CN103476113A - 基于mnl概率辨识室内定位系统及方法、定位模型建立系统 - Google Patents

Abstract

本发明揭示了一种基于MNL概率辨识室内定位系统及方法，所述系统包括MNL定位模型建立模块、无线网络信息获取模块、无线网络数据比对模块；MNL定位模型建立模块用以建立MNL定位模型，将各个指纹点对应的指纹无线信息生成基于概率的MNL离散模型，模型由一系列随机函数来描述，将模型写入中心数据库中；无线网络数据比对模块用以将设定电子设备的无线网络信息与MNL定位模型及指纹无线信息进行比对，将一系列具有最大概率值的指纹点坐标进行组合计算，从而判断设定电子设备的位置为相似度最大的指纹点所在位置。本发明可提高室内定位的精确度，特别保证了在WIFI信号消失、突变环境下的室内定位的稳定性和抗干扰性。

Description

基于MNL概率辨识室内定位系统及方法、定位模型建立系统

技术领域

本发明属于室内定位技术领域，涉及一种室内定位系统，尤其涉及一种基于MNL概率辨识的室内定位系统；同时，本发明还涉及一种基于MNL（Multinomial Logit）概率辨识的室内定位方法；此外，本发明还涉及一种基于MNL概率辨识的MNL定位模型建立系统。

背景技术

室内定位(Indoor Positioning)是让行人或手机用户置身于大型商业综合体、商场超市、展览馆场、停车库、机场或火车枢纽内，快速精确的定位位置，并知道周边的商业信息，找到想去的场所（如指定商家/停车位/出入口等）。随着城市化发展，大型商业体的容积、停车库面积越来越庞大。室内定位系统有着广泛的市场应用前景。

手机室内定位作为LBS基于位置的服务（Location-Based Service）延伸，是通过网络获取终端用户的位置信息，在电子地图平台的支持下，为用户提供相应位置服务的一种增值业务。传统的户外位置服务主要通过手机GPS或A-GPS获取室外环境位置信息的最常用方式。但由于卫星信号受到各种障碍物遮挡，GPS/APGS等卫星定位技术并不适用于室内/地下场库/枢纽或高楼林立的环境场合，GPS无法满足精确室内定位的要求。

基于WIFI的室内定位技术近年有所迅猛发展。其最大优势是可以利用现有WLAN网络，国家大力推行智慧城市，电信运营商也在大力推广室外WiFi热点，通过这些热点信息，采用Wifi定位技术，就可以很好的实现室内和室外定位的无线融合，基于WiFi的定位必将得到广泛的应用。

据了解，目前国内各大商城中，不论是运营商、商城自身还是商城内店铺，几乎都布置了数量庞大的Wi-Fi热点。可以透过用户手机或手持终端检测的Wi-Fi热点和信号指纹，可以确定用户的位置，能将定位范围缩小到3-10米左右，媲美室外的GPS卫星定位。而通过Wi-Fi定位技术恰好能够弥补GPS这方面的弱点，不仅能够强化GPS在室内定位不准或无法定位的缺点，同时又能够提供更完善的室内定位应用服务，以创造更大的商机及社会服务。

WIFI目前WiFi的定位基本都是利用RSS，通过三角形算法或位置指纹识别（Fingerprinting）算法。三角形算法利用待测目标到至少三个已知参考点的距离信息来估计目标位置，而位置指纹识别则通过比较定位所需的信号特征指纹信息获取目标位置。在这两种算法中，三角形算法的定位精度较低。

在同样的热点数量情况下，位置指纹识别的定位精度要高于基于三角形算法的WiFi定位，且由于基于位置指纹识别的无线定位并不需要知道AP的位置及准确的信道模型。目前制约位置指纹识别定位技术普及应用的瓶颈是指纹库的建立。由于建立位置指纹信息数据量很大，维度多，实时在线定位阶段的计算量较大，影响实时定位精度、准确性，特别是稳定性和抗干扰性。在实际WIFI室内定位环境中，由于墙壁反射、多径、阴影效应、人员移动等影响，不同wifi热点的RSS值往往表现出复杂的时变统计特性,如信号方差较，较离散，位置分辨能力较弱的AP的RSS信号有大量的干扰噪声；不同AP的定位特征分量的相关性造成输入特征空间的冗余。为获得RSS信号的时变统计特性，需要耗费大量的人工时间指纹库的建立和建模，不利于实时定位系统的大规模部署和实际应用。

有鉴于此，如今迫切需要设计一种新的室内定位系统，以克服现有室内定位方案的上述缺陷。

发明内容

本发明所要解决的技术问题是：提供一种基于MNL(Multinomial Logit)概率辨识的室内定位系统，可提高室内定位的精确度；

同时，本发明提供一种基于MNL概率辨识的MNL定位模型建立系统，可建立基于MNL概率辨识的MNL定位模型，共室内定位系统使用，可以提高定位精确度，特别保证了在WIFI信号消失、突变环境下的室内定位的稳定性和抗干扰性。

此外，本发明还提供一种基于MNL概率辨识的室内定位方法，可提高室内定位的精确度。

本发明技术采用基于Multinomial Logit Model（MNL）概率辨识与行人室内实时定位行人交通模型结合方法。该技术的部分内容在本申请人谢峰在新加坡南洋理工大学期间的博士论文《路线选择模型及在互联网基础上智能出行信息系统的应用：PATH CHOICE MODEL ANDITS APPLICATIONS IN AN INTERNET-BASED INTELLIGENT TRAVELLER INFORMATIONSYSTEM》曾有深入研究。谢峰博士于2002年发表《Transit Path Models that use RP and SPdata》，收录于国际著名SCI学术杂志（Transportation Research Record1779,TransportationResearch Board,US.Page58-65）。并于2004年在新加坡智能交通学士论坛发表论文《智能交通中的导航引擎：Routing Engine in ITS Applications，Intelligent Transportation Society(Singapore)Symposium2004.Singapore》。

