率矩阵进行必要的更新，以使得马尔科夫一步位置转移概率矩阵的概率值逐渐趋于合理。

在本实施例中，在对所述马尔科夫一步位置转移矩阵进行初始化设置时，由于没有先验信息，且为了提高所述定位方法的适用范围，并没有考虑待定位终端的移动速度。

需要说明的是，在对待定位终端进行定位时，默认每隔一个单位时间执行一次定位，所述单位时间为所述待定位终端从执行第1次定位后到执行第2次定位之间所采用的时间，且默认所述待定位终端的移动速度大小不变，即所述待定位终端默认进行匀速运动。

因此，在本实施例中，作为一种优选的实现方式，当m＝2时，进一步地，所述无线服务终端根据所述待定位终端的移动速度，对所述马尔科夫一步位置转移矩阵进行调整，包括：

所述无线服务终端获取所述待定位终端在第1次定位的位置和在第2次定位的位置。

所述无线服务终端计算出所述待定位终端在第1次定位的位置与所述第2次定位的位置的距离L，其中L≥0。

所述无线服务终端计算出任意两个相邻样点的距离M，其中M＞0。

所述无线服务终端对所述马尔科夫一步位置转移矩阵进行K次方乘积运算，其中K＝f(L/M)，f(L/M)表示对L/M取整。

此外，需要补充说明的是，本发明实施例所提供的定位方法可在所述无线服务终端或所述待定位终端内部执行。无线服务终端可自动发起对待定位终端的定位，无线服务终端执行定位方法步骤后，把定位结果发送至待定位终端；或者，待定位终端向无线服务终端发起定位请求，所述无线负载终端将离线准备所得到的概率分布模型和初始化设置的马尔科夫一步位置转移概率矩阵等信息发送至待定位终端，该待定位终端再执行在线定位阶段的方法步骤。因此，定位请求的发起端和定位结果的存储端在本发明实施例中并没有作出限制。

本发明实施例所提供的一种定位方法，首先采用现有的概率分布模型对待定位终端进行初步定位，获得初步定位结果；再进一步通过利用无线通信网络环境中的有用信息，对马尔科夫一步位置转移概率矩阵进行更新调整，使得马尔科夫一步位置转移概率矩阵趋于合理。本发明提供的一种定位方法，通过多次定位测试，获得优化的概率分布矢量，从而分析得到待定位终端最终定位结果，提高了待定位终端的定位结果的可靠性。

以上所述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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (7)

1.一种定位方法，其特征在于，所述方法包括：

无线服务终端采集N个样点的位置及其相应的无线信号特征值，构建所述无线信号特征值在所述N个样点的位置上的概率分布模型，其中N为正整数；

所述无线服务终端对每一个样点经过一步位置转移到所述N个样点的概率进行设置，构建马尔科夫一步位置转移概率矩阵；

所述无线服务终端对待定位终端进行第1次定位；

所述无线服务终端对所述待定位终端进行第m次定位，其中m≥2；

当所述无线服务终端对待定位终端进行第m次定位时，所述定位方法包括以下步骤：

S1：所述无线服务终端采集当前所述N个样点的位置的无线信号特征值，并根据所述概率分布模型，获得所述待定位终端在第m次定位的第一概率分布矢量p’_m；

S2:所述无线服务终端调用在对所述待定位终端进行第m-1次定位时所获得的优化概率分布矢量p_m-1，并根据所述马尔科夫一步位置转移概率矩阵，获得所述待定位终端在第m次定位的第二概率分布矢量p”_m；

S3：所述无线服务终端根据所述第一概率分布矢量p’_m和所述第二概率分布矢量p”_m，获得所述待定位终端在第m次定位时的优化概率分布矢量p_m；

S4：所述无线服务终端根据所述优化概率分布矢量p_m，获得所述待定位终端在第m次定位时所在的位置；

其中，在步骤S3中，所述无线服务终端根据所述第一概率分布矢量p’_m和所述第二概率分布矢量p”_m，获得所述待定位终端在第m次定位时的优化概率分布矢量p_m，包括：

所述无线服务终端为所述第一概率分布矢量p’_m分配权值w1，为所述第二概率分布矢量p”_m分配权值w2，其中，w1+w2＝1，w1≥0，w2≥0；

所述无线服务终端通过加权平均的方式，获得所述待定位终端在第m次定位时的优化概率分布矢量p_m，其中，p_m＝p’_m*w1+p”_m*w2。

2.如权利要求1所述的定位方法，其特征在于，在步骤S4中，所述无线服务终端根据所述优化概率分布矢量p_m，获得所述待定位终端在第m次定位时所在的位置，包括：

所述无线服务终端查询所述待定位终端在第m次定位时的所述优化概率分布矢量p_m，获取所述优化概率分布矢量p_m中的最大概率值所对应的样点位置，并将所述最大概率值所对应的样点位置作为所述待定位终端在所述第m次定位时的位置。

3.如权利要求1所述的定位方法，其特征在于，在步骤S4中，所述无线服务终端根据所述优化概率分布矢量p_m，获得所述待定位终端在第m次定位时所在的位置，包括：

所述无线服务终端查询所述待定位终端在第m次定位时的所述优化概率分布矢量p_m，获取所述优化概率分布矢量p_m中的大于门限值ω的多个概率值，并将所述大于门限值ω的多个概率值所分别对应的样点位置的质心位置，作为所述待定位终端在所述第m次定位时的位置。

4.如权利要求1～3任一项所述的定位方法，其特征在于，所述无线服务终端对所述待定位终端进行第1次定位，包括：

所述无线服务终端采集当前所述N个样点所在位置的无线信号特征值，并根据所述概率分布模型，获得所述待定位终端在第1次定位的第一概率分布矢量p’₁；

所述无线服务终端把所述待定位终端在第1次定位所获得的第一概率分布矢量p’₁，作为对所述待定位终端在第1次定位时的优化概率分布矢量p₁；

所述无线服务终端根据所述优化概率分布矢量p₁，获得所述待定位终端在第1次定位时所在的位置。

5.如权利要求4所述的定位方法，其特征在于，所述无线信号特征值包括无线信号强度、无线信号频谱、无线信号到达时间和无线信号到达角中的至少一项。

6.如权利要求5所述的定位方法，其特征在于，所述无线服务终端获得所述待定位终端在第m次定位时的优化概率分布矢量p_m后，查询所述优化概率分布矢量p_m中的最大概率值；

所述无线服务终端判断所述优化概率分布矢量p_m中的最大概率值是否大于阈值Δ；

当所述无线服务终端第k次检测到所述优化概率分布矢量p_m中的最大概率值大于阈值Δ时，所述无线服务终端对所述优化概率分布矢量p_m的最大概率值所对应的样点位置进行标记，其中，1≤k≤m；

当k≥2时，所述无线服务终端根据第k-1次和第k次所分别标记的样点位置，对所述马尔科夫一步位置转移概率矩阵中的相应元素进行更新。

7.如权利要求5所述的定位方法，其特征在于，当m＝2时，进一步地，所述无线服务终端对所述马尔科夫一步位置转移概率矩阵进行调整，包括：

所述无线服务终端获取所述待定位终端在第1次定位的位置和在第2次定位的位置；

所述无线服务终端计算出所述待定位终端在第1次定位的位置与所述第2次定位的位置的距离L，其中L≥0；

所述无线服务终端计算出任意两个相邻样点的距离M，其中M＞0；

所述无线服务终端对所述马尔科夫一步位置转移概率矩阵进行K次方乘积运算，其中K＝f(L/M)，f(L/M)表示对L/M取整。