CN103476115B

CN103476115B - 一种基于AP集相似度的Wi-Fi指纹定位方法

Info

Publication number: CN103476115B
Application number: CN201310432808.2A
Authority: CN
Inventors: 尚建嘎; 胡旭科; 余芳文; 闫金金; 古富强
Original assignee: China University of Geosciences
Current assignee: China University of Geosciences
Priority date: 2013-09-22
Filing date: 2013-09-22
Publication date: 2016-03-23
Anticipated expiration: 2033-09-22
Also published as: CN103476115A

Abstract

本发明涉及一种基于AP集相似度的Wi-Fi指纹定位方法，引入相似系数计算指纹AP集合的相似度，作为指纹匹配的重要指标。在定位阶段，首先利用基于区域相似度的训练指纹选择算法缩小指纹搜索区间，提高指纹匹配的准确度，同时，为提高指纹区域划分的自动性以及准确性，设计了基于室内空间布局以及K均值聚类的训练指纹区域划分方法；然后融合AP集相似度以及信号强度（RSS）信息得到距离计算公式，利用加权的k最近邻（KWNN）方法计算移动目标的位置；最后在实际的WLAN环境下进行定位，结果表明，本发明提出的方法具有更高的定位精度和定位准确率，能够很好地适应采集的指纹AP集差异性大的室内环境。

Description

一种基于AP集相似度的Wi-Fi指纹定位方法

技术领域

本发明涉及一种基于AP集相似度的Wi-Fi指纹定位方法，属于无线通信、室内定位、计算机算法领域。

背景技术

位置作为一种重要的上下文，在普适计算/物联网等新型计算及其应用中发挥着重要的作用。近年来，随着无线网络和移动计算技术的发展，各种小型计算设备如掌上电脑、手机、传感器、射频标签等逐渐融入人们的生活，尤其是智能手机的普及，使各种新型位置感知技术和服务模式不断涌现。虽然传统的以GPS为代表的全球导航卫星定位系统技术已相对成熟，具有全天候、高精度、自动测量等特点，但在室内环境或复杂城镇环境下，由于信号遮挡以及多径效应导致其定位效果并不理想。定位尤其是室内定位已成为位置感知领域学术界和产业界关注的热点。

在各种室内定位技术中，由于Wi-Fi定位技术可以充分利用现有的WLAN基础设施，覆盖广、成本低，已成为一种目前主流的室内定位技术。基于Wi-Fi等无线定位技术为核心构建的实时定位系统行业应用非常广泛，遍及医疗健康、物流、交通、电力、安防、家居、军事等诸多领域。目前，实时定位系统在国内外已有初步应用，北京地坛医院于2009年就采用美国Ekahau实时定位系统，用于医用垃圾追踪、急症病人追踪、贵重设备追踪等，改善和提高医疗质量和服务水平的同时也降低了成本。另外，对传统产业的带动效应很大，可以不断提升新的产业形态。

Wi-Fi指纹算法作为一种有效的室内定位方法，可以得出较为准确的目标位置，而传统的Wi-Fi指纹定位方法一般都需要使用相同的AP集合计算观测指纹与训练指纹之间的距离，然而在真实环境中，WLAN的AP需要分散部署，同时Wi-Fi信号也容易受到多径、阴影效应、人员走动的影响，且环境中也有可能添加新的AP或移除损坏的AP，这些因素使得AP集合不完全一致。

发明内容

本发明的目的是为了解决现有技术存在的不足，而提出了一种能够很好地适应AP集合具有差异性的室内环境中的Wi-Fi指纹定位方法，本方法定位精度高、实时性良好、扩展性强且不会增加用户的额外成本。

为实现上述目的，本发明所采用的技术方案是：提供一种基于AP集相似度的Wi-Fi指纹定位方法，按如下步骤操作：

步骤一：给出了4种计算AP集合相似度的相似系数，包括Jaccard、Sorenson、Ochiai以及Kulczynski，相似系数介于0和1之间，0表示两个集合完全不相同，1则表示完全相同，四种系数定义如下，其中︱A︱、︱B︱、|A∩B|以及|A∪B|分别为集合A、B、A与B的交集以及A与B的并集中元素个数；