一种基于MNL概率辨识的室内定位系统，所述系统包括：

-MNL定位模型建立模块，用以建立MNL定位模型，将各个指纹点对应的指纹无线信息生成基于概率的MNL离散模型，模型由一系列随机函数来描述，将模型写入中心数据库中；

-无线网络信息获取模块，用以获取设定电子设备的无线网络信息；

-无线网络数据比对模块，用以将设定电子设备的无线网络信息与MNL定位模型及指纹无线信息进行比对，将一系列具有最大概率值的指纹点坐标进行组合计算，从而判断设定电子设备的位置为相似度最大的指纹点所在位置；

所述MNL定位模型建立模块具体包括：

-指纹数据载入及初筛单元，用以初始载入及初筛指纹数据，计算每类指纹点的统计特征值，统计特征值包括最大值、最小值、平均值、方差中的一种或多种；将信号强度数值进行数学正规化，映射成(0,1)区间。

-指纹点分类单元，用以使用分类模型进行指纹点分类，计算分类矩阵、似然函数值和误差率，确定指纹点分类；

-综合评估指标获取单元，用以将训练数据分成m+n份，其中m份训练数据基于从属MNL定位模型概率估计定位模型生成公式，n份训练数据用于模型验证和评估；变化组合，轮流改变模型验证数据组，循环计算后综合评估并得到综合评估指标；

-最优MNL模型结果获取单元，用以计算似然比检验统计量、吻合度指标、平均绝对误差、相对误差；由后台中心服务器循环计算获取最优MNL模型结果，并将最优MNL模型结果存入中心数据库；

-指纹点模型生成单元，用以按每一地点生成每一指纹点模型；当用户需要或更新时，以供远程电子设备实时下载；

所述综合评估指标获取单元将实时环境下不同位置指纹信息点作为一系列可选点(S)，最可能的定位判定点作为子集(C)，基于概率的离散模型定义为一系列基于概率和随机效用函数的线性组合：

U_in＝V_in+ε_in；

随机效用函数V_in由WIFI热点信号信息要素组成；ε_in为随即误差；

选择对一系列具有最大随机效用函数的WIFI指纹点，计算其概率值：

$P_{\mathrm{in}}=\mathrm{Probabilty}\{V_{\mathrm{jn}}+{\mathrm{\ϵ}}_{\mathrm{jn}}\≥V_{\mathrm{in}}+{\mathrm{\ϵ}}_{\mathrm{in}},\∀i\≠j,C\⊆S\}.$

概率函数如下：

$P_{\mathrm{ck}}\left(i\right)=\frac{{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}}{{\mathrm{\Σ}}_{j\∈c_n}{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}};$

P_c(i)=P_c(C_k)Pc_k(i)；

其中，λ_i、μ_i是根据指纹样本估计的权重系数，分别对定位精度和定位稳定性（抗干扰性）有关键影响。Pc(Ck)是定位一类指纹类的概率，Pck(i)是在某一指纹类条件下定位某一指纹点的概率。

似然函数：

$L*=\underset{n=1}{\overset{N}{\mathrm{\Π}}}\underset{i\∈C_n}{\mathrm{\Π}}{P}_n{\left(i\right)}^{y_{\mathrm{in}}};$

将N个具有最大概率值的指纹点，用概率函数值作为对应指纹点坐标权重，进行实时定位，作为实时定位点。

一种基于MNL概率辨识的室内定位系统，所述系统包括：

-MNL定位模型建立模块，用以建立MNL定位模型，将各个指纹点对应的指纹无线信息生成基于概率的MNL定位模型，MNL定位模型由一系列随机函数来描述，将MNL定位模型写入中心数据库中；

-无线网络信息获取模块，用以获取设定电子设备的无线网络信息；

-无线网络数据比对模块，用以将将设定电子设备的无线网络信息与MNL定位模型及指纹无线信息进行比对，将一系列具有最大概率值的指纹点坐标进行组合计算，从而判断设定电子设备的位置为相似度最大的指纹点所在位置；

所述MNL定位模型建立模块具体包括：

-指纹数据载入及初筛单元，用以初始载入及初筛指纹数据，计算每类指纹点的统计特征值；

-指纹点分类单元，用以使用分类模型进行指纹点分类，计算分类矩阵、似然函数值和误差率，确定指纹点分类；

-综合评估指标获取单元，用以将训练数据分成m+n份，其中m份训练数据基于从属MNL定位模型概率估计定位模型生成公式，n份训练数据用于模型验证和评估；变化组合，轮流改变模型验证数据组，循环计算后综合评估并得到综合评估指标；

-最优MNL模型结果获取单元，用以计算似然比检验统计量、吻合度指标、平均绝对误差、相对误差；由后台中心服务器循环计算获取最优MNL模型结果，并将最优MNL模型结果存入中心数据库。

作为本发明的一种优选方案，所述综合评估指标获取单元将实时环境下不同位置指纹信息点作为一系列可选点，最可能的定位判定点作为子集，基于概率的离散模型定义为一系列基于概率和随机效用函数的线性组合：

U_in＝V_in+ε_in；

随机效用函数V_in由WIFI热点信号信息要素组成；ε_in为随即误差；

选择对一系列具有最大随机效用函数的WIFI指纹点，计算其概率值：

$P_{\mathrm{in}}=\mathrm{Probabilty}\{V_{\mathrm{jn}}+{\mathrm{\ϵ}}_{\mathrm{jn}}\≥V_{\mathrm{in}}+{\mathrm{\ϵ}}_{\mathrm{in}},\∀i\≠j,C\⊆S\}.$

