CN103605110B - 基于接收信号强度的室内无源目标定位方法 - Google Patents

Abstract

本发明公开了一种基于接收信号强度的室内无源目标定位方法，属于无线网络中目标探测与跟踪技术领域。该方法考虑当链路被目标遮挡的情况，主要应用于定位前对发生阴影衰落的链路进行检测，包括：布置节点；测量无目标和目标进入监测区域后各链路的接收信号强度变化值；时域检测，排除一些突变的非阴影衰落链路；空域检测，排除一些离目标真实位置较远的阴影衰落链路；根据阴影衰落链路得到目标位置的估计。该方法实现简单灵活，并且结合了时域和空域检测方法，有效地排除了一些非阴影衰落链路的影响，更准确突出了由于目标引起的衰减效应，从而使室内目标定位更精确，实现更优动态跟踪。

Description

基于接收信号强度的室内无源目标定位方法

技术领域

本发明涉及一种室内无源目标定位方法，尤其是一种基于接收信号强度（ReceivedSignalStrength,RSS）的精确定位技术，属于无线网络中目标探测与跟踪技术领域。

背景技术

针对不携带任何电子标签的人体目标进行定位跟踪的技术在近年来成为了关注的热点。

由于人处在无线链路中时会造成信号的衰减，因此可以通过测量RSS的变化来实现目标的跟踪定位。因为现有的大部分无线设备，如WiFi或WSN(WirelessSensorNetwork)节点等，都可以提供RSS值，因此在应用中不需要额外的硬件条件，就可以实现低成本定位。

然而，在基于RSS变化的定位技术中，RSS的变化可能来自目标对链路中视距（LineofSight,LOS）路径的遮挡造成的衰减效应。但在室内环境中，RSS的变化也很有可能是由于室内各反射、散射等多径干扰信号的瞬时变化而引起的。这些干扰信号既无法测量，也无法预见其各种变化状态，却对RSS影响很大。这些特性使得室内定位技术目前面临着很大的挑战。

目前基于RSS的室内无源目标定位主要采用“指纹匹配”方法。该方法需要首先建立一个庞大的接收信号强度数据库。当人进入监测区域，通过匹配测量的各信号强度值与数据库中的值来进行定位。直观上来说，此方法不够灵活，不适用于紧急的场合，并且建立数据库需要耗费很大的工作量。

当人进入无线节点构成的网络时，由于人遮挡信号的传播会造成信号的衰减。比如当人处在链路的视距路径或者信号比较强的反射或散射路径上时，这都会导致链路RSS有比较明显的变化。目前基于RSS的室外无源目标定位技术就是直接根据RSS的变化来进行定位，效果良好。主要由于室外环境反射或散射信号等较小，RSS的变化主要来源于目标遮挡视距路径引起的信号衰减。在目标定位技术中，理论上只有那些由于视距路径遮挡导致RSS有变化的链路才能对目标定位提供有用的信息。但在室内环境中，反射、散射信号等较大。当人进入无线节点构成的网络时，不仅会对某些视距路径信号造成衰减，而且也会影响相关的反射、散射信号。此时若只考虑RSS变化而不进一步判断该变化是否由于阴影衰落导致会使室内目标定位技术存在很大的误差。

发明内容

本发明针对室内无线定位技术中多径干扰大，测量方法复杂不灵活或者不够精确的问题，提出了一种基于RSS的无源室内定位新的测量方法。该方法考虑当链路被目标遮挡的情况，主要应用于定位前对发生阴影衰落的链路进行检测。从时间域特征考虑，由于人穿过链路需要一定的时间，因此RSS的衰减变化也会有一段时间的持续。这样我们就能通过时域上的检测排除一些RSS有突变但并非由于人遮挡LOS路径而引起的偶然变化的链路。从空间域特征考虑，发生阴影衰落的链路其交叉点呈现出在接近人的真实位置处的聚集。本发明提出了基于该特性的空域检测方法。

