CN103874191A - 一种基于WiFi无线网络的定位方法 - Google Patents

Abstract

本发明公开了一种基于WiFi无线网络的定位方法，包括离线阶段处理和在线阶段处理；离线阶段处理是采集参考点的信号强度并存入数据库，获得指纹库；在线阶段处理是根据WiFi信号强度的不稳定性设置权重，根据移动物体的移动轨迹限定候选范围，结合指纹库确定移动物体的位置。本发明在为移动物体定位时充分考虑了WiFi信号强度的不稳定性和移动物体的移动轨迹，解决了由于WiFi信号强度不稳定导致的定位精确度较低的问题，从而提高了定位的精确度。

Description

一种基于WiFi无线网络的定位方法

技术领域

本发明涉及无线定位技术，尤其涉及一种基于WiFi无线网络的定位方法。

背景技术

人们总是希望他们周围的电子设备能够感知环境，并根据环境的变化自动地做出符合用户需求的行为。IDC(Internet Data Center)预测智能设备今年的全球销售量将达到11亿，到2016年，全球销售量将翻一番，达到20亿。种种迹象表明，阻止人们从“个人电脑时代”跳跃到“普适计算时代”的主要壁垒已经倒塌。种种迹象表明，阻止人们从“个人电脑时代”跳跃到“普适计算时代”的主要壁垒已经倒塌。在普适计算中，设备需要能够感知环境，而不再是由用户输入信息。局域无线网络是移动设备感知外部环境的一种途径。这使得人们对建立在局域无线网络上的基于位置的系统和服务越来越感兴趣。根据用户的物理位置向用户提供信息和服务是这些系统的一个主要功能。例如，在陌生的商场中购物的用户可能想要知道她/他喜欢的专卖店在哪里，如何可以达到。也可以根据用户的位置进行广告推荐等。

随着使用GPS的室外定位在日常生活中越来越普及，人们对室内定位的需求变得越来越强烈。近年来，一些室内定位技术被发明出来，包括蓝牙、RFID、WiFi。基于蓝牙和WiFi的方法主要是依赖接收到的信号强度来进行定位的，而RFID则是根据读到的活动RFID标记来对移动物体进行定位的。其中，WiFi有以下几点优点：

无处不在的覆盖：WiFi网络的基础设备在很多公共场所都部署，例如商场、机场、大学、医院等。

可扩展性：WiFi网络的基础设备扩展很容易，不论是添加一个AP或者减少一个AP对于网络中其他的AP都不会造成影响。

不需要额外的硬件设备：大多数的移动设备都支持WiFi连接。仅需要在这些移动设备上安装相应的软件就可以进行定位，而不需要其他额外的设备。

覆盖范围：和其他无线技术(蓝牙或RFID)相比，WiFi拥有更大的覆盖范围，能达到50-100m。

没有视线范围限制：不像IR，WiFi不受视线范围的限制，它可以穿越墙等障碍物。

免费测量：即使是私人的WiFi网络也可以免费的检测其信号强度。

正是由于WiFi所具备这些优点，它成为室内定位技术中一个不错的选择。很多基于这个方法的研究被提出，中大多数都是只考虑接收到定位请求当时的信号强度集合。由于信号强度是不稳定的，所以定位精确度减低，于是又提出了将WiFi与RFID、蓝牙等其他设备结合以提高定位的精确度。尽管定位的精度有所提高，但是需要安置额外的设备。其中，这些方法中未使用连续监控移动物体移动的方式提高定位精确度，也未考虑到WiFi信号强度自身的特点。

发明内容

本发明克服了现有技术的定位精确度低、需借助额外设备、未使用连续监控定位及忽视WiFi信号强度自身特点的缺陷，提出了一种基于WiFi无线网络的定位方法。

本发明提出了一种基于WiFi无线网络的定位方法，包括离线阶段处理和在线阶段处理；所述离线阶段处理是采集参考点的信号强度并存入数据库，获得指纹库；所述在线阶段处理是根据WiFi信号强度的不稳定性设置权重，根据移动物体的移动轨迹限定候选范围，结合所述指纹库确定移动物体的位置。

