CN103634902A - 基于指纹聚类的新型室内定位方法 - Google Patents

Abstract

本发明提供了一种基于指纹聚类的新型室内定位方法，包括了基于相似性传播聚类算法（Affinity Propagation Cluster）以及最近邻居法相结合的分层的室内定位方法。这种通过有效利用地理位置相近的室内位置的指纹所具有的相似性，给采集到的室内指纹信息做预分类处理，将指纹库中的指纹分为不同的子集；并进一步地通过分类后得到的有特点的指纹集合分层解算定位结果的方法，极高地缩短了定位解算所需的时间，同时保证了室内定位系统的精度及稳定性。

Description

基于指纹聚类的新型室内定位方法

技术领域

本发明涉及室内定位方法，具体涉及一种基于室内无线系统中指纹聚类匹配的室内定位方法。

背景技术

随着移动互联网技术的快速发展，智慧城市概念的提出和迅速普及，基于位置的服务(Location Based Service,LBS)受到越来越多的关注，在医疗保健、紧急救助、个性化信息传递等科技生活领域显示出巨大的活力。以智能终端为平台，基于WLAN的室内定位因为其能够以纯软件的方式实现，定位系统成本低等特点，成为近年来普适计算和位置感知领域的一个研究热点。WLAN热点服务的高覆盖率是保证精确室内外无缝定位技术实现的可能，这一点正好契合智慧城市无线网络全覆盖的需求，同时大型的超市，卖场WLAN热点的覆盖率也正在逐步上升。从目前针对室内定位的技术研究方向来说，主要是从指纹库的建立和定位匹配算法两个方面进行。主要由于WLAN热点的信号强度在室内的多径环境下的不稳定性导致的定位精度的下降以及指纹信息如何得到最大效用是广大研究人员所关注的重点。但是，实际的应用场景中仍然有这许多亟待解决的问题。比如说，如何高效地建立并维护指纹库，如何降低算法复杂度，提高响应速度，如何提高定位精度，以及如何解决在多用户情况下的高并发问题，这些都是室内定位技术走进应用所必须面临和解决的问题。

经对现有技术的文献检索发现，Chen Feng和Shahrokh Valaee于2010年在INFOCOM(International Conference on Computer Communications)发表了“Compressive Sensing Based Positioning Using RSS of WLAN AccessPoints”(2010年IEEE组织在通信网络领域的会议，《利用无线局域网的信号强度值的压缩感知定位方法》)，提出了利用相似性传播聚类算法给指纹库分类，进一步使用压缩感知的算法进行定位匹配从而达到提升定位精度的目的。然而此方法具有定位过程复杂度较高，并且定位算法的响应时间较长等缺点，不能在保证精度的同时实现移动终端的实时定位功能，进而降低了用户的体验。

发明内容

本发明针对现有技术的不足，提出了一种基于指纹聚类的新型室内定位方法，包括了基于相似性传播聚类算法（Affinity Propagation Cluster）以及最近邻居法相结合的分层的室内定位方法。其采用相似性传播聚类算法来给指纹库进行预分类处理，并进一步地通过分类后得到的有特点的指纹集合分步解算定位结果的方法，极高地缩短了定位解算所需的时间，同时保证了室内定位系统的精度及稳定性。

根据本发明提供的基于指纹聚类的新型室内定位方法，其特征在于，包括如下步骤：

步骤A：指纹信息的采集和分类，得到分类的指纹子集以及每个子集中的特征指纹；采集工作后得到的定位目标区域中L个采集位置的指纹库f，f={f1,f2,f3,…,fL},利用指纹之间的相似性将指纹库中的指纹分为不同的子集；

