CN103581830A - 基于wsn的室内定位方法 - Google Patents

Abstract

本发明提供一种基于WSN的室内定位方法，包括：离线指纹采集：在待定位的室内区域布置满足WSN通信要求的锚节点，完成室内WSN网络构建；将室内区域分割成多个子区域，在各个子区域内设置测试点并采集测试点的指纹，将指纹存储在数据库中；在线定位：当待定位的移动节点进入室内区域中游走时，获得移动节点在室内区域中任意时刻的指纹；对所述移动节点在室内区域中任意时刻的指纹进行滤波和降维处理并与数据库中的指纹进行对比，得出移动节点在室内区域中的具体位置。本发明解决了因节点硬件因素和相关环境因素造成的移动节点接收到的RSSI无规律波动的问题，和因障碍物的原因测量不到RSSI或测量到的RSSI出现极大偏差的问题，提高了定位精度及定位抗干扰能力。

Description

基于WSN的室内定位方法

技术领域

本发明属于无线通信技术领域，涉及一种定位方法，特别是涉及一种基于WSN的室内定位方法。

背景技术

无线传感器网络（WSN）作为新一代的传感器网络，在医疗护理、军事领域以及环境监测和保护等方面都有着广泛的应用，给人类的生产生活的各个领域带来了深远的影响。而所有的应用都是通过信息采集完成的，采集到的数据只有在能够确定感知对象的位置时才有意义。例如，在野外灾难监测的应用中，救援人员只有在知道灾难发生的准确位置才能实施他们的工作。而对于某些传感器网络的协议，位置信息也是必要因素之一，如基于地理位置的路由协议，就需要通过传感器节点的位置来选择其报文转发的路由节点。因此，传感器节点的位置确定在大多数应用中起着关键作用。但是，在实际环境中WSN易受到多种不同形式的攻击，这将不同程度的影响定位过程的准确度，甚至使定位信息完全失去意义。所以定位过程的安全极为重要。

现有的定位算法很多，如GPS定位方法，但其设备昂贵，使用成本过高，室内收不到卫星信号，不利于大规模的布置节点监测。由于RF容易受到噪声和障碍物的干扰，测量结果的误差特别大，利用RSSI（Received Signal Strength Indicator，接收信号强度显示）的衰减模型来计算节点之间的距离不能适用于室内环境。目前，针对无线传感器网络采用基于RSSI的KNN定位方法较为有效，由于WSN节点的通信距离处在过渡区域，覆盖面积有限，无线通信链路受到墙壁，天花板，以及人体移动等环境的影响，造成个别节点通信不稳定；此外，该方法还受节点硬件（由于噪声的影响导致发射功率波动）和相关环境因素（例如：障碍物的移动）等的影响，会使得接收到的RSSI值发生抖动，与原位置指纹产生严重偏差，所以在基于KNN定位过程中，会导致定位最终结果呈现抖动，定位精度严重降低。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于WSN的室内定位方法，用于解决现有技术中由于节点硬件和相关环境因素造成的接收RSSI随机波动和由于节点数据链路和障碍物等原因无法通讯或者测量到的RSSI异常，从而造成定位精度严重降低的问题。

为实现上述目的及其他相关目的，本发明提供一种基于WSN的室内定位方法。

一种基于WSN的室内定位方法，所述基于WSN的室内定位方法包括离线指纹采集和在线定位：所述离线指纹采集包括：在室内区域布置满足WSN通信要求的锚节点，使在所述室内区域中的任意位置处都能够接收到足够多数量的锚节点的信号，完成室内WSN网络拓扑结构和路由构建；将所述室内区域分割成多个子区域，在各个子区域内设置测试点，采集测试点的指纹，并将所有测试点的指纹及该测试点所属子区域的类别存储在数据库中；所述指纹为多维RSSI向量，即来自多个不同锚节点的信号强度的有序排列；所述在线定位包括：当待定位的移动节点进入所述室内区域中游走时，该待定位的移动节点在任意时刻均收到来自多个锚节点的不同强度的射频信号，进而获得所述移动节点在所述室内区域中的任意子区域任意时刻的观测指纹；对所述待定位的移动节点获得的自身在任意子区域中任意时刻的观测指纹进行滤波处理，然后将滤波后的指纹与所述数据库中的指纹进行对比，进而得出所述待定位的移动节点在室内区域中的具体位置。

