CN103916820B - 基于接入点稳定度的无线室内定位方法 - Google Patents

Abstract

本发明公开了一种基于接入点稳定度的无线室内定位方法，包括：步骤1，在室内选择一处采样点，并在采样点通过移动终端进行N次离线采集，将所有接入点的RSS数据作为RSS数据样本；步骤2，对于每个接入点，根据若干次离线采集所得的RSS数据计算接入点的稳定度；步骤3，将所有的接入点按稳定度从大到小进行排序，选择稳定度较高的前k个接入点，并在RSS数据样本中为所选接入点接收到的RSS数据建立指纹库；步骤5，将待测位置实时接收到的RSS数据与指纹库中的RSS数据进行匹配，从而定位。本发明方法能够减小环境对定位误差的影响，提高了定位的稳定性和精度。

Description

基于接入点稳定度的无线室内定位方法

技术领域

本发明涉及计算机无线网络领域，尤其涉及一种基于接入点稳定度的无线室内定位方法。

背景技术

目前，基于指纹的WLAN室内定位技术通常需要对接入点进行选择，主要是利用无线信号的接收信号强度（RSS）和物理位置的关联特性，将定位信息和采样点位置上收集到的WiFi无线信号数据进行匹配映射。基于指纹的定位技术主要是通过指纹库提取定位特征，在实际定位时，将待测位置实时接收到的一组RSS值上传到定位服务器，通过在指纹库中查找与这组RSS值最匹配的一个或者几个位置的RSS值，从而确定定位结果。指纹库存储的就是每个采样点所对应的n维RSS向量。

在基于指纹的无线室内定位问题中，无线信号的RSS值受环境影响较大，而且处于不断波动的状态。在已部署若干接入点的场景下，建立指纹库时，对于采样点采集到多个接入点的RSS数据，选取哪些接入点的RSS数据作为样本数据，使得在环境波动较为频繁剧烈的情况下，能够保持定位算法的精度和稳定性，是我们待解决的问题。因此我们需要对采样的RSS向量进行预处理工作，最重要的是接入点选择方法。

目前主要的接入点选择算法有：

基于指纹的WLAN室内定位技术中，大部分都采用MaxMean算法，该方法通过在每个采样位置，将接入点按接收到的RSS平均值排序，从中选择前三个平均值最大的接入点作为采样目标，选择它们的RSS值作为样本数据建立指纹库。根据实验得出，接收到的接入点的平均RSS越高，该接入点的RSS样本在采样点位置采集到的所有RSS样本中越多，即接入点出现在接收到接入点集合中的概率就越高。

另一种InfoGain算法是一种基于信息增益的接入点选择方法。它在基 于网格的定位系统中，每个接入点被看作是一个特征，而每个网格被能接收到的m个接入点特征表示。对于特定的网格，离线阶段采集的第i个接入点的平均信号强度被看作是该网格的第i个特征值，而没有检测到的接入点的特征值被设置为最小值。InfoGain方法的信息增益标准用于从位置分辨能力的角度来评估每个特征的价值，从中选取增益最高的k个接入点作为采样对象。特征接入点的位置分辨能力通过信息增益来衡量，信息增益利用信息论的熵计算得出，通过计算接入点未知时网格的熵和接入点已知时网格的条件熵之差所得。

最大匹配法，基于离采样点位置较近的接入点的RSS值变化较大，而较远的RSS值变化小的特点，采用尽可能多的可以接收到接入点的RSS值作为样本指纹数据。

联合AP选择法，利用接入点信号之间的相关性，即位置相邻的接入点的RSS值较为接近等信息，基于最大化互信息（Maximum Mutual Information，MMI）准则进行接入点特征选择。该方法类似于InfoGain算法，它是以MMI准则度量特征的互信息增益，并选取增益最大的APs作为采样对象。

基于散度接入点选择方法，基于选择的接入点的信号的关联性，并以最小化冗余来选择接入点，通过散度（divergence measures）来量化两个AP的可分性。该方法反映选择的APs之间关联最小化原则问题。

基于NI过滤的接入点选择方法，选择对NI过滤器定义的空间定位区域有最大分辨能力的接入点作为采样对象，而位置分辨能力通过聚类间方差与聚类内方差的散失率来衡量。

但是，室内环境和格局对接入点的RSS数据稳定度影响很大，在以上方法未考虑这些问题，易造成接入点的RSS数据不稳定，从而造成定位不精准。

发明内容

本发明的目的是克服了现有方法没有考虑接入点采样数据受环境影响波动幅度的不足，提供一种基于接入点稳定度的无线室内定位方法，选择合适的接入点进行定位。

本发明提供了一种基于接入点稳定度的无线室内定位方法，包括如下 步骤：

步骤1，在室内选择一处采样点，并在采样点通过移动终端进行N次离线采集，将所有接入点的RSS数据作为RSS数据样本，每个接入点的RSS数据包括该接入点的地址以及所采集的RSS值；