步骤B：分类匹配，利用定位设备在定位请求时所采集的定位信息与指纹库中的分类后的各个分类中的代表特征指纹进行匹配，即重新计算得到定位信息和各个分类子集的相似度；

步骤C：定位匹配，利用步骤B中得到的定位信息和各个分类子集的相似度选取M个最佳分类子集中的指纹与定位信息进行定位匹配解算，得到最终定位结果。

优选地，通过相似性传播算法，利用指纹之间的相似性将指纹库中的指纹分为不同的子集，通过步骤A执行所述相似性传播算法，具体如下；

所述的步骤A包括如下步骤：

步骤A1：将s(i,j)定义为两个指纹间的“相似度”,具体为欧式距离的相反数，即s(i,j)＝-||f_i-f_j||²，f_i,f_j分别表示指纹库f中位置i和位置j处的指纹值；定义“责任率”r(i,k)为指纹f_i发送至潜在的特征点指纹f_k，表示指纹f_i在接收到来自其它点的信息后，认为指纹f_k能够代表指纹f_i的概率；定义“可用率”a(i,k)为由潜在的特征点指纹k发送至指纹f_i，表示指纹f_k在接收到来自其他点的信息后，认为能够作为指纹f_i的特征点的概率；初始化a(i,k)＝0；

步骤A2：迭代计算“责任率”和“可用率”；其中

r(i,j)＝s(i,j)-max_j'≠j{a(i,j')+s(i,j')}

$a(i,j)=\min \{0,r(j,j)+\underset{i^{\′}\≠i,j}{\mathrm{\Σ}}\max \{0,r(i^{\′},j)\}$

其中，r(i,j)表示指纹f_j对指纹f_i的“责任率”，s(i,j)表示两个指纹f_i,f_j间的欧式距离的相反数，a(i,j')表示指纹f_j'对指纹f_i的“可用率”，s(i,j')表示指纹f_j'与指纹f_i间的“相似度”，a(i,j)表示指纹f_j'对指纹f_i的“可用率”，r(j,j)表示指纹f_j作为特征点的可能性，r(i′,j)表示指纹f_j对指纹f_i'的“责任率”；

迭代最后得到的r(k,k)值即为所谓的“自责任率”，r(k,k)表示指纹f_k作为特征点的可能性；当r(k,k)<0时，说明指纹f_k更可能是选择另外一个指纹作为特征点，而不是自己作为特征点；r(k,k)>0时，说明指纹f_k本身适合作为一个子集的特征点，对于指纹f_i，有指纹f_k使a(i,k)+r(i,k)取得最大值，那么如果i=k，则指纹f_i就是一个特征点，如果i≠k那么指纹f_k作为指纹f_i的特征点；其中，a(i,k)表示指纹f_k对指纹f_i的“可用率”，r(i,k)表示指纹f_k对指纹f_i的“责任率”。

优选地，所述的步骤B包括如下步骤：

步骤B1：经过步骤A，指纹库中的指纹被分为N个子集，特征点指纹分别为{T1,T2,T3,…，TN},在每个子集中选出L个最能由特征点代表的指纹数据；即在每个子集中找出L个数据使得a(i,Tj)+r(i,Tj)最大，其中，a(i,Tj)表示特征点指纹指纹

对指纹f_i的“可用率”，r(i,Tj)表示特征点指纹

对指纹f_i的“责任率”；将这L*N个数据与新采集的定位信息f0组成一组新数据，对于这L*N+1个数据迭代地传递“责任率”和“可用率”这两条信息；因为r(i,j)代表的是数据j作为数据i特征点的可能性，所以在迭代结束后，根据“责任率”判断新指纹属于哪一个子集；设新数据编号m，迭代结束后找到指纹指纹数据f_k，使得r(m,k)取最大，即可判定新指纹属于指纹f_k所在的子集，其中，r(m,k)表示指纹f_k对新指纹数据f_m的“责任率”；

步骤B2：在指纹类匹配时，不仅仅是找到定位信息最有可能隶属于的那一个子集，而是找M个最有可能的子集，按照r(m,k)由大到小排列，组成集合Cluster_S。

优选地，所述的步骤C包括如下步骤：

步骤C1：根据步骤B得到的M个最匹配的指纹子集，计算得到最终的定位结果，为了区分不同子集的优先级，定义子集中的指纹具有权重w(f)，

其中，e为自然指数，C=M+1-n，n是在步骤B中，指纹f所在的子集在集合Cluster_S中的序号，M表示集合Cluster_S的子集个数，D(f,o)是定位信息和指纹f之间的欧式距离；