{Jac}_{s} (A, B) = \frac{| A \cap B |}{| A \cup B |}, {Scr}_{s} (A, B) = \frac{2 | A \cap B |}{| A | + | B |}, {Och}_{s} (A, B) = \frac{| A \cap B |}{\sqrt{| A | * | B |}},

{Kul}_{s} (A, B) = \frac{1}{2} (\frac{| A \cap B |}{| A |} + \frac{| A \cap B |}{| B |})

步骤二：设计区域相似度训练指纹选择算法；

⑴、将训练指纹点划分为m个群，每个群的大小为n_i，i∈1…m，n_i常取4-8之一，每一个群覆盖Wi-Fi定位实验环境中的部分区域；

⑵、计算观测指纹与每个群的训练指纹AP集合的平均相似度AOS，计算公式如下：

{AOS}_{i} = \frac{1}{n_{i}} \cdot Σ_{j = 1}^{n_{i}} {sim}_{j}

①

其中，AOS即averageofsimilarity，j为每个群中对应指纹点标识，sim_j为观测指纹与群中第j个指纹点的相似度；

⑶、选择1/T高相似度群的训练指纹参与后续计算；其中，T是一个经验阈值，T值的选取依赖于当前环境；T值过大会过滤掉许多离观测指纹相近的训练指纹点，T值过小则会引入部分低相似度指纹的干扰；

步骤三：集成AP集相似度与RSS的指纹距离计算方法；

利用AP集相似度以及RSS信息计算观测指纹与高相似度区域的训练指纹的距离，定义接收到的AP集合具有差异性的观测指纹与训练指纹间的距离为：

L_{q} = {(Σ_{i = 1}^{p} {| {rssi}_{o i} - {rssi}_{t i} |}^{q})}^{\frac{1}{q}} / (p * s)

②

其中为观测指纹与训练指纹的AP交集对应的RSSI距离，p为AP交集的元素个数，s为观测指纹与训练指纹的AP集合相似度，q＝1和2时分别是曼哈顿(Manhattan)和欧几里德(Euclidian)距离；

得到观测指纹与训练指纹的距离后，采用KWNN方法计算移动目标位置，选取K(K≥2)个距离最小的训练指纹后，对每个训练指纹坐标乘以一个加权系数，最后求和即可获得目标位置，KWNN方法计算公式如下：

c = Σ_{i = 1}^{K} (\frac{1}{{Lq}_{i} + ϵ} \times c_{i})

③

步骤四：融合室内空间布局以及K-Mean的训练指纹区域划分方法；

⑴、根据室内环境布局以及AP的部署方式，将室内环境划分为几个子空间；

⑵、针对每个子空间中的指纹进行K-Mean聚类，结果代入公式①、②及③中计算测试点的坐标，通过对当前环境的指纹区域划分结果进行多次聚类，选择适合当前环境的指纹区域划分方式；

⑶、整合多个子空间的最优指纹划分方式作为全区域指纹划分。

本发明步骤二中所述的区域相似度评估标准是群体相似度，或者叫做区域相似度，而不是个体相似度，从而提高数据选择的鲁棒性和准确性。

本发明步骤四中所述的训练指纹区域划分方法的伪代码描述如下：

1.Input:{fingers_i},{spaces_j},classsize

2.(0<i≤fingersize),(0<j≤spacesize)

3.Output:{classindex_i}％指纹数据对应的群索引

4.for(i＝1:fingersize)％找到每个指纹所属空间

5.spaceindex＝findSpace(finger(i),spaces)

6.spacefinger(spaceindex).add(i)；

7.end

8.spaceclassindex＝0

9.for(i＝1:spacesize)％对每个子空间指纹进行K-mean聚类

10.std_min＝-200；cep_min＝-200；

11.for(j＝1:1/fingersize)

