CN104684083A - 一种基于分簇思想的ap选择方法 - Google Patents

Abstract

一种基于分簇思想的AP选择方法，本发明涉及一种基于分簇思想的AP选择方法。本发明是要解决利用统一标准进行筛选会导致定位时判断簇头步骤就容易出现错误，定位方差较大的问题而提出的一种基于分簇思想的AP选择方法。该方法是通过步骤一：获取m×n个参考点的规则矩形的指纹图；步骤二、求出指纹图中每个参考点的相关性；步骤三、得到i,j与四个相邻点的总相关性矩阵步骤四、得到指纹图中每一个AP相应的无效位置分布图；步骤五、记录每个簇中分辨率弱的且序号相同的AP；步骤六、剔除指纹图的每个簇中分辨率弱且序号相同的AP，剔除后的指纹图中AP序号发给用户等步骤实现的。本发明应用于分簇思想的AP选择领域。

Description

一种基于分簇思想的AP选择方法

技术领域

本发明涉及AP选择方法，特别涉及一种基于分簇思想的AP选择方法。

背景技术

指纹定位技术是通过将在线采集到的信号与之前离线存储好的信号就行特征比对来实现的，为了方便使用，经常不会特意的去布置AP，而是利用环境中现有的AP，但现有AP过剩，很多AP在定位时大多没用，如果不加筛选全部使用就会导致较大的计算量。然而指纹图越复杂计算量越大，降低指纹图的复杂度则会带来定位精度的下降。传统的解决方法是利用分簇的方式来降低计算量。分簇是将指纹图划分成不同的区域，解算时先判断此信号在哪个簇内，再在簇内进行特征匹配，这样就大大降低了计算量。但现有技术在分簇区域的划分方面一般是随机的，室内空间复杂，利用统一标准进行筛选并非最优。统一标准进行筛选会导致定位时判断簇头步骤就容易出现错误，特别是两个簇交叠部分，导致定位方差较大。

发明内容

本发明的目的是为了解决现有技术在分簇区域的划分方面一般是随机的，利用统一标准进行筛选会导致定位时判断簇头步骤就容易出现错误，定位方差较大的问题而提出的一种基于分簇思想的AP选择方法。

上述的发明目的是通过以下技术方案实现的：

步骤一、获取未经处理的m×n参考点的规则矩形的指纹图，则指纹图信号部分为f_i,j＝{RSS₁,RSS₂,...,RSS_k}；i＝1,2，3...，m；j＝1,2,3...，n；

其中，f_i,j为指纹图中第i行第j列参考点接收k个AP对应的信号强度RSS值，指纹图中AP的序号k＝1,2,3……k；

步骤二、利用f_i,j求出指纹图中每个参考点的相关性；

步骤三、将f_i,j中每个参考点的相关性进行加和得到i,j与四个相邻点的总相关性矩阵其中，ζ_k表示指纹图中第i行第j列参考点在第k个AP上与四个相邻点在第k个AP上的总相关性；

步骤四、若ζ_k为0或1，则说明参考点接受第k个AP为分辨率弱的AP，记录下第i行第j列参考点接收到分辨率弱的AP的序号k；根据记录下AP的序号得到指纹图中每一个AP相应的无效位置分布图；

步骤五、根据步骤四中所得到的无效位置分布图，将指纹图按照AP的分辨率分簇成M组，记录下指纹图中每个簇中分辨率弱的且序号相同的AP序号；其中，分簇的原则是一个簇内的每个参考点拥有至少一个分辨率弱且序号相同的AP；

步骤六、在定位操作时，剔除指纹图的每个簇中分辨率弱且序号相同的AP，剔除后的指纹图中的AP序号发给用户如图1；即完成了一种基于分簇思想的AP选择方法。

发明效果

为了保证指纹图的精度，每个位置需要采集大量的信息，这样在进行特征匹配时才更容易定准位置，但大量采集信息会带来处理速度的下降。通过基于分簇思想的AP选择方法可以在保证定位精度的同时有效的降低计算量。并降低定位方差，提高定位精度。

