CN103476118B - 一种用于实时监控的wlan室内位置指纹定位方法 - Google Patents

Abstract

一种用于实时监控的WLAN室内位置指纹定位方法，属于WLAN室内定位技术领域。本发明是为了解决位置指纹定位系统中，定位服务器能耗及系统总耗能过多的问题。本发明所述的一种用于实时监控的WLAN室内位置指纹定位方法，首先对参考点的物理区域进行划分，使定位监控实时性提高了6倍；然后对参考点接收到的AP信号进行分区域聚类筛选，使定位监控实时性又提高了3倍；最后对数据进行压缩传输后再重构，使移动终端能耗降低到33%，从而延长可工作时间，同时使定位监控系统的整体耗能减少到33%。本发明仅用一个定位服务器处理定位和监控移动终端位置，使移动终端的使用周期延长3倍。本发明适用于需要经常定位监控的场合。

Description

一种用于实时监控的WLAN室内位置指纹定位方法

技术领域

本发明涉及一种室内定位方法，属于WLAN室内定位技术领域。

背景技术

无线局域网WLAN技术，即WirelessLocalAreaNetwork，是计算机网络与无线通信技术相结合的产物，旨在为用户提供无线宽带接入服务，从而满足现代社会对移动办公、移动生活的需求。WLAN无需布线，网络成本大幅度降低，且可移动性强，这些优点使得WLAN的普及正呈日新月异之势。目前，在世界范围内，WLAN被各种组织和个人在不同场合广泛部署，例如：校园、医院、机场和停车场等。

随着WLAN技术的普及与应用，室内环境下对定位信息的需求也与日俱增。室内定位是为了弥补全球定位系统，如GPS、北斗等系统均无法较好的应用于室内。典型的室内定位系统主要采用传感器技术，WLAN室内定位具有无需添加诸如传感器等额外的硬件设备、只通过软件计算来实现室内定位的特征。目前，WLAN室内定位研究主要采用位置指纹算法，例如K近邻算法和概率法等。K近邻算法是寻求通过比较待定位的移动终端与一系列参考节点接收到的信号强度之间的匹配程度，用参考节点的物理坐标进行加权，来实现对待定位的移动终端物理位置的锁定。在位置指纹定位系统中，为了满足定位准确度和精确度的要求，通常要建立容量庞大的数据库来存储位置指纹信息，包括足够多的AP，AccessPoint，和参考节点之间对应的M×N个信号强度或信噪比。因此导致用于定位的信号数据维数过高，造成移动终端传输数据消耗过大；同时物理空间搜索范围过大、信号空间维数过高使得定位算法复杂度过大，进而造成定位服务器能耗及系统总耗能过多。

发明内容

本发明是为了解决位置指纹定位系统中，用于定位的信号数据维数过高，造成移动终端传输数据消耗过大，以及物理空间搜索范围过大、信号空间维数过高使得定位算法复杂度过大，进而造成定位服务器能耗及系统总耗能过多的问题，从而提供一种用于实时监控的WLAN室内位置指纹定位方法。

一种用于实时监控的WLAN室内位置指纹定位方法，所述室内定位空间内设置有N个等间距分布在室内定位空间内的参考节点和M个无线接入节点AP，使室内定位空间内的任意位置均能够接收到至少一个无线接入节点AP发出的无线信号，且所接收到的信号强度应大于-95dBm，M和N均为正整数；

根据所有参考节点的物理位置，采用K均值聚类算法将参考节点所在的室内定位空间划分为α块定位子区域，记作：S₁,S₂,...,S_α，其中α为正整数，所述定位方法包括以下步骤：

步骤一：待定位的移动终端利用室内定位空间中用来压缩数据的权值矩阵，把接收到的来自所有无线接入节点AP的接收信号强度值RSS值压缩成一个γ维RSS向量，γ为正整数，然后执行步骤二；

步骤二：根据室内定位空间中用来重构数据的变换矩阵将步骤一获得的γ维RSS向量恢复成M维RSS向量，从而得到M个无线接入节点AP的接收信号强度值RSS值，然后执行步骤三；