概率函数如下：

$P_{\mathrm{ck}}\left(i\right)=\frac{{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}}{{\mathrm{\Σ}}_{j\∈c_n}{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}};$

P_c(i)=P_c(C_k)Pc_k(i)；

其中，λ_i、μ_i是根据指纹样本估计的权重系数，分别对定位精度和定位稳定性（抗干扰性）有关键影响。Pc(Ck)是定位一类指纹类的概率，Pck(i)是在某一指纹类条件下定位某一指纹点的概率。

似然函数：

$L*=\underset{n=1}{\overset{N}{\mathrm{\Π}}}\underset{i\∈C_n}{\mathrm{\Π}}{P}_n{\left(i\right)}^{y_{\mathrm{in}}};$

将N个具有最大概率值的指纹点，用概率函数值作为对应指纹点坐标权重，进行实时定位，作为实时定位点。

作为本发明的一种优选方案，所述定位系统还包括指纹点模型生成单元，用以按地点分类，生成每一地点所有指纹点随即效用函数模型；当用户需要或更新时，以供远程电子设备实时下载。

作为本发明的一种优选方案，所述指纹数据载入及初筛单元计算的统计特征值包括最大值、最小值、平均值、方差中的一种或多种；；将信号强度连续数值进行数学正规化，映射成成（0，1）区间。

作为本发明的一种优选方案，所述系统进一步包括：服务器，包括中心数据库、MNL定位模型引擎模块；所述MNL定位引擎模块包括基于MNL概率辨识的实时室内定位引擎，实时室内定位引擎由所述MNL定位模型建立模块建立；

所述MNL定位模型建立模块还用来建立数据库、建立定位地图；

所述建立数据库包括存储地理地图、存储地理地图及指纹点映射表、存储指纹信息训练数据、存储实时定位引擎模型；

所述建立定位地图包括：离线建立定位地理地图；地图原始尺寸初始化，使得地图比例适合不同终端屏幕；地理地图分类编码。

一种基于MNL概率辨识的MNL定位模型建立系统，所述系统包括：

-指纹数据载入及初筛单元，用以初始载入及初筛指纹数据，计算每类指纹点的统计特征值；

-指纹点分类单元，用以使用分类模型进行指纹点分类，计算分类矩阵、似然函数值和误差率，确定指纹点分类；

-综合评估指标获取单元，用以将训练数据分成m+n份，其中m份训练数据基于从属MNL定位模型概率估计定位模型生成公式，n份训练数据用于模型验证和评估；变化组合，轮流改变模型验证数据组，循环计算（可以计算m+n次，也可以少于m+n次）后综合评估并得到综合评估指标；

-最优MNL模型结果获取单元，用以计算似然比检验统计量、吻合度指标、平均绝对误差、相对误差；由后台中心服务器循环计算获取最优MNL模型结果，并将最优MNL模型结果存入中心数据库。

一种基于MNL概率辨识的室内定位方法，所述方法包括如下步骤：

步骤S1、MNL定位模型建立步骤，建立MNL定位模型，将各个指纹点对应的指纹无线信息生成基于概率的MNL定位模型，MNL定位模型由一系列随机函数来描述，将MNL定位模型写入中心数据库中；

步骤S2、无线网络信息获取步骤，获取设定电子设备的无线网络信息；

步骤S3、无线网络数据比对步骤，将设定电子设备的无线网络信息与MNL定位模型及指纹无线信息进行比对，将一系列具有最大概率值的指纹点坐标进行组合计算，从而判断设定电子设备的位置为相似度最大的指纹点所在位置；

所述MNL定位模型建立步骤具体包括：

步骤S11、指纹数据初始载入及初筛步骤，初始载入及初筛指纹数据，计算每类指纹点的统计特征值；

步骤S12、指纹点分类步骤，使用分类模型进行指纹点分类，计算分类矩阵、似然函数值和误差率，确定指纹点分类；

步骤S13、综合评估指标获取步骤，将训练数据分成m+n份，其中m份训练数据基于从属MNL定位模型概率估计定位模型生成公式，n份训练数据用于模型验证和评估；变化组合，轮流改变模型验证数据组，循环计算后综合评估并得到综合评估指标；

步骤S14、最优MNL模型结果获取步骤，计算似然比检验统计量、吻合度指标、平均绝对误差、相对误差；由后台中心服务器循环计算获取最优MNL模型结果，并将最优MNL模型结果存入中心数据库。

作为本发明的一种优选方案，所述综合评估指标获取步骤中，将实时环境下不同位置指纹信息点作为一系列可选点(S)，最可能的定位判定点作为子集(C)，基于概率的离散模型定义为一系列基于概率和随机效用函数的线性组合：

U_in＝V_in+ε_in；

随机效用函数V_in由WIFI热点信号信息要素组成；ε_in为随即误差；

选择对一系列具有最大随机效用函数的WIFI指纹点，计算其概率值：

$P_{\mathrm{in}}=\mathrm{Probabilty}\{V_{\mathrm{jn}}+{\mathrm{\ϵ}}_{\mathrm{jn}}\≥V_{\mathrm{in}}+{\mathrm{\ϵ}}_{\mathrm{in}},\∀i\≠j,C\⊆S\}.$

概率函数如下：

$P_{\mathrm{ck}}\left(i\right)=\frac{{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}}{{\mathrm{\Σ}}_{j\∈c_n}{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}};$

P_c(i)=P_c(C_k)Pc_k(i)；

其中，λ_i、μ_i是根据指纹样本估计的权重系数，分别对定位精度和定位稳定性（抗干扰性）有关键影响。Pc(Ck)是定位一类指纹类的概率，Pck(i)是在某一指纹类条件下定位某一指纹点的概率。

