CN103916954A - 基于wlan的概率定位方法及定位装置 - Google Patents

Abstract

本发明公开了一种基于WLAN的概率定位方法，包括：获取待定位区域内的至少两个参考点的位置指纹，以及获取终端在所述待定位区域内的待定位点的实测信号集；根据实测信号集和位置指纹，获得实测信号集与位置指纹的匹配度，将实测信号集与位置指纹的匹配度作为参考点的先验概率；根据每个参考点的先验概率，通过贝叶斯准则的概率法，计算得待定位点位于每个参考点处的概率；选取最大概率值对应的参考点作为定位终端的定位点。本发明能够解决实测信号集和位置指纹不完全匹配带来的定位偏差的问题，有效提高传统概率定位方法的准确性，而且整个判断定位点的过程没有依赖历史定位记录，普适性好。

Description

基于WLAN的概率定位方法及定位装置

技术领域

本发明涉及无线定位技术领域，具体涉及一种基于WLAN的概率定位方法及定位装置。

背景技术

目前，位置服务(Location Based Services，LBS)正逐步成为最具市场前景和发展潜力的移动互联网增值业务之一。典型的LBS服务包括周边人物和资源查找、兴趣点推荐、旅游导航、会议指南等。

随着无线局域网(Wireless local area network，WLAN)热点在办公室、住宅小区、医院、机场、购物中心等室内的广泛部署，以及在PDA、笔记本、上网本、MP4、智能手机等移动终端设备中的广泛支持，基于WLAN的室内定位技术逐渐受到人们的重视。由于WLAN室内定位技术充分利用现有覆盖广泛的无线局域网设施，不需要在无线局域网中增加专用的硬件设备，因此具有成本低、易实现、覆盖广等优点。

WLAN射频指纹定位是一种基于信号强度的定位技术，基本思想是根据空间特定位置处不同时刻无线信号强度变化趋势相同的时间一致性规律，通过计算实测信号与位置指纹之间相似度来确定用户终端的位置。目前已有的大量实验表明，基于射频指纹的定位技术不仅可以实现较好的定位性能，而且在用户侧收集和周期性路采的辅助下，具有较好的实用性和适用范围。

位置指纹法工作流程主要可以分为离线勘测和在线定位两个阶段。离线勘测阶段的主要是对待定位区域进行划分形成采样点网格，记录每个采样点处长时间测得的全部可见接入点(Access point，AP)的媒体访问控制地址(MediaAccess Control，MAC)地址，并对AP的信号强度进行统计处理抽取信号的特征参数，形成一条位置指纹保存到数据库里；在线定位阶段主要是将实时接收测量的可见AP信号强度信息与位置指纹数据库中的信号强度记录数据进行比较，取信号相似度最大的位置作为位置估计结果。

目前，基于WLAN射频指纹的室内定位方法主要包括基于概率的方法。基于概率的方法主要是对信号进行长时间统计分析，以信号强度概率分布特征(均值、标准差/方差等)建立位置指纹模型，采用贝叶斯最大后验概率准则估计用户位置，其优点是实抗干扰性强，能减小信号抖动性和不确定性对定位相关性造成的影响，定位准确度相对较高。

在概率定位法中，各参考点先验概率值的设定对定位结果影响较大，合理确定各参考点的先验概率是关系定位误差好坏的关键环节之一。在实际应用中，发明人发现，现有的基于概率的方法主要针对用户个人历史定位记录确定各参考点先验概率，若用户为新用户，没有用户的历史定位记录，则现有的基于概率的方法将很难准确定位，因此，现有的基于概率的方法不适用于缺乏历史定位记录的用户，普适性较差。

发明内容

本发明实施例中提供一种基于WLAN的概率定位的方法及定位装置，该方法不受历史定位记录的限制，不仅对具有历史定位记录的用户适用，而且对新用户同样适用，普适性好。

本发明实施例提供的一种基于WLAN的概率定位方法，包括：

获取待定位区域内的至少两个参考点的位置指纹，以及获取终端在所述待定位区域内的待定位点的实测信号集；

根据所述实测信号集和所述位置指纹，获得所述实测信号集与所述位置指纹的匹配度，将所述实测信号集与所述位置指纹的匹配度作为所述参考点的先验概率；

根据每个参考点的先验概率，通过贝叶斯准则的概率法，计算得所述待定位点位于所述每个参考点处的概率P；

选取最大P值对应的参考点作为定位所述终端的定位点。

本发明还提供一种定位装置，包括：

获取单元，用于获取待定位区域内的至少两个参考点的位置指纹，以及获得终端在所述待定位区域内的待定位点检测接入点信号得到的实测信号集；

第一处理单元，用于根据所述实测信号集和所述位置指纹，获得所述实测信号集与所述位置指纹的匹配度，以及将所述实测信号集与所述位置指纹的匹配度作为所述参考点的先验概率；

第二处理单元，用于根据每个参考点的先验概率，通过贝叶斯准则的概率法，计算得所述待定位点位于所述每个参考点处的概率P；

定位单元，用于选取最大P值对应的参考点作为定位所述终端的定位点。

本发明根据实测信号集与参考点的位置指纹的匹配程度，来设置WLAN概率定位法中各参考点的先验概率，能够有效解决实际场景中实测信号集和位置指纹不完全匹配带来的定位偏差的问题，有效提高传统WLAN概率定位方法的准确性，而且整个判断定位点的过程没有依赖历史定位记录，普适性好。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是实施例1提供的一种基于WLAN的概率定位方法的流程示意图；

图2是实施例2提供的一种基于WLAN的概率定位方法的流程示意图；

图3是实施例3提供的一种基于WLAN的室内定位应用场景示意图；

图4是实施例4提供的一种定位装置结构框图；

图5是实施例5提供的一种定位装置结构框图；

图6是本发明提供的另一种定位装置结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本发明实施例一种基于WLAN的概率定位方法，流程图如图1所示，包括：