一种基于RSS室内无源目标定位方法，具体包括以下步骤：

步骤一：将n个无线节点部署在一个室内区域，所有节点都在一个平面上；

每个节点的坐标为已知量，设第i个节点的坐标为(x_i,y_i),i∈[1,2,..,n]。每个节点都能测得其他节点所发的无线信号的RSS值，这些无线节点组成条无线链路

步骤二：当无目标时，测量得到各链路的RSS值r_l,l∈[1,2,...,L]；

步骤三：在t时刻，目标进入监测区域，并且位置坐标为X_t＝(x_t,y_t)，测得此时各链路的RSS值r_l,t,l∈[1,2,...,L]，由此可以得到RSS的变化值Δr_l,t＝r_l,t-r_l,l∈[1,2,...,L]；

Δr_l,t是由于目标的存在和运动引起的，具体原因可能是由于目标的遮挡引起LOS的阴影衰落，也可能是由于目标引起的各种多径干扰。

将目标等价为半径为R的圆柱体模型。当d_l,t>R时，意味着目标没有遮挡链路l，即链路l的LOS路径没受到目标的影响，此时测得的RSS的变化是由于目标的运动导致该链路多径的变化引起的。其中，d_l,t为从目标的质心到链路l的垂直距离，具体的计算式为：

$d_{l,t}=\frac{\left|\right|(x_t-x_i,y_t-y_i)\⊗(x_t-x_j,y_t-y_j)\left|\right|}{\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}},$

式中，(x_i,y_i)和(x_j,y_j)是构成链路l的两个节点坐标，为叉积运算，‖·‖为范数。

当d_l,t≤R时，测得的RSS的变化是由于目标的遮挡引起LOS的阴影衰落。将链路l的测量模型总结为：

${\mathrm{\Δr}}_{l,t}=f_l\left(X_t\right)+n_{l,t}=A_{\max }(1-\frac{d_{l,t}}{R})+n_{l,t},$

式中，阴影衰落函数A_max为目标质心刚好处于链路上时造成的阴影衰落值，n_l,t是测量噪声，服从零均值、方差为的高斯分布。

步骤四：时域检测阴影衰落链路，将Δr_l,t满足给定时域检测方法判定规则的所有链路记为阴影衰落链路集L_T，排除一些RSS有突变但并非由于目标遮挡LOS路径而引起的偶然变化的链路；

作为优选，直接使用滑动平均法进行检测，链路遮挡的判定规则为：

$\frac{1}{2w+1}\underset{t^{\′}=t-w}{\overset{t+w}{\mathrm{\Σ}}}\mathrm{\Δ}{r}_{t^{\′},l}>\mathrm{\γ}$

其中，2w+1是窗长度，{Δr_t',l:t-w≤t'≤t+w}是测得的链路l的RSS的变化值，γ是设定的门限因子。

那么可以得到用时域方法检测得到的阴影衰落链路集合

步骤五：对L_T进行空域阴影衰落链路检测，排除一些离目标真实位置较远的阴影衰落链路，得到新的阴影衰落链路子集合L_S；

计算出L_T中每两条链路的交点，得到所有的交点集合，记为：P={(u_m,v_m):m∈[1,2,..,|P|]},式中，(u_m,v_m)是第m个交点的坐标，|·|表示求集合个数的运算。从空域上看，LOS路径被目标遮挡的链路之间构成的交点彼此接近，且靠近目标的真实位置。因此可以从P中找出一个最大的子集P_s：

$P_S=\{(u_i,v_i):\sqrt{{(u_i-\stackrel{-}{u})}^2+{(v_i-\stackrel{-}{v})}^2}<R_{\mathrm{th}},\&ForAll;i\&Element;\{\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,\left|P_S\right|\left\}\right\},$