步骤三：对步骤二获得的M个无线接入节点AP的接收信号强度值RSS值进行粗定位，初步确定待定位的移动终端的位置，然后执行步骤四；

步骤四：根据步骤三获得的待定位的移动终端的位置和定位子区域，对步骤三获得的粗定位后的RSS值进行筛选，并采用KNN算法对筛选后的RSS值进行精定位，最终得到待定位的移动终端的定位结果；

所述的采用K均值聚类算法将参考节点所在的室内定位空间划分为α块定位子区域的方法，它包括以下步骤：

步骤一1：在室内定位空间内任意选取一点作为原点建立直角坐标系，以N个参考节点的物理位置作为描述参考节点的参数，在N个参考节点中随机选取K个初始聚类中心，记作：Z₁(1),Z₂(1),...,Z_K(1)，其中K＝α且0≤K<N，聚类中心括号内数字表示迭代次数，然后执行步骤一2；

步骤一2：按最小欧氏距离原则将剩余参考节点分配到某一个初始聚类中心中：

min{||X-Z_i(k)||,i＝1,2,…,K}＝||X-Z_j(k)||＝D_j(k)

其中X为样本点，且有X∈S_j(k)，S_j(k)为第j个聚类，k为迭代次数，j为类别标号，Z_j(k)为第k次迭代时第j个类别的聚类中心，D_j(k)为第k次迭代时，样本与样本所在的类别的聚类中心之间的欧氏距离，然后执行步骤一3；

步骤一3：计算各聚类中心的新向量值：

$Z_j(k+1)=\frac{1}{N_j}\underset{X\&Element;S_j\left(k\right)}{\&Sigma;}X,j=1,2,...,K$

其中N_j为第j个类别所含样本的个数，然后执行步骤一4；

步骤一4：判断Z_j(k+1)与Z_j(k)的关系；

当Z_j(k+1)≠Z_j(k)时，返回步骤一2；

当Z_j(k+1)＝Z_j(k)时，算法收敛，完成计算，获得α块定位子区域，记作：S₁,S₂,...,S_α，并得到α个距离聚类中心最近的参考节点，记作：X₁,X₂,...,X_α。

本发明所述的一种用于实时监控的WLAN室内位置指纹定位方法，首先对参考节点的物理区域进行划分，使搜索空间变小，定位计算量也就随之减少了17％，从而使定位监控实时性提高了6倍；然后对参考节点接收到的AP信号进行分区域聚类筛选，使匹配信号的维度降低，进一步使定位运算量减少到33％，并使定位监控实时性又提高了3倍；最后对数据进行压缩传输后再重构，使移动终端数据传输量减少到33％，并使移动终端能耗降低到33％，从而延长可工作时间，同时使定位监控系统的整体耗能减少到33％。本发明在位置指纹定位系统中用一个定位服务器负责集中处理定位和监控移动终端位置，移动终端不需要运行定位软件，只需要完成少量必要的数据收发，达到绿色节能的目的。这样对于在需要经常定位监控的场合，如：医院、监狱和停车场，能够使移动终端的使用周期延长3倍，同时便于室内定位监控系统的集中化管理。本发明所述的一种用于实时监控的WLAN室内位置指纹定位方法适用于需要经常定位监控的场合。

附图说明

图1是一种用于实时监控的WLAN室内位置指纹定位方法的流程图。

图2是获得权值矩阵和变换矩阵的方法的流程图。

图3是某实验室楼层平面示意图，尺寸为24.9m×66.4m，内置27个AP，走廊是待定位总区域。

具体实施方式

具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的一种用于实时监控的WLAN室内位置指纹定位方法，所述室内定位空间内设置有N个等间距分布在室内定位空间内的参考节点和M个无线接入节点AP，使室内定位空间内的任意位置均能够接收到至少一个无线接入节点AP发出的无线信号，且所接收到的信号强度应大于-95dBm，M和N均为正整数；

根据所有参考节点的物理位置，采用K均值聚类算法将参考节点所在的室内定位空间划分为α块定位子区域，记作：S₁,S₂,...,S_α，其中α为正整数，所述定位方法包括以下步骤：