101、获取待定位区域内的至少两个参考点的位置指纹，以及获取终端在所述待定位区域内的待定位点的实测信号集。

在所述待定位区域内可以设置多个参考点。所述位置指纹可以在离线测量阶段采集。所述位置指纹包含可见接入点的MAC地址、信号强度、标准差等信息，还可以包含接入点的可见度。本步骤通过终端在所述待定位点检测接入点信号，获得实测信号集，所述实测信号集包含可见接入点的MAC地址、信号强度等信息。

102、根据所述实测信号集和所述位置指纹，获得所述实测信号集与所述位置指纹的匹配度，以及将所述实测信号集与所述位置指纹的匹配度作为所述参考点的先验概率。

103、根据每个参考点的先验概率，通过贝叶斯准则的概率法，计算得所述待定位点位于所述每个参考点处的概率P。

104、选取最大P值对应的参考点作为定位所述终端的定位点。

本实施例根据实测信号集与参考点的位置指纹的匹配程度，来设置WLAN概率定位法中的先验概率，能够有效解决WLAN定位实际场景中实测信号集和位置指纹不完全匹配带来的定位偏差的问题，有效提高传统室内概率定位方法的准确性，而且整个判断定位点的过程没有依赖历史定位记录，普适性好。

在本实施例中，实施的主体可以为定位服务器，也可以为终端。当实施主体为终端时，用户可以通过终端获得所处的位置，非常方便。

实施例2

本发明实施例一种基于WLAN的概率定位方法，流程图如图2所示，包括：

201、获取待定位区域内的至少两个参考点的位置指纹，以及获取终端在所述待定位区域内的待定位点的实测信号集。

所述位置指纹可以在离线测量阶段采集。所述位置指纹包含可见接入点的MAC地址、信号强度、标准差等信息。所述待定位区域可以为室内区域，也可以为室外区域。本步骤通过终端在所述待定位点检测接入点信号，获得实测信号集，所述实测信号集包含可见接入点的MAC地址、信号强度等信息。

202、根据所述位置指纹包含的接入点和所述实测信号集包含的接入点，获得实测信号集包含的接入点与位置指纹包含的接入点的匹配度，将所述匹配度作为所述参考点的先验概率。

203、根据每个参考点的先验概率，通过贝叶斯准则的概率法，计算得所述待定位点位于所述每个参考点处的概率P。

204、选取最大P值对应的参考点作为定位所述终端的定位点。

优选的，所述获取待定位区域内的至少两个参考点的位置指纹的步骤包括：获取在所述参考点检测到的接入点的可见度信息。

所述获得实测信号集包含的接入点与位置指纹包含的接入点的匹配度的步骤包括：根据所述位置指纹包含的接入点、所述可见度信息，以及所述实测信号集包含的接入点，获得所述实测信号集与所述位置指纹之间的匹配接入点在所述实测信号集包含的接入点中出现的概率Corr(L_i)，以及获得所述实测信号集与所述位置指纹之间的匹配接入点在所述位置指纹包含的接入点中出现的概率Int(L_i)；以及将所述概率Corr(L_i)和所述概率Int(L_i)的平均值作为所述匹配度。

以下对本实施例进行详细说明。

本实施例方法可以分为离线测量阶段和在线定位阶段。

一、离线测量阶段

步骤101中的获取待定位区域内的至少两个参考点的位置指纹可以在该阶段执行。例如，建立射频指纹数据库F＝{F(L₁)，F(L₂)，...，，F(L_i)}，各参考点处的位置指纹F(L_i)除了包括所有AP节点的MAC地址、平均信号强度、标准差等基本信息，还包括各AP的可见度。以下为表示位置指纹的式子：

$F\left(L_i\right)=({\mathrm{MAC}}_F^{L_i},{\stackrel{\‾}{\mathrm{RSSI}}}_F^{L_i},{\mathrm{\Σ}}_F^{L_i},V)=\left(\begin{array}{cccc}{\mathrm{mac}}_i^1& {\stackrel{\‾}{\mathrm{rssi}}}_i^1& {\mathrm{\σ}}_i^1& v_i^1\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ {\mathrm{mac}}_i^m& {\stackrel{\‾}{\mathrm{rssi}}}_i^m& {\mathrm{\σ}}_i^m& v_i^m\end{array}\right)$

其中，F(L_i)表示参考点的位置指纹，表示位置指纹中的接入点的MAC地址，表示位置指纹中的接入点的平均信号强度，表示接入点信号强度的标准差，为AP的可见度。

各AP的可见度可以为所有采集的信号样本中该AP被检测到的次数占总采集样本数的比例。

二、在线定位阶段

在本阶段，可以通过终端在所述待定位区域内的待定位点检测接入点信号，获得所述实测信号集。具体的，用户终端设备检测周围WLAN接入点信号获得实测信号集R，包括可见接入点的MAC地址和信号强度，根据指纹数据库F＝{F(L₁)，F(L₂)，...，，F(L_i)}，计算R和位置指纹F(L_i)的匹配度。

计算实测信号集R和位置指纹F(L_i)的匹配度具体过程如下。

获得概率Corr(L_i)的步骤可以包括：

根据 $\mathrm{Corr}\left(L_i\right)=1-\frac{\underset{{\mathrm{AP}}_m}{\mathrm{\Σ}}\mathrm{\Ψ}\left(v_{{\mathrm{AP}}_m}\right)}{\left|{\mathrm{MAC}}_r\right|},\mathrm{mac}\left({\mathrm{AP}}_m\right)\∈{\mathrm{MAC}}_r-{\mathrm{MAC}}_F^{L_i}\∩{\mathrm{MAC}}_r---\left(1\right),$