本发明取门限值ε为1dB，相邻点间距为0.5m，指纹图大小为800×8，即将0.5米间相邻参考点分辨能力小于1dB的AP排除在结算过程之外。这样定位解算过程中对于不同的分簇使用的是不同的AP组合，同时不同的簇之间使用的AP数量是根据指纹图特性动态变化的。通过上述方法有效的保证了在AP出现冗余的环境下，算法可以以最小的计算量保障定位精度，且本发明的定位误差在2m以内。

计算出每个点与周围点的相关性，若一个参考点的某个AP若与其周围任意2个点分辨小于1dB，则认为此AP为该参考点的无用AP。将位置上相近且无用AP相同的点分为同一组，在定位时先进行分组，这样又可以大大的节省计算量，分组之后进行KNN定位时排除掉无用AP。计算时有用的AP仍然保留，这样不会对定位精度造成太多的影响。并且按照随机路线测量，得到定位累计误差如图2所示。

附图说明

图1为具体实施方式一提出的一种基于分簇思想的AP选择方法流程图；

图2为具体实施方式一提出的定位误差概率密度累积图。

具体实施方式

具体实施方式一：本实施方式的一种基于分簇思想的AP选择方法，具体是按照以下步骤制备的：

步骤一、获取未经处理的m×n参考点的规则矩形的指纹图，则指纹图信号部分为f_i,j＝{RSS₁,RSS₂,...,RSS_k}；i＝1,2，3...，m；j＝1,2,3...，n；

其中，f_i,j为指纹图中第i行第j列参考点接收k个AP对应的信号强度RSS值，指纹图中AP的序号k＝1,2,3……k；指纹图由信号部分和位置部分组成，信号部分和位置部分是一一对应的关系；信号部分是每个参考点处收集到的定位AP的信号强度；参考点相邻点间距为0.5～1.5m；指纹图中的参考点的个数为m行n列个；

步骤二、利用f_i,j求出指纹图中每个参考点的相关性；

步骤三、将f_i,j中每个参考点的相关性进行加和得到i,j与四个相邻点的总相关性矩阵其中，ζ_k表示指纹图中第i行第j列参考点在第k个AP上与四个相邻点在第k个AP上的总相关性；

步骤四、对于ζ_k而言，ζ_k值越小则表示在该点上第k个AP与周围的分辨力越弱；若ζ_k为0或1，则说明参考点接受第k个AP为分辨率弱的AP，记录下第i行第j列参考点接收到分辨率弱的AP的序号k；根据记录下AP的序号得到指纹图中每一个AP相应的无效位置分布图；

步骤五、根据步骤四中所得到的无效位置分布图，将指纹图按照AP的分辨率分簇成M组，记录下指纹图中每个簇中分辨率弱的且序号相同的AP序号；其中，分簇的原则是一个簇内的每个参考点拥有至少一个分辨率弱且序号相同的AP；

步骤六、在定位操作时，先按照簇头寻找匹配的簇，再在簇内计算相应的位置，计算时动态选择解算AP，剔除指纹图的每个簇中分辨率弱且序号相同的AP被剔除的AP不参与结算，剔除后的指纹图中的AP序号发给用户；如图1即完成了一种基于分簇思想的AP选择方法。

本实施方式效果：

为了保证指纹图的精度，每个位置需要采集大量的信息，这样在进行特征匹配时才更容易定准位置，但大量采集信息会带来处理速度的下降。通过基于分簇思想的AP选择方法可以在保证定位精度的同时有效的降低计算量。并降低定位方差，提高定位精度。