优选地，所述WSN通信要求为：所述锚节点在所述室内区域内自组织形成无线传感器网络并完成拓扑路由结构初始化，且所述网络全面覆盖所述室内区域，所述任意子区域均被足够数量的锚节点通信覆盖。

优选地，所述滤波处理包括卡尔曼滤波，对观测指纹进行滤波处理即对多维RSSI向量进行卡尔曼滤波处理，具体过程为：所述卡尔曼滤波的模型为：

$\left\{\begin{array}{c}{\hat{x}}_{k|k-1}={\hat{x}}_{k-1}\\ P_{k|k-1}=P_{k-1}+{\mathrm{\σ}}_w^2{E}_n\\ K_k=P_{k|k-1}{[P_{k|k-1}+{\mathrm{\σ}}_v^2{E}_n]}^{-1}\\ {\hat{x}}_k={\hat{x}}_{k-1}+K_k(y_k-{\hat{x}}_{k-1})\\ P_k=(I-K_k)P_{k|k-1}\end{array}\right.$

其中，y_k表示待定位的移动节点在k时刻的观测向量；

表示对y_k的最优估计量，即待定位的移动节点在k时刻的状态向量；

表示待定位的移动节点在k-1时刻的状态向量，

表示待定位的移动节点在k时刻的预测状态向量；P_k|k-1表示

对应的协方差矩阵，P_k-1表示

对应的协方差矩阵，P_k表示

对应的协方差矩阵；K_k表示k时刻计算出的卡尔曼增益矩阵；

表示k时刻的输入噪声的协方差矩阵，

表示k时刻的观测噪声的协方差矩阵，I表示单位矩阵；设k=0时，P_k的初始矩阵P₀为对角矩阵；根据对k时刻的观测向量y_k，启动所述卡尔曼滤波的模型递归下去，获得k时刻的n维RSSI观测向量y_k的最优估计

优选地，所述滤波处理还包括边界检测处理，即对经过卡尔曼滤波处理后的n维RSSI观测向量的最优估计进行边界检测处理，具体过程为：对所述最优估计中不在固定范围[rssi_min,rssi_max]内的RSSI观测分量舍弃；rssi_min表示最小的RSSI观测向量值，rssi_max表示最大的RSSI观测向量值。

优选地，所述滤波处理还包括相似度检测处理，即对经过边界检测处理后的RSSI观测向量进行相似度检测处理，具体过程为：对每个经过边界检测处理后的RSSI观测向量与所述数据库中的指纹进行距离计算，将距离≤5的观测向量并入LF子集，准备参与KNN计算。

优选地，所述滤波处理还包括相似度检测处理，即对卡尔曼滤波处理后的n维RSSI观测向量的最优估计进行相似度检测处理，具体过程为：对每个卡尔曼滤波处理后输出的RSSI观测向量与所述数据库中的指纹进行距离计算，将距离≤5的观测向量并入LF子集，准备参与KNN计算。

优选地，所述滤波处理还包括降维处理，即对经过相似度检测处理后的RSSI观测向量进行降维处理，具体过程为：对相似度检测处理后所得LF子集进行判断，如果LF子集为空，则需要依次减少某个向量的维度重复进行相似度检测处理过程，重新获取LF子集，直至LF子集非空。

优选地，所述将滤波后的指纹与所述数据库中的指纹进行对比，进而得出所述待定位点在室内区域中的具体位置的具体实现过程为：在所述LF子集中利用KNN算法进行定位，得出所述待定位的移动节点的指纹在所述数据库中所属的类别，获得准确定位。