获得所述Corr(L_i)。其中，所述|MACr|为所述实测信号集中包含的接入点个数，为AP_m可见度的非减函数，所述MAC_r为所述实测信号集中包含的接入点的MAC地址，为所述位置指纹包含的接入点MAC地址，AP_m表示属于所述实测信号集中的接入点，但不属于所述位置指纹中的接入点，mac(AP_m)表示AP_m的MAC地址。

式子(1)中的用于衡量AP_m造成的与实测信号集的不匹配程度，而从式子(1)可以看出，AP_m的数量越多，且可见度越高，则位置指纹与实测信号集的相关性越低，待定位点位于所述参考点的可能性就越小。

特别地，若则Corr(L_i)简化为：

$\mathrm{Corr}\left(L_i\right)=\frac{|{\mathrm{MAC}}_F^{L_i}\∩{\mathrm{MAC}}_r|}{\left|{\mathrm{MAC}}_r\right|}$

其中，表示和MAC_r中相同AP的个数。另外，获得概率Int(L_i)的步骤包括：根据

$\mathrm{Int}\left(L_i\right)=1-\frac{\underset{{\mathrm{AP}}_n}{\mathrm{\Σ}}\mathrm{\γ}\left(v_{{\mathrm{AP}}_n}\right)}{\left|\mathrm{MA}{C}_F^{L_i}\right|},\mathrm{mac}\left({\mathrm{AP}}_n\right)\∈\mathrm{MA}{C}_F^{L_i}-{\mathrm{MAC}}_F^{L_i}\∩{\mathrm{MAC}}_r---\left(2\right),$

获得所述Int(L_i)，其中，所述为所述位置指纹中包含的接入点个数，表示接入点AP_n的可见度的非减函数，所述MAC_r为所述实测信号集中包含的接入点的MAC地址，为所述位置指纹包含的接入点MAC地址，AP_n表示属于所述位置指纹中的接入点，但不属于所述实测信号集中的接入点，mac(AP_n)表示AP_n的MAC地址。

式子(2)中的用于衡量AP_n造成的与实测信号集的不匹配程度，

而从式子(2)可以看出，AP_n的数量越多，且可见度越高，则位置指纹与实测信号集的相关性越低，待定位点位于所述参考点的可能性就越小。

特别地，若则Int(L_i)简化为：

$\mathrm{Int}\left(L_i\right)=\frac{|{\mathrm{MAC}}_F^{L_i}\∩{\mathrm{MAC}}_r|}{\left|\mathrm{MA}{C}_F^{L_i}\right|}$

其中，表示和MAC_r中相同AP的个数。

在获得Corr(L_i)和Int(L_i)之后，可以将Corr(L_i)和Int(L_i)的平均值作为所述匹配度。

为了更准确些，还可以将所述Corr(L_i)和所述Int(L_i)的加权调和平均值作为所述匹配度。

具体的，所述Corr(L_i)和所述Int(L_i)的加权调和平均表示为：

$\mathrm{Md}\left(L_i\right)=\left\{\begin{array}{ccc}(1+\mathrm{\α})\·\frac{\mathrm{Corr}\left(L_i\right)\·\mathrm{Int}\left(L_i\right)}{\mathrm{\αCorr}\left(L_i\right)+\mathrm{Int}\left(L_i\right)}& ,\mathrm{if}& \mathrm{Corr}\left(L_i\right)\·\mathrm{Int}\left(L_i\right)\≠0\\ 0& ,\mathrm{if}& \mathrm{Corr}\left(L_i\right)\·\mathrm{Int}\left(L_i\right)=0\end{array}\right.$

其中，Md(L_i)表示匹配度，α表示权重。

需要说明的是，对于判断待定位点是否在所述参考点上而言，Corr(L_i)和Int(L_i)二者参考价值是不同的。鉴于位置指纹是一个长期测量的结果，有理由认为Corr(L_i)的参考价值较高。因此，可以给予Corr(L_i)较大的权重。例如，α表示Int(L_i)相对于Corr(L_i)的权重，则α取值范围为0＜α≤1。

因此，所述Corr(L_i)的权重大于所述Int(L_i)的权重。

在获得匹配度之后，优选的，将归一化后的所述匹配度作为所述参考点的先验概率，再根据每个参考点的先验概率，通过贝叶斯准则的概率法，计算得所述待定位点位于所述每个参考点处的概率。

具体的，对各参考点的匹配度进行归一化，得到[0，1)区间的相对匹配度，如下式所示：

$\widehat{\mathrm{Md}}\left(L_i\right)=\frac{\mathrm{Md}\left(L_i\right)}{\underset{j=1}{\overset{l}{\mathrm{\&Sigma;}}}\mathrm{Md}\left(L_j\right)},$ $s.t.\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}\widehat{\mathrm{Md}}\left(L_i\right)=\mathrm{1,0}\&le;\widehat{\mathrm{Md}}\left(L_i\right)<1$

表示相对匹配度。

在将获得的相对匹配度作为各参考点的先验概率后，根据一下公式估计得到定位点坐标L′：

$\left\{\begin{array}{c}{L}^{\&prime;}=\underset{L_i}{\max }P\left(L_i\right|R)\\ P\left(L_i\right|R)=\frac{P\left(R\right|L_i)\&CenterDot;P\left(L_i\right)}{P\left(R\right)}=\frac{P\left(R\right|L_i)\&CenterDot;\widehat{\mathrm{Md}}\left(L_i\right)}{\underset{k=1}{\overset{l}{\mathrm{\&Sigma;}}}P\left(R\right|L_k)\&CenterDot;\widehat{\mathrm{Md}}\left(L_k\right)}\\ P\left(R\right|L_i)=\underset{{\mathrm{AP}}_v}{\mathrm{\&Pi;}}P\left(r_{{\mathrm{AP}}_v}\right|L_i),\mathrm{mac}\left({\mathrm{AP}}_v\right)\&Element;{\mathrm{MAC}}_F^{L_i}\&cap;{\mathrm{MAC}}_r\end{array}\right.$