本实施方式取门限值ε为1dB，相邻点间距为0.5m，指纹图大小为800×8，即将0.5米间相邻参考点分辨能力小于1dB的AP排除在结算过程之外。这样定位解算过程中对于不同的分簇使用的是不同的AP组合，同时不同的簇之间使用的AP数量是根据指纹图特性动态变化的。通过上述方法有效的保证了在AP出现冗余的环境下，算法可以以最小的计算量保障定位精度，且本实施方式的定位误差在2m以内。

计算出每个点与周围点的相关性，若一个参考点的某个AP若与其周围任意2个点分辨小于1dB，则认为此AP为该参考点的无用AP。将位置上相近且无用AP相同的点分为同一组，在定位时先进行分组，这样又可以大大的节省计算量，分组之后进行KNN定位时排除掉无用AP。计算时有用的AP仍然保留，这样不会对定位精度造成太多的影响。并且按照随机路线测量，得到定位累计误差如图2所示。

具体实施方式二：本实施方式与具体实施方式一不同的是：步骤二中利用f_i,j求出指纹图中每个参考点的相关性具体为：

相关性矩阵是每个参考点与其相邻参考点的相似程度，计算f_i,j中每个参考点的相关性，规定f_i,j中的相邻参考点接收相同序号的AP信号，若两相同信号RSS差值小于门限值ε的为定位无用AP，则此无用AP相关性为0，若两相同信号RSS差值大等于门限值ε的为定位有用AP，则将有用AP相关性定为1。其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：步骤三中将f_i,j中每个参考点的相关性进行加和得到i,j与四个相邻点的总相关性矩阵具体过程为：

(1)、令表示指纹图中第i行第j列参考点i,j与四个相邻点的总相关性矩阵；

(2)、基于指纹图的拓扑结构，设每个参考点都有四个相邻点，即i,j-1参考点，i,j+1点，i-1,j参考点和i+1,j参考点；设f_i,j＝{RSS₁,RSS₂,...,RSS_k}，f_i,j-1＝{RSS₁',RSS₂',...,RSS_k'}；f_i,j+1＝{RSS″₁,RSS″₂,...,RSS″_k}；f_i-1,j＝{RSS″′₁，RSS″′₂,...,RSS″′_k}；f_i+1,j＝{RSS″″₁，RSS″″₂，...,RSS″″_k}；

$\begin{array}{c}{f}_{i,j}-f_{i,j-1}=\{\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_1-{{\mathrm{RSS}}_1}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_1-{{\mathrm{RSS}}_1}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1),...,\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{{\mathrm{RSS}}_k}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{{\mathrm{RSS}}_k}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1)\}\\ =a=\{a_1,a_2,...,a_k\}\end{array}$

$\begin{array}{c}{f}_{i,j}-f_{i,j+1}=\{\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1),...,\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1)\}\\ =b=\{b_1,b_2,...,b_k\}\end{array}$

$\begin{array}{c}{f}_{i,j}-f_{i-1,j}=\{\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1),...,\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1)\}\end{array}$

$=c=\{c_1,c_2,...,c_k\}$

$\begin{array}{c}{f}_{i,j}-f_{i+1,j}=\{\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1),...,\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1)\}\\ =d=\{d_1,d_2,...,d_k\};\end{array}$

其中，i,j点与i,j-1点的相关性a，依此方法计算i,j与i,j+1点的相关性b，i,j与i-1,j参考点的相关性c和i,j与i+1,j参考点的相关性d；并且a、b、c或d分别为长度为k的行向量；

(3)、将得到四个行向量a、b、c和d中的相关性相加即ζ_k＝a_k+b_k+c_k+d_k，得到新的行向量即i,j与四个相邻点的总相关性矩阵

其中，ζ_k表示该点在第k个AP上与四个相邻点的总相关性；其中，ε₀为防止分母为零而加入的系数，一般取为100dB；其中，设每个参考点都有1～3个相邻点的总相关性的计算方法按照步骤(1)～(3)进行。其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是： $a_k=\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{{\mathrm{RSS}}_k}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{{\mathrm{RSS}}_k}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1);b_k=\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1);$ $c_k=\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1);d_k=\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1).$ 其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：步骤四中ζ_k为0～4得到的具体过程为：