其中，是子集质心的坐标，R_th是门限值。那些不在子集P_s的交点被认为是野值。

作为优选，我们用聚类算法来实现子集搜索：

定义(C_1,k,C_2,k)为第k(k∈[1,2,…,K])个类的质心坐标，集合B={b(i):i∈[1,2,..,|P|]}是分类结果的标记集合，表示P中各个交点所属的类。

步骤5.1，初始化类的个数，即令K=1；

步骤5.2，对每个类的质心(C_1,k,C_2,k)进行初始化；

步骤5.3，Fori=1:|P|, $b\left(i\right)\&LeftArrow;\arg \underset{k\&Element;[\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,K]}{\min }\sqrt{{(u_i-C_{1,k})}^2+{(v_i-C_{2,k})}^2};$

步骤5.4，Fork=1:K,(C_1,k,C_2,k)←集合{(u_i,v_i):b(i)=k}中所有元素的平均值；

步骤5.5，当满足停止条件 $\sqrt{{(u_i-\stackrel{-}{u})}^2+{(v_i-\stackrel{-}{v})}^2}<R_{\mathrm{th}},\&ForAll;i\&Element;\{\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,|P_S\left|\right\}$ 时，返回P_S；若不满足，则K=K+1，回到步骤5.2。

当搜索到的子集不止一个时，选用具有最小均方误差的子集（类）。

只要子集中的一个交点属于某条链路，那么这条链路就被认为是阴影衰落链路，得到新的阴影衰落链路集合，记为： $L_S=\{l:l\&Element;L_T,\&Exists;i\&Element;(P_S\&cap;l)\}.$

步骤六：根据阴影衰落链路集L_S计算得到目标位置的估计

作为优选，选用粒子滤波的算法来实现，具体实现算法如下：

步骤6.1，在任意时刻t，初始化t=0，按照设定的概率分布η（η通常选取一个均值为0，方差很大的高斯分布）产生Q个粒子样本值，记为上标q表示粒子指标，q=1,2...,Q，下标t为时间指标，此时t=0，因此也可记为

步骤6.2，设定每一个粒子的重要性权值为并进行归一化即得， ${\tilde{w}}_0^{\left(q\right)}=\frac{1}{Q};$

步骤6.3，根据产生t时刻的粒子，更新权值 是第q个粒子关于链路l的阴影衰落函数；

步骤6.4，归一化权值 $\underset{q=1}{\overset{Q}{\mathrm{\&Sigma;}}}{w}_t^{\left(q\right)}=1,$ 如果 ${\left(\underset{q=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left(w_t^{\left(q\right)}\right)}^2\right)}^{-1}<N_{\mathrm{th}},$ N_th为设定的门限值，那么对 ${\{X_t^{\left(q\right)},w_t^{\left(q\right)}\}}_{q=1}^Q$ 进行重采样，返回步骤6.3，如果 ${\left(\underset{q=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left(w_t^{\left(q\right)}\right)}^2\right)}^{-1}\&GreaterEqual;N_{\mathrm{th}},$ 执行步骤6.5；

步骤6.5，得到t时刻目标位置的估计

步骤6.6，t=t+1时刻，返回步骤6.3。

对比现有技术，本发明的有益效果在于：

本发明提出的基于RSS的室内目标定位方法，实现简单灵活，并且结合了时域检测和空域检测阴影衰落链路的方法，有效地排除了一些非阴影衰落链路的影响，更准确突出了由于目标遮挡引起的衰减效应，从而使室内目标定位更精确，实现更优动态跟踪。