其中，所述离线处理阶段包括如下步骤：

步骤A1：多次采集参考点处的WiFi信号强度；

步骤A2：取每个所述参考点多次采集的WiFi信号强度的均值，作为所述参考点的信号强度；

步骤A3：将每个所述参考点的坐标及其信号强度存入数据库，生成指纹库。

其中，所述在线处理阶段包括如下步骤：

步骤B1：将定位时获取的信号强度值存入数据库，当距上一次定位的时间间隔达到时间阈值或接收到定位请求时，执行步骤B2；

步骤B2：从所述数据库中查出最近一段时间接收到的信号强度的记录；

步骤B3：将所述记录的信号强度值进行平滑处理，得到平滑后的信号强度值；

步骤B4：根据所述记录的信号强度值计算每个所述记录的信号强度值的权重；

步骤B5：根据上一次定位的信号强度值与移动轨迹，计算出最远运动距离，限定定位的候选区域；

步骤B6：根据所述平滑后的信号强度值与所述指纹库中信号强度相匹配，找出在所述候选区域中信号强度最相似的参考点的坐标作为该用户的位置。

其中，所述步骤B3中将这些信号强度值按时间顺序进行平滑：

步骤C1：按时间顺序检查所述记录的信号强度值，若所述记录的信号强度值出现数据异常时，执行步骤C2；否则执行步骤C3；

步骤C2：利用所述数据异常的信号强度值前后信号强度值的均值替代所述数据异常的信号强度值后，重新执行所述步骤C1；

步骤C3：对所有信号强度值进行平滑处理。

其中，所述步骤B4中各信号强度值的权重通过以下公式计算得到：

$d_i=\sqrt{\frac{1}{W}\underset{j=1}{\overset{W}{\mathrm{\Σ}}}{({\mathrm{st}}_{\mathrm{ij}}-{\mathrm{ste}}_{\mathrm{ij}})}^2}$

${\mathrm{\λ}}_i=\frac{{\mathrm{ov}}_i}{d_i}$

${\mathrm{\λ}}_i=\frac{{\mathrm{\λ}}_i}{{\max }_i\left({\mathrm{\λ}}_i\right)}$

式中，d_i代表时间窗口中信号的稳定性，st_ij表示时刻t_j时第i个无线访问接入点平滑后的信号强度，ste_ij表示时刻t_j时第i个无线访问接入点信号强度的期望值，ov_i表示第i个无线访问接入点信号强度的原始数据，λ_i是第i个无线访问接入点的信号强度的权重。

其中，所述步骤B5中的运动方式包括运动速度信息，根据所述运动速度信息计算出的最远运动距离。

其中，所述步骤B6中匹配过程中的相似度是通过以下公式计算得到：

${\mathrm{sim}}_j=\sqrt{{\mathrm{\Σ}}_{i=1}^n({\mathrm{\λ}}_i*{({\mathrm{sv}}_i-r_{\mathrm{ji}})}^2)}$

式中，λ_i代表该用户接收到来自第i个无线访问接入点的信号强度的权重，sv_i代表该用户接收到来自第i个无线访问接入点的信号强度平滑后的值，r_ij表示指纹库中第j个参考点处第i个无线访问接入点的信号强度。

其中，所述数据异常的信号强度值是同时高于或低于前后两个信号强度值的幅度超过强度阈值的信号强度值。

其中，所述平滑处理的方法包括移动平均法、指数平滑法。

本发明定位方法采用两个不同阶段处理，即离线阶段和在线阶段处理。离线阶段处理时，根据采集各参考点的信号强度，以多次采集获取的均值作为参考点的信号强度，将参考点的绝对坐标和相应的信号强度值存入数据库作为指纹库。在线阶段处理时，先回溯移动物体之前接收到的信号强度，计算出每个信号强度值的权重，同时对信号强度值进行平滑。然后根据移动物体上一次所在的位置限定候选区域。最后使用哪个平滑后的信号强度与指纹库中的参考点相匹配，找出候选区域中信号强度最相似的参考点作为移动物体的估计位置。本发明在室内环境中具有较高的定位精确度。

附图说明

图1为部署WiFi的平面图。

图2为不同距离时的WiFi信号水平分布图。

图3为移动定位时信号强度的分布图。

图4为数据异常点平滑处理前后的结果图；其中，图4(a)是波动不连续时平滑处理前后的结果图；图4(b)为移动平均处理前后的结果图。

图5为图3的信号强度平滑后的分布图。

图6为第一定位误差图；其中，图6(a)为本发明定位方法与不计算运动速度的本发明定位方法的误差图；图6(b)为本发明定位方法与最近邻指纹识别方法的误差图；图6(c)为本发明定位方法与多近邻指纹识别方法的误差图。