其中，P(L_i|R)表示实测信号集为R时待定位点位于参考点L_i处的概率，P(R|L_i)表示在参考点L_i处出现实测信号集R的概率。这里还需说明的是，假设在某一位置处来自各个参考点的接收信号强度相互独立，因此P(R|L_i)可以简化为各AP节点条件概率分布函数的乘积，其中常用的条件概率分布函数有高斯分布、直方图、核方法等。

还需指出的是，在本实施例中，实施的主体可以为定位服务器，也可以为终端。当实施主体为终端时，用户可以通过终端获得所处的位置，非常方便。

实施例3

本实施例结合具体的应用场景，对本发明做进一步的说明。

如图3所示，在室内布置AP₁～AP₆六个接入点，为了简化说明过程，以下仅以设置L₁和L₂两个参考点为例进行说明。

首先，在离线测量阶段，分别在L₁和L₂两个参考点上采集所有可见AP节点的信号样本，得到射频指纹库F＝{F(L₁)，F(L₂)}，假设位置指纹分别为：

$F\left(L_1\right)=\left(\begin{array}{cccc}{\mathrm{mac}}_1& -66& 2.7& 0.87\\ {\mathrm{mac}}_2& -54& 3.2& 0.8\\ {\mathrm{mac}}_3& -71& 2.5& 0.9\end{array}\right)$

$F\left(L_2\right)=\left(\begin{array}{cccc}{\mathrm{mac}}_1& -62& 2.3& 0.97\\ {\mathrm{mac}}_2& -52& 3.3& 0.66\\ {\mathrm{mac}}_3& -74& 2.4& 0.77\\ {\mathrm{mac}}_4& -51& 3.2& 0.74\\ {\mathrm{mac}}_5& -47& 3.4& 0.91\\ {\mathrm{mac}}_6& -73& 2.5& 0.85\end{array}\right)$

其中，mac_i表示AP_i的MAC地址，位置指纹的第二列、第三列和第四列分别为该AP对应的平均信号强度、标准差和可见度。

假设用户终端设备实际采集到的实测信号集为 $R=\left(\begin{array}{cc}{\mathrm{mac}}_1& -64\\ {\mathrm{mac}}_2& -53\\ {\mathrm{mac}}_3& -73\end{array}\right),$ 下面具体介绍实测信号集和L₁和L₂两个参考点位置指纹F(L₁)、F(L₂)的匹配度计算过程。

其中，取Int(L₁)的相对权重α＝0.8，Corr(L_i)和Int(L₁)的贡献度函数为：

$\mathrm{\&Psi;}\left(v\right)=\mathrm{\&gamma;}\left(v\right)=\left\{\begin{array}{cc}1,& 0.8\&le;v\&le;1\\ 0.9,& 0.6\&le;v<0.8\\ 0.7,& 0.4\&le;v<0.6\\ 0.2,& 0.1\&le;v<0.4\\ 0,& 0\&le;v<0.1\end{array}\right.$

根据以上贡献度函数，计算实测信号集R与F(L₁)的匹配度。

由于实测信号集R所包含的AP节点与F(L₁)中的完全相同，即则Corr(L₁)＝1和Int(L₁)＝1，因此匹配度为：

$\mathrm{Md}\left(L_1\right)=(1+\mathrm{\&alpha;})\&CenterDot;\frac{\mathrm{Corr}\left(L_1\right)\&CenterDot;\mathrm{Int}\left(L_1\right)}{\mathrm{\&alpha;Corr}\left(L_1\right)+\mathrm{Int}\left(L_1\right)}=1.$

根据以上贡献度函数，计算实测信号集R与F(L₂)的匹配度。

由于实测信号集R所包含的AP节点在F(L₂)中都存在，即不存在多余AP，因此Corr(L₂)＝1。

由于F(L₂)与实测信号集R包含AP节点的差集为{mac₄，mac₅，mac₆}，即 ${\mathrm{MAC}}_F^{L_i}-{\mathrm{MAC}}_F^{L_i}\&cap;{\mathrm{MAC}}_r=\{{\mathrm{mac}}_4,{\mathrm{mac}}_5,{\mathrm{mac}}_6\},$ 则Int(L₂)为：

$\mathrm{Int}\left(L_i\right)=1-\frac{\underset{{\mathrm{AP}}_n}{\mathrm{\&Sigma;}}\mathrm{\&gamma;}\left(v_{{\mathrm{AP}}_k}\right)}{\left|{\mathrm{MAC}}_F^{L_i}\right|}$

$=1-\frac{\mathrm{\&gamma;}\left(0.74\right)+\mathrm{\&gamma;}\left(0.91\right)+\mathrm{\&gamma;}\left(0.85\right)}{6}$

$=1-\frac{1+1+0.9}{6}=0.517$

在获得Corr(L₂)和Int(L₂)之后，计算参考点L₂的匹配度。将Corr(L₂)和Int(L₂)代入以下公式计算得到L₂的匹配度：

$\mathrm{Md}\left(L_2\right)=(1+\mathrm{\&alpha;})\&CenterDot;\frac{\mathrm{Corr}\left(L_2\right)\&CenterDot;\mathrm{Int}\left(L_2\right)}{\mathrm{\&alpha;Corr}\left(L_2\right)+\mathrm{Int}\left(L_2\right)}$