12.classid(i)＝kmean(classsize，spacefinger(i))；

13.[std,cep]＝posEstimated(classid(i),fingers,testpoints)

14.if(std<std_min&&cep<cep_min)

15.std_min＝std,cep_min＝cep

16.spaceclassindex(i)＝classid(i)；

17.end

18.end

19.end

20.classindex＝mergeClassidx(spaceclassindex)

本发明采用了融合室内空间布局以及K-Mean聚类的训练指纹区域划分方法，既考虑了墙壁、门窗等对RSSI信号的干扰问题，又利用了K-Mean初始聚类中心随机选择特性，以实现自动、快速以及准确的训练指纹区域划分。

本发明在观测指纹与训练指纹进行AP集合相似度匹配实验中发现，和观测指纹位置相近的训练指纹的相似度大部分集中在高相似度区间；而低相似度区间中的训练指纹较少与观测指纹相近。首先应考虑到通过筛选前1/T高相似度区间的训练指纹参与后续计算，以缩小指纹搜索区间，并提高基于相似度的指纹定位方法精度。然而，由于AP信号的波动，将导致选择的训练指纹不一定是相似度高的指纹点。

为了解决该问题，设计的步骤二中所述的区域相似度评估标准是群体相似度，或者叫做区域相似度，而不是个体相似度，从而提高数据选择的鲁棒性和准确性。

所述的群体相似度即GroupSimilarity，个体相似度即IndividualSimilarity。

本发明的基于AP集相似度的Wi-Fi指纹定位方法与现有技术相比具有的优点是：⑴、本发明的方法引入了相似系数计算AP集合的相似度，将指纹AP集合相似度作为衡量指纹相近程度的重要指标，能够很好地适应AP集合具有差异性的室内环境。

⑵、本发明的方法提出的算法具有良好的扩展性，可以通过与其他技术，如PDR、地磁指纹等，进行融合来提高定位精度和实时性，且不会增加用户成本，因而具有较好的实用与推广价值。

附图说明

图1为本发明的区域相似度训练指纹选择算法示意图。

具体实施方式

以下结合附图和实施例对本发明作进一步详述。

实施例1：本发明提供的一种基于AP集相似度的Wi-Fi指纹定位方法，按如下步骤操作：

步骤一：给出了4种计算AP集合相似度的相似系数，包括Jaccard、Sorenson、Ochiai以及Kulczynski，相似系数介于0和1之间，0表示两个集合完全不相同，1则表示完全相同，四种系数定义如下，其中︱A︱、︱B︱、|A∩B|以及|A∪B|分别为集合A、B、A与B的交集以及A与B的并集中元素个数。

{Jac}_{s} (A, B) = \frac{| A \cap B |}{| A \cup B |}, {Scr}_{s} (A, B) = \frac{2 | A \cap B |}{| A | + | B |}, {Och}_{s} (A, B) = \frac{| A \cap B |}{\sqrt{| A | * | B |}},

{Kul}_{s} (A, B) = \frac{1}{2} (\frac{| A \cap B |}{| A |} + \frac{| A \cap B |}{| B |})

步骤二：设计区域相似度训练指纹选择算法；

(1)将训练指纹点划分为m个群，每个群的大小为n_i，i∈1…m，n_i常取4-8之一，每一个群覆盖Wi-Fi定位实验环境中的部分区域；根据室内环境布局以及AP的部署方式，将室内环境划分为几个子空间，以避免两个隔着墙壁的指纹点，由于位置相近而被聚类到同一个群，如将每层的大厅、走廊、教室等划分为子空间。

(2)计算观测指纹与每个群的训练指纹AP集合的平均相似度，即AOS，averageofsimilarity，AOS计算公式如下：

{AOS}_{i} = \frac{1}{n_{i}} \cdot Σ_{j = 1}^{n_{i}} {sim}_{j}

①

(3)选择1/T高相似度群的训练指纹参与后续计算；其中，T是一个经验阈值，T值的选取依赖于当前环境；T值过大会过滤掉许多离观测指纹相近的训练指纹点，T值过小则会引入部分低相似度指纹的干扰；