步骤一：待定位的移动终端利用室内定位空间中用来压缩数据的权值矩阵，把接收到的来自所有无线接入节点AP的接收信号强度值RSS值压缩成一个γ维RSS向量，γ为正整数，然后执行步骤二；

步骤二：根据室内定位空间中用来重构数据的变换矩阵将步骤一获得的γ维RSS向量恢复成M维RSS向量，从而得到M个无线接入节点AP的接收信号强度值RSS值，然后执行步骤三；

步骤三：对步骤二获得的M个无线接入节点AP的接收信号强度值RSS值进行粗定位，初步确定待定位的移动终端的位置，然后执行步骤四；

步骤四：根据步骤三获得的待定位的移动终端的位置和定位子区域，对步骤三获得的粗定位后的RSS值进行筛选，并采用KNN算法对筛选后的RSS值进行精定位，最终得到待定位的移动终端的定位结果。

具体实施方式二：本实施方式是对具体实施方式一所述的一种用于实时监控的WLAN室内位置指纹定位方法作进一步说明，本实施方式中，所述的采用K均值聚类算法将参考节点所在的室内定位空间划分为α块定位子区域的方法，它包括以下步骤：

步骤一1：在室内定位空间内任意选取一点作为原点建立直角坐标系，以N个参考节点的物理位置作为描述参考节点的参数，在N个参考节点中随机选取K个初始聚类中心，记作：Z₁(1),Z₂(1),...,Z_K(1)，其中K＝α且0≤K<N，聚类中心括号内数字表示迭代次数，然后执行步骤一2；

步骤一2：按最小欧氏距离原则将剩余参考节点分配到某一个初始聚类中心中：

min{||X-Z_i(k)||,i＝1,2,…,K}＝||X-Z_j(k)||＝D_j(k)

其中X为样本点，且有X∈S_j(k)，S_j(k)为第j个聚类，k为迭代次数，j为类别标号，Z_j(k)为第k次迭代时第j个类别的聚类中心，D_j(k)为第k次迭代时，样本与样本所在的类别的聚类中心之间的欧氏距离，然后执行步骤一3；

步骤一3：计算各聚类中心的新向量值：

$Z_j(k+1)=\frac{1}{N_j}\underset{X\&Element;S_j\left(k\right)}{\&Sigma;}X,j=1,2,...,K$

其中N_j为第j个类别所含样本的个数，然后执行步骤一4；

步骤一4：判断Z_j(k+1)与Z_j(k)的关系；

当Z_j(k+1)≠Z_j(k)时，返回步骤一2；

当Z_j(k+1)＝Z_j(k)时，算法收敛，完成计算，获得α块定位子区域，记作：S₁,S₂,...,S_α，并得到α个距离聚类中心最近的参考节点，记作：X₁,X₂,...,X_α。

由于参考节点是均匀分布的，故聚类算法的特征决定其能够随机选取初始聚类中心。

具体实施方式三：参照图2具体说明本实施方式，本实施方式是对具体实施方式一所述的一种用于实时监控的WLAN室内位置指纹定位方法作进一步说明，本实施方式中，步骤一所述的权值矩阵和步骤二所述的变换矩阵是通过以下步骤获得：

步骤二1：根据室内定位空间及其内部的参考节点和无线接入节点AP的分布情况建立指纹数据空间RadioMap数据，然后执行步骤二2；

步骤二2：利用步骤二1获得的指纹数据空间RadioMap数据，分别在每块定位子区域和每一对相邻的定位子区域内，以所有无线接入节点AP的接收信号强度值RSS值为参数，对M个无线接入节点AP进行聚类划分，然后执行步骤二3；

步骤二3：以指纹数据空间中每个参考节点对应的M维RSS向量作为样本，运用BP神经网络对该样本进行训练，得到用来压缩数据的权值矩阵和用来重构数据的变换矩阵。

具体实施方式四：本实施方式是对具体实施方式三所述的一种用于实时监控的WLAN室内位置指纹定位方法作进一步说明，本实施方式中，步骤二1所述建立指纹数据空间RadioMap数据的方法为：