似然函数：

$L*=\underset{n=1}{\overset{N}{\mathrm{\Π}}}\underset{i\∈C_n}{\mathrm{\Π}}{P}_n{\left(i\right)}^{y_{\mathrm{in}}};$

将N个具有最大概率值的指纹点，用概率函数值作为对应指纹点坐标权重，进行实时定位，作为实时定位点。

作为本发明的一种优选方案，所述指纹数据载入及初筛单元计算的统计特征值包括最大值、最小值、平均值、方差中的一种或多种；将信号强度连续数值进行数学正规化，映射成成（0，1）)区间。。

作为本发明的一种优选方案，所述定位方法还包括指纹点模型生成步骤，按地点分类，生成每一地点所有指纹点随即效用函数模型；当用户需要或更新时，以供远程电子设备实时下载。

本发明的有益效果在于：本发明提出的基于MNL概率辨识的室内定位系统及方法，可提高室内定位的精确度，特别保证了在WIFI信号消失、突变环境下的室内定位的稳定性和抗干扰性。

通过本发明基于MNL概率辨识室内定位新算法，突破了现有技术的制约，改进了以往室内WIFI定位的三角形算法或位置指纹识别算法(包括WKNN等算法)的缺陷。具体如下：

（1）使得信息指纹库的构建非常容易方便,以位于上海五角场万达广场B1层为例，只需3人同步采集WIFI信息，3小时可以完成4万平米（1万个样本以上）指纹库建立工作。

（2）更重要的是，通过在中心建立基于概率函数的分类辨识模型，将定位辨识建立在多点WIFI的大数据关联分类、多维度回归、概率统计的基础上。通过上海五角场万达广场B1层案例结果看到，准确性在3米左右，受WIFI信号跳跃、飘动干扰小、定位点稳定，定位效果与行人行走模式非常匹配。

（3）基于MNL概率辨识的定位引擎，数学模型输出的结构非常精炼，模型文件不足百K，非常小，易于手机终端初始化或实时更新下载模型，也非常适合于移动互联网的开发和应用。

（4）从外场采集建立指纹库、到中心数据筛选分类，模型生成、模型验证和评估、模型下载，完全采用前端实时采点+同步后台建模一体化作业流程，易于中心系统的模型维护，甚而可以远程指令实现建模过程，实现大数据处理的实时性、远程化和移动化。特别在外部WIFI点变化更新频繁时，通过外场采集的实时更新使得中心指纹库和定位模型的更新和维护非常简便。

附图说明

图1为本发明室内定位系统的实施示意图。

图2为本发明室内定位系统的组成示意图。

图3为本发明MNL定位模型建立模块的组成示意图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例一

请参阅图1，本发明揭示了一种基于MNL概率辨识的室内定位系统，包括系统中心1、无线AP检测点2、用户的电子设备3（通常为手机终端、平板电脑等移动终端）。

系统中心1主要包括服务器、安装在服务器中的中心软件（包括采基于概率辨识的实时MNL定位引擎模块/地图引擎/数据库/通讯模块/远程/本地维护模块/操作界面）。服务器包括中心数据库（可采用采用ORACLE或MYSQL）、MNL定位模型引擎模块。所述MNL定位引擎模块包括基于MNL概率辨识的实时室内定位引擎，实时室内定位引擎由MNL定位模型建立模块建立。所述MNL定位模型建立模块还用来建立数据库、建立定位地图。所述建立数据库包括存储地理地图、存储地理地图及指纹点映射表、存储指纹信息训练数据、存储实时定位引擎模型。所述建立定位地图包括：离线建立定位地理地图；地图原始尺寸初始化，使得地图比例适合不同终端屏幕；地理地图分类编码。

此外，系统中心1还包括中心管理模块、中心通讯模块、远程/本地维护模块；中心管理模块是基础管理软件（包括用户管理、数据、通讯接口管理）；中心通讯模块采用SOCKET通讯方式；远程/本地维护模块实现远程/本地启动中心模型运算、实时下载最新定位引擎模型、远程/本地数据库数据备份清理。

无线AP检测点2可以使用免费Wifi热点，对于特别应用环境、地下车库或个别AP不良的环境，补充增加Wifi发射器（配置选用一般市场低成本通用型）。

电子设备3可以是个人智能手机/手持终端（Android/iOS/Window Mobile系统），安装手机客户端软件。本实施例中，电子设备3是手机终端，包括地图模块、数据库、通讯模块、普通用户定位模块、维护管理模块。地图模块载入SVG矢量图，可以实现地图平移缩放，SVG地图一般小于50K。一般地图载入时间不超过1秒。数据库采用SQLITE数据库；通讯模块采用SOCKET通讯方式；普通用户定位模块实时显示用户的地理位置。维护管理模块用于维护人员手机进行指纹采点。可以保证5秒钟采集一次指纹WIFI点信息。实时SOCKET通讯方式将数据传回中心数据库。

具体地，请参阅图2，本发明基于MNL概率辨识的室内定位系统包括：MNL定位模型建立模块10、无线网络信息获取模块20、无线网络数据比对模块30。

MNL定位模型建立模块10用以建立MNL定位模型，将各个指纹点对应的指纹无线信息生成基于概率的MNL定位模型，MNL定位模型由一系列随机函数来描述，将MNL定位模型写入中心数据库40中。

