CN103618997B - 一种基于信号强度概率的室内定位方法和装置 - Google Patents

Abstract

本发明涉及一种基于信号强度概率的室内定位方法及装置。该方法包括：对室内空间进行划分为T个空间，制作室内空间的RSSI地图，测量未知位置的RSSI样本记录向量，利用巴氏系数依次计算从第1个到第M个接入点的维度上的投票，计算得到T个空间的最终投票结果，对最终投票结果进行排序，若排名第一的位置与第二的位置B投票结果差值大于等于阈值，则判定未知位置为排名第一的位置，否则判断前三个位置是否毗邻，如果毗邻，利用加权平均计算未知位置的区域坐标，否则定位失败。该方法考虑到RSSI随机变化的特点，利用其概率分布进行匹配计算，并结合不同AP定位结果差异，综合提高定位精度。在匹配判决的过程中，采用投票法和加权平均法，提高了定位可靠度。

Description

一种基于信号强度概率的室内定位方法和装置

技术领域

本发明涉及无线通信技术领域，具体地涉及一种基于信号强度概率的室内定位方法和装置。

背景技术

在移动互联网逐渐活跃的时代，位置服务（LBS，Location Based Services）的重要性也慢慢显现出来。基于LBS提供个性化信息服务的社交类、地图类、生活类、资讯类等产品也日益增多，为人们的生活提供了诸多便利。

在定位服务中，根据定位环境又分为室外定位和室内定位。室外定位的定位技术已相当成熟，包含GPS定位、北斗定位以及基站定位等，定位的精度达到15米内，基本满足了人们在室外生活的定位服务要求。然而，在室内定位方面，据统计，普通人平均有80%的时间在室内，80%移动电话和数据连接都在室内使用。因此，室内定位是移动互联网的热点之一，是市场对移动定位的服务需求必然趋势。

现有技术中存在着如下五种的室内定位方法：

1）TOA（到达时间，Time of Arrival）算法，根据发送时间和接收时间确定时间差，结合传播速度计算传播距离，利用多参考点的距离与坐标实现定位。

2）TDOA（到达时间差，Time Difference of Arrival）算法，基于接收机之间的同步，测量在同一发送时间的条件下不同接收机的接收时间差，计算距离差，结合接收点的坐标实现定位。

3）AOA（到达角，Angle of Arrival）算法，利用带方向性的短距通信技术，确定不同发送接收的传播路径方向，结合已知点的坐标确定位置，实现定位。

4）RSS（接收信号强度，Received Signal Strength）算法，利用Shadow模型将接收的信号强度转换为距离，利用已知点的坐标实现定位。

5）Fingerprint Map（指纹地图）法，离线阶段采集不同位置的RSS值，制成Map；在线阶段利用测量的RSS值匹配预存的Map，按照特定的规则确定位置。

但上述方法一般是基于LOS（视距，Line of Sight）条件，对于NLOS（非视距，NonLine of Sight）的环境定位误差较大，不能达到室内定位的要求。而且由于传播环境和短距的影响，室内定位对时钟同步要求比较高，需要较大的成本。此外，信号易受到干扰，造成距离的测量误差增大，不能精准实现室内定位。

对于现有的Fingerprint Map算法，在离线阶段普遍使用采样均值制作地图，不能完全利用信号的统计特征和不同位置的AP（接入点，Access Point）点特征，降低了定位精度。