附图说明

图1是基于接收信号强度的室内无源目标定位方法实现流程图；

图2是实验节点的分布；

图3是人穿过链路l过程的说明；

图4是当人穿过链路时观测到的RSS值；

图5是通过时域方法检测到的阴影衰落链路及各链路交点分布；

图6是人沿着方形轨迹运动时的实施例一；

图7是人沿着负脉冲轨迹运动时的实施例二。

具体实施方式

下面将结合附图和实施例对本发明加以详细说明，同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。

图1是基于接收信号强度的室内无源目标定位方法实现流程图，具体包括以下几个步骤：

步骤一：将n个无线节点部署在一个室内区域，所有节点都在一个平面上，每个节点都能测得其他节点所发的无线信号的RSS值；

实验节点的分布如图2所示，所有节点在同一个平面上，且每个节点的坐标已知，为(x_i,y_i),i∈[1,2,..,n]。

实验在一个普通办公室内进行，中间放置的多个实验台没有画在图中，这实际上会增加各节点之间的多径干扰。用14个TI2530发射接收模块组成14个节点，围成5×4=20m²的范围，节点大致保持在一个高度，通过收集这14个节点的RSS数据来定位目标。

在任何时刻，一个节点广播信号，另一个节点接收并测量RSS值。RSS测量值更新的间隔是0.023秒。这些无线节点组成条无线链路，每个节点都能测得其他节点所发的无线信号的RSS值；

步骤二：当无目标时，测量得到各链路的RSS值r_l,l∈[1,2,...,L]；

步骤三：在t时刻，目标进入监测区域，并且位置坐标为X_t＝(x_t,y_t)，测得此时各链路的RSS值r_l,t,l∈[1,2,...,L]，由此可以得到RSS的变化值Δr_l,t＝r_l,t-r_l,l∈[1,2,...,L]；

Δr_l,t是由于人的存在和运动引起的，具体原因可能是由于目标的遮挡引起LOS的阴影衰落，也可能是由于人引起的各种多径干扰。

图3是人穿过链路l过程的说明。将目标等价为半径为R的圆柱体模型。当d_l,t>R时，意味着目标没有遮挡链路l，即链路l的LOS路径没受到目标的影响，此时测得的RSS的变化是由于目标的运动导致该链路多径的变化引起的。其中，d_l,t为从目标的质心到链路l的垂直距离，具体的计算式为：

$d_{l,t}=\frac{\left|\right|(x_t-x_i,y_t-y_i)\&CircleTimes;(x_t-x_j,y_t-y_j)\left|\right|}{\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}},$

式中，(x_i,y_i)和(x_j,y_j)是构成链路l的两个节点坐标，为叉积运算，‖·‖为范数。

当d_l,t≤R时，测得的RSS的变化是由于目标的遮挡引起LOS的阴影衰落。将链路l的测量模型总结为：

${\mathrm{\&Delta;r}}_{l,t}=f_l\left(X_t\right)+n_{l,t}=A_{\max }(1-\frac{d_{l,t}}{R})+n_{l,t},$

式中，阴影衰落函数A_max为目标质心刚好处于链路上时造成的阴影衰落值，n_l,t是测量噪声，服从零均值、方差为的高斯分布。

步骤四：时域检测阴影衰落链路，将Δr_l,t中满足给定时域检测方法判定规则的所有链路记为阴影衰落链路集L_T，排除一些RSS有突变但并非由于人遮挡LOS路径而引起的偶然变化的链路；

图4是当人穿过链路时观测到的RSS值。由于人穿过链路需要一定的时间，因此RSS的衰减变化也会有一段时间的持续。如图4中，由于人穿过链路，导致了采样点250到350之间RSS值的衰减变化。所以我们可以通过时域检测来排除一些突变的非阴影衰落链路。

作为优选，直接使用滑动平均法进行检测，链路遮挡的判定规则为：

$\frac{1}{2w+1}\underset{t^{\&prime;}=t-w}{\overset{t+w}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{r}_{t^{\&prime;},l}>\mathrm{\&gamma;}$