采集并记录每个参考节点处接收到的所有无线接入节点AP的接收信号强度值RSS值，根据N个参考节点的物理位置、每个参考节点对应的所有无线接入节点AP的RSS值及相应无线接入节点AP的物理位置，形成指纹数据空间RadioMap数据。

具体实施方式五：本实施方式是对具体实施方式三所述的一种用于实时监控的WLAN室内位置指纹定位方法作进一步说明，本实施方式中，步骤二2所述以所有无线接入节点AP的接收信号强度值RSS值为参数，对M个无线接入节点AP进行聚类划分的方法，它包括以下步骤：

步骤三1：对每个定位子区域和每一对相邻的定位子区域，进行K＝4的K均值聚类，获得4个聚类中心，选取距离4个聚类中心最近的参考节点作为4个参考基准节点；

步骤三2：对于任意一个无线接入节点AP，用步骤三1获得的4个参考基准节点处接收到的该无线接入节点AP的接收信号强度值RSS值作为该无线接入节点AP的四维描述参数；

步骤三3：根据对定位贡献相近的无线接入节点AP归为一类的原则，将所有无线接入节点AP的四维接收信号强度向量RSS向量坐标作为SOFM神经网络的输入参数，采用SOFM神经网络将M个无线接入节点AP聚为β类，即将每一个参考点收到的M个RSS值聚为β类，并将所有无线接入节点AP所属类别作为SOFM神经网络的输出参数。

对于如图3所示场景可取β＝9，即在满足定位要求的情况下，把27个无线接入节点AP聚为9类。

由于无线接入节点AP的描述参数，即二维接收信号强度向量RSS向量不是均匀分布的，为了摆脱分类过程中的随机性、主观上的不确定性以及认知上的模糊性，采用人工神经网络中的自组织特征映射网络SOFM对无线接入节点AP进行聚类。对于待定位室内定位空间的α个定位子区域，共有α种聚类结果，同时对于待定位室内定位空间中的α-1对相邻的定位子区域，共有α-1种聚类结果。

所述SOFM神经网络是一个无监督型神经网络，它包括二层拓扑结构，第一层是输入层，将所有无线接入节点AP的二维RSS向量在此输入；第二层是竞争层，竞争层通过对输入层输入数据的反复学习，形成稳定的神经元权值拓扑结构，使多个神经元能够同时反映分类的结果，竞争层中神经元的个数就是目标类别总数；

对于任意一个无线接入节点AP，用四维向量X_ap＝[x₁,x₂,x₃,x₄]来描述每一个无线接入节点AP，并作为一个输入模式提供给SOFM神经网络的输入层，连接权向量的初始化是随机设置的，当前输入模式到竞争层中第j个神经元连接权向量w_j＝[w_j1,w_j2,w_j3,w_j4]的欧氏距离d_j为：

$d_j={\left(\underset{i=1}{\overset{4}{\&Sigma;}}{\&lsqb;x_i\left(t\right)-w_{ji}\left(t\right)\&rsqb;}^2\right)}^{1/2},1\&le;j\&le;\mathrm{\&beta;}$

x_i是向量x的第i分量，此处向量x共有四个元素，即X_ap＝[x₁,x₂,x₃,x₄]，t表示当前学习次数；x(t)表示第t次学习时x的值，x_i(t)表示第t次学习时x_i的值；

第j个神经元连接权向量w_j＝[w_j1,w_j2,w_j3,w_j4]的调整过程为：

$w_j(t+1)=w_j\left(t\right)+\mathrm{\&alpha;}\left(t\right)\&lsqb;x\left(t\right)-w_j\left(t\right)\&rsqb;,j\&Element;{\mathrm{NE}}_{j^{*}}\left(t\right)$

w_ji表示权值向量w_j的第i个分量，此处一个权值向量共有四个元素即w_j＝[w_j1,w_j2,w_j3,w_j4]；t表示当前学习次数；w_j(t)表示第t次学习时w_j的值，w_ji(t)表示第t次学习时w_ji的值；