因此，如何对现有的室内定位方法进行改进，提高定位的准确度和精度成为亟需解决的技术问题。

发明内容

本发明的目的在于提出一种在室内环境下基于Fingerprint Map和概率统计的投票判决的定位方法以及定位装置，是一种基于信号强度概率的室内定位方法和装置。

为达此目的，本发明采用以下技术方案：

一种基于信号强度概率的室内定位方法，包括步骤100，根据室内环境的分布结构和接入点，对室内空间进行划分，划分为T个空间，T为正整数；步骤110：利用指纹地图Fingerprint Map接入点算法制作T个空间的信号强度指示RSSI地图，其中，第i个位置的RSSI样本记录向量形式： $S_i=\left(\begin{array}{c}{\mathrm{\μ}}_{i,1},{\mathrm{\σ}}_{i,1},{\max }_{i,1},{\min }_{i,1},{\mathrm{\μ}}_{i,2},{\mathrm{\σ}}_{i,2},{\max }_{i,2},{\min }_{i,2},......,\\ {\mathrm{\μ}}_{i,j},{\mathrm{\σ}}_{i,j},{\max }_{i,j},{\min }_{i,j},......,{\mathrm{\μ}}_{i,M},{\mathrm{\σ}}_{i,M},{\max }_{i,M},{\min }_{i,M},\end{array}\right),$ 其中，M表示当前室内环境下用于定位的接入点个数，且M≥3，μ_i,j，σ_i,j分别为在第i个位置对第j个接入点发送信号采集RSSI值的均值与方差,max_i,j表示在第i个位置对第j个接入点发送信号多次采集RSSI值时出现的最大值，min_i,j表示在第i个位置对第j个接入点发送信号多次采集RSSI值时出现的最小值，1≤i≤T,1≤j≤M；步骤120，利用用户终端在未知位置测量出RSSI样本记录向量S=(μ₁,σ₁,max₁,min₁,μ₂,σ₂,max₂,min₂,......μ_M,σ_M,max_M,min_M)；步骤130，依次计算从第1个到第M个接入点的维度上的投票，其中在第j个接入点上的维度上的投票的方法为：步骤131，计算从第1个位置到第T个空间的巴氏系数B_i,j，1≤i≤T,1≤j≤M；以及步骤132，根据计算的巴氏系数序列B_1,j,B_2,j,......,B_T,j，进行排序，并对T个空间进行投票，巴氏系数最大的位置投票T，次之为T-1，依此继续，直至为1；步骤140，结束所有接入点维度上的投票，并将相同位置上的所有的投票结果相加，计算得到T个空间的最终投票结果；步骤150，对最终投票结果进行排序，若排名第一的位置A与第二的位置B投票结果差值大于等于阈值Dif_vote，则判定未知位置为排名第一的位置A，否则判定定位失败。

一种基于信号强度概率的室内定位装置，包括：室内空间划分单元，根据室内环境的分布结构和接入点，对室内空间进行划分，划分为T个空间，T为正整数；RSSI地图制作单元：利用指纹地图Fingerprint Map接入点算法制作T个空间的信号强度指示RSSI地图，其中，第i个位置的RSSI样本记录向量形式：

$S_i=\left(\begin{array}{c}{\mathrm{\μ}}_{i,1},{\mathrm{\σ}}_{i,1},{\max }_{i,1},{\min }_{i,1},{\mathrm{\μ}}_{i,2},{\mathrm{\σ}}_{i,2},{\max }_{i,2},{\min }_{i,2},......,\\ {\mathrm{\μ}}_{i,j},{\mathrm{\σ}}_{i,j},{\max }_{i,j},{\min }_{i,j},......,{\mathrm{\μ}}_{i,M},{\mathrm{\σ}}_{i,M},{\max }_{i,M},{\min }_{i,M},\end{array}\right),$ 其中，M表示当前室内环境下用于定位的接入点个数，且M≥3，μ_i,j，σ_i,j为在第i个位置对第j个接入点发送信号采集的均值与方差,max_i,j表示在第i个位置对第j个接入点发送信号多次采集RSSI值时出现的最大值，min_i,j表示在第i个位置对第j个接入点发送信号多次采集RSSI值时出现的最小值，1≤i≤T,1≤j≤M；待测位置RSSI样本记录向量测量单元，利用用户终端在未知位置测量出RSSI样本记录向量

S=(μ₁,σ₁,max₁,min₁,μ₂,σ₂,max₂,min₂,......μ_M,σ_M,max_M,min_M)；

接入点维度投票计算单元，依次计算从第1个到第M个接入点的维度上的投票，其中计算在第j个接入点上的维度上的投票包括：巴氏系数计算子单元，计算从第1个位置到第T个空间的巴氏系数B_i,j，1≤i≤T,1≤j≤M，以及投票子单元，根据计算的巴氏系数序列B_1,j,B_2,j,......,B_T,j，进行排序，并对T个空间进行投票，巴氏系数最大的位置投票T，次之为T-1，依此继续，直至为1；最终投票结果计算单元，结束所有接入点维度上的投票，并将相同位置上的所有的投票结果相加，计算得到T个空间的最终投票结果；最终投票结果排序和比较单元，对最终投票结果进行排序，若排名第一的位置A与第二的位置B投票结果差值大于等于阈值Dif_vote，则判定未知位置为排名第一的位置A，否则判定定位失败。

因此，本发明允许在NLOS条件环境进行室内定位，考虑到接收信号强度指示RSSI（Received Signal Strength Indication）随机变化的特点，利用其概率分布进行匹配计算，并结合不同接入点AP定位结果差异，综合提高定位精度。在匹配判决的过程中，采用投票法和加权平均法，提高了定位可靠度。

附图说明

图1是根据本发明具体实施例的室内定位方法的流程图；

图2是根据本发明具体实施例的室内定位方法的室内空间划分的示意图；

图3是根据本发明具体实施例所制作的RSSI地图样例；

图4是根据本发明另一个实施例的房间平面分布图；

图5是根据本发明另一个实施例的地区分割空间图；

图6是根据本发明具体实施例的室内定位装置的功能模块图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例1：