图7为第二定位误差图；其中，图7(a)为本发明定位方法与不计算运动速度的本发明定位方法的误差图；图7(b)为本发明定位方法与最近邻指纹识别方法的误差图；图7(c)为本发明定位方法与多近邻指纹识别方法的误差图。

图8为离线阶段处理的流程图。

图9为在线阶段处理的流程图。

图10为定位方法的流程图。

具体实施方式

结合以下具体实施例和附图，对本发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。

本发明定位方法是一种充分考虑信号强度的不稳定性和移动物体的运动轨迹的基于WiFi的定位方法，是基于指纹识别方法进行最终定位的，尤其适用于室内定位。本发明包括离线阶段处理和在线阶段处理，如图10所示。

图1显示的是部署WiFi的平面图，本实施例的实施环境为某建筑的一楼，面积有763.43平方米，包括至少24间房间和一个大厅。其中布置了5个无线访问接入点(AP，Access Point)，包括AP1、AP2、AP3、AP4和AP5，如图1所示。每个AP是一个Totolink N300R的路由器。用户所持的移动设备是一台装着Windows 7系统的笔记本电脑。移动设备上的网卡是IntelWiFi Link 5100 AGN。AP提供了一个有信号重叠的覆盖环境，且所有的AP一起覆盖了整个楼层。

图8显示的是本发明中离线阶段处理的流程，本实施例中使用Native WiFi API开发了一个功能用以收集信号强度值。一共选择了71个参考点，如图1中的点阵“·”。一次在一个参考点收集10次数据，整个收集过程在一天中重复进行了4次。每条记录以元组形式存入数据库，例如(t，SS1，SS2，SS3，SS4，SS5)。其中，t是记录这条记录的时间戳。SS1、SS2、SS3、SS4、SS5分别对应每个AP的信号强度，以百分制表示。如果无法被移动设备检测到的AP的信号强度记为0％。同时，用户的坐标(x，y)和时间戳t也会被记录在数据库中，例如形式为(t，x，y)。根据时间戳将拥有同一个时间戳的所有记录整合成一条记录(x，y，SS1，SS2，SS3，SS4，SS5)，然后将每一点多条记录的信号强度SS1至SS5分别取平均值，结果存储在数据库中作为用以匹配的指纹库。

图9显示的是本发明中在线阶段处理的流程，本实施例中手持移动设备的用户在楼层中沿着图1中直线所示路径随意走动，使用同样由Native WiFi API开发的功能收集移动过程中移动物体接收到的信号强度，移动设备的时间阈值为500ms，每隔500ms移动设备采集一次收集到的信号强度并记录在数据库中，收集了至少21个参考点处用户手持设备接收到的所有无线访问接入点的信号强度值。观察数据库中由在线阶段用户手持设备收集到的记录，由于信号强度并不及时更新，在很短时间内的记录的信号强度可能是一样的，所以本实施例中删除了那些信号强度连续出现相同情况的记录。

因为本发明是使用WiFi实现定位，所以其充分考虑了WiFi信号的物理特征。为了得到高的精确度，离AP距离不同的位置能接收到唯一的信号强度是最好的情况。然而，实际情况是，信号强度会一直发生改变，并且离AP不同距离的两个点可能接收到的信号强度是相同的。图2显示的是在不同距离时的WiFi信号水平分布图。其中与AP距离25米与35米的两点，在21秒时采集到的信号强度相同。

图3显示的是移动定位时信号强度的分布图。其中，每个AP在固定位置接收到的信号强度随时间不规则变化，在用户行走过程中手持移动设备接收到的信号强度则会更加不稳定，信号强度的变化幅度将增加。

在图2和图3中，虽然AP的信号强度具有不稳定性，但是不论在固定的位置还是在移动中，信号强度变化的趋势是能够反映AP和接收方之间距离的变化的。如果信号强度的波动能够经平滑处理，信号强度将能更精确的反应AP和接收方之间距离。除此之外，在图2中，信号强度较高的信号较稳定，且在不同时间段中信号波动的强度也会不同。所以可以认为在不同时间接收到的信号以及拥有不同信号强度值的信号的可信度是不同的。