网络学习速率的调整过程为：

$\mathrm{\&alpha;}\left(t\right)=\mathrm{\&alpha;}\left(0\right)(1-\frac{t}{T})$

竞争层中第j个神经元邻域的调整过程为：

${\mathrm{NE}}_j\left(t\right)=INT\&lsqb;{\mathrm{NE}}_j\left(0\right)\left(1-\frac{t}{T}\right)\&rsqb;$

其中t为当前学习次数；j^*为最小d_j所对应的神经元，表示当前学习次数下神经元j^*的邻域，NE_j(t)表示当前学习次数下第j个神经元的邻域；α(t)是当前学习次数下的网络学习速率，初始次数下的网络学习速率α(0)在0到1之间，且随着学习次数的增加而单调递减；T表示SOFM神经网络的最大学习次数；INT表示取整。

具体实施方式六：本实施方式是对具体实施方式一所述的一种用于实时监控的WLAN室内位置指纹定位方法作进一步说明，本实施方式中，步骤三所述对步骤二获得的M个无线接入节点AP的接收信号强度值RSS值进行粗定位的方法为：

根据步骤二获得的M个无线接入节点AP的接收信号强度值RSS值，并以α个距离聚类中心最近的参考节点作为总参考节点，分别计算M个无线接入节点AP在α个参考节点处得到的所有无线接入节点AP的接收信号强度值RSS值的欧式距离d_i，i＝1,2,...,α：

$d_i={\&lsqb;\underset{j=1}{\overset{M}{\&Sigma;}}{\left(X_{ij}-{\mathrm{Rss}}_j\right)}^2\&rsqb;}^{1/2}$

X_ij表示第i个参考节点的第j维RSS向量，Rss_j表示重构出来的待定位的移动终端处收到的第j个无线接入节点AP的接收信号强度向量RSS向量；

根据d_i求出最小欧式距离d_min1和次最小欧式距离d_min2，求出二者差值△d：

△d＝d_min2-d_min1

判断△d与预设阈值ε的关系，当△d≥ε时，则选取d_min1对应的子区域S_min1为定位待搜索区域S；当△d<ε时，则选取d_min1和d_min2两个子区域对应的子区域S_min1∪S_min2为定位待搜索区域S。

阈值ε是衡量同一待定位的移动终端隶属于两个定位子区域模糊程度的物理量，在实际操作中，应该根据定位效果对ε适当调整，比如可取ε等于d_min1和d_min2所对应的两个参考节点的M维RSS向量的欧氏距离的若d_min1和d_min2相差小于阈值ε，则说明待定位的移动终端处于两个定位子区域相邻边界的位置，为了从位置指纹空间中找到最近邻的若干个参考节点，应该把这两个定位子区域合起来作为定位待搜索区域S。

具体实施方式七：本实施方式是对具体实施方式一所述的一种用于实时监控的WLAN室内位置指纹定位方法作进一步说明，本实施方式中，步骤四所述对步骤三获得的粗定位后的RSS值进行筛选的方法为：

步骤四1：运用步骤三获得的粗定位结果，对步骤二中通过使用重构数据变换矩阵而获得的每一个待定位处收到的M个无线接入节点AP的接收信号强度值RSS值进行分类，最终划分为β类，然后执行步骤四2；

步骤四2：当任意一个聚类内无线接入节点AP的个数大于1时，则删除该聚类中的最小RSS值，否则不进行操作，然后执行步骤四3；

步骤四3：对各类别内剩余的RSS值求平均值，得到β个RSS值的均值，完成筛选。

如此，所有无线接入节点AP的维度由M降至β，每一个参考节点和待定位的移动终端都可以用β维向量表示。在定位时，匹配信号的维度高低对应所用无线接入节点AP数量的多少，为了减少定位计算量，因此匹配信号要适当的降维；AP降维筛选的原则：其一是保证无线接入节点AP的有效性，即同一方向相似的无线接入节点AP归为同一类，同一类的无线接入节点AP只留下一个维度，为了充分利用每一个保留的无线接入节点AP数据，将无线接入节点AP对应的RSS值求平均值。其二是保证无线接入节点AP的可靠性，即对于同一类别的无线接入节点AP，要除去RSS值最小的那个，因为较弱的信号受到环境中噪声扰动后，容易引起较大的相对误差，并且受到干扰后得到的数据将变得不可靠，因此要对无线接入节点AP进行筛选。