$=\frac{(1+0.8)\&times;0.517}{0.8+0.517}=0.706$

再由R与F(L₁)和F(L₂)的匹配度进一步计算得到相对匹配度：

$\widehat{\mathrm{Md}}\left(L_1\right)=\frac{\mathrm{Md}\left(L_1\right)}{\mathrm{Md}\left(L_1\right)+\mathrm{Md}\left(L_2\right)}0.586$

$\widehat{\mathrm{Md}}\left(L_2\right)=\frac{\mathrm{Md}\left(L_2\right)}{\mathrm{Md}\left(L_1\right)+\mathrm{Md}\left(L_2\right)}=0.414$

将上述相对匹配度作为贝叶斯后验概率判别式中的先验概率，计算带定位点分别位于参考点L₁和L₂的条件概率，其中信号强度分布假设符合高斯分布：

$P\left(L_1\right|R)=\frac{P\left(R\right|L_1)\&CenterDot;\widehat{\mathrm{Md}}\left(L_1\right)}{P\left(R\right|L_1)\&CenterDot;\widehat{\mathrm{Md}}\left(L_1\right)+P\left(R\right|L_2)\&CenterDot;\widehat{\mathrm{Md}}\left(L_2\right)}$

$=\frac{\underset{i=\mathrm{1,2,3}}{\mathrm{\&Pi;}}p\left(r_i\right|L_1)\&CenterDot;0.586}{\underset{i=\mathrm{1,2,3}}{\mathrm{\&Pi;}}p\left(r_i\right|L_1)\&CenterDot;0.586+\underset{i=\mathrm{1,2,3}}{\mathrm{\&Pi;}}p\left(r_i\right|L_2)\&CenterDot;0.414}=0.576$

同理，

$P\left(L_2\right|R)=\frac{P\left(R\right|L_2)\&CenterDot;\widehat{\mathrm{Md}}\left(L_2\right)}{P\left(R\right|L_1)\&CenterDot;\widehat{\mathrm{Md}}\left(L_1\right)+P\left(R\right|L_2)\&CenterDot;\widehat{\mathrm{Md}}\left(L_2\right)}0.424$

由于P(L₁|R)＞P(L₂|R)，判断用户位于L₁。

实施例4

如图4所示，一种定位装置，包括：

获取单元401，用于获取待定位区域内的至少两个参考点的位置指纹，以及获取终端在所述待定位区域内的待定位点的实测信号集；

第一处理单元402，用于根据所述实测信号集和所述位置指纹，获得所述实测信号集与所述位置指纹的匹配度，以及将所述实测信号集与所述位置指纹的匹配度作为所述参考点的先验概率；

第二处理单元403，用于根据每个参考点的先验概率，通过贝叶斯准则的概率法，计算得所述待定位点位于所述每个参考点处的概率P；

定位单元404，用于选取最大P值对应的参考点作为定位所述终端的定位点。

所述第一处理单元402在所述获取单元401获得所述实测信号集与所述位置指纹之后，计算得到所述实测信号集与所述位置指纹的匹配度，并将所述匹配度作为所述参考点的先验概率，所述第二处理单元403在获得所述第一处理单元402输出的所述先验概率之后，通过贝叶斯准则的概率法，计算得所述待定位点位于所述每个参考点处的概率P；在所述第二处理单元403计算得所述每个参考点处的所述P值后，所述定位单元404选取最大P值对应的参考点作为定位所述终端的定位点。

在本实施例中，所述待定位区域可以为室内区域，也可以为室外区域。所述实测信号集是通过终端在所述待定位点检测接入点信号获得。

本实施例提供的定位装置可以为定位服务器，也可以为终端，其根据实测信号集与参考点的位置指纹的匹配程度，来设置WLAN概率定位法中的先验概率，能够有效解决WLAN定位实际场景中实测信号集和位置指纹不完全匹配带来的定位偏差的问题，有效提高传统概率定位方法的准确性，而且整个判断定位点的过程没有依赖历史定位记录，普适性好。

实施例5

如图5所示，一种定位装置，包括：

获取单元501，用于获取待定位区域内的至少两个参考点的位置指纹，以及获得终端在所述待定位区域内的待定位点检测接入点信号得到的实测信号集；

第一处理单元502，用于根据所述实测信号集和所述位置指纹，获得所述实测信号集与所述位置指纹的匹配度，以及将所述实测信号集与所述位置指纹的匹配度作为所述参考点的先验概率；

第二处理单元503，用于根据每个参考点的先验概率，通过贝叶斯准则的概率法，计算得所述待定位点位于所述每个参考点处的概率P；

定位单元504，用于选取最大P值对应的参考点作为定位所述终端的定位点。

所述第一处理单元502还用于根据所述位置指纹包含的接入点和所述实测信号集包含的接入点，获得实测信号集包含的接入点与位置指纹包含的接入点的匹配度，将所述匹配度作为所述参考点的先验概率。

优选的，所述获取单元还用501于获取在所述参考点检测到的接入点的可见度信息；

所述第一处理单元502还用于根据所述位置指纹包含的接入点、所述可见度信息，以及所述实测信号集包含的接入点，获得所述实测信号集与所述位置指纹之间的匹配接入点在所述实测信号集包含的接入点中出现的概率Corr(L_i)，以及获得所述实测信号集与所述位置指纹之间的匹配接入点在所述位置指纹包含的接入点中出现的概率Int(L_i)；以及用于将所述概率Corr(L_i)和所述概率Int(L_i)的平均值作为所述匹配度。