无线网络信息获取模块20用以获取设定电子设备的无线网络信息，获取该电子设备连接到的WiFi热点的ID及信号强度等（可以无需WIFI密码登陆上网）。

无线网络数据比对模块30用以将设定电子设备的无线网络信息与MNL定位模型及指纹无线信息进行比对，将一系列具有最大概率值的指纹点坐标进行组合计算，从而判断设定电子设备的位置为相似度最大的指纹点所在位置。

请参阅图3，所述MNL定位模型建立模块10具体包括：指纹数据载入及初筛单元11、指纹点分类单元12、综合评估指标获取单元13、最优MNL模型结果获取单元14、指纹点模型生成单元15。

指纹数据载入及初筛单元11用以初始载入及初筛指纹数据，计算每类指纹点的统计特征值，统计特征值包括最大值、最小值、平均值、方差中的一种或多种；将信号强度连续数值进行数学正规化，映射成成(0,1)区间。指纹点分类单元12用以使用分类模型进行指纹点分类，计算分类矩阵、似然函数值和误差率，确定指纹点分类。

综合评估指标获取单元13用以将训练数据分成m+n份，其中m份训练数据基于从属MNL定位模型概率估计定位模型生成公式，n份训练数据用于模型验证和评估；变化组合，轮流改变模型验证数据组，循环计算后综合评估并得到综合评估指标。

所述综合评估指标获取单元13将实时环境下不同位置指纹信息点作为一系列可选点(S)，最可能的定位判定点作为子集(C)，基于概率的离散模型定义为一系列基于概率和随机效用函数的线性组合：

U_in＝V_in+ε_in；

随机效用函数V_in由WIFI热点信号信息要素组成；ε_in为随即误差；

选择对一系列具有最大随机效用函数的WIFI指纹点，计算其概率值：

$P_{\mathrm{in}}=\mathrm{Probabilty}\{V_{\mathrm{jn}}+{\mathrm{\ϵ}}_{\mathrm{jn}}\≥V_{\mathrm{in}}+{\mathrm{\ϵ}}_{\mathrm{in}},\∀i\≠j,C\⊆S\}.$

概率函数如下：

$P_{\mathrm{ck}}\left(i\right)=\frac{{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}}{{\mathrm{\Σ}}_{j\∈c_n}{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}};$

P_c(i)=P_c(C_k)Pc_k(i)

其中，λ_i、μ_i是根据指纹样本估计的权重系数，分别对定位精度和定位稳定性（抗干扰性）有关键影响。Pc(Ck)是定位一类指纹类的概率，Pck(i)是在某一指纹类条件下定位某一指纹点的概率。

似然函数：

$L*=\underset{n=1}{\overset{N}{\mathrm{\Π}}}\underset{i\∈C_n}{\mathrm{\Π}}{P}_n{\left(i\right)}^{y_{\mathrm{in}}};$

将N个具有最大概率值的指纹点，用概率函数值作为对应指纹点坐标权重，进行实时定位，作为实时定位点。

最优MNL模型结果获取单元14用以计算似然比检验统计量、吻合度指标、平均绝对误差、相对误差；由后台中心服务器循环计算获取最优MNL模型结果，并将最优MNL模型结果存入中心数据库。

指纹点模型生成单元15用以按每一地点生成每一指纹点模型；当用户需要或更新时，以供远程电子设备实时下载。

以上介绍了本发明基于MNL概率辨识的室内定位系统的组成，本发明在揭示上述系统的同时，还揭示一种基于MNL概率辨识的室内定位方法，所述方法包括如下步骤：

【步骤S1】MNL定位模型建立步骤，建立MNL定位模型，将各个指纹点对应的指纹无线信息生成基于概率的MNL定位模型，MNL定位模型由一系列随机函数来描述，将MNL定位模型写入中心数据库中；

所述MNL定位模型建立步骤具体包括：

步骤S11、指纹数据初始载入及初筛步骤，初始载入及初筛指纹数据，计算每类指纹点的统计特征值，统计特征值包括最大值、最小值、平均值、方差中的一种或多种；将信号强度连续数值进行数学正规化，映射成成(0,1)区间。步骤S12、指纹点分类步骤，使用分类模型进行指纹点分类，计算分类矩阵、似然函数值和误差率，确定指纹点分类。

步骤S13、综合评估指标获取步骤，将训练数据分成m+n份，其中m份训练数据基于从属MNL定位模型概率估计定位模型生成公式，n份训练数据用于模型验证和评估；变化组合，轮流改变模型验证数据组，循环计算后综合评估并得到综合评估指标。

其中，所述综合评估指标获取步骤中，将实时环境下不同位置指纹信息点作为一系列可选点(S)，最可能的定位判定点作为子集(C)，基于概率的离散模型定义为一系列基于概率和随机效用函数的线性组合：

U_in＝V_in+ε_in；

随机效用函数V_in由WIFI热点信号信息要素组成；ε_in为随即误差；

选择对一系列具有最大随机效用函数的WIFI指纹点，计算其概率值：

$P_{\mathrm{in}}=\mathrm{Probabilty}\{V_{\mathrm{jn}}+{\mathrm{\ϵ}}_{\mathrm{jn}}\≥V_{\mathrm{in}}+{\mathrm{\ϵ}}_{\mathrm{in}},\∀i\≠j,C\⊆S\}.$

概率函数如下：

$P_{\mathrm{ck}}\left(i\right)=\frac{{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}}{{\mathrm{\Σ}}_{j\∈c_n}{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}};$

P_c(i)=P_c(C_k)Pc_k(i)

其中，λ_i、μ_i是根据指纹样本估计的权重系数，分别对定位精度和定位稳定性（抗干扰性）有关键影响。Pc(Ck)是定位一类指纹类的概率，Pck(i)是在某一指纹类条件下定位某一指纹点的概率。