本实施例中，数据库每隔一段时间记录一次用户的手持移动设备接收到的所有AP的信号强度。当用户通过手持移动设备提交一个位置查询时，系统将处理数据，然后确定用户的位置。

由于信号强度不仅在移动中是不稳定的，在固定点也是不稳定的。尤其在实际应用中，由于手持移动设备测量得到的一个信号强度值同时高于或低于其前后两个信号强度值的幅度高于强度阈值θ时(即当满足判定条件(ov_i-ov_i-1＞θ&& ov_i-ov_i+1＞θ)||(ov_i-1-ov_i＞θ&&ov_i+1-ov_i＞θ)时，其中ov_i表示第i个无线访问接入点信号强度的原始数据)，该信号强度值被视为数据异常的信号强度值。根据WiFi信号强度的特点，本发明在匹配之前需要将信号强度值进行平滑处理。

移动平均是技术分析中一种分析时间序列数据的工具。移动平均可抚平短期波动，反映出长期趋势或周期。所以本发明通过计算移动平均来平滑信号强度的波动。如图4(b)所示，通过移动平均处理，消除了信号强度的波动。通过平滑处理消除了信号强度值中变化幅度较大的信号强度值，将其由该波谷值前后的信号强度值的平均值代替。

然而，在波动不连续的情况下(如图4(a)所示，即波峰波谷前后的值都比较平稳)，如果仅仅计算移动平均，那么平滑处理后的信号强度值可能出现不准确的结果。在这种情况下，本发明在计算移动平均之前按照时间顺序扫描接收到的信号强度。假设有四个连续的值a、b、c、d。如果他们满足下面两个条件之一，则认为b是数据异常的信号强度值： $\left\{\begin{array}{c}b-a>\mathrm{\θ}\\ b-c>\mathrm{\θ}\\ c-d\≤\mathrm{\θ}\end{array}\right.$ 或 $\left\{\begin{array}{c}a-b>\mathrm{\θ}\\ c-b>\mathrm{\θ}\\ d-c\≤\mathrm{\θ}\end{array}\right.$

其中，a、b、c、d都是百分制的形式。强度阈值θ可根据实际定位需求而设定，本发明不限定强度阈值的设定范围，在本实施例中检测数据异常的强度阈值θ设为20％。

本实施例中将b视作数据异常的信号强度值，如图4(a)所示，然后处理异常值。本发明用a和c的均值替代异常值b。

图5显示的是图3中各信号经平滑处理后的信号强度分布图。平滑后的信号强度与距离的相关性得到了加强，数据质量得到了明显的提高。本发明中把平滑后的数据称为平滑数据，没有经过平滑的数据称为原始数据。

在图2中，可以看出信号强度越强的信号越稳定，那么本发明认为信号强度越强的信号可信度越高。室内环境中存在很多移动物体，这些移动物体也会引起信号的波动，所以在同一个信号强度的范围中，信号波动的程度不同。信号强度越稳定的信号具有越高的可信度。所以本发明在匹配指纹库时为不同的信号设置不同的权重。

其中本发明使用APi信号强度的原始数据(ov_i)表示第i个无线访问接入点的信号强度的可信度。由于在一段较短的时间(视为一个时间窗口)内，信号强度的变化可以看作是线性的，所以本发明使用最小二乘法线性拟合时间窗口内的信号强度。本实施例中选取的时间窗口的长度为包含连续4次接受信号的时间段。时间窗口的长度不能过长，否则将时间窗口中的信号强度变化拟合成线性存在较大的误差；时间窗口的长度也不能过短，否则无法准确的拟合出它们变化的趋势。根据拟合的线性公式，可以算出APi在时间t_j时信号强度的期望值(ste_ij)，使用以下公式I可以算出时间窗口内信号强度的标准差，其中W指时间窗口的长度，st_ij指AP_i在时刻t_j时的信号强度：

$d_i=\sqrt{\frac{1}{W}\underset{j=1}{\overset{W}{\mathrm{\Σ}}}{({\mathrm{st}}_{\mathrm{ij}}-{\mathrm{ste}}_{\mathrm{ij}})}^2}---\left(I\right)$