参见图1-3，公开了根据本发明的具体实施例的基于信号强度概率的室内定位方法，包括如下步骤：

步骤100，根据室内环境的分布结构和接入点AP，对室内空间进行划分，划分为T个空间，T为正整数。

如图2所示，图2示出了一种示例性的室内空间的划分。在该示例中，根据接入点（AP,Access Point）放置方式与环境确定,将室内空间划分为了18个空间。进一步的，在实际应用中，每个空间的大小还可以根据AP放置方式与环境确定。

步骤110：利用Fingerprint Map算法制作T个空间的RSSI（信号强度指示，Received Signal Strength Indication）地图，其中，第i个位置的RSSI样本记录向量形式如下：

$S_i=\left(\begin{array}{c}{\mathrm{\μ}}_{i,1},{\mathrm{\σ}}_{i,1},{\max }_{i,1},{\min }_{i,1},{\mathrm{\μ}}_{i,2},{\mathrm{\σ}}_{i,2},{\max }_{i,2},{\min }_{i,2}......,\\ {\mathrm{\μ}}_{i,j},{\mathrm{\σ}}_{i,j},{\max }_{i,j},{\min }_{i,j}......,{\mathrm{\μ}}_{i,M},{\mathrm{\σ}}_{i,M},{\max }_{i,M},{\min }_{i,M}\end{array}\right),$

式中，M（M为正整数，一般M≥3）为当前室内环境下用于定位的AP个数，μ_i,j,σ_i,j分别为在第i个位置对第j个AP发送信号采集的均值与方差,max_i,j表示在第i个位置对第j个接入点发送信号多次采集RSSI值时出现的最大值，即在多次测量得到RSSI值得均值和方差值得过程中所有测量值的最大值，min_i,j表示在第i个位置对第j个接入点发送信号多次采集RSSI值时出现的最小值，即在多次测量得到RSSI值得均值和方差值得过程中所有测量值的最小值，1≤i≤T,1≤j≤M。

本发明利用UE（用户终端，User Equipment）进行AP信号的采集。AP定时广播信号，UE可进行扫描，获取各AP发送信号的RSSI和唯一标识ID。RSSI是无线发送层的可选部分，用来判定链接质量，为整数，单位为dBm。

电磁波在实际的传播过程中，会存在反射、绕射和衍射等现象，导致RSSI值随机变化较大。因此，若简单地根据RSSI和距离间的关系模型，再进行定位则会产生较大误差，降低定位精度。本发明通过建立RSSI值与位置的映射关系数据库，再通过查询数据库按照一定的规则确定位置。研究证明，在一定距离的条件下，RSSI值服从高斯分布，其分布概率密度函数为：

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}}$ 公式（6）

其中，μ,σ为多次测量的均值和方差。若假设测量次数为N，N为正整数，则

$\mathrm{\μ}=\frac{1}{N}{\mathrm{\Σ}}_{s=1}^N{\mathrm{RSSI}}_{i,j,s}$ 公式（2），

${\mathrm{\σ}}^2=\frac{1}{N-1}{\mathrm{\Σ}}_{s=1}^N{({\mathrm{RSSI}}_{i,j,s}-\mathrm{\μ})}^2$ 公式（3），

式中，RSSI_i,j,s为第i个位置第s次测量第j个AP发送的信号的RSSI值。其中测量次数N优选为100。

优选地，进一步考虑到方向对于RSSI值的影响，因此在测量RSSI值时，采集不同方向（比如四个方向，东方、西方、南方、北方）上的RSSI值，然后对不同方向的值做平均作为本次测量的RSSI值。具体公式如下：

${\mathrm{RSSI}}_{i,j,s}=\frac{1}{K}\underset{t=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{RSSI}}_{i,j,s,t}$ 公式（4）

式中，K为采集的方向数，K为正整数，RSSI_i,j,s,t为第i个位置第s次测量第j个AP发送信号在第t个方向上的RSSI值。K优选为4。

在本发明的方法中，制作RSSI地图可以为一个离线步骤，即可以事先制作然后保存，例如保存在服务器中。参见图3，在该实施例中，对于18个空间，每个空间存储了一个样本，则每个样本包含了针对3个AP的RSSI的均值、方差值以及在多次测量得到RSSI值的均值和方差值过程中所有测量值的最大值和最小值，比如：

S_i=(μ_i,1,σ_i,1,max_i,1,min_i,1,μ_i,2,σ_i,2,max_i,2,min_i,2,μ_i,3,σ_i,3,max_i,3,min_i,3)i=1,2,3,......,18。