具体实施方式八：本实施方式是对具体实施方式一所述的一种用于实时监控的WLAN室内位置指纹定位方法作进一步说明，本实施方式中，步骤四所述采用KNN算法对筛选后的RSS值进行精定位的方法为：

在待搜索定位子区域内，采用步骤四待测试点处M个RSS值的筛选结果，对每一个参考节点所接收到的RSS值进行筛选，最后计算每个参考节点与待定位的移动终端的欧式距离，并从中选择出欧式距离最小的k个参考节点，然后求出这k个参考节点的物理坐标的平均值，最终得到待定位的移动终端的定位结果。

具体实施方式九：本实施方式是对具体实施方式五所述的一种用于实时监控的WLAN室内位置指纹定位方法作进一步说明，本实施方式中，步骤三3所述SOFM神经网络为人工神经网络中的自组织特征映射网络。

本发明中，采用比较成熟的三层BP神经网络对数据进行压缩传输和重构，该三层BP网络包括：输入层、隐层和输出层。将指纹数据空间RadioMap数据中的所有数据做为输入参数，输入层到隐层的传递函数采用双曲正切函数：

$f_1\left(x\right)=\frac{1-e^{-x_1}}{1+e^{-x_1}}$

隐层到输出层的传递函数采用对数S函数：

$f_2\left(x\right)=\frac{1}{1+e^{-x_2}}$

双曲正切函数和对数S函数均为BP神经网络的内部系统函数，其中x₁是由输入的多维数据与其相应的权值相乘再求和，之后减去一个常数c得到的，因为BP神经网络需要输入多组数据进行训练学习，所以在第一次输入的时候，权值和常数c是预先设定的，之后的权值和常数c是神经网络通过前面的数据计算得到的，通过公式计算得出的f₁(x)就是相应隐层的数值，同理x₂也是一个没有实际意义的物理参量，不同的是它是由隐层多维数据与他们相应的权值相乘求和再做相关运算得到的，而输出的f₂(x)是相应输出层的数值。

隐节点个数根据经验公式γ＝lg2^M和求得。

对于如图3所示的定位场景，每一个参考节点或移动终端可以收到最多来自M＝27个AP的信号；l是输出节点的个数，数据压缩传输再重构时l＝M＝27；x是一个1到10的常数；γ是隐层节点的个数，即数据压缩到的目标维数。经过检验，γ此时取9到12，数据可被高度压缩，同时重构数据误差较小，对定位影响不大。将指纹数据空间RadioMap数据中的每一个参考节点对应的M维接收信号强度向量RSS向量作为一次训练样本，待用N个样本对BP网络进行训练后，得到数据降维变换矩阵和数据重构变换矩阵，分别存贮在待定位的移动终端和定位服务器端。

本发明中将监控系统的定位算法整体耗能情况能够表示为：

f(n,m,k)＝u(n)v(m)+w(km)+o(n,m)+l_sys

n是衡量物理位置搜索空间的大小的物理量，可以用参考节点的数目进行表征；m是衡量匹配信号维度高低的物理量，可以用实际参与定位算法的AP信号强度值的个数进行表征；km是衡量移动终端收发数据多少的物理量，k<1，表示待传输信号数据的压缩程度；f(n,m,k)是定位算法总能耗关于参数n、m、k的函数表示；u(n)、v(m)分别是关于变量n、m的单调递增函数，分别表示参考节点数目和匹配信号维度在定位算法复杂度这个角度上对定位能耗的贡献因子；u(n)v(m)表示定位运算量引起的能耗，产生定位服务器端；w(km)表示信号传输引起的能耗，主要产生于移动终端发送用于定位的信号数据的过程中；o(n,m)是关于变量n、m的高阶无穷小项；l_sys表示定位系统其它方面的能耗，产生于无线接入节点AP端、待定位移动终端等。