ζ_k＝a_k+b_k+c_k+d_k，由a_k＝1或0，b_k＝1或0，c_k＝1或0，d_k＝1或0

则ζ_k＝0～4。其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：步骤五中指纹图按照AP的分辨率分簇成M组中每组所对应的参考点的个数满足：

其它步骤及参数与具体实施方式一至五之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

本实施例一种基于分簇思想的AP选择方法，具体是按照以下步骤制备的：

步骤一、获取未经处理的m×n参考点的规则矩形的指纹图，则指纹图信号部分为f_i,j＝{RSS₁,RSS₂,...,RSS_k}；i＝1,2，3...，m；j＝1,2,3...，n；

其中，f_i,j为指纹图中第i行第j列参考点接收k个AP对应的信号强度RSS值，指纹图中AP的序号k＝1,2,3……k；指纹图由信号部分和位置部分组成，信号部分和位置部分是一一对应的关系；信号部分是每个参考点处收集到的定位AP的信号强度；参考点相邻点间距为0.5m；

步骤二、利用f_i,j求出指纹图中每个参考点的相关性为：

相关性矩阵是每个参考点与其相邻参考点的相似程度，计算f_i,j中每个参考点的相关性，规定f_i,j中的相邻参考点接收相同序号的AP信号，若两相同信号RSS差值小于门限值ε＝1dB的为定位无用AP，则此无用AP相关性为0，若两相同信号RSS差值大等于门限值ε的为定位有用AP，则将有用AP相关性定为1。

步骤三、将f_i,j中每个参考点的相关性进行加和得到i,j与四个相邻点的总相关性矩阵其中，ζ_k表示指纹图中第i行第j列参考点在第k个AP上与四个相邻点在第k个AP上的总相关性具体过程为：

(1)、令表示指纹图中第i行第j列参考点i,j与四个相邻点的总相关性矩阵；

(2)、基于指纹图的拓扑结构，设每个参考点都有四个相邻点，即i,j-1参考点，i,j+1点，i-1,j参考点和i+1,j参考点；设f_i,j＝{RSS₁,RSS₂,...,RSS_k}，f_i,j-1＝{RSS₁',RSS₂',...,RSS_k'}；f_i,j+1＝{RSS″₁,RSS″₂,...,RSS″_k}；f_i-1,j＝{RSS″′₁，RSS″′₂,...,RSS″′_k}；f_i+1,j＝{RSS″″₁，RSS″″₂，...,RSS″″_k}；

$\begin{array}{c}{f}_{i,j}-f_{i,j-1}=\{\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_1-{{\mathrm{RSS}}_1}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_1-{{\mathrm{RSS}}_1}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1),...,\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{{\mathrm{RSS}}_k}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{{\mathrm{RSS}}_k}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1)\}\end{array}$

$=a=\{a_1,a_2,...,a_k\}$

$\begin{array}{c}{f}_{i,j}-f_{i,j+1}=\{\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1),...,\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1)\}\\ =b=\{b_1,b_2,...,b_k\}\end{array}$

$\begin{array}{c}{f}_{i,j}-f_{i-1,j}=\{\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1),...,\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1)\}\\ =c=\{c_1,c_2,...,c_k\}\end{array}$

$\begin{array}{c}{f}_{i,j}-f_{i+1,j}=\{\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1),...,\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1)\}\\ =d=\{d_1,d_2,...,d_k\};\end{array}$

其中，i,j点与i,j-1点的相关性a，依此方法计算i,j与i,j+1点的相关性b，i,j与i-1,j参考点的相关性c和i,j与i+1,j参考点的相关性d；并且a、b、c或d分别为长度为k的行向量；