优选地，如果待定位的移动节点收到信号的来源少于n个锚节点，则对没有提供信号的锚节点的RSSI向量进行固定值填充，所述固定值不在固定范围[rssi_min,rssi_max]内；rssi_min表示最小的RSSI观测向量值，rssi_max表示最大的RSSI观测向量值。

如上所述，本发明所述的基于WSN的室内定位方法，具有以下有益效果：

本发明通过定位系统（即构建的WSN网络）进行Kalman滤波建模和降维处理，解决了由于节点硬件因素和相关环境因素造成的待定位节点接收到的RSSI随机波动的问题，同时还解决了由于障碍物的原因测量不到RSSI或者测量到的RSSI出现极大偏差的问题，进而避免了环境不确定性以及抖动现象的影响，提高了定位精度。

附图说明

图1显示为实施例一所述的基于WSN的室内定位方法的流程示意图。

图2显示为一种室内WSN网络构建的场景示意图。

图3显示为实施例二所述的基于WSN的室内定位方法的流程示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅附图。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，所以图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可以随意的改变，且其组件布局型态也可能更为复杂。

下面结合实施例和附图对本发明进行详细说明。

实施例一

本实施例提供一种基于WSN的室内定位方法，如图1所示，所述基于WSN的室内定位方法包括离线指纹采集和在线定位。

所述离线指纹采集包括：

首先，在待定位的室内区域布置满足WSN通信要求的锚节点，使在所述室内区域中的任意位置处都能够接收到锚节点的信号，完成室内WSN网络拓扑结构和路由构建。具体地，针对待定位环境（即待定位的室内区域）布置n个WSN锚节点，确保所述待定位环境被WSN信号覆盖，并且保证待定位环境中的任一测试点都能够接收到的锚节点个数至少为3个。所述WSN通信要求为：所述锚节点在所述室内区域内自组织形成无线传感器网络并完成拓扑路由结构初始化，且所述网络全面覆盖所述室内区域。所述锚节点发出的射频信号按一定衰减模型覆盖所述待定位的室内区域，且所有锚节点位于同一平面内，所有锚节点尽量不要处于一条直线上。

其次，将所述室内区域分割成多个子区域，在各个子区域内设置测试点。其中，所述任意子区域均被足够数量的锚节点通信覆盖。具体地，通过大量实验测试表明，分割密度一般定义间隔为2.4米效果较好，并对子区域进行类别定义。

最后，对每个子区域进行指纹采集，即采集子区域中各个测试点的指纹，并将所有测试点的指纹及该测试点所属子区域的类别存储在数据库中；所述指纹为多维RSSI向量，即来自多个不同锚节点的信号强度的有序排列；测试点的指纹连同该测试点所属子区域的类别形成n+1维向量，n+1维向量存入数据库中形成指纹库。具体地，所述测试点的指纹为a={a₁,a₂,…,a_k,…,a_t},k,t∈N,k≤t，其中，N表示自然数，a_k表示测试点在k时刻接收到的来自n个不同锚节点的信号的RSSI值的有序排列，也就是n维RSSI向量，也称为测试点在k时刻的观测向量；a_k={a_1k,a_2k,a_ik，…,a_nk}^T，1≤i≤n,i,n∈N^*，a_ik表示测试点在k时刻接收到的来自i个不同锚节点的信号的RSSI值的有序排列；其中，k和t表示时刻，N^*表示WSN中所有锚节点的集合；n表示WSN锚节点的个数。

结合图2所示的一种室内WSN网络构建的场景为例，具体说明本发明所述的离线指纹采集的实现过程：

WSN网络构建：对欲定位的室内区域布置锚节点（也称Beacon节点或信标节点），从而完成WSN网络拓扑结构和路由构建。锚节点放置地点的选定首先要满足WSN通信的要求，即WSN信号的覆盖需定位区域；其次需要将锚节点尽可能多的放置在区域不同方向的边缘，使得待定位的移动节点（或测试节点）从不同锚节点接收到信号的RSSI（Received SignalStrength Indication，接收信号强度指示）有很好的区分度。在此基础上，尽量使每个待定位节点在室内定位区域能从尽可能多的锚节点接收到信号，且锚节点数量应不少于3个。