最后，由公式II得到AP_i信号强度的权重λ_i，再根据公式III将权重λ_i的值归一化。

${\mathrm{\λ}}_i=\frac{{\mathrm{ov}}_i}{d_i}---\left(\mathrm{II}\right)$

${\mathrm{\λ}}_i=\frac{{\mathrm{\λ}}_i}{{\max }_i\left({\mathrm{\λ}}_i\right)}---\left(\mathrm{III}\right)$

自由空间中，以AP为圆心的圆上的点接收到的信号强度是相同的。用户在不同的位置可能接收到的信号强度是一样的。所以用户的位置可能被定到离真实位置很远的地方。为了避免这种情况，本发明考虑到用户的行为，即用户的运动方式。人们在室内环境中移动大多数只能依靠步行，而人的步行速度具有上限。因为这些原因，本发明根据用户上一次记录所处的位置和移动速度限定出一个用户可能在的候选区域。

在本发明中，移动轨迹包括移动物体经过的参考点及移动物体的移动方式。考虑移动方式是唯一一步可能需要参考其他设备或估计的步骤，移动方式包括步行、跑步等运动形式及其速度值。据研究数据显示，老年人的步行速度为1.25m/s至1.32m/s，年轻人的步行速度为1.48m/s至1.51m/s。普通人步行的最快速度约为1.5m/s。优选地，通过测量速度的设备可以得到更精确的速度，本实施例使用1.5m/s作为人的移动速度来限定候选区域。本发实施例中以用户上一次所在的位置作为圆心，以用户上一次位置记录到这一次定位的时间内可以达到的最远距离作为半径，这个圆中的位置是用户可以在的候选区域。优选地，由于用户上次定位的位置可能存在误差，所以合理放大候选区域。由于每次自动定位的时间间隔的阈值是固定的，所以将计算出的最远距离乘以2作为候选区域选定的半径。这个计算过程可以用以下公式来描述：

r＝k*v*t                                                         (IV)

式IV中，r是包含候选区域的圆的半径，k是放大系数(本实施例中k＝2)，v是步行速度(本实施例中v＝1.5m/s)，t是从上次自动定位到这次的时间间隔。

最后，本发明使用信号强度最相近的参考点作为用户的位置。本发明使用带权重的欧式距离来度量相似度，计算方法如公式V。

${\mathrm{sim}}_j=\sqrt{{\mathrm{\Σ}}_{i=1}^n({\mathrm{\λ}}_i*{({\mathrm{sv}}_i-r_{\mathrm{ji}})}^2)}---\left(V\right)$

其中，sim_i是用户接收到的信号强度和第j个参考点的信号强度之间的相似度，λ_i是AP_i的信号强度的权重，sv_i是AP_i信号强度的平滑数据，r_ij是第j个参考点的接收到的AP_i的信号强度。

本实施例中通过两次定位分别获取不同的定位误差，其中图6显示的是一个定位误差图，图7显示的是另一个定位误差图。图中x轴是查询请求的ID，y轴是误差距离。

图6(a)和7(a)中，没有考虑用户步行速度的本发明定位方法(FIMOC，Find Me Outwithout Candidates)已经拥有较好的精确度，但是考虑了行走速度的本发明的定位方法(FIMO，Find Me Out)精确度更高。

图6(b)和7(b)中，本发明FIMO的误差距离明显低于使用最近邻的指纹识别方法(Fingerprint NN)。

图6(c)和7(c)中，使用多个近邻的指纹识别方法(Fingerprint kNN)比使用最近邻的指纹识别方法(Fingerprint NN)精确度高，本发明的误差距离与多个近邻的指纹识别方法各有高低，但本发明的误差距离总体小于多个近邻的指纹识别方法的误差距离。

表1展示了图6和7中两组定位数据中误差距离的组间平方和(SSA，sum of squares forfactor A)。根据表1的数据，统计证明与使用最近邻指纹识别方法(Fingerprint NN)和多个近邻的指纹识别方法(Fingerprint kNN)相比，本发明FIMO精确度显著提高。表2显示的是误差距离的均值、中值、与最大值，FIMO相较于其他方法具有最高的精确度。所有定位的误差距离少于7m，误差距离在3m以内的点多于70％。