$a_k=\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{{\mathrm{RSS}}_k}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{{\mathrm{RSS}}_k}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1);b_k=\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1);$ $c_k=\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1);d_k=\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1).$

(3)、将得到四个行向量a、b、c和d中的相关性相加即ζ_k＝a_k+b_k+c_k+d_k，得到新的行向量即i,j与四个相邻点的总相关性矩阵

其中，ζ_k表示该点在第k个AP上与四个相邻点的总相关性；其中，ε₀为防止分母为零而加入的系数，一般取为100dB；其中，设每个参考点都有1～3个相邻点的总相关性的计算方法按照步骤(1)～(3)进行。由a_k＝1或0，b_k＝1或0，c_k＝1或0，d_k＝1或0；则ζ_k＝0～4。

步骤四、对于ζ_k而言，ζ_k值越小则表示在该点上第k个AP与周围的分辨力越弱；若ζ_k为0或1，则说明参考点接受第k个AP为分辨率弱的AP，记录下第i行第j列参考点接收到分辨率弱的AP的序号k；根据记录下AP的序号得到指纹图中每一个AP相应的无效位置分布图；

步骤五、根据步骤四中所得到的无效位置分布图，将指纹图按照AP的分辨率分簇成M组，记录下指纹图中每个簇中分辨率弱的且序号相同的AP序号；其中，分簇的原则是一个簇内的每个参考点拥有至少一个分辨率弱且序号相同的AP；

其中，指纹图按照AP的分辨率分簇成M组中每组所对应的参考点的个数满足：

$\frac{0.8*m*n}{M}\≤\frac{m*n}{M}\≤\frac{1.2*m*n}{M}.$

步骤六、在定位操作时，先按照簇头寻找匹配的簇，再在簇内计算相应的位置，计算时动态选择解算AP，剔除指纹图的每个簇中分辨率弱且序号相同的AP被剔除的AP不参与结算，剔除后的指纹图中的AP序号发给用户；

取门限值ε为1dB，相邻点间距为0.5m，即将0.5米间相邻参考点分辨能力小于1dB的AP排除在结算过程之外。这样定位解算过程中对于不同的分簇使用的是不同的AP组合，同时不同的簇之间使用的AP数量是根据指纹图特性动态变化的。通过上述方法有效的保证了在AP出现冗余的环境下，算法可以以最小的计算量保障定位精度。

计算出每个点与周围点的相关性，若一个参考点的某个AP若与其周围任意2个点分辨小于1dB，则认为此AP为该参考点的无用AP。将位置上相近且无用AP相同的点分为同一组，在定位时先进行分组，这样又可以大大的节省计算量，分组之后进行KNN定位时排除掉无用AP。计算时有用的AP仍然保留，这样不会对定位精度造成太多的影响。并且按照随机路线测量，利用经验累积分布函数得到定位累计误差如图2所示。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.一种基于分簇思想的AP选择方法，其特征在于一种基于分簇思想的AP选择方法具体是按照以下步骤进行的：

步骤一、获取未经处理的m×n参考点的规则矩形的指纹图，则指纹图信号部分为f_i,j＝{RSS₁,RSS₂,...,RSS_k}；i＝1,2，3...，m；j＝1,2,3...，n；

其中，f_i,j为指纹图中第i行第j列参考点接收k个AP对应的信号强度RSS值，指纹图中AP的序号k＝1,2,3……k；

步骤二、利用f_i,j求出指纹图中每个参考点的相关性；

步骤三、将f_i,j中每个参考点的相关性进行加和得到i,j与四个相邻点的总相关性矩阵其中，ζ_k表示指纹图中第i行第j列参考点在第k个AP上与四个相邻点在第k个AP上的总相关性；

步骤四、若ζ_k为0或1，则说明参考点接受第k个AP为分辨率弱的AP，记录下第i行第j列参考点接收到分辨率弱的AP的序号k；根据记录下AP的序号得到指纹图中每一个AP相应的无效位置分布图；