优选地，所述的步骤C还包括如下步骤：

步骤C2：在定位匹配过程中将匹配的指纹子集中的指纹进行加窗的操作，窗的大小为s*s个位置区域，则每个窗口具有权重为W，

其中，α是窗内的位置区域中属于M个最匹配的指纹子集中的指纹的个数，e为自然指数，C_i=M+1-n(i)，n(i)表示位置区域中属于M个最匹配的指纹子集中的指纹f_i所在子集在集合Cluster_S中的序号，D_i表示指纹f_i和定位信息之间的欧式距离。在计算得到最大权重的窗口之后，平均这个窗口内的匹配的所有指纹的地理位置，从而得到最终定位信息所在的定位结果。

与现有技术相比，本发明具有如下有益效果：

通过大量的计算机仿真以及实际实验证实，本发明中通过预先分类的指纹库，利用分类匹配以及室内匹配算法分步解算定位结果的方法，能够明显地缩短定位解算的开销以及定位解算的反应时间，该方法不仅能够提升定位精度，同时低复杂度的计算处理以及高效的解算方法使在移动终端上的实时室内定位成为可能。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是采用基于指纹聚类的新型室内定位方法的总体架构；

图2是指纹库的聚类结果以及定位信息的结构示意图；

图3是具体实例的室内环境下建立的指纹库的指纹聚类结果；

图4是具体实例中分别在第二步匹配过程中使用最接近的1-5个指纹类子集进行定位结果的解算，定位结果的精度示意图；

图4中：柱状图从左向右的分别对应M值为1-5的定位结果。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

如图1所示，室内定位系统分为离线模式和在线模式。离线模式下主要工作为建立目标定位区域的指纹数据库。通过在目标定位区域中预先设定的各个采样点上的指纹信息采集并记录到数据库中。进一步地，通过利用地理位置相近的室内位置的指纹所具有的相似性，给采集到的室内指纹信息做预分类处理，将指纹库中的指纹分为不同的子集；相似性传播算法中，认为所有指纹之间存在一定的相似关系，通过在各对指纹之间传播信息，实现将关系紧密的指纹归为一类的目的。相似性传播算法的特点在于，它不需要随机地选取初始特征点，而是假设所有的指纹都有可能被选为特征点。每个指纹都被看作网络中的节点，在聚类过程中，各个节点之间相互传递信息，这些信息反映了每个指纹作为特征点的可能性和它属于某个类的可能性。经过多次反复迭代的传递这些信息，最终选出特征点并实现指纹聚类。

图3展示了在实验楼一楼（包括走廊、教室和楼梯）的室内环境下建立的指纹库的指纹聚类结果。从图中可以看出，基于相似性传播的指纹聚类方法能够很好地在地里位置上将相似特点的位置点聚为一类，同时能够将有明显差异的位置点分为两类。图中三间教室分别被分为三类，而走廊根据地理环境因素的变化被分为八类。在线模式下通过初步定为能够迅速将定位结果锁定在与定位信息相似性最高的若干个指纹子集中。

图1中还示意了室内定位系统的在线模式。在线模式下，在测试位置点上，由智能终端实时测量得到当前扫描到的所有WLAN热点信号强度信息，这条信息即作为定位信息，通过将定位信息与现有的各个子集相匹配，判断出这条指纹最有可能属于哪一个子集或是哪些子集，然后再利用匹配选中子集中的指纹进一步估算出用户的具体位置。这样做一方面可以提高定位精度，避免与新指纹差异较大的指纹干扰定位结果，同时有效地减小了运算量，让指纹库中部分指纹而不是所有指纹参与定位运算，加快了系统响应速度。