优选的，所述第一处理单元502还用于根据

$\mathrm{Corr}\left(L_i\right)=1-\frac{\underset{{\mathrm{AP}}_m}{\mathrm{\&Sigma;}}\mathrm{\&Psi;}\left(v_{{\mathrm{AP}}_m}\right)}{\left|{\mathrm{MAC}}_r\right|},\mathrm{mac}\left({\mathrm{AP}}_m\right)\&Element;{\mathrm{MAC}}_r-{\mathrm{MAC}}_F^{L_i}\&cap;{\mathrm{MAC}}_r,$

获得所述Corr(L_i)。其中，所述|MAC_r|为所述实测信号集中包含的接入点个数，为AP_m可见度的非减函数，所述MAC_r为所述实测信号集中包含的接入点的MAC地址，为所述位置指纹包含的接入点MAC地址，AP_m表示属于所述实测信号集包含的接入点，但不属于所述位置指纹包含的接入点，mac(AP_m)表示AP_m的MAC地址。

优选的，所述第一处理单元502还用于根据

$\mathrm{Int}\left(L_i\right)=1-\frac{\underset{{\mathrm{AP}}_n}{\mathrm{\&Sigma;}}\mathrm{\&gamma;}\left(v_{{\mathrm{AP}}_n}\right)}{\left|\mathrm{MA}{C}_F^{L_i}\right|},\mathrm{mac}\left({\mathrm{AP}}_n\right)\&Element;\mathrm{MA}{C}_F^{L_i}-{\mathrm{MAC}}_F^{L_i}\&cap;{\mathrm{MAC}}_r,$

获得所述Int(L_i)。其中，所述为所述位置指纹包含的接入点个数，表示接入点AP_n的可见度的非减函数，所述MAC_r为所述实测信号集包含的接入点的MAC地址，为所述位置指纹包含的接入点MAC地址，AP_n表示属于所述位置指纹中的接入点，但不属于所述实测信号集中的接入点，mac(AP_n)表示AP_n的MAC地址。

优选的，所述第一处理单元502还用于将所述概率Corr(L_i)和所述概率Int(L_i)的加权调和平均值作为所述匹配度。

优选的，所述概率Corr(L_i)的权重大于所述概率Int(L_i)的权重。

对于判断待定位点是否在所述参考点上而言，Corr(L_i)和Int(L_i)二者参考价值是不同的。鉴于位置指纹是一个长期测量的结果，有理由认为Corr(L_i)的参考价值较高。因此，可以给予Corr(L_i)较大的权重。例如，α表示Int(L_i)相对于Corr(L_i)的权重，则α取值范围为0＜α≤1。

优选的，所述第一处理单元502还用于将归一化后的所述匹配度作为所述参考点的先验概率。

在本实施例中，所述定位装置可以为定位服务器，也可以为终端。

实施例6

如图6所示，一种定位装置，包括：接收装置601、发送装置602、处理器604和存储装置603。

所述接收装置601用于获取待定位区域内的至少两个参考点的位置指纹，以及获取终端在所述待定位区域内的待定位点的实测信号集。

所述处理器604用于根据所述实测信号集和所述位置指纹，获得所述实测信号集与所述位置指纹的匹配度，以及将所述实测信号集与所述位置指纹的匹配度作为所述参考点的先验概率；以及用于根据每个参考点的先验概率，通过贝叶斯准则的概率法，计算得所述待定位点位于所述每个参考点处的概率P；以及用于选取最大P值对应的参考点作为定位所述终端的定位点。

以上所述的待定位区域可以为室内区域，也可以为室外区域。所述实测信号集是通过终端在所述待定位点检测接入点信号获得。

在本实施例中，接收装置601、发送装置602、处理器604和存储装置603可以通过总线或其他方式连接，其中，图6以总线连接方式为例。

需要说明的是，所述定位装置可以为定位服务器，也可以为终端。

实施例7

如图6所示，一种定位装置，包括：接收装置601、发送装置602、处理器604和存储装置603。

所述接收装置601用于获取待定位区域内的至少两个参考点的位置指纹，以及获取终端在所述待定位区域内的待定位点的实测信号集。

所述处理器604用于根据所述位置指纹包含的接入点和所述实测信号集包含的接入点，获得实测信号集包含的接入点与位置指纹包含的接入点的匹配度，以及将所述匹配度作为所述参考点的先验概率；以及用于根据每个参考点的先验概率，通过贝叶斯准则的概率法，计算得所述待定位点位于所述每个参考点处的概率P；以及用于选取最大P值对应的参考点作为定位所述终端的定位点。

优选的，所述接收装置601还用于获取在所述参考点检测到的接入点的可见度信息。

优选的，所述处理器604还用于根据所述位置指纹包含的接入点、所述可见度信息，以及所述实测信号集包含的接入点，获得所述实测信号集与所述位置指纹之间的匹配接入点在所述实测信号集包含的接入点中出现的概率Corr(L_i)，以及获得所述实测信号集与所述位置指纹之间的匹配接入点在所述位置指纹包含的接入点中出现的概率Int(L_i)；以及用于将所述概率Corr(L_i)和所述概率Int(L_i)的平均值作为所述匹配度。

优选的，所述处理器604还用于根据

$\mathrm{Corr}\left(L_i\right)=1-\frac{\underset{{\mathrm{AP}}_m}{\mathrm{\&Sigma;}}\mathrm{\&Psi;}\left(v_{{\mathrm{AP}}_m}\right)}{\left|{\mathrm{MAC}}_r\right|},\mathrm{mac}\left({\mathrm{AP}}_m\right)\&Element;{\mathrm{MAC}}_r-{\mathrm{MAC}}_F^{L_i}\&cap;{\mathrm{MAC}}_r,$