步骤120，利用某UE在某未知位置测量出RSSI样本记录向量

S=(μ₁,σ₁,max₁,min₁,μ₂,σ₂,max₂,min₂,......μ_M,σ_M,max_M,min_M)。

步骤130，依次计算从第1个到第M个接入点的维度上的投票，其中在第j个接入点的维度上的投票的方法为：

步骤131，计算从第1个空间到第T个空间的巴氏系数（Bhattacharyyacoefficient）B_i,j，1≤i≤T,

步骤132，根据计算的巴氏系数序列B_1,j,B_2,j,......,B_T,j，进行排序并对T个空间进行投票，巴氏系数最大的位置投票T，次之为T-1，依此继续，直至为1。其中，在第i个位置的巴氏系数的计算方法具体为：通过公式（1）计算巴氏系数以得到室内空间中的第i个位置的第j个AP维度上的概率分布与未知位置的第j个AP维度上概率分布的相似性，

$B_{i,j}=\∫\sqrt{f_{i,j}\left(x\right)*f_j\left(x\right)}\mathrm{dx}$ 公式（1），

其中， $f_{i,j}\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{i,j}}{e}^{-\frac{{(x-{\mathrm{\μ}}_{i,j})}^2}{2{{\mathrm{\σ}}_{i,j}}^2}}$ 为第i个位置的第j个AP维度上的概率分布，为未知位置的第j个AP维度上概率分布，x为在第i个位置对第j个接入点的测量RSSI值，在公式（1）中，积分的上下限为未知位置相应接入点维度上的从最大值到最小值的范围与各个空间相应接入点维度上的从最大值到最小值的范围的重叠区域的上下界，若无重叠，则判定巴氏系数为0。

例如，如未知位置AP1的测量RSSI值范围为[-47,-52]，离线地图单元空间1中的AP1的测量RSSI值范围为[-39,-45]，两者范围无重叠，所以该巴氏系数为0；离线地图单元空间2中AP1的测量RSS范围为[-45,-48]，两者范围有重叠，重叠范围为[-47,-48]，因此积分上下界为[-47,-48]。

步骤140，结束所有AP维度上的投票，并将相同位置上的所有的投票结果相加，计算得到T个空间的最终投票结果。

步骤150，对最终投票结果进行排序，若排名第一的位置A与第二的位置B投票结果差值大于等于阈值Dif_vote，则判定未知位置为排名第一的位置A，否则判定定位失败。

优选地，阈值Dif_vote为4。

优选地，如果在步骤150中，当差值结果小于阈值Dif_vote时，即当出现投票结果的前几位相差不大，不能准确判定未知位置的情况时，本发明进一步采用基于投票结果的加权平均坐标法来确定未知位置。

具体为，在步骤150对最终投票结果进行排序和比较时，当排名第一的位置A和第二的位置B的投票结果差值小于阈值Dif_vote时，选取投票结果最大的前三个位置A、B、C，比较该三个位置是否毗邻，比较的方法为：比较这三个位置编号差值≤2或者远大于2且小于等于列数+1，例如在图2中的列数应当为6。若相互毗邻，则取该三个位置的四个顶点的坐标向量X_A1,X_B1,X_C1,X_A2,X_B2,X_C2,X_A3,X_B3,X_C3,X_A4,X_B4,X_C4,，并结合该前三个位置的投票数V_A,V_B,V_C，利用公式（3）计算未知位置四个顶点的坐标向量，得到未知位置的区域；若非毗邻，则判定定位失败。这里，坐标向量是包含X,Y坐标的向量。

${\tilde{X}}_1=\frac{V_A}{V_A+V_B+V_C}*X_{A1}+\frac{V_B}{V_A+V_B+V_C}*X_{B1}+\frac{V_C}{V_A+V_B+V_C}*X_{C1}$

${\tilde{X}}_2=\frac{V_A}{V_A+V_B+V_C}*X_{A2}+\frac{V_B}{V_A+V_B+V_C}*X_{B2}+\frac{V_C}{V_A+V_B+V_C}*X_{C2}$

${\tilde{X}}_3=\frac{V_A}{V_A+V_B+V_C}*X_{A3}+\frac{V_B}{V_A+V_B+V_C}*X_{B3}+\frac{V_C}{V_A+V_B+V_C}*X_{C3}$

${\tilde{X}}_4=\frac{V_A}{V_A+V_B+V_C}*X_{A4}+\frac{V_B}{V_A+V_B+V_C}*X_{B4}+\frac{V_C}{V_A+V_B+V_C}*X_{C4}$ 公式（5）。

本发明的室内定位方法允许在NLOS条件环境进行室内定位，考虑到RSSI随机变化的特点，利用其概率分布进行匹配计算，并结合不同AP定位结果差异，综合提高定位精度。在匹配判决的过程中，采用投票法和加权平均法，提高了定位可靠度。