步骤2，对于每个接入点，根据N次离线采集所得的RSS数据计算接入点的稳定度；

步骤3，将所有的接入点按稳定度从大到小进行排序；

步骤4，利用指纹库匹配定位算法选择稳定度较高的前k个接入点，并在RSS数据样本中为所选接入点接收到的RSS数据建立指纹库；

步骤5，将待测位置实时接收到的RSS数据与指纹库中的RSS数据进行匹配，从而定位。

其中，在步骤1中，所有接入点是指离线采集时所能够获取的所有接入点；在步骤3中，稳定度越大，排序越靠前。

在接收无线信号时会收集到若干组RSS数据，每组RSS数据包括接入点名称，接入点的mac地址（唯一标识）以及在该位置接收到的RSS值。通过分类来获得每个接入点的若干RSS值，然后对这些数据进行预处理工作。

本发明方法基于以下理论进行考虑：

1）基于指纹的WLAN室内定位中的接入点选择策略是在离线采样阶段从接收到无线信号数据的接入点中选出若干个有效的接入点，把它们作为采样对象，采集到的数据与采样位置（接入点）建立指纹库；

2）考虑在已部署若干接入点的无线网络环境中，无法改变接入点的位置和数量；

3）不考虑移动终端对接收无线信号数据的影响；

4）考虑在不同室内环境中的适用性，主要是环境空旷和环境复杂的室内环境；

5）基于指纹的WLAN室内定位方法采用最近邻方法实现定位。

在步骤2中，每个接入点的稳定度根据该接入点RSS值的波动幅度以及该接入点在整个RSS数据样本中的出现次数计算得到。

通过优先选择传播信号数据受环境影响不大且样本中出现频率低的 接入点，提高定位算法的稳定性和精度。

其中数据波动幅度计算方法如下：

将采样点中第i个接入点AP_i离线采集N次RSS数据中的RSS值表示为{RSS₁,RSS₂,...,RSS_N}，则该接入点的RSS值的波动幅度Var(AP_i)计算方式如下：

其中，表示这N次采集的RSS值的平均值。

通过多次采集各个接入点的RSS数据并计算方差，可以计算得到每个数据的平均波动幅度情况，并且避免偶尔出现波动幅度较大导致与均值偏差较大的情况。

对于第i个接入点AP_i，稳定度Sta(AP_i)的计算方法为：

其中，ε为正数，取值范围为（0,1），N_i表示AP_i在RSS数据样本中出现的次数，表示RSS数据样本中RSS值的数目，n表示接入点个数。

ε为小正数，用于防止出现分母为0的情况。

作为优选，ε的取值为0.5。

其中N的取值范围为50到100。

多次采样保证采集到的RSS数据的稳定性，但采集次数过多则造成计算量太大。

作为优选，其中N的取值为70。

在得到稳定度的优先权表之后，选取稳定度较高的若干个接入点，并为接入点所接收到的RSS数据建立指纹库，作为优选，其中k的取值为5。

指纹库匹配定位算法为以下任意一种：k最近邻算法，人工神经网络算法和支持向量机回归算法。

k最近邻算法原理简单，它是选择采样点中RSS向量与实际采集到的RSS向量的欧几里得距离最小的k个采样点取平均位置坐标或者加权平均 位置坐标。

而人工神经网络法和支持向量机回归算法都是利用机器学习的思想将室内定位问题转化为利用指纹位置模型对实时RSS向量进行分类到采样点上的问题。这两种算法定位精度较高，但需要前期较长时间的样本学习训练过程，算法也较为复杂。

该方法将接入点的无线信号数据受环境影响程度和在采集样本中出现频率作为接入点选择算法的依据，通过选择无线信号数据受环境影响最小且在采集样本中出现频率最高的接入点作为样本采集的对象，有效地提高了基于指纹的定位算法的稳定性和定位精度。

附图说明

图1为本发明基于接入点稳定度的无线室内定位方法的基本流程图；

图2为利用本发明一个实施例所得定位结果与其他两种接入点选择算法所得定位结果的比较图；

图3为利用本发明一个实施例所得定位结果与其他两种接入点选择算法所得定位误差概率分布比较结果图。

具体实施方式

现结合实施例和说明书附图对本发明进行详细的解释。

如图1所示，本发明一个实施例基于接入点稳定度的无线室内定位方法的步骤如下：

步骤1，在室内选择一处采样点，并在采样点通过移动终端进行70次离线采集（即N=70），将所有接入点的RSS数据作为RSS数据样本。

步骤2，对于每个接入点，根据若干次离线采集所得的RSS数据计算接入点的稳定度。

稳定度的计算结合每个接入点的出现次数以及没个接入点所接收RSS数据的数据波动幅度。具体计算方法如下：

步骤2-1，在采样点上接收到AP_i的N次RSS值为{RSS₁,RSS₂,...,RSS_N}，那么该接入点的RSS数据波动幅度可以通过方差来计算得到；

步骤2-2，考虑到每个AP_i在整个数据样本中出现的频率，综合上述考虑，得到AP_i的稳定度计算方法：

其中表示这N次采样的RSS数据中RSS值的平均值，ε是一个小正数，取值范围为（0,1），以防止分母为0的情况，N_i表示AP_i在数据样本中出现的次数，表示RSS数据样本中RSS值的数目，n表示接入点个数。