其中，2w+1是窗长度，{Δr_t',l:t-w≤t'≤t+w}是测得的链路l的RSS的变化值，γ是设定的门限因子。

那么可以得到用时域方法检测得到的阴影衰落链路集合

步骤五：对L_T进行空域阴影衰落链路检测，排除一些离目标真实位置较远的阴影衰落链路，得到新的阴影衰落链路子集L_S；

计算出L_T中每两条链路的交点，得到所有的交点集合，记为：P={(u_m,v_m):m∈[1,2,..,|P|]},式中，(u_m,v_m)是第m个交点的坐标，|·|表示求集合个数的运算。图5是通过时域方法检测到的阴影衰落链路及各链路交点分布，从空域上看，LOS路径被目标遮挡的链路之间构成的交点彼此接近，且靠近目标的真实位置，如图5中圆中的交点。因此可以从P中找出一个最大的子集P_s：

$P_S=\{(u_i,v_i):\sqrt{{(u_i-\stackrel{-}{u})}^2+{(v_i-\stackrel{-}{v})}^2}<R_{\mathrm{th}},\&ForAll;i\&Element;\{\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,\left|P_S\right|\left\}\right\}$

其中，是子集质心的坐标，R_th是门限值。那些不在子集P_s的交点被认为是野值，如图5中的交点1、2、3。

作为优选，我们用聚类算法来实现子集搜索：

定义(C_1,k,C_2,k)为第k(k∈[1,2,…,K])个类的质心坐标，集合B={b(i):i∈[1,2,..,|P|]}是分类结果的标记集合，表示P中各个交点所属的类。

步骤5.1，初始化类的个数，即令K=1；

步骤5.2，对每个类的质心(C_1,k,C_2,k)进行初始化；

步骤5.5，当满足停止条件 $\sqrt{{(u_i-\stackrel{-}{u})}^2+{(v_i-\stackrel{-}{v})}^2}<R_{\mathrm{th}},\&ForAll;i\&Element;\{\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,|P_S\left|\right\}$ 时，返回P_S；若不满足，则K=K+1，回到步骤5.2。

当搜索到的子集不止一个时，选用具有最小均方误差的子集（类）。

只要子集中的一个交点属于某条链路，那么这条链路就被认为是阴影衰落链路。得到新的阴影衰落链路集合，记为 $L_S=\{l:l\&Element;L_T,\&Exists;i\&Element;(P_S\&cap;l)\}.$

步骤六：根据阴影衰落链路集L_s得到目标位置的估计

得到阴影衰落链路子集L_s后，根据无线网络中阴影衰落的链路的情况可以估计得到目标的位置。作为优选，选用粒子滤波的算法来实现，具体实现算法如下：

步骤6.1，在任意时刻t，初始化t=0，按照设定的概率分布η（η通常选取一个均值为0，方差很大的高斯分布）产生Q个粒子样本值，记为上标q表示粒子指标，q=1,2...,Q，下标t为时间指标，此时t=0，因此也可记为

步骤6.2，设定每一个粒子的重要性权值为并进行归一化即得， ${\tilde{w}}_0^{\left(q\right)}=\frac{1}{Q};$

步骤6.3，根据产生t时刻的粒子，更新权值 是第q个粒子关于链路l的阴影衰落函数；

步骤6.4，归一化权值 $\underset{q=1}{\overset{Q}{\mathrm{\&Sigma;}}}{w}_t^{\left(q\right)}=1,$ 如果 ${\left(\underset{q=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left(w_t^{\left(q\right)}\right)}^2\right)}^{-1}<N_{\mathrm{th}},$ N_th为设定的门限值，那么对 ${\{X_t^{\left(q\right)},w_t^{\left(q\right)}\}}_{q=1}^Q$ 进行重采样，返回步骤6.3，如果 ${\left(\underset{q=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left(w_t^{\left(q\right)}\right)}^2\right)}^{-1}\&GreaterEqual;N_{\mathrm{th}},$ 执行步骤6.5；