本发明考虑了RSSI随机变化特性和单个AP定位的不准确性，提升了定位的精准度。具体来说，本发明具有如下特点：

1.地图中的样本存储方法

本发明采用记录接收的每个AP发送信号的RSSI测量均值与方差，记录向量：

$S_i=\left(\begin{array}{c}{\mathrm{\μ}}_{i,1},{\mathrm{\σ}}_{i,1},{\max }_{i,1},{\min }_{i,1},{\mathrm{\μ}}_{i,2},{\mathrm{\σ}}_{i,2},{\max }_{i,2},{\min }_{i,2},......,\\ {\mathrm{\μ}}_{i,j},{\mathrm{\σ}}_{i,j},{\max }_{i,j},{\min }_{i,j},......,{\mathrm{\μ}}_{i,M},{\mathrm{\σ}}_{i,M},{\max }_{i,M},{\min }_{i,M},\end{array}\right)$

记录了不同AP上的发送信号的RSSI统计特征。在发射点与接收点的距离是定值的条件下，接收的RSSI服从正态分布，并结合每个AP维度上的均值与方差，即，该向量能记录该接收点在该AP维度上的发送信号的RSSI统计特征，提高了定位过程中的准确性和鲁棒性。

2.定位过程中先分开计算各AP的定位结果，最后综合确定最终结果

未知位置在定位过程中，首先分开计算各AP的定位结果，即在第j个AP维度上，计算T个空间空间的概率分布与未知位置的概率分布的相似性（巴氏系数）；根据相似性结果，匹配本AP维度上的最有可能是未知位置的结果，进行投票；最后，综合所有的AP维度上的定位结果，若某位置A的投票远远大于其他位置的投票，则表明位置A为未知位置。

3.投票法判决

在计算出地图中的概率分布与未知点的概率分布的相似性后，进行排序，从大到小依次进行投票。对每个AP的定位结果都采取投票法确定未知位置在各个位置可能性的大小。最后对所有结果进行相加，判决未知位置的在各个位置可能性。投票判决法借鉴了三点定位的特点，即三圆相交处为未知位置的最大可能区域，而投票最大的位置即为未知位置的最大可能区域。

4.加权平均坐标

当出现投票结果的前几位相差不大，不能准确判定未知位置的情况时，本发明采用基于投票结果的加权平均坐标法。选取投票结果最大的前三个位置A、B、C，取三个位置的四个顶点的坐标向量，并结合三个位置的投票数，计算得到未知位置的顶点的坐标，这样能够切实地提高定位的精度。

实施例2：

本实施例中，具体的介绍了本发明实现定位获得的数据实例。

参见图4，为一个房间的平面分布图，在这个方面中包括了会议室，多个小办公区，实验区和（大）办公区，首先将该房间分成8个平面空间，其具有3个接入点。

测试步骤如下：

1、在8个单元空间内，在东西南北四个方向分别采集100次RSSI值，然后计算每次不同方向上的均值作为每次的测量数据。2、计算每个单元空间内的100个测量数据的均值、方差、最大值与最小值。3、制作RSSI离线地图。4、按第1步的方法采集未知位置的数据。5、匹配离线地图，确定未知位置。

具体而言，以第一个单元空间为例，测试第一组数据的四个方向RSSI值分别为：N（北）：-43dB，S（南）：-47dB，E（东）：-45dB，W（西）：-46dB。因此，第一个单元空间内的第一组数据为：

由此，分别得到8个单元空间内的数据，然后计算每个单元空间内的均值、方差、最大值与最小值，实验结果如表1。

表1：

在未知位置测得的数据如表2。

表2：

计算未知位置的概率分布与各单元空间的概率分布的相似性，即巴氏系数，计算结果如表3。

表3：

根据相似性结果在不同AP维度上对各个单元空间进行投票，结果如表4.

表4：

根据综合投票排序，未知位置的可能位置按可能性排依次为：单元空间2＞单元空间3＞单元空间6＞单元空间1/单元空间8。而单元空间2与单元空间3的投票差值为7，大于阈值4，所以定位结果为单元空间2。

实施例3：

进一步的，本发明的基于信号强度概率的室内定位装置的一个例子。包括如下单元：

室内空间划分单元200，根据室内环境的分布结构和接入点，对室内空间进行划分，划分为T个空间，T为正整数；

RSSI地图制作单元210，利用Fingerprint M接入点算法制作T个空间的RSSI地图，其中，第i个位置的RSSI样本记录向量形式如下：

$S_i=\left(\begin{array}{c}{\mathrm{\μ}}_{i,1},{\mathrm{\σ}}_{i,1},{\max }_{i,1},{\min }_{i,1},{\mathrm{\μ}}_{i,2},{\mathrm{\σ}}_{i,2},{\max }_{i,2},{\min }_{i,2},......,\\ {\mathrm{\μ}}_{i,j},{\mathrm{\σ}}_{i,j},{\max }_{i,j},{\min }_{i,j},......,{\mathrm{\μ}}_{i,M},{\mathrm{\σ}}_{i,M},{\max }_{i,M},{\min }_{i,M},\end{array}\right),$