完成所有接入点的稳定度计算后，进行排序和接入点选择。

步骤3，将所有的接入点按稳定度从大到小进行排序，得到接入点优先权表，所述接入点优先权表包括接入点以及接入点所对应的稳定度。

在接入点优先权表中，接入点的稳定度取值越大，表明该接入点所接收的RSS数据越稳定，其优先权也就越高。

步骤4，利用指纹库匹配定位算法在接入点优先权表中选择前k个接入点，并在RSS数据样本中为所选接入点接收到的RSS数据建立指纹库。在本发明当前实施例中，k取值为5。

在选定接入点之后，进入定位阶段，在步骤5中对待测位置进行定位。

步骤5，将待测位置实时接收到的RSS数据与指纹库中的RSS数据进行匹配，从而定位。

为进行验证，将本发明方法使用的接入点选择方法所得到的定位结果与其他结果进行比较。

在真实无线网络环境下进行实验，采用基于指纹的WLAN室内定位技术。实验采样点间距取2米，主要采集实验环境中6个接入点的RSS数据，采集样本70次，然后分别采用MaxMean算法、InfoGain和稳定AP选择算法（即本发明采用的接入点选择方法）这三种接入点选择算法选择3个接入点的RSS数据作为样本建立指纹库。然后在不同的时间测试在线定位效果，在实验平台多个分散位置在线接收RSS信号，通过最近邻法得到定位结果。验证所定义的定位误差是定位结果表示的位置和用户实际位置之间的欧氏距离。

如图2所示，按照本发明中所采用的接入点选择方法，总体来说定位误差要低于MaxMean算法和InfoGain算法，其中误差明显低于比MaxMean算法，和InfoGain算法定位误差较为接近。其中本文的稳定AP优先算法有72%的概率定位到3米以内，94%的概率定位到5米以内，比MaxMean方法分别提高了25%和19%；比InfoGain方法提高了5%和4%。

如图3所示，按照本发明接入点选择方法的误差概率分布也比较集中，80%的定位误差分布在3米，而InfoGain方法80%的定位误差分布在3.5米，MaxMean方法80%的定位误差分布在5米。其性能结果要好于后面两种接入点选择方法。

该方法将接入点信号数据受环境影响的幅度和在样本中出现的频率纳入接入点选择的因素范围，通过优先向数据受环境影响幅度较小且在样本中出现频率较大的接入点作为采样对象，能够减小环境对定位误差的影响，提高了定位算法的稳定性和定位精度。

Claims (6)

1.一种基于接入点稳定度的无线室内定位方法，其特征在于，包括如下步骤：

步骤1，在室内选择一处采样点，并在采样点通过移动终端进行N次离线采集，将所有接入点的RSS数据作为RSS数据样本，每个接入点的RSS数据包括该接入点的地址以及所采集的RSS值；

步骤2，对于每个接入点，根据N次离线采集所得的RSS数据计算接入点的稳定度；

每个接入点的稳定度根据该接入点RSS值的波动幅度以及该接入点在整个RSS数据样本中的出现次数计算得到；

其中数据波动幅度计算方法如下：

将采样点中第i个接入点AP_i离线采集N次RSS数据中的RSS值表示为{RSS₁,RSS₂,...,RSS_N}，则该接入点的RSS值的波动幅度Var(AP_i)计算方式如下：

$Var\left({\mathrm{AP}}_i\right)=\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}{\left({\mathrm{RSS}}_j-\stackrel{\‾}{RSS}\right)}^2$

其中，表示这N次采集的RSS值的平均值；

对于第i个接入点AP_i，稳定度Sta(AP_i)的计算方法为：

$Sta\left({\mathrm{AP}}_i\right)=\frac{1}{\mathrm{\ϵ}+\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}{({\mathrm{RSS}}_j-\stackrel{\‾}{RSS})}^2}\·\frac{N_i}{{\mathrm{Sum}}_{k=1}^n\left(N_k\right)},$

其中，ε为正数，取值范围为(0,1)，N_i表示AP_i在RSS数据样本中出现的次数，表示RSS数据样本中RSS值的数目，n表示接入点个数；

步骤3，将所有的接入点按稳定度从大到小进行排序；

步骤4，利用指纹库匹配定位算法选择稳定度较高的前k个接入点，并在RSS数据样本中为所选接入点接收到的RSS数据建立指纹库；

步骤5，将待测位置实时接收到的RSS数据与指纹库中的RSS数据进行匹配，从而定位。

2.如权利要求1所述基于接入点稳定度的无线室内定位方法，其特征在于，ε的取值为0.5。

3.如权利要求1所述基于接入点稳定度的无线室内定位方法，其特征在于，其中N的取值范围为50到100。

4.如权利要求1所述基于接入点稳定度的无线室内定位方法，其特征在于，其中N的取值为70。

5.如权利要求1所述基于接入点稳定度的无线室内定位方法，其特征在于，其中k的取值为5。

6.如权利要求1所述基于接入点稳定度的无线室内定位方法，其特征在于，指纹库匹配定位算法为k最近邻算法，人工神经网络算法或者支持向量机回归算法。