在仿真以及实验过程中，我们分别在第二步匹配过程中使用最接近的1-5个指纹类子集进行定位结果的解算，定位结果的精度如图4所示。同时，为了能够得到更好地定位精度，我们在第二步定位匹配过程中将匹配的指纹子集中的指纹进行了加窗的操作，即确保与定位信息相似的指纹位置也能够尽可能的集中在一起。

进一步的，详细的定位统计结果可以由表1得到。表1是不同定位方法下定位结果的最大误差距离，平均误差距离，误差距离低于5m的概率，误差距离低于2m的概率以及定位解算所需的时间。从表中可以看出，使用本发明提出的定位解算方法（MMC-KNN，KNN combined with M Matching Clusters）相对于传统的KNN定位方法能够大幅降低定位解算所需的反应时间，并且同时在定位精度上也有不少的性能提升，加窗的操作也能够进一步提升定位性能，但会稍微增加定位解算的所需时间。

表1

更为具体地，在本发明的一个优选例中，本发明是通过以下技术方案实现的，本发明包括以下步骤：

第一步：离线模式下，建立目标定位区域的指纹数据库。通过在目标定为区域中预先设定的各个采样点上的指纹信息采集并记录到数据库中。进一步地，通过利用地理位置相近的室内位置的指纹所具有的相似性，并结合相似性传播算法给采集到的室内指纹信息做预分类处理，将指纹库中的指纹分为不同的子集；

第二步：在线模式下，在测试位置点上，由智能终端实时测量得到当前扫描到的所有WLAN热点信号强度信息，这条信息即作为定位信息，通过将定位信息与现有的各个子集的特征指纹一起，再次使用相似性传播算法，判断出这条指纹最有可能属于哪一个子集或是哪些子集，通过计算得到的“Responsibility（责任率）”，选出M个最有可能的指纹子集。

第三步，利用在第二步中得到的M个最匹配的指纹子集中的指纹针对定位信息进行匹配，匹配时采用最小邻居算法，计算传入的采集点指纹数据与指纹数据库中的参考点指纹数据之间的距离后进行排序，取出最小的K个距离后得到相应的K个相似数据点，由K个相似数据点进行平均，得到最后的位置信息估计，完成定位过程。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (5)

1.一种基于指纹聚类的新型室内定位方法，其特征在于，包括如下步骤：

步骤A：指纹信息的采集和分类，得到分类的指纹子集以及每个子集中的特征指纹；采集工作后得到的定位目标区域中L个采集位置的指纹库f，f={f1,f2,f3,…,fL},利用指纹之间的相似性将指纹库中的指纹分为不同的子集；

步骤B：分类匹配，利用定位设备在定位请求时所采集的定位信息与指纹库中的分类后的各个分类中的代表特征指纹进行匹配，即重新计算得到定位信息和各个分类子集的相似度；

步骤C：定位匹配，利用步骤B中得到的定位信息和各个分类子集的相似度选取M个最佳分类子集中的指纹与定位信息进行定位匹配解算，得到最终定位结果。

2.根据权利要求1所述的基于指纹聚类的新型室内定位方法，其特征在于，通过相似性传播算法，利用指纹之间的相似性将指纹库中的指纹分为不同的子集，通过步骤A执行所述相似性传播算法，具体如下；

所述的步骤A包括如下步骤：

步骤A1：将s(i,j)定义为两个指纹间的相似度,具体为欧式距离的相反数，即s(i,j)＝-||f_i-f_j||²，f_i,f_j分别表示指纹库f中位置i和位置j处的指纹值；定义责任率r(i,k)为指纹f_i发送至潜在的特征点指纹f_k，表示指纹f_i在接收到来自其它点的信息后，认为指纹f_k能够代表指纹f_i的概率；定义可用率a(i,k)为由潜在的特征点指纹k发送至指纹f_i，表示指纹f_k在接收到来自其他点的信息后，认为能够作为指纹f_i的特征点的概率；初始化a(i,k)＝0；

步骤A2：迭代计算责任率和可用率；其中

r(i,j)＝s(i,j)-max_j'≠j{a(i,j')+s(i,j')}

$a(i,j)=\min \{0,r(j,j)+\underset{i^{\&prime;}\&NotEqual;i,j}{\mathrm{\&Sigma;}}\max \{0,r(i^{\&prime;},j)\}$