似然函数：

$L*=\underset{n=1}{\overset{N}{\mathrm{\Π}}}\underset{i\∈C_n}{\mathrm{\Π}}{P}_n{\left(i\right)}^{y_{\mathrm{in}}};$

将N个具有最大概率值的指纹点，用概率函数值作为对应指纹点坐标权重，进行实时定位，作为实时定位点。

步骤S14、最优MNL模型结果获取步骤，计算似然比检验统计量、吻合度指标、平均绝对误差、相对误差；由后台中心服务器循环计算获取最优MNL模型结果，并将最优MNL模型结果存入中心数据库。

【步骤S2】无线网络信息获取步骤，获取设定电子设备的无线网络信息。

【步骤S3】无线网络数据比对步骤，将设定电子设备的无线网络信息与MNL定位模型及指纹无线信息进行比对，将一系列具有最大概率值的指纹点坐标进行组合计算，从而判断设定电子设备的位置为相似度最大的指纹点所在位置。

实施例二

请参阅图3，本实施例揭示一种基于MNL概率辨识的MNL定位模型建立系统，所述系统包括：指纹数据载入及初筛单元11、指纹点分类单元12、综合评估指标获取单元13、最优MNL模型结果获取单元14、指纹点模型生成单元15。

指纹数据载入及初筛单元11用以初始载入及初筛指纹数据，计算每类指纹点的统计特征值；

指纹点分类单元12用以使用分类模型进行指纹点分类，计算分类矩阵、似然函数值和误差率，确定指纹点分类；

综合评估指标获取单元13用以将训练数据分成m+n份，其中m份训练数据基于从属MNL定位模型概率估计定位模型生成公式，n份训练数据用于模型验证和评估；变化组合，轮流改变模型验证数据组，循环计算后综合评估并得到综合评估指标；

最优MNL模型结果获取单元14用以计算似然比检验统计量、吻合度指标、平均绝对误差、相对误差；由后台中心服务器循环计算获取最优MNL模型结果，并将最优MNL模型结果存入中心数据库。

指纹点模型生成单元15用以按每一地点生成每一指纹点模型；当用户需要或更新时，以供远程电子设备实时下载。

具体地，本实施例中，本发明基于MNL概率辨识的实时室内定位引擎建立系统具体包括：数据库建立模块、定位地图建立模块、通讯接口协议模块、MNL定位模型建立模块。

【1】数据库建立模块用来实现数据库的建立，包括存储地理地图、存储地理地图及指纹点映射表、存储指纹信息训练数据、存储实时定位引擎模型。

【2】定位地图建立模块用来实现定位地图的建立，包括：

离线建立定位地理地图，采用SVG格式。地图原始尺寸初始化，使得地图比例适合不同终端屏幕；scaleX=Math.max(1.0f*picHeight/(screenHeight*0.85f),1.0f*picWidth/screenWidth)；地理地图分类编码。

【3】通讯接口协议模块的实现方式为：（a）建模阶段维护人员将实时WIFI热点信息数据通过手机实时传输中心；可以保证5秒传1次。数据内容包括：时间、WIFI点SSID、WIFI点BSSID、WIFI点LEVEL、地图坐标X、地图坐标Y、地理地图编号编码。（b）远程/本地维护时实现远程/本地启动中心模型运算、实时下载最新定位引擎模型、远程/本地数据库数据备份清理等通讯指令。

【4】MNL定位模型建立用来完成MNL定位模型的建立，具体包括：

（a）指纹数据初始载入及初筛：计算每类指纹点的统计特征值（如最大值（Max）、最小值（Min）、平均值（Mean）、方差（StandDev）等）。保证每个指纹点的样本数量在10000个以上。将信号强度连续数值进行数学正规化，映射成成（0，1）区间。

（b）使用分类模型进行指纹点分类，计算分类矩阵、似然函数值和误差率，确定指纹点分类。

（c）将训练数据（样本量大于10000）分成10份，其中9份基于（从属MNL定位模型）概率估计定位模型（MNL model generation）生成公式，1份用于模型验证和评估（validation&evaluation）。优选地，变化组合，轮流改变模型验证数据组，循环计算若干次后综合评估并得到综合评估指标（如10次，当然也可以是8次、9次）。具体计算方法可参考实施例一的描述。

（d）计算似然比检验统计量likelihood ratio test statistic,chi-squared statistic，吻合度指标（goodness of fit）.以及平均绝对误差、相对误差等。由后台中心服务器循环计算并将较优MNL model结果存入中心数据库。

（e）按每一地点生成每一指纹点模型。当用户需要或更新时，以供远程手机终端实时下载。模型大小不超过100K，模型下载时间不超过0.5秒。

综上所述，本发明提出的基于MNL概率辨识的室内定位系统及方法，可提高室内定位的精确度，特别保证了在WIFI信号消失、突变环境下的室内定位的稳定性和抗干扰性。通过本发明基于MNL概率辨识室内定位新算法，突破了现有技术的制约，改进了以往室内WIFI定位的三角形算法或位置指纹识别算法(包括WKNN等算法)的缺陷。

这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。

Claims (9)

1.一种基于MNL概率辨识的室内定位系统，其特征在于，所述系统包括：

-MNL定位模型建立模块，用以建立MNL定位模型，将各个指纹点对应的指纹无线信息生成基于概率的MNL定位模型，MNL定位模型由一系列随机函数来描述，将MNL定位模型写入中心数据库中；

-无线网络信息获取模块，用以获取设定电子设备的无线网络信息；

-无线网络数据比对模块，用以将设定电子设备的无线网络信息与MNL定位模型及指纹无线信息进行比对，将一系列具有最大概率值的指纹点坐标进行组合计算，从而判断设定电子设备的位置为相似度最大的指纹点所在位置；