区域相似度训练指纹选择算法如图1所示，这里假设每个群的大小n都为4，T为2，小菱形点为训练指纹点，五星点是与移动终端所在位置的观测指纹AP集相似度最高的训练指纹点，该算法会选择三个圆形区域标识的群的训练指纹点进行最终的距离计算，而不是所有的五星点，从而提高指纹方法的定位精度。

所以此时注意评估相似性的标准应该是群体相似度或者叫做区域相似度，而不是个体相似度，从而提高数据选择的鲁棒性和准确性。

步骤三：集成AP集相似度与RSS的指纹距离计算方法；

高相似度区域的训练指纹筛选完成后，利用AP集相似度以及RSS信息计算观测指纹与高相似度区域的训练指纹的距离，定义接收到的AP集合具有差异性的观测指纹与训练指纹间的距离为：

L_{q} = {(Σ_{i = 1}^{p} {| {rssi}_{o i} - {rssi}_{t i} |}^{q})}^{\frac{1}{q}} / (p * s)

②

c = Σ_{i = 1}^{K} (\frac{1}{{Lq}_{i} + ϵ} \times c_{i})

③

(1)根据室内环境布局以及AP的部署方式，将室内环境划分为几个子空间；

(2)针对每个子空间中的指纹进行K-Mean聚类，结果代入公式①、②及③中计算测试点的坐标，通过对当前环境的指纹区域划分结果进行多次聚类，选择适合当前环境的指纹区域划分方式；

(3)整合多个子空间的最优指纹划分方式作为全区域指纹划分。该训练指纹区域划分方法的伪代码描述如下：

1.Input:{fingers_i},{spaces_j},classsize

2.(0<i≤fingersize),(0<j≤spacesize)

3.Output:{classindex_i}％指纹数据对应的群索引

4.for(i＝1:fingersize)％找到每个指纹所属空间

5.spaceindex＝findSpace(finger(i),spaces)

6.spacefinger(spaceindex).add(i)；

7.end

8.spaceclassindex＝0

9.for(i＝1:spacesize)％对每个子空间指纹进行K-mean聚类

10.std_min＝-200；cep_min＝-200；

11.for(j＝1:1/fingersize)

12.classid(i)＝kmean(classsize，spacefinger(i))；

13.[std,cep]＝posEstimated(classid(i),fingers,testpoints)

14.if(std<std_min&&cep<cep_min)

15.std_min＝std,cep_min＝cep

16.spaceclassindex(i)＝classid(i)；

17.end

18.end

19.end

20.classindex＝mergeClassidx(spaceclassindex)

Claims

1.一种基于AP集相似度的Wi-Fi指纹定位方法，其特征在于：按如下步骤操作：

{Jac}_{s} (A, B) = \frac{| A \cap B |}{| A \cup B |}, {Scr}_{s} (A, B) = \frac{2 | A \cap B |}{| A | + | B |}, {Och}_{s} (A, B) = \frac{| A \cap B |}{\sqrt{| A | * | B |}},

{Kul}_{s} (A, B) = \frac{1}{2} (\frac{| A \cap B |}{| A |} + \frac{| A \cap B |}{| B |})

步骤二：设计区域相似度训练指纹选择算法；

{AOS}_{i} = \frac{1}{n_{i}} \cdot Σ_{j = 1}^{n_{i}} {sim}_{j}

①

步骤三：集成AP集相似度与RSS的指纹距离计算方法；

L_{q} = {(Σ_{i = 1}^{p} | {rssi}_{o i} - {rssi}_{t i} |^{q})}^{\frac{1}{q}} / (p * s)

②

c = Σ_{i = 1}^{K} (\frac{1}{{Lq}_{i} + ϵ} \times c_{i})

③

2.根据权利要求1所述的一种基于AP集相似度的Wi-Fi指纹定位方法，其特征在于：步骤二中所述的区域相似度评估标准是群体相似度，或者叫做区域相似度，而不是个体相似度，从而提高数据选择的鲁棒性和准确性。