获得所述Corr(L_i)。其中，所述|MAC_r|为所述实测信号集中包含的接入点个数，为AP_m可见度的非减函数，所述MAC_r为所述实测信号集中包含的接入点的MAC地址，为所述位置指纹包含的接入点MAC地址，AP_m表示属于所述实测信号集包含的接入点，但不属于所述位置指纹包含的接入点，mac(AP_m)表示AP_m的MAC地址。

优选的，所述处理器604还用于根据

$\mathrm{Int}\left(L_i\right)=1-\frac{\underset{{\mathrm{AP}}_n}{\mathrm{\&Sigma;}}\mathrm{\&gamma;}\left(v_{{\mathrm{AP}}_n}\right)}{\left|\mathrm{MA}{C}_F^{L_i}\right|},\mathrm{mac}\left({\mathrm{AP}}_n\right)\&Element;\mathrm{MA}{C}_F^{L_i}-{\mathrm{MAC}}_F^{L_i}\&cap;{\mathrm{MAC}}_r,$

获得所述Int(L_i)。其中，所述为所述位置指纹包含的接入点个数，表示接入点AP_n的可见度的非减函数，所述MAC_r为所述实测信号集包含的接入点的MAC地址，为所述位置指纹包含的接入点MAC地址，AP_n表示属于所述位置指纹中的接入点，但不属于所述实测信号集中的接入点，mac(AP_n)表示AP_n的MAC地址。

优选的，所述处理器604还用于根据将所述概率Corr(L_i)和所述概率Int(L_i)的加权调和平均值作为所述匹配度。

优选的，所述概率Corr(L_i)的权重大于所述概率Int(L_i)的权重。

对于判断待定位点是否在所述参考点上而言，Corr(L_i)和Int(L_i)二者参考价值是不同的。鉴于位置指纹是一个长期测量的结果，有理由认为Corr(L_i)的参考价值较高。因此，可以给予Corr(L_i)较大的权重。例如，α表示Int(L_i)相对于Corr(L_i)的权重，则α取值范围为0＜α≤1。

优选的，所述处理器604还用于将归一化后的所述匹配度作为所述参考点的先验概率。

以上所述的待定位区域可以为室内区域，也可以为室外区域。所述实测信号集是通过终端在所述待定位点检测接入点信号获得。

在本实施例中，接收装置601、发送装置602、处理器604和存储装置603可以通过总线或其他方式连接，其中，图6以总线连接方式为例。

需要说明的是，所述定位装置可以为定位服务器，也可以为终端。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

以上对本发明实施例所提供的一种基于WLAN的概率定位方法及定位装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (18)

1.一种基于WLAN的概率定位方法，其特征在于，包括：

获取待定位区域内的至少两个参考点的位置指纹，以及获取终端在所述待定位区域内的待定位点的实测信号集；

根据所述实测信号集和所述位置指纹，获得所述实测信号集与所述位置指纹的匹配度，将所述实测信号集与所述位置指纹的匹配度作为所述参考点的先验概率；

根据每个参考点的先验概率，通过贝叶斯准则的概率法，计算得所述待定位点位于所述每个参考点处的概率P；

选取最大P值对应的参考点作为定位所述终端的定位点。

2.根据权利要求1所述的基于WLAN的概率定位方法，其特征在于，所述获得所述实测信号集与所述位置指纹的匹配度的步骤包括：根据所述位置指纹包含的接入点和所述实测信号集包含的接入点，获得实测信号集包含的接入点与位置指纹包含的接入点的匹配度。

3.根据权利要求2所述的基于WLAN的概率定位方法，其特征在于，

所述获取待定位区域内的至少两个参考点的位置指纹的步骤包括：获取在所述参考点检测到的接入点的可见度信息；

所述获得实测信号集包含的接入点与位置指纹包含的接入点的匹配度的步骤包括：

根据所述位置指纹包含的接入点、所述可见度信息，以及所述实测信号集包含的接入点，获得所述实测信号集与所述位置指纹之间的匹配接入点在所述实测信号集包含的接入点中出现的概率Corr(L_i)，以及获得所述实测信号集与所述位置指纹之间的匹配接入点在所述位置指纹包含的接入点中出现的概率Int(L_i)；

将所述概率Corr(L_i)和所述概率Int(L_i)的平均值作为所述匹配度。

4.根据权利要求3所述的基于WLAN的概率定位方法，其特征在于，

所述获得概率Corr(L_i)的步骤包括：根据

$\mathrm{Corr}\left(L_i\right)=1-\frac{\underset{{\mathrm{AP}}_m}{\mathrm{\&Sigma;}}\mathrm{\&Psi;}\left(v_{{\mathrm{AP}}_m}\right)}{\left|{\mathrm{MAC}}_r\right|},\mathrm{mac}\left({\mathrm{AP}}_m\right)\&Element;{\mathrm{MAC}}_r-{\mathrm{MAC}}_F^{L_i}\&cap;{\mathrm{MAC}}_r,$

获得所述Corr(L_i)，其中，所述|MAC_r|为所述实测信号集中包含的接入点个数，为AP_m可见度的非减函数，所述MAC_r为所述实测信号集中包含的接入点的MAC地址，为所述位置指纹包含的接入点MAC地址，AP_m表示属于所述实测信号集包含的接入点，但不属于所述位置指纹包含的接入点，mac(AP_m)表示AP_m的MAC地址。

5.根据权利要求4所述的基于WLAN的概率定位方法，其特征在于，

所述获得概率Int(L_i)的步骤包括：根据

$\mathrm{Int}\left(L_i\right)=1-\frac{\underset{{\mathrm{AP}}_n}{\mathrm{\&Sigma;}}\mathrm{\&gamma;}\left(v_{{\mathrm{AP}}_n}\right)}{\left|\mathrm{MA}{C}_F^{L_i}\right|},\mathrm{mac}\left({\mathrm{AP}}_n\right)\&Element;\mathrm{MA}{C}_F^{L_i}-{\mathrm{MAC}}_F^{L_i}\&cap;{\mathrm{MAC}}_r,$