其中，r(i,j)表示指纹f_j对指纹f_i的责任率，s(i,j)表示两个指纹f_i,f_j间的欧式距离的相反数，a(i,j')表示指纹f_j'对指纹f_i的可用率，s(i,j')表示指纹f_j'与指纹f_i间的相似度，a(i,j)表示指纹f_j'对指纹f_i的可用率，r(j,j)表示指纹f_j作为特征点的可能性，r(i′,j)表示指纹f_j对指纹f_i'的责任率；

迭代最后得到的r(k,k)值即为自责任率，r(k,k)表示指纹f_k作为特征点的可能性；当r(k,k)<0时，说明指纹f_k更可能是选择另外一个指纹作为特征点，而不是自己作为特征点；r(k,k)>0时，说明指纹f_k本身适合作为一个子集的特征点，对于指纹f_i，有指纹f_k使a(i,k)+r(i,k)取得最大值，那么如果i=k，则指纹f_i就是一个特征点，如果i≠k那么指纹f_k作为指纹f_i的特征点；其中，a(i,k)表示指纹f_k对指纹f_i的可用率，r(i,k)表示指纹f_k对指纹f_i的责任率。

3.根据权利要求2所述的基于指纹聚类的新型室内定位方法，其特征在于，所述的步骤B包括如下步骤：

步骤B1：经过步骤A，指纹库中的指纹被分为N个子集，特征点指纹分别为{T1,T2,T3,…，TN},在每个子集中选出L个最能由特征点代表的指纹数据；即在每个子集中找出L个数据使得a(i,Tj)+r(i,Tj)最大，其中，a(i,Tj)表示特征点指纹指纹

对指纹f_i的可用率，r(i,Tj)表示特征点指纹

对指纹f_i的责任率；将这L*N个数据与新采集的定位信息f0组成一组新数据，对于这L*N+1个数据迭代地传递责任率和可用率这两条信息；因为r(i,j)代表的是数据j作为数据i特征点的可能性，所以在迭代结束后，根据责任率判断新指纹属于哪一个子集；设新数据编号m，迭代结束后找到指纹指纹数据f_k，使得r(m,k)取最大，即可判定新指纹属于指纹f_k所在的子集，其中，r(m,k)表示指纹f_k对新指纹数据f_m的责任率；

步骤B2：在指纹类匹配时，不仅仅是找到定位信息最有可能隶属于的那一个子集，而是找M个最有可能的子集，按照r(m,k)由大到小排列，组成集合Cluster_S。

4.根据权利要求1所述的基于指纹聚类的新型室内定位方法，其特征在于，所述的步骤C包括如下步骤：

步骤C1：根据步骤B得到的M个最匹配的指纹子集，计算得到最终的定位结果，为了区分不同子集的优先级，定义子集中的指纹具有权重w(f)，

其中，e为自然指数，C=M+1-n，n是在步骤B中，指纹f所在的子集在集合Cluster_S中的序号，M表示集合Cluster_S的子集个数，D(f,o)是定位信息和指纹f之间的欧式距离。

5.根据权利要求4所述的基于指纹聚类的新型室内定位方法，其特征在于，所述的步骤C还包括如下步骤：

步骤C2：在定位匹配过程中将匹配的指纹子集中的指纹进行加窗的操作，窗的大小为s*s个位置区域，则每个窗口具有权重为W，

其中，α是窗内的位置区域中属于M个最匹配的指纹子集中的指纹的个数，e为自然指数，C_i=M+1-n(i)，n(i)表示位置区域中属于M个最匹配的指纹子集中的指纹f_i所在子集在集合Cluster_S中的序号，D_i表示指纹f_i和定位信息之间的欧式距离；在计算得到最大权重的窗口之后，平均这个窗口内的匹配的所有指纹的地理位置，从而得到最终定位信息所在的定位结果。

Images