表1.两组定位数据中误差距离的组间平方和

表2.误差距离的均值、中值和最大值

本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。

Claims (9)

1.一种基于WiFi无线网络的定位方法，其特征在于，包括离线阶段处理和在线阶段处理；所述离线阶段处理是采集参考点的信号强度并存入数据库，获得指纹库；所述在线阶段处理是根据WiFi信号强度的不稳定性设置权重，根据移动物体的移动轨迹限定候选范围，结合所述指纹库确定移动物体的位置。

2.如权利要求1所述的定位方法，其特征在于，所述离线处理阶段包括如下步骤：

步骤A1：多次采集参考点处的WiFi信号强度；

步骤A2：取每个所述参考点多次采集的WiFi信号强度的均值，作为所述参考点的信号强度；

步骤A3：将每个所述参考点的坐标及其信号强度存入数据库，生成指纹库。

3.如权利要求1所述的定位方法，其特征在于，所述在线处理阶段包括如下步骤：

步骤B1：将定位时获取的信号强度值存入数据库，当距上一次定位的时间间隔达到时间阈值或接收到定位请求时，执行步骤B2；

步骤B2：从所述数据库中查出最近一段时间接收到的信号强度的记录；

步骤B3：将所述记录的信号强度值进行平滑处理，得到平滑后的信号强度值；

步骤B4：根据所述记录的信号强度值计算每个所述记录的信号强度值的权重；

步骤B5：根据上一次定位的信号强度值与移动轨迹，计算出最远运动距离，限定定位的候选区域；

步骤B6：根据所述平滑后的信号强度值与所述指纹库中信号强度相匹配，找出在所述候选区域中信号强度最相似的参考点的坐标作为该用户的位置。

4.如权利要求3所述的定位方法，其特征在于，所述步骤B3中将这些信号强度值按时间顺序进行平滑：

步骤C1：按时间顺序检查所述记录的信号强度值，若所述记录的信号强度值出现数据异常时，执行步骤C2；否则执行步骤C3；

步骤C2：利用所述数据异常的信号强度值前后信号强度值的均值替代所述数据异常的信号强度值后，重新执行所述步骤C1；

步骤C3：对所有信号强度值进行平滑处理。

5.如权利要求3所述的定位方法，其特征在于，所述步骤B4中各信号强度值的权重通过以下公式计算得到：

$d_i=\sqrt{\frac{1}{W}\underset{j=1}{\overset{W}{\mathrm{\Σ}}}{({\mathrm{st}}_{\mathrm{ij}}-{\mathrm{ste}}_{\mathrm{ij}})}^2}$

${\mathrm{\λ}}_i=\frac{{\mathrm{ov}}_i}{d_i}$

${\mathrm{\λ}}_i=\frac{{\mathrm{\λ}}_i}{{\max }_i\left({\mathrm{\λ}}_i\right)}$

式中，d_i代表时间窗口中信号的稳定性，st_ij表示时刻t_j时第i个无线访问接入点平滑后的信号强度，ste_ij表示时刻t_j时第i个无线访问接入点信号强度的期望值，ov_i表示第i个无线访问接入点信号强度的原始数据，λ_i是第i个无线访问接入点的信号强度的权重。

6.如权利要求3所述的定位方法，其特征在于，所述步骤B5中的运动方式包括运动速度信息，根据所述运动速度信息计算出的最远运动距离。

7.如权利要求3所述的定位方法，其特征在于，所述步骤B6中匹配过程中的相似度是通过以下公式计算得到：

${\mathrm{sim}}_j=\sqrt{{\mathrm{\Σ}}_{i=1}^n({\mathrm{\λ}}_i*{({\mathrm{sv}}_i-r_{\mathrm{ji}})}^2)}$

式中，λ_i代表该用户接收到来自第i个无线访问接入点的信号强度的权重，sv_i代表该用户接收到来自第i个无线访问接入点的信号强度平滑后的值，r_ji表示指纹库中第j个参考点处第i个无线访问接入点的信号强度。

8.如权利要求4所述的定位方法，其特征在于，所述数据异常的信号强度值是同时高于或低于前后两个信号强度值的幅度超过强度阈值的信号强度值。

9.如权利要求4所述的定位方法，其特征在于，所述平滑处理的方法包括移动平均法、指数平滑法。

Images