空间分割：可以将待定位的空间按应用要求进行均匀分割或者非均匀分割，把分割出的子区域作为一个类别，即一个子区域对应一个类别，没有任何两个子区域对应的类别重复；例如可以采用间隔为2.4米的等距分割。

指纹采集：在室内子区域均匀选取测试点，并采集测试点的指纹；障碍物密集或信号抖动较大的区域可以增大指纹采集数量，但是也要有一定限度，否则会出现过学习现象。利用采集好的指纹构建指纹库，保存在数据库（即指纹库）中。在采集指纹的过程中，需要环境适当（例如没有人员移动等），并且需要对每一个特定测试点都要进行数次采集并求其期望，过滤掉环境的随机噪声，提高指纹的精确性。

所述在线定位包括：

步骤一，当待定位的移动节点进入所述室内区域中游走时，该待定位的移动节点在任意时刻均收到来自多个锚节点的不同强度的射频信号，进而获得所述待定位的移动节点在所述待定位的室内区域中任意子区域任意时刻的观测指纹。具体地，所述待定位的移动节点在一段时间间隔内的观测指纹为一时间序列y={y₁,y₂,…,y_k,…,y_t},k,t∈N,k≤t，N表示自然数；该时间序列y是指一段时间间隔内采集的指纹按时间升序排列的有序集合；其中y_k={y_1k，y_2k，y_ik，…,y_nk}^T,1≤i≤n,i,n∈N^*，y_k表示待定位的移动节点在k时刻接收到的来自n个不同锚节点的信号的RSSI值的有序排列，也称为待定位的移动节点在k时刻的观测向量；y_ik表示待定位的移动节点在k时刻接收到的来自i个锚节点的信号强度值（即RSSI值）的有序排列。

由于观测指纹的分量代表着同一时刻来自不同锚节点（也称为不同系统）的信号的RSSI值的有序排列，则观测指纹y的各个分量y_k是相互独立的，即cov(y_l,y_m)=0，(l≠m,1≤l,m≤n,l,m∈N)；而且所述y_k的各个分量y_ik为随机分量，不同随机分量的协方差为零：cov(y_ik，y_jk)=0,i≠j,1≤i,j≤n,i,j,n∈N^*，k∈N，N表示自然数；N^*表示WSN中所有锚节点的集合。

步骤二，对所述待定位的移动节点获得的自身在室内区域中任意时刻的指纹进行滤波处理。所述滤波处理包括卡尔曼滤波处理、边界检测处理、相似度检测处理、降维处理等等。本发明所述的滤波处理包括但不限于本实施例提供的4种滤波处理方法。本实施例在对指纹进行卡尔曼滤波后，再进行边界检测处理，最后进行相似度检测处理和降维处理，具体实现过程如下。

具体地，一个实际的WSN系统可用如下形式表示，设向量非平稳序列x_k-1和y_k-1用下面的动态方程描述：

$\left\{\begin{array}{c}{x}_k={\mathrm{\Φ}}_{k,k-1}{x}_{k-1}+w_{k-1}\\ y_k=C_k{x}_k+v_k\end{array}\right.(k\≥0)$

其中，x_k是状态向量，y_k是观测向量，w_k是输入噪声，v_k是观测噪声，Φ_k，k-1是从k-1时刻到k时刻的状态转移矩阵，C_k是过程转移矩阵。

假设：1）w_k和v_k为零均值白噪声，即：

$\left\{\begin{array}{c}E\left(w_k\right)=0,\mathrm{Cov}[w_k,w_j]=E\left[w_k{\text{w}}_j^T\right]=Q_k{\mathrm{\δ}}_{\mathrm{kj}}\\ E\left(v_k\right)=0,\mathrm{Cov}[v_k,v_j]=e\left(v_k{v}_j^T\right)=R_k{\mathrm{\δ}}_{\mathrm{kj}}\end{array}\right.$