所述MNL定位模型建立模块具体包括：

-指纹数据载入及初筛单元，用以初始载入及初筛指纹数据，计算每个指纹点的统计特征值，统计特征值包括最大值、最小值、平均值、方差中的一种或多种；将信号强度数值进行数学正规化，映射成(0,1)区间。

-指纹点分类单元，用以使用分类模型进行指纹点分类，计算分类矩阵、似然函数值和误差率，确定指纹点分类；

-综合评估指标获取单元，将训练数据分成m+n份，其中m份训练数据基于从属MNL定位模型概率估计定位模型生成公式，n份训练数据用于模型验证和评估；变化组合，轮流改变模型验证数据组，循环计算后综合评估并得到综合评估指标；

-最优MNL模型结果获取单元，计算似然比检验统计量、吻合度指标、平均绝对误差、相对误差；由后台中心服务器循环计算获取最优MNL模型结果，并将最优MNL模型结果存入中心数据库；

-指纹点模型生成单元，用以按地点分类，生成每一地点所有指纹点随即效用函数模型；当用户需要或更新时，以供远程电子设备实时下载；

所述综合评估指标获取单元将实时环境下不同位置指纹信息点作为一系列可选点S，最可能的定位判定点作为子集C，基于概率的离散模型定义为一系列基于概率和随机效用函数的线性组合：

U_in＝V_in+ε_in；

随机效用函数V_in由WIFI热点信号信息要素组成；ε_in为随即误差；

选择对一系列具有最大随机效用函数的WIFI指纹点，计算其概率值：

$P_{\mathrm{in}}=\mathrm{Probabilty}\{V_{\mathrm{jn}}+{\mathrm{\ϵ}}_{\mathrm{jn}}\≥V_{\mathrm{in}}+{\mathrm{\ϵ}}_{\mathrm{in}},\∀i\≠j,C\⊆S\}.$

概率函数如下：

$P_{\mathrm{ck}}\left(i\right)=\frac{{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}}{{\mathrm{\Σ}}_{j\∈c_n}{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}};$

P_c(i)=P_c(C_k)Pc_k(i)；

其中，λ_i、μ_i是根据指纹样本估计的权重系数，分别对定位精度和定位稳定性（抗干扰性）有关键影响；Pc(Ck)是定位一类指纹类的概率，Pck(i)是在某一指纹类条件下定位某一指纹点的概率；

似然函数：

$L*=\underset{n=1}{\overset{N}{\mathrm{\Π}}}\underset{i\∈C_n}{\mathrm{\Π}}{P}_n{\left(i\right)}^{y_{\mathrm{in}}};$

将N个具有最大概率值的指纹点，用概率函数值作为对应指纹点坐标权重，进行实时定位，作为实时定位点。

2.一种基于MNL概率辨识的室内定位系统，其特征在于，所述系统包括：

-MNL定位模型建立模块，用以建立MNL定位模型，将各个指纹点对应的指纹无线信息生成基于概率的MNL定位模型，MNL定位模型由一系列随机函数来描述，将MNL定位模型写入中心数据库中；

-无线网络信息获取模块，用以获取设定电子设备的无线网络信息；

-无线网络数据比对模块，用以将设定电子设备的无线网络信息与MNL定位模型及指纹无线信息进行比对，将一系列具有最大概率值的指纹点坐标进行组合计算，从而判断设定电子设备的位置为相似度最大的指纹点所在位置；

所述MNL定位模型建立模块具体包括：

-指纹数据载入及初筛单元，用以初始载入及初筛指纹数据，计算每类指纹点的统计特征值；

-指纹点分类单元，用以使用分类模型进行指纹点分类，计算分类矩阵、似然函数值和误差率，确定指纹点分类；

-综合评估指标获取单元，用以将训练数据分成m+n份，其中m份训练数据基于从属MNL定位模型概率估计定位模型生成公式，n份训练数据用于模型验证和评估；变化组合，轮流改变模型验证数据组，循环计算若干次后综合评估并得到综合评估指标；

-最优MNL模型结果获取单元，用以计算似然比检验统计量、吻合度指标、平均绝对误差、相对误差；由后台中心服务器循环计算获取最优MNL模型结果，并将最优MNL模型结果存入中心数据库。

3.根据权利要求2所述的基于MNL概率辨识的室内定位系统，其特征在于：

所述综合评估指标获取单元将实时环境下不同位置指纹信息点作为一系列可选点S，最可能的定位判定点作为子集C，基于概率的离散模型定义为一系列基于概率和随机效用函数的线性组合：

U_in＝V_in+ε_in；

随机效用函数V_in由WIFI热点信号信息要素组成；ε_in为随即误差；

计算其概率值：

$P_{\mathrm{in}}=\mathrm{Probabilty}\{V_{\mathrm{jn}}+{\mathrm{\ϵ}}_{\mathrm{jn}}\≥V_{\mathrm{in}}+{\mathrm{\ϵ}}_{\mathrm{in}},\∀i\≠j,C\⊆S\}.$

概率函数如下：

$P_{\mathrm{ck}}\left(i\right)=\frac{{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}}{{\mathrm{\Σ}}_{j\∈c_n}{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}};$

P_c(i)=P_c(C_k)Pc_k(i)；

其中，λ_i、μ_i是根据指纹样本估计的权重系数，分别对定位精度和定位稳定性（抗干扰性）有关键影响；Pc(Ck)是定位一类指纹类的概率，Pck(i)是在某一指纹类条件下定位某一指纹点的概率；

似然函数：

$L*=\underset{n=1}{\overset{N}{\mathrm{\Π}}}\underset{i\∈C_n}{\mathrm{\Π}}{P}_n{\left(i\right)}^{y_{\mathrm{in}}};$