Claims (8)

1.一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，所述室内定位空间内设置有N个等间距分布在室内定位空间内的参考节点和M个无线接入节点AP，使室内定位空间内的任意位置均能够接收到至少一个无线接入节点AP发出的无线信号，且所接收到的信号强度应大于-95dBm，M和N均为正整数；

根据所有参考节点的物理位置，采用K均值聚类算法将参考节点所在的室内定位空间划分为α块定位子区域，记作：S₁,S₂,...,S_α，其中α为正整数，所述定位方法包括以下步骤：

步骤一：待定位的移动终端利用室内定位空间中用来压缩数据的权值矩阵，把接收到的来自所有无线接入节点AP的接收信号强度值RSS值压缩成一个γ维RSS向量，γ为正整数，然后执行步骤二；

步骤二：根据室内定位空间中用来重构数据的变换矩阵将步骤一获得的γ维RSS向量恢复成M维RSS向量，从而得到M个无线接入节点AP的接收信号强度值RSS值，然后执行步骤三；

步骤三：对步骤二获得的M个无线接入节点AP的接收信号强度值RSS值进行粗定位，初步确定待定位的移动终端的位置，然后执行步骤四；

步骤四：根据步骤三获得的待定位的移动终端的位置和定位子区域，对步骤三获得的粗定位后的RSS值进行筛选，并采用KNN算法对筛选后的RSS值进行精定位，最终得到待定位的移动终端的定位结果；

所述的采用K均值聚类算法将参考节点所在的室内定位空间划分为α块定位子区域的方法，它包括以下步骤：

步骤一1：在室内定位空间内任意选取一点作为原点建立直角坐标系，以N个参考节点的物理位置作为描述参考节点的参数，在N个参考节点中随机选取K个初始聚类中心，记作：Z₁(1),Z₂(1),...,Z_K(1)，其中K＝α且0≤K<N，聚类中心括号内数字表示迭代次数，然后执行步骤一2；

步骤一2：按最小欧氏距离原则将剩余参考节点分配到某一个初始聚类中心中：

min{||X-Z_i(k)||,i＝1,2,…,K}＝||X-Z_j(k)||＝D_j(k)

其中X为样本点，且有X∈S_j(k)，S_j(k)为第j个聚类，k为迭代次数，j为类别标号，Z_j(k)为第k次迭代时第j个类别的聚类中心，D_j(k)为第k次迭代时，样本与样本所在的类别的聚类中心之间的欧氏距离，然后执行步骤一3；

步骤一3：计算各聚类中心的新向量值：

$Z_j(k+1)=\frac{1}{N_j}\underset{X\&Element;S_j\left(k\right)}{\&Sigma;}X,j=1,2,...,K$

其中N_j为第j个类别所含样本的个数，然后执行步骤一4；

步骤一4：判断Z_j(k+1)与Z_j(k)的关系；

当Z_j(k+1)≠Z_j(k)时，返回步骤一2；

当Z_j(k+1)＝Z_j(k)时，算法收敛，完成计算，获得α块定位子区域，记作：S₁,S₂,...,S_α，并得到α个距离聚类中心最近的参考节点，记作：X₁,X₂,...,X_α。

2.根据权利要求1所述的一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，步骤一所述的权值矩阵和步骤二所述的变换矩阵是通过以下步骤获得：

步骤二1：根据室内定位空间及其内部的参考节点和无线接入节点AP的分布情况建立指纹数据空间RadioMap数据，然后执行步骤二2；

步骤二2：利用步骤二1获得的指纹数据空间RadioMap数据，分别在每块定位子区域和每一对相邻的定位子区域内，以所有无线接入节点AP的接收信号强度值RSS值为参数，对M个无线接入节点AP进行聚类划分，然后执行步骤二3；