均为已知。

2）w_k和v_k不相关，即：

$\mathrm{Cov}[w_k,v_j]=E\left(w_k{v}_j^T\right)=0(\∀k,j)$

3）初始状态x₀是随机向量，且与w_k、v_k不相关，即：

$\left\{\begin{array}{c}\mathrm{Cov}[x_0,w_k]=E\left[(x_0-{\mathrm{Ex}}_0)w_k^T\right]=0\\ \mathrm{Cov}[x_0,v_k]=E\left[(x_0-{\mathrm{Ex}}_0)v_k^T\right]=0\end{array}\right.$

则卡尔曼的递推公式为：

$\left\{\begin{array}{cc}{\hat{x}}_{k|k-1}={\hat{x}}_{k-1}& \left(1\right)\\ P_{k|k-1}=P_{k-1}+{\mathrm{\σ}}_w^2{E}_n& \left(2\right)\\ K_k=P_{k|k-1}{[P_{k|k-1}+{\mathrm{\σ}}_v^2{E}_n]}^{-1}& \left(3\right)\\ {\hat{x}}_k={\hat{x}}_{k-1}+K_k(y_k-{\hat{x}}_{k-1})& \left(4\right)\\ P_k=(I-K_k)P_{k|k-1}& \left(5\right)\end{array}\right.$

对已知的WSN系统进行卡尔曼建模：

设在k时刻和k-1时刻，待定位的移动节点从锚节点所观测到的n维RSSI向量是不变的，对于k时刻的预测向量

为k-1时刻的观测向量y_k-1的最优估计

即

这里所提及的k时刻和k-1时刻的时间间隔就是测量样本的时间间隔（即锚节点或者测试点发送定位数据包的时间间隔）。这里没有控制量，认为是噪声驱动。

所以状态转移矩阵Φ_k，k-1和过程转移矩阵C_k都为n阶单位阵E_n，即：

并假设在任意时刻k，输入噪声w_k和观测噪声v_k都服从均值为零、方差分别为和

的正太分布，即

并且由于锚节点（信标节点）是独立的系统，则认为各个锚节点的输入噪声w_k和观测噪声v_k都是相互独立的，则输入噪声w_k和观测噪声v_k的协方差矩阵分别为：

$Q_k={\mathrm{\σ}}_w^2{E}_n,R_k={\mathrm{\σ}}_v^2{E}_n$

则上述(1)~(5)递推公式可变为：

$\left\{\begin{array}{cc}{\hat{x}}_{k|k-1}={\hat{x}}_{k-1}& \left(6\right)\\ P_{k|k-1}=P_{k-1}+{\mathrm{\σ}}_w^2{E}_n& \left(7\right)\\ K_k=P_{k|k-1}{[P_{k|k-1}+{\mathrm{\σ}}_v^2{E}_n]}^{-1}& \left(8\right)\\ {\hat{x}}_k={\hat{x}}_{k-1}+K_k(y_k-{\hat{x}}_{k-1})& \left(9\right)\\ P_k=(I-K_k)P_{k|k-1}& \left(10\right)\end{array}\right.$

其中，y_k表示待定位的移动节点在k时刻的观测向量；

表示对y_k的最优估计量，即待定位的移动节点在k时刻的状态向量，也是k时刻的卡尔曼滤波模型的输出；表示待定位的移动节点在k-1时刻的状态向量，为根据k-1时刻状态向量

对

做出的预估计；P_k|k-1表示

对应的协方差矩阵，P_k-1表示

对应的协方差矩阵，P_k表示

对应的协方差矩阵；K_k表示k时刻计算出的卡尔曼增益矩阵，该参数说明了在计算k时刻最优估计量时，对k时刻的观测向量y_k与k-1时刻的最优估计量

差值的重视程度；表示k时刻的输入噪声的协方差矩阵，

表示k时刻的观测噪声的协方差矩阵，I表示单位矩阵；设k=0时，P_k的初始矩阵P₀为对角矩阵；根据对k时刻的观测向量y_k，启动所述卡尔曼滤波的模型递归下去，获得k时刻的n维RSSI观测向量的最优估计