将N个具有最大概率值的指纹点，用概率函数值作为对应指纹点坐标权重，进行实时定位，作为实时定位点。

4.根据权利要求2所述的基于MNL概率辨识的室内定位系统，其特征在于：

所述定位系统还包括指纹点模型生成单元，用以按地点分类，生成每一地点所有指纹点随即效用函数模型；当用户需要或更新时，以供远程电子设备实时下载。

5.根据权利要求2所述的基于MNL概率辨识的室内定位系统，其特征在于：

所述系统进一步包括：服务器，包括中心数据库、MNL定位模型引擎模块；所述MNL定位引擎模块包括基于MNL概率辨识的实时室内定位引擎，实时室内定位引擎由所述MNL定位模型建立模块建立；

所述MNL定位模型建立模块还用来建立数据库、建立定位地图；

所述建立数据库包括存储地理地图、存储地理地图及指纹点映射表、存储指纹信息训练数据、存储实时定位引擎模型；

所述建立定位地图包括：离线建立定位地理地图；地图原始尺寸初始化，使得地图比例适合不同终端屏幕；地理地图分类编码。

6.一种基于MNL概率辨识的MNL定位模型建立系统，其特征在于，所述系统包括：

-指纹数据载入及初筛单元，用以初始载入及初筛指纹数据，计算每类指纹点的统计特征值；

-指纹点分类单元，用以使用分类模型进行指纹点分类，计算分类矩阵、似然函数值和误差率，确定指纹点分类；

-综合评估指标获取单元，用以将训练数据分成m+n份，其中m份训练数据基于从属MNL定位模型概率估计定位模型生成公式，n份训练数据用于模型验证和评估；变化组合，轮流改变模型验证数据组，循环计算若干次后综合评估并得到综合评估指标；

-最优MNL模型结果获取单元，用以计算似然比检验统计量、吻合度指标、平均绝对误差、相对误差；由后台中心服务器循环计算获取最优MNL模型结果，并将最优MNL模型结果存入中心数据库。

7.一种基于MNL概率辨识的室内定位方法，其特征在于，所述方法包括如下步骤：

步骤S1、MNL定位模型建立步骤，建立MNL定位模型，将各个指纹点对应的指纹无线信息生成基于概率的MNL定位模型，MNL定位模型由一系列随机函数来描述，将MNL定位模型写入中心数据库中；

步骤S2、无线网络信息获取步骤，获取设定电子设备的无线网络信息；

步骤S3、无线网络数据比对步骤，将设定电子设备的无线网络信息与MNL定位模型及指纹无线信息进行比对，将一系列具有最大概率值的指纹点坐标进行组合计算，从而判断设定电子设备的位置为相似度最大的指纹点所在位置；

所述MNL定位模型建立步骤具体包括：

步骤S11、指纹数据初始载入及初筛步骤，初始载入及初筛指纹数据，计算每类指纹点的统计特征值；

步骤S12、指纹点分类步骤，使用分类模型进行指纹点分类，计算分类矩阵、似然函数值和误差率，确定指纹点分类；

步骤S13、综合评估指标获取步骤，将训练数据分成m+n份，其中m份训练数据基于从属MNL定位模型概率估计定位模型生成公式，n份训练数据用于模型验证和评估；变化组合，轮流改变模型验证数据组，循环计算若干次后综合评估并得到综合评估指标；

步骤S14、最优MNL模型结果获取步骤，计算似然比检验统计量、吻合度指标、平均绝对误差、相对误差；由后台中心服务器循环计算获取最优MNL模型结果，并将最优MNL模型结果存入中心数据库。

8.根据权利要求7所述的基于MNL概率辨识的室内定位方法，其特征在于：

所述综合评估指标获取步骤中，将实时环境下不同位置指纹信息点作为一系列可选点，最可能的定位判定点作为子集，基于概率的离散模型定义为一系列基于概率和随机效用函数的线性组合：

U_in＝V_in+ε_in；

随机效用函数V_in由WIFI热点信号信息要素组成；ε_in为随即误差；

选择对一系列具有最大随机效用函数的WIFI指纹点，计算其概率值：

$P_{\mathrm{in}}=\mathrm{Probabilty}\{V_{\mathrm{jn}}+{\mathrm{\ϵ}}_{\mathrm{jn}}\≥V_{\mathrm{in}}+{\mathrm{\ϵ}}_{\mathrm{in}},\∀i\≠j,C\⊆S\}.$

概率函数如下：

$P_{\mathrm{ck}}\left(i\right)=\frac{{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}}{{\mathrm{\Σ}}_{j\∈c_n}{\mathrm{\λ}}_i{e}^{{\mathrm{\μ}}_i{V}_{\mathrm{in}}}};$

P_c(i)=P_c(C_k)Pc_k(i)；

其中，λ_i、μ_i是根据指纹样本估计的权重系数，分别对定位精度和定位稳定性（抗干扰性）有关键影响；Pc(Ck)是定位一类指纹类的概率，Pck(i)是在某一指纹类条件下定位某一指纹点的概率；

似然函数：

$L*=\underset{n=1}{\overset{N}{\mathrm{\Π}}}\underset{i\∈C_n}{\mathrm{\Π}}{P}_n{\left(i\right)}^{y_{\mathrm{in}}};$

将N个具有最大概率值的指纹点，用概率函数值作为对应指纹点坐标权重，进行实时定位，作为实时定位点。

9.根据权利要求7所述的基于MNL概率辨识的室内定位方法，其特征在于：

所述定位方法还包括指纹点模型生成步骤，按地点分类，生成每一地点所有指纹点随即效用函数模型；当用户需要或更新时，以供远程电子设备实时下载。

Images