获得所述Int(L_i)，其中，所述为所述位置指纹中包含的接入点个数，表示接入点AP_n的可见度的非减函数，所述MAC_r为所述实测信号集中包含的接入点的MAC地址，为所述位置指纹包含的接入点MAC地址，AP_n表示属于所述位置指纹包含的接入点，但不属于所述实测信号集包含的接入点，mac(AP_n)表示AP_n的MAC地址。

6.根据权利要求5所述的基于WLAN的概率定位方法，其特征在于，

所述将所述Corr(L_i)和所述Int(L_i)的平均值作为所述匹配度的步骤包括：将所述Corr(L_i)和所述Int(L_i)的加权调和平均值作为所述匹配度。

7.根据权利要求6所述的基于WLAN的概率定位方法，其特征在于，所述Corr(L_i)的权重大于所述Int(L_i)的权重。

8.根据权利要求1所述的基于WLAN的概率定位方法，其特征在于，所述将所述匹配度作为所述参考点的先验概率的步骤包括：将归一化后的所述匹配度作为所述参考点的先验概率。

9.根据权利要求1至8任意一项所述的基于WLAN的概率定位方法，其特征在于，所述待定位区域为室内区域。

10.一种定位装置，其特征在于，包括：

获取单元，用于获取待定位区域内的至少两个参考点的位置指纹，以及获取终端在所述待定位区域内的待定位点的实测信号集；

第一处理单元，用于根据所述实测信号集和所述位置指纹，获得所述实测信号集与所述位置指纹的匹配度，以及将所述实测信号集与所述位置指纹的匹配度作为所述参考点的先验概率；

第二处理单元，用于根据每个参考点的先验概率，通过贝叶斯准则的概率法，计算得所述待定位点位于所述每个参考点处的概率P；

定位单元，用于选取最大P值对应的参考点作为定位所述终端的定位点。

11.根据权利要求10所述的定位装置，其特征在于，

所述第一处理单元还用于根据所述位置指纹包含的接入点和所述实测信号集包含的接入点，获得实测信号集包含的接入点与位置指纹包含的接入点的匹配度，将所述匹配度作为所述参考点的先验概率。

12.根据权利要求11所述的定位装置，其特征在于，

所述获取单元还用于获取在所述参考点检测到的接入点的可见度信息；

所述第一处理单元还用于根据所述位置指纹包含的接入点、所述可见度信息，以及所述实测信号集包含的接入点，获得所述实测信号集与所述位置指纹之间的匹配接入点在所述实测信号集包含的接入点中出现的概率Corr(L_i)，以及获得所述实测信号集与所述位置指纹之间的匹配接入点在所述位置指纹包含的接入点中出现的概率Int(L_i)；以及用于将所述概率Corr(L_i)和所述概率Int(L_i)的平均值作为所述匹配度。

13.根据权利要求12所述的定位装置，其特征在于，

所述第一处理单元还用于根据

$\mathrm{Corr}\left(L_i\right)=1-\frac{\underset{{\mathrm{AP}}_m}{\mathrm{\&Sigma;}}\mathrm{\&Psi;}\left(v_{{\mathrm{AP}}_m}\right)}{\left|{\mathrm{MAC}}_r\right|},\mathrm{mac}\left({\mathrm{AP}}_m\right)\&Element;{\mathrm{MAC}}_r-{\mathrm{MAC}}_F^{L_i}\&cap;{\mathrm{MAC}}_r,$

获得所述Corr(L_i)，其中，所述|MAC_r|为所述实测信号集中包含的接入点个数，Ψ(v_APm)为AP_m可见度的非减函数，所述Ψ(v_APm)∈[0，1]，MAC_r为所述实测信号集中包含的接入点的MAC地址，为所述位置指纹包含的接入点MAC地址，AP_m表示属于所述实测信号集中的接入点，但不属于所述位置指纹中的接入点，mac(AP_m)表示AP_m的MAC地址。

14.根据权利要求13所述的定位装置，其特征在于，

所述第一处理单元还用于根据

$\mathrm{Int}\left(L_i\right)=1-\frac{\underset{{\mathrm{AP}}_n}{\mathrm{\&Sigma;}}\mathrm{\&gamma;}\left(v_{{\mathrm{AP}}_n}\right)}{\left|\mathrm{MA}{C}_F^{L_i}\right|},\mathrm{mac}\left({\mathrm{AP}}_n\right)\&Element;\mathrm{MA}{C}_F^{L_i}-{\mathrm{MAC}}_F^{L_i}\&cap;{\mathrm{MAC}}_r,$

获得所述Int(L_i)，其中，所述为所述位置指纹中包含的接入点个数，表示接入点AP_n的可见度的非减函数，所述MAC_r为所述实测信号集包含的接入点的MAC地址，为所述位置指纹包含的接入点MAC地址，AP_n表示属于所述位置指纹包含的接入点，但不属于所述实测信号集包含的接入点，mac(AP_n)表示AP_n的MAC地址。

15.根据权利要求14所述的定位装置，其特征在于，

所述第一处理单元还用于将所述概率Corr(L_i)和所述概率Int(L_i)的加权调和平均值作为所述匹配度。

16.根据权利要求15所述的定位装置，其特征在于，所述概率Corr(L_i)的权重大于所述概率Int(L_i)的权重。

17.根据权利要求16所述的定位装置，其特征在于，

所述第一处理单元还用于将归一化后的所述匹配度作为所述参考点的先验概率。

18.根据权利要求10至17任意一项所述的定位装置，其特征在于，所述待定位区域为室内区域。