其中，过程噪声w_k的协方差矩阵

的系数可以通过实际测量得出，而观测噪声的协方差矩阵

的系数

可以手动指定，一般情况

这样才能收敛。P₀可以自由假设，但是对角元素不能等于0。例如可以假设P₀为对角矩阵：P₀=p₀E_n，p₀表示非零数值。为使令卡尔曼滤波器开始工作，需要告诉卡尔曼滤波的模型在零时刻的初始值

和P₀（

的协方差矩阵）；该初始值可以自由取定，因为随着卡尔曼算法的迭代，其值会自动收敛；但是P₀不能取零矩阵，否者会令卡尔曼算法完全相信给定的

是系统最优的，从而使算法不能收敛。这样根据对k时刻的测量值y_k，该算法就可以启动并且无穷递归下去，可以得出任意k时刻n维RSSI观测向量的最优估计

高效且精确。

如果待定位的移动节点收到信号的来源少于n个锚节点，则对没有提供信号的锚节点的RSSI向量进行固定值填充，所述固定值不在固定范围[rssi_min,rssi_max]内；rssi_min表示最小的RSSI观测向量值，rssi_max表示最大的RSSI观测向量值。

所述边界检测处理即对经过卡尔曼滤波处理后的n维RSSI观测向量的最优估计进行边界检测处理，具体过程为：对所述最优估计中不在固定范围[rssi_min,rssi_max]内的RSSI观测分量舍弃；rssi_min表示最小的RSSI观测向量值，rssi_max表示最大的RSSI观测向量值。

具体地，根据RSSI的测距模型，设d表示待定位节点与锚节点的距离，则：

1）当d<rssi_min时，RSSI变化敏感；

2）当d>rssi_max时，RSSI变化迟钝；

上述两种情况会使定位不精确，鉴于此定义RSSI的上下界，即

时，则进行降维处理，忽略此维度，利用剩余的维度进行KNN定位。

所述相似度检测处理即对经过边界检测处理后的RSSI观测向量进行相似度检测处理，具体过程为：对每个经过边界检测处理后的RSSI观测向量与所述数据库中的指纹进行距离计算，将距离≤5的观测向量并入LF子集(sub-LF)，准备参与KNN计算。

具体地，当RSSI∈[rssi_min,rssi_max]时，可能由于节点的链路或障碍物等原因导致无法接收到RSSI或测量的RSSI值异常，此时定位结果也会产生严重偏差。解决方法是：定义相似门限δ，即要求由Kalman滤波算法所计算出来的最优估计向量序列（空间）

的各个分量

满足式（11），得出的解空间才能作为真正的指纹库（即LF子集）进行KNN定位，否则进行降为处理，其中k,t∈N^*,k≤t， ${\hat{x}}_k={\{{\hat{x}}_{1k},{\hat{x}}_{2k},{\hat{x}}_{\mathrm{ik}},\&CenterDot;\&CenterDot;\&CenterDot;{\hat{x}}_{\mathrm{nk}}\}}^T,$ 1≤i≤n,i,n∈N^*。

${|{\hat{x}}_{\mathrm{ik}}-a_i|}^b\&le;\mathrm{\&delta;}(b,k\&Element;N^{*},i\&le;n,\mathrm{\&delta;}>0,\mathrm{\&delta;}\&Element;R)---\left(11\right)$