步骤6.5，得到t时刻目标位置的估计

步骤6.6，t=t+1时刻，返回步骤6.3。

对各个时刻网络中的各链路信号均进行步骤一到步骤六的处理，即可实现对目标更准确的定位以及实时地观测监测区域内目标的运动情况。

实验参数指标如表1所示。

表1

R

Amax

σl

σε

γ

Rth

Q

Nth

0.3m

8dB

1dB

0.1m

3dB

0.5m

100

2/3

为了更好地分析定位的准确性，目标沿着预定的轨迹以正常的速度运动。在实施例中考虑了两种运动轨迹——方形和负脉冲。

图6是人沿着方形轨迹运动时的实施例一。图7是人沿着负脉冲轨迹运动时的实施例二。如图所示，在这两个实施例中，估计的轨迹与目标真实的轨迹很相符，使用上述测量方法得到的跟踪误差大约为0.3m，这满足室内定位的精度要求。

Claims (8)

1.一种基于接收信号强度的室内无源目标定位方法，其特征在于，具体包括以下步骤：

步骤一：将n个无线节点部署在一个室内区域，所有节点都在一个平面上，每个节点都能测得其他节点所发的无线信号的RSS值，组成条无线链路；

步骤二：当无目标时，测量得到各链路的RSS值r_l，

步骤三：在t时刻，目标进入监测区域，测得此时各链路的RSS值r_l,t，由此可以得到RSS的变化值Δr_l,t＝r_l,t-r_l；

步骤四：时域检测阴影衰落链路，将Δr_l,t满足给定时域检测方法判定规则的所有链路记为阴影衰落链路集L_T，排除一些RSS有突变但并非由于目标遮挡LOS路径而引起的偶然变化的链路；

步骤五：对L_T进行空域阴影衰落链路检测，排除一些离目标真实位置较远的阴影衰落链路，得到新的阴影衰落链路集合L_s；

步骤六：根据阴影衰落链路集L_s得到目标位置的估计

2.根据权利要求1所述的一种基于接收信号强度的室内无源目标定位方法，其特征在于，在步骤三中，将目标等价为半径为R的圆柱体模型，当d_l,t＞R时，测得的RSS的变化是由于目标的运动导致该链路多径的变化引起的，其中，d_l,t为从目标的质心到链路l的垂直距离，具体的计算式为：

$d_{l,t}=\frac{||(x_t-x_i,y_t-y_i)\&CircleTimes;(x_t-x_j,y_t-y_j)||}{\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}},$

式中，(x_i,y_i)和(x_j,y_j)是构成链路l的两个节点坐标，为叉积运算，||□||为范数；

当d_l,t≤R时，测得的RSS的变化是由于目标的遮挡引起LOS的阴影衰落；将链路l的测量模型总结为：

${\mathrm{\&Delta;r}}_{l,t}=f_l\left(X_t\right)+n_{l,t}=A_{max}(1-\frac{d_{l,t}}{R})+n_{l,t},$

式中，阴影衰落函数A_max为目标质心刚好处于链路上时造成的阴影衰落值，n_l,t是测量噪声，服从零均值、方差为的高斯分布。

3.根据权利要求1所述的一种基于接收信号强度的室内无源目标定位方法，其特征在于，在步骤四中的时域检测方法为滑动平均法。

4.根据权利要求3所述的一种基于接收信号强度的室内无源目标定位方法，其特征在于，在步骤四中，用滑动平均法检测链路遮挡的判定规则为：

$\frac{1}{2w+1}\underset{t^{\&prime;}=t-w}{\overset{t+w}{\&Sigma;}}{\mathrm{\&Delta;r}}_{l,t^{\&prime;}}>\mathrm{\&gamma;},$

其中，2w+1是窗长度，{Δr_l,t':t-w≤t'≤t+w}是测得的链路l的RSS的变化值，γ是设定的门限因子；

经过步骤四后，可以得到用时域方法检测得到的阴影衰落链路集合：

5.根据权利要求1所述的一种基于接收信号强度的室内无源目标定位方法，其特征在于，在步骤五中，排除一些离目标真实位置较远的阴影衰落链路的方法为：计算出L_T中每两条链路的交点，得到所有的交点集合，记为：