式中，M表示当前室内环境下用于定位的接入点个数，且M≥3，μ_i,j，σ_i,j为在第i个位置对第j个接入点发送信号采集的均值与方差,max_i,j表示在第i个位置对第j个接入点发送信号多次采集RSSI值时出现的最大值，min_i,j表示在第i个位置对第j个接入点发送信号多次采集RSSI值时出现的最小值，1≤i≤T,1≤j≤M；

待测位置RSSI样本记录向量测量单元220，利用用户终端在未知位置测量出RSSI样本记录向量

S=(μ₁,σ₁,max₁,min₁,μ₂,σ₂,max₂,min₂,......μ_M,σ_M,max_M,min_M)；

接入点维度投票计算单元230，依次计算从第1个到第M个接入点的维度上的投票，其中计算在第j个接入点上的维度上的投票为：

巴氏系数计算子单元，计算从第1个位置到第T个空间的巴氏系数B_i,j，1≤i≤T,1≤j≤M，

投票子单元，根据计算的巴氏系数序列B_1,j,B_2,j,......,B_T,j，进行排序，并对T个空间进行投票，巴氏系数最大的位置投票T，次之为T-1，依此继续，直至为1，其中，计算在第i个位置的巴氏系数B_i,j为：通过公式（1）计算巴氏系数得到室内空间中的第i个位置的第j个接入点维度上的概率分布与未知位置的第j个接入点维度上概率分布的相似性，

$B_{i,j}=\∫\sqrt{f_{i,j}\left(x\right)*f_j\left(x\right)}\mathrm{dx}$ 公式（1），

其中， $f_{i,j}\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{i,j}}{e}^{-\frac{{(x-{\mathrm{\μ}}_{i,j})}^2}{2{{\mathrm{\σ}}_{i,j}}^2}}$

式中，x为在第i个位置对第j个接入点的测量RSSI值，在积分公式（1）中，积分的上下限为未知位置相应接入点维度上的从最大值到最小值的范围与各个空间相应接入点维度上的从最大值到最小值的范围的重叠区域的上下界，若无重叠，则判定巴氏系数为0;

最终投票结果计算单元240，结束所有接入点维度上的投票，并将相同位置上的所有的投票结果相加，计算得到T个空间的最终投票结果；

最终投票结果排序和比较单元250，对最终投票结果进行排序，若排名第一的位置A与第二的位置B投票结果差值大于等于阈值Dif_vote，则判定未知位置为排名第一的位置A，否则判定定位失败。

特别的，在RSSI地图制作单元中的均值和方差通过如下公式计算得到：

$\mathrm{\μ}=\frac{1}{N}{\mathrm{\Σ}}_{S=1}^N{\mathrm{RSSI}}_{i,j,s},$ 公式（2）

${\mathrm{\σ}}^2=\frac{1}{N-1}{\mathrm{\Σ}}_{S=1}^N{({\mathrm{RSSI}}_{i,j,s}-\mathrm{\μ})}^2,$ 公式（3）

式中RSSI_i,j,s为第i个位置第s次测量第j个接入点发送的信号的RSSI值，N为测量次数。

优选地，在RSSI地图制作单元210中测量RSSI值时，采集不同方向的RSSI值，然后对不同方向的值做平均作为本次测量的RSSI值，即

${\mathrm{RSSI}}_{i,j,s}=\frac{1}{K}\underset{t=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{RSSI}}_{i,j,s,t}$ 公式（4）

式中，K为采集的方向数，RSSI_i,j,s,t为第i个位置第s次测量第j个接入点发送信号在第t个方向上的RSSI值。

优选地，在最终投票结果排序和比较单元250中，当排名第一的位置A和第二的位置B的投票结果差值小于阈值Dif_vote时，选取投票结果最大的前三个位置A、B、C，比较该三个位置是否毗邻，比较的方法为，比较这三个位置的编号差值≤2或者远大于2且小于等于列数+1，若相互毗邻，则取该前三个位置的中的每个位置的四个顶点的坐标向量X_A1,X_B1,X_C1,X_A2,X_B2,X_C2,X_A3,X_B3,X_C3,X_A4,X_B4,X_C4,，并结合该前三个位置的投票数V_A,V_B,V_C，利用公式（5）计算所述未知位置的四个顶点的坐标向量，得到未知位置的区域：若非毗邻，则判定定位失败，

${\tilde{X}}_1=\frac{V_A}{V_A+V_B+V_C}*X_{A1}+\frac{V_B}{V_A+V_B+V_C}*X_{B1}+\frac{V_C}{V_A+V_B+V_C}*X_{C1}$

${\tilde{X}}_2=\frac{V_A}{V_A+V_B+V_C}*X_{A2}+\frac{V_B}{V_A+V_B+V_C}*X_{B2}+\frac{V_C}{V_A+V_B+V_C}*X_{C2}$

${\tilde{X}}_3=\frac{V_A}{V_A+V_B+V_C}*X_{A3}+\frac{V_B}{V_A+V_B+V_C}*X_{B3}+\frac{V_C}{V_A+V_B+V_C}*X_{C3}$