其中，

为经由卡尔曼（Kalman）滤波算法计算出的k时刻的最优估计向量的第i个分量，a为指纹库中的指纹向量，a_i为指纹库中的指纹向量a的第i个分量，b为相似度因子，是用于调节相似程度的参数。只有满足（11）式的指纹集合即： $\left\{a\right||{\hat{x}}_i-a_i|{|}^b\&le;\mathrm{\&delta;},\&ForAll;i\&Element;N^{*}i\&le;n,b\&Element;N,\mathrm{\&delta;}>0,\mathrm{\&delta;}\&Element;R,a\&Element;\mathrm{LF}\},$ 才能作为指纹库参与KNN算法进行定位，其中，所述LF代表离线指纹采集时获得的指纹库。所述LF子集(sub-LF)是指在线定位时获得的可以进行KNN计算的指纹集合。即，在运用KNN算法进行距离计算时，在保证明考斯基距离最小的同时，首先要保证待定位的移动节点的RSSI向量的各个分量在相似度阀值内。

所述滤波处理还包括降维处理，即对经过相似度检测处理后的RSSI观测向量进行降维处理，具体过程为：对相似度检测处理后所得LF子集(sub-LF)进行判断，如果LF子集(sub-LF)为空，则需要依次减少某个向量的维度重复进行相似度检测处理的过程重新获取LF子集(sub-LF)，直至LF子集(sub-LF)非空。

步骤三，将滤波后的指纹与所述数据库中的指纹进行对比，进而得出所述待定位的移动节点在室内区域中的具体位置。即在最后获得的非空LF子集(sub-LF)中利用KNN算法进行定位，得出待定位的移动节点的指纹在所述数据库中所属的类别，获得准确定位。

本发明的目的是解决由于节点硬件和相关环境因素造成的接收RSSI随机波动和由于节点数据链路和障碍物等原因无法通讯或者测量到的RSSI异常，从而造成定位精度严重降低的问题。

本发明通过定位系统（即构建的WSN网络）进行Kalman滤波建模和降维处理，解决了由于节点硬件因素和相关环境因素造成的待定位节点接收到的RSSI随机波动的问题，同时还解决了由于障碍物的原因测量不到RSSI或者测量到的RSSI出现极大偏差的问题，进而避免了环境不确定性以及抖动现象的影响，提高了定位精度。

实施例二

本实施例提供一种基于WSN的室内定位方法，如图3所示，其与实施例一的区别在于，在步骤二中，对指纹进行卡尔曼滤波后，先进行相似度检测处理，然后进行边界检测处理，最后进行降维处理，即本实施例与实施例一的区别仅在于滤波处理的过程中采用的处理的方法顺序不同，其原理是相同的。

其中，本是实施例所述的相似度检测处理是：对卡尔曼滤波处理后的n维RSSI观测向量的最优估计进行相似度检测处理，具体过程为：对相似度大于等于固定阈值δ的RSSI观测分量舍弃。再对经过相似度检测处理后的RSSI观测向量进行边界检测处理，具体过程为：对不在固定范围[rssi_min,rssi_max]内的RSSI观测分量舍弃；最后进行降维处理，获得非空LF子集；rssi_min表示最小的RSSI观测向量值，rssi_max表示最大的RSSI观测向量值。

综上所述，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (9)

1.一种基于WSN的室内定位方法，其特征在于：所述基于WSN的室内定位方法包括离线指纹采集和在线定位： 

所述离线指纹采集包括：在室内区域布置满足WSN通信要求的锚节点，使在所述室内区域中的任意位置处都能够接收到足够多数量的锚节点的信号，完成室内WSN网络拓扑结构和路由构建；将所述室内区域分割成多个子区域，在各个子区域内设置测试点，采集测试点的指纹，并将所有测试点的指纹及该测试点所属子区域的类别存储在数据库中；所述指纹为多维RSSI向量，即来自多个不同锚节点的信号强度的有序排列； 

所述在线定位包括：当待定位的移动节点进入所述室内区域中游走时，该待定位的移动节点在任意时刻均收到来自多个锚节点的不同强度的射频信号，进而获得所述移动节点在所述室内区域中的任意子区域任意时刻的观测指纹；对所述待定位的移动节点获得的自身在任意子区域中任意时刻的观测指纹进行滤波处理，然后将滤波后的指纹与所述数据库中的指纹进行对比，进而得出所述待定位的移动节点在室内区域中的具体位置。 