P＝{(u_m,v_m):m∈[1,2,..,|P|]}，

式中，(u_m,v_m)是第m个交点的坐标，|□|表示求集合个数的运算；

在交点集合P中按照一定的搜索方法找出满足以下判定规则的一个最大的子集P_s：

$P_S=\{(u_i,v_i):\sqrt{{(u_i-\stackrel{\&OverBar;}{u})}^2+{(v_i-\stackrel{\&OverBar;}{v})}^2}<R_{th},\&ForAll;i\&Element;\{1,2,...,\left|P_S\right|\left\}\right\},$

其中，是子集质心的坐标，R_th是门限值；那些不在子集P_s的交点被认为是野值；

只要子集中的一个交点属于某条链路，那么这条链路就被认为是阴影衰落链路，得到新的阴影衰落链路集合，记为： $L_S=\{l:l\&Element;L_T,\&Exists;i\&Element;(P_S\&cap;l)\}.$

6.根据权利要求5所述的一种基于接收信号强度的室内无源目标定位方法，其特征在于，在步骤五中，所述的搜索方法为聚类算法，定义(C_1,k,C_2,k)为第k(k∈[1,2,…,K])个类的质心坐标，集合B＝{b(i):i∈[1,2,..,|P|]}是分类结果的标记集合，表示交点集合P中各个交点所属的类，具体包括如下步骤：

步骤5.1，初始化类的个数，即令K＝1；

步骤5.2，对每个类的质心(C_1,k,C_2,k)进行初始化；

步骤5.3，Fori＝1:|P|, $b\left(i\right)\&LeftArrow;\arg \underset{k\&Element;\&lsqb;1,2,...,K\&rsqb;}{\min }\sqrt{{(u_i-C_{1,k})}^2+{(v_i-C_{2,k})}^2};$

步骤5.4，Fork＝1:K,(C_1,k,C_2,k)←集合{(u_i,v_i):b(i)＝k}中所有元素的平均值；

步骤5.5，当满足停止条件 $\sqrt{{(u_i-\stackrel{\&OverBar;}{u})}^2+{(v_i-\stackrel{\&OverBar;}{v})}^2}<R_{th},\&ForAll;i\&Element;\{1,2,...,\left|P_S\right|\}$ 时，返回P_S；若不满足，则K＝K+1，回到步骤5.2。

7.根据权利要求6所述的一种基于接收信号强度的室内无源目标定位方法，其特征在于，在步骤五中，当根据所述的搜索方法搜索到的子集不止一个时，选用具有最小均方误差的子集。

8.根据权利要求1所述的一种基于接收信号强度的室内无源目标定位方法，其特征在于，在步骤六中，采用粒子滤波算法实现由阴影衰落链路集L_s得到目标位置的估计具体包括如下步骤：

步骤6.1，在任意时刻t，初始化t＝0，按照设定的概率分布η，产生Q个粒子样本值，记为其中，上标q表示粒子指标，q＝1,2...,Q，下标t为时间指标；

步骤6.2，设定每一个粒子的重要性权值为并进行归一化

步骤6.3，根据产生t时刻的粒子，更新权值 $w_t^{\left(q\right)}\&Proportional;w_{t-1}^{\left(q\right)}\underset{i\&Element;L_S}{\&Pi;}N({\mathrm{\&Delta;r}}_{l,t}-f_l\left(X_t^{\left(q\right)}\right),{\mathrm{\&sigma;}}_l^2),$ 其中，是第q个粒子关于链路l的阴影衰落函数；

步骤6.4，归一化权值如果N_th为设定的门限值，那么对进行重采样，返回步骤6.3，如果执行步骤6.5；

步骤6.5，得到t时刻目标位置的估计

步骤6.6，t＝t+1时刻，返回步骤6.3。