${\tilde{X}}_4=\frac{V_A}{V_A+V_B+V_C}*X_{A4}+\frac{V_B}{V_A+V_B+V_C}*X_{B4}+\frac{V_C}{V_A+V_B+V_C}*X_{C4}$ 公式（5）。

优选地，N为100，Dif_vote为4，K为4。

显然，本领域技术人员应该明白，上述的本发明的各单元或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上,可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定保护范围。

Claims (10)

1.一种基于信号强度概率的室内定位方法，包括如下步骤：

步骤100，根据室内环境的分布结构和接入点，对室内空间进行划分，划分为T个空间，T为正整数；

步骤110：利用指纹地图Fingerprint Map接入点算法制作T个空间的信号强度指示RSSI地图，其中，第i个位置的RSSI样本记录向量形式：

$S_i=\left(\begin{array}{c}{\mathrm{\μ}}_{i,1},{\mathrm{\σ}}_{i,1},{\max }_{i,1},{\min }_{i,1},{\mathrm{\μ}}_{i,2},{\mathrm{\σ}}_{i,2},{\max }_{i,2},{\min }_{i,2},\mathrm{......},\\ {\mathrm{\μ}}_{i,j},{\mathrm{\σ}}_{i,j},{\max }_{i,j},{\min }_{i,j},\mathrm{......},{\mathrm{\μ}}_{i,M},{\mathrm{\σ}}_{i,M},{\max }_{i,M},{\min }_{i,M},\end{array}\right),$

其中，M表示当前室内环境下用于定位的接入点个数，且M≥3，μ_i,j，σ_i,j分别为在第i个位置对第j个接入点发送信号采集RSSI值的均值与方差,max_i,j表示在第i个位置对第j个接入点发送信号多次采集RSSI值时出现的最大值，min_i,j表示在第i个位置对第j个接入点发送信号多次采集RSSI值时出现的最小值，1≤i≤T,1≤j≤M；

步骤120，利用用户终端在未知位置测量出RSSI样本记录向量S＝(μ₁,σ₁,max₁,min₁,μ₂,σ₂,max₂,min₂,......μ_M,σ_M,max_M,min_M)；

步骤130，依次计算从第1个到第M个接入点的维度上的投票，其中在第j个接入点上的维度上的投票的方法为：

步骤131，计算从第1个位置到第T个空间的巴氏系数B_i,j，1≤i≤T,1≤j≤M，所述巴氏系数B_i,j为室内空间中的第i个位置的第j个接入点维度上的概率分布与未知位置的第j个接入点维度上概率分布的相似性；

步骤132，根据计算的巴氏系数序列B_1,j,B_2,j,......,B_T,j，进行排序，并对T个空间进行投票，巴氏系数最大的位置投票T，次之为T-1，依此继续，直至为1；

步骤140，结束所有接入点维度上的投票，并将相同位置上的所有的投票结果相加，计算得到T个空间的最终投票结果；

步骤150，对最终投票结果进行排序，若排名第一的位置A与第二的位置B投票结果差值大于等于阈值Dif_vote，则判定未知位置为排名第一的位置A，否则判定定位失败。

2.根据权利要求1所述的方法，其特征在于：

在步骤110中的均值和方差分别通过公式(2)和公式(3)计算得到：

式中，RSSI_i,j,s为第i个位置第s次测量第j个接入点发送的信号的RSSI值，N为测量次数。

3.根据权利要求1或2所述的方法，其特征在于：

在步骤110中测量RSSI值时，采集不同方向的RSSI值，然后对不同方向的值做平均作为本次测量的RSSI值，即

式中，K为采集的方向数，RSSI_i,j,s,t为第i个位置第s次测量第j个接入点发送信号在第t个方向上的RSSI值。

4.根据权利要求1所述的方法，其特征在于：

在步骤S130中，在第i个位置的巴氏系数B_i,j的计算方法为：通过公式(1)计算巴氏系数以得到室内空间中的第i个位置的第j个接入点维度上的概率分布与未知位置的第j个接入点维度上概率分布的相似性，

其中，为第i个位置第j个接入点维度上的概率分布函数，为未知位置的第j个接入点维度上的概率分布函数，式中，x为在第i个位置对第j个接入点的测量RSSI值，积分的上下限为未知位置相应接入点维度上的从最大值到最小值的范围与各个空间相应接入点维度上的从最大值到最小值的范围的重叠区域的上下界，若无重叠，则判定巴氏系数为0。

5.根据权利要求1所述的方法，其特征在于：

在步骤150中，当排名第一的位置A和第二的位置B的投票结果差值小于阈值Dif_vote时，选取投票结果最大的前三个位置A、B、C，比较该三个位置是否毗邻，比较三个位置相互毗邻的方法为，比较这三个位置的编号差值≤2或者远大于2且小于等于列数+1，若非毗邻，则判定定位失败，所述列数为所述T个空间的列的个数。