2.根据权利要求1所述的基于WSN的室内定位方法，其特征在于，所述WSN通信要求为：所述锚节点在所述室内区域内自组织形成无线传感器网络并完成拓扑路由结构初始化，且所述网络全面覆盖所述室内区域，所述任意子区域均被足够数量的锚节点通信覆盖。 

3.根据权利要求1或2所述的基于WSN的室内定位方法，其特征在于，所述滤波处理包括卡尔曼滤波，对观测指纹进行滤波处理即对多维RSSI向量进行卡尔曼滤波处理，具体过程为： 

所述卡尔曼滤波的模型为： 

其中，y_k表示待定位的移动节点在k时刻的观测向量；

表示对y_k的最优估计量，即待定位的移动节点在k时刻的状态向量；

表示待定位的移动节点在k-1时刻的状态向量，

表示待定位的移动节点在k时刻的预测状态向量；P_k|k-1表示对应的协方差矩阵，P_k-1表示

对应的协方差矩阵，P_k表示对应的协方差矩阵；K_k表示k时刻计算 出的卡尔曼增益矩阵；

表示k时刻的输入噪声的协方差矩阵，

表示k时刻的观测噪声的协方差矩阵，I表示单位矩阵；设k=0时，P_k的初始矩阵P₀为对角矩阵； 

根据对k时刻的观测向量y_k，启动所述卡尔曼滤波的模型递归下去，获得k时刻的n维RSSI观测向量y_k的最优估计

。

4.根据权利要求3所述的基于WSN的室内定位方法，其特征在于，所述滤波处理还包括边界检测处理，即对经过卡尔曼滤波处理后的n维RSSI观测向量的最优估计进行边界检测处理，具体过程为：对所述最优估计中不在固定范围[rssi_min,rssi_max]内的RSSI观测分量舍弃；rssi_min表示最小的RSSI观测向量值，rssi_max表示最大的RSSI观测向量值。 

5.根据权利要求4所述的基于WSN的室内定位方法，其特征在于，所述滤波处理还包括相似度检测处理，即对经过边界检测处理后的RSSI观测向量进行相似度检测处理，具体过程为：对每个经过边界检测处理后的RSSI观测向量与所述数据库中的指纹进行距离计算，将距离≤5的观测向量并入LF子集，准备参与KNN计算。 

6.根据权利要求3所述的基于WSN的室内定位方法，其特征在于，所述滤波处理还包括相似度检测处理，即对卡尔曼滤波处理后的n维RSSI观测向量的最优估计进行相似度检测处理，具体过程为：对每个卡尔曼滤波处理后输出的RSSI观测向量与所述数据库中的指纹进行距离计算，将距离≤5的观测向量并入LF子集，准备参与KNN计算。 

7.根据权利要求5或6所述的基于WSN的室内定位方法，其特征在于，所述滤波处理还包括降维处理，即对经过相似度检测处理后的RSSI观测向量进行降维处理，具体过程为：对相似度检测处理后所得LF子集进行判断，如果LF子集为空，则需要依次减少某个向量的维度重复进行相似度检测处理过程，重新获取LF子集，直至LF子集非空。 

8.根据权利要求7任意一项所述的基于WSN的室内定位方法，其特征在于，所述将滤波后的指纹与所述数据库中的指纹进行对比，进而得出所述待定位点在室内区域中的具体位置的具体实现过程为：在所述LF子集中利用KNN算法进行定位，得出所述待定位的移动节点的指纹在所述数据库中所属的类别，获得准确定位。 

9.根据权利要求3所述的基于WSN的室内定位方法，其特征在于：如果待定位的移动节点收到信号的来源少于n个锚节点，则对没有提供信号的锚节点的RSSI向量进行固定值填充，所述固定值不在固定范围[rssi_min,rssi_max]内；rss_imin表示最小的RSSI观测向量值，rssi_max表示最大的RSSI观测向量值。 

Images