步骤二3：以指纹数据空间中每个参考节点对应的M维RSS向量作为样本，运用BP神经网络对该样本进行训练，得到用来压缩数据的权值矩阵和用来重构数据的变换矩阵。

3.根据权利要求2所述的一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，步骤二1所述建立指纹数据空间RadioMap数据的方法为：

采集并记录每个参考节点处接收到的所有无线接入节点AP的接收信号强度值RSS值，根据N个参考节点的物理位置、每个参考节点对应的所有无线接入节点AP的RSS值及相应无线接入节点AP的物理位置，形成指纹数据空间RadioMap数据。

4.根据权利要求2所述的一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，步骤二2所述以所有无线接入节点AP的接收信号强度值RSS值为参数，对M个无线接入节点AP进行聚类划分的方法，它包括以下步骤：

步骤三1：对每个定位子区域和每一对相邻的定位子区域，进行K＝4的K均值聚类，获得4个聚类中心，选取距离4个聚类中心最近的参考节点作为4个参考基准节点；

步骤三2：对于任意一个无线接入节点AP，用步骤三1获得的4个参考基准节点处接收到的该无线接入节点AP的接收信号强度值RSS值作为该无线接入节点AP的四维描述参数；

步骤三3：根据对定位贡献相近的无线接入节点AP归为一类的原则，将所有无线接入节点AP的四维接收信号强度向量RSS向量坐标作为SOFM神经网络的输入参数，采用SOFM神经网络将M个无线接入节点AP聚为β类，即将每一个参考点收到的M个RSS值聚为β类，并将所有无线接入节点AP所属类别作为SOFM神经网络的输出参数。

5.根据权利要求1所述的一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，步骤三所述对步骤二获得的M个无线接入节点AP的接收信号强度值RSS值进行粗定位的方法为：

根据步骤二获得的M个无线接入节点AP的接收信号强度值RSS值，并以α个距离聚类中心最近的参考节点作为总参考节点，分别计算M个无线接入节点AP在α个参考节点处得到的所有无线接入节点AP的接收信号强度值RSS值的欧式距离d_i，i＝1,2,...,α：

$d_i={\&lsqb;\underset{j=1}{\overset{M}{\&Sigma;}}{(X_{ij}-{\mathrm{Rss}}_j)}^2\&rsqb;}^{1/2}$

X_ij表示第i个参考节点的第j维RSS向量，Rss_j表示重构出来的待定位的移动终端处收到的第j个无线接入节点AP的接收信号强度向量RSS向量；

根据d_i求出最小欧式距离d_min1和次最小欧式距离d_min2，求出二者差值△d：

△d＝d_min2-d_min1

判断△d与预设阈值ε的关系，当△d≥ε时，则选取d_min1对应的子区域S_min1为定位待搜索区域S；当△d<ε时，则选取d_min1和d_min2两个子区域对应的子区域S_min1∪S_min2为定位待搜索区域S。

6.根据权利要求1所述的一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，步骤四所述对步骤三获得的粗定位后的RSS值进行筛选的方法为：

步骤四1：运用步骤三获得的粗定位结果，对步骤二中通过使用重构数据变换矩阵而获得的每一个待定位处收到的M个无线接入节点AP的接收信号强度值RSS值进行分类，最终划分为β类，然后执行步骤四2；

步骤四2：当任意一个聚类内无线接入节点AP的个数大于1时，则删除该聚类中的最小RSS值，否则不进行操作，然后执行步骤四3；

步骤四3：对各类别内剩余的RSS值求平均值，得到β个RSS值的均值，完成筛选。

7.根据权利要求1所述的一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，步骤四所述采用KNN算法对筛选后的RSS值进行精定位的方法为：

在待搜索定位子区域内，采用步骤四待测试点处M个RSS值的筛选结果，对每一个参考节点所接收到的RSS值进行筛选，最后计算每个参考节点与待定位的移动终端的欧式距离，并从中选择出欧式距离最小的k个参考节点，然后求出这k个参考节点的物理坐标的平均值，最终得到待定位的移动终端的定位结果。

8.根据权利要求4所述的一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，步骤三3所述SOFM神经网络为人工神经网络中的自组织特征映射网络。