6.一种基于信号强度概率的室内定位装置，包括如下单元：

室内空间划分单元，根据室内环境的分布结构和接入点，对室内空间进行划分，划分为T个空间，T为正整数；

RSSI地图制作单元：利用指纹地图Fingerprint Map接入点算法制作T个空间的信号强度指示RSSI地图，其中，第i个位置的RSSI样本记录向量形式：

$S_i=\left(\begin{array}{c}{\mathrm{\μ}}_{i,1},{\mathrm{\σ}}_{i,1},{\max }_{i,1},{\min }_{i,1},{\mathrm{\μ}}_{i,2},{\mathrm{\σ}}_{i,2},{\max }_{i,2},{\min }_{i,2},\mathrm{......},\\ {\mathrm{\μ}}_{i,j},{\mathrm{\σ}}_{i,j},{\max }_{i,j},{\min }_{i,j},\mathrm{......},{\mathrm{\μ}}_{i,M},{\mathrm{\σ}}_{i,M},{\max }_{i,M},{\min }_{i,M},\end{array}\right),$

其中，M表示当前室内环境下用于定位的接入点个数，且M≥3，μ_i,j，σ_i,j为在第i个位置对第j个接入点发送信号采集的均值与方差,max_i,j表示在第i个位置对第j个接入点发送信号多次采集RSSI值时出现的最大值，min_i,j表示在第i个位置对第j个接入点发送信号多次采集RSSI值时出现的最小值，1≤i≤T,1≤j≤M；

待测位置RSSI样本记录向量测量单元，利用用户终端在未知位置测量出RSSI样本记录向量

S＝(μ₁,σ₁,max₁,min₁,μ₂,σ₂,max₂,min₂,......μ_M,σ_M,max_M,min_M)；

接入点维度投票计算单元，依次计算从第1个到第M个接入点的维度上的投票，其中计算在第j个接入点上的维度上的投票包括：

巴氏系数计算子单元，计算从第1个位置到第T个空间的巴氏系数B_i,j，1≤i≤T,1≤j≤M，所述巴氏系数B_i,j为室内空间中的第i个位置的第j个接入点维度上的概率分布与未知位置的第j个接入点维度上概率分布的相似性；

投票子单元，根据计算的巴氏系数序列B_1,j,B_2,j,......,B_T,j，进行排序，并对T个空间进行投票，巴氏系数最大的位置投票T，次之为T-1，依此继续，直至为1；

最终投票结果计算单元，结束所有接入点维度上的投票，并将相同位置上的所有的投票结果相加，计算得到T个空间的最终投票结果；

最终投票结果排序和比较单元，对最终投票结果进行排序，若排名第一的位置A与第二的位置B投票结果差值大于等于阈值Dif_vote，则判定未知位置为排名第一的位置A，否则判定定位失败。

7.根据权利要求6所述的装置，其特征在于：

在RSSI地图制作单元中的均值和方差分别通过公式(2)和公式(3)计算得到：

式中RSSI_i,j,s为第i个位置第s次测量第j个接入点发送的信号的RSSI值，N为测量次数。

8.根据权利要求7所述的装置，其特征在于：

在RSSI地图制作单元中测量RSSI值时，采集不同方向的RSSI值，然后对不同方向的值做平均作为本次测量的RSSI值，即

式中，K为采集的方向数，RSSI_i,j,s,t为第i个位置第s次测量第j个接入点发送信号在第t个方向上的RSSI值。

9.根据权利要求6-8中任意一项所述的装置，其特征在于：

接入点维度投票计算单元，还包括：

计算在第i个位置的巴氏系数B_i,j为：通过公式(1)计算巴氏系数以得到室内空间中的第i个位置的第j个接入点维度上的概率分布与未知位置的第j个接入点维度上概率分布的相似性，

其中，为第i个位置第j个接入点维度上的概率分布函数，为未知未知的第j个接入点维度上的概率分布函数，式中，x为在第i个位置对第j个接入点的测量RSSI值，在公式(1)中，积分的上下限为未知位置相应接入点维度上的从最大值到最小值的范围与各个空间相应接入点维度上的从最大值到最小值的范围的重叠区域的上下界，若无重叠，则判定巴氏系数为0。

10.根据权利要求6所述的装置，其特征在于：

在最终投票结果排序和比较单元中，当排名第一的位置A和第二的位置B的投票结果差值小于阈值Dif_vote时，选取投票结果最大的前三个位置A、B、C，比较该三个位置是否毗邻，比较三个位置相互毗邻的方法为，比较这三个位置的编号差值≤2或者远大于2且小于等于列数+1，若非毗邻，则判定定位失败，所述列数为所述T个空间的列的个数。