步骤五、根据步骤四中所得到的无效位置分布图，将指纹图按照AP的分辨率分簇成M组，记录下指纹图中每个簇中分辨率弱的且序号相同的AP序号；其中，分簇的原则是一个簇内的每个参考点拥有至少一个分辨率弱且序号相同的AP；

步骤六、在定位操作时，剔除指纹图的每个簇中分辨率弱且序号相同的AP，剔除后的指纹图中的AP序号发给用户如图1；即完成了一种基于分簇思想的AP选择方法。

2.根据权利要求1所述一种基于分簇思想的AP选择方法，其特征在于：步骤二中利用f_i,j求出指纹图中每个参考点的相关性具体为：

计算f_i,j中每个参考点的相关性，规定f_i,j中的相邻参考点接收相同序号的AP信号，若两相同信号RSS差值小于门限值ε的为定位无用AP，则此无用AP相关性为0，若两相同信号RSS差值大等于门限值ε的为定位有用AP，则将有用AP相关性定为1。

3.根据权利要求1所述一种基于分簇思想的AP选择方法，其特征在于：步骤三中将f_i,j中每个参考点的相关性进行加和得到i,j与四个相邻点的总相关性矩阵具体过程为：

(1)、令表示指纹图中第i行第j列参考点i,j与四个相邻点的总相关性矩阵；

(2)、基于指纹图的拓扑结构，设每个参考点都有四个相邻点，即i,j-1参考点，i,j+1点，i-1,j参考点和i+1,j参考点；设f_i,j＝{RSS₁,RSS₂,...,RSS_k}，f_i,j-1＝{RSS₁',RSS₂',...,RSS_k'}；f_i,j+1＝{RSS″₁,RSS″₂,...,RSS″_k}；f_i-1,j＝{RSS″′₁，RSS″′₂,...,RSS″′_k}；f_i+1,j＝{RSS″″₁，RSS″″₂，...,RSS″″_k}；

$\begin{array}{c}{f}_{i,j}-f_{i,j-1}=\{\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_1-{{\mathrm{RSS}}_1}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_1-{{\mathrm{RSS}}_1}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1),...,\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{{\mathrm{RSS}}_k}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{{\mathrm{RSS}}_k}^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1)\}\\ =a=\{a_1,a_2,...,a_k\}{}_{}\end{array}$

$\begin{array}{c}{f}_{i,j}-f_{i,j+1}=\{\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1),...,\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′}|{-\mathrm{\ϵ}}_{}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1)\}\\ =b=\{b_1,b_2,...,b_k\}\end{array}$

$\begin{array}{c}{f}_{i.j}-f_{i-1,j}=\{\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′\′}|{-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}^{}}{\left|\right|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1),...,\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1)\}\\ =c=\{c_1,c_2,...,c_k\}\end{array}$

$\begin{array}{c}{f}_{i,j}-f_{i+1,j}=\{\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_1-{\mathrm{RSS}}_1^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1),...,\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′\′}|{-\mathrm{\ϵ}}^{}+{\mathrm{\ϵ}}_0|}+1)\}\\ =d=\{d_1,d_2,...,d_k\};\end{array}$

其中，i,j点与i,j-1点的相关性a，依此方法计算i,j与i,j+1点的相关性b，i,j与i-1,j参考点的相关性c和i,j与i+1,j参考点的相关性d；并且a、b、c或d分别为长度为k的行向量；

(3)、将得到四个行向量a、b、c和d中的相关性相加即ζ_k＝a_k+b_k+c_k+d_k，得到新的行向量即i,j与四个相邻点的总相关性矩阵

其中，ζ_k表示该点在第k个AP上与四个相邻点的总相关性；其中，ε₀为防止分母为零而加入的系数。

4.根据权利要求3所述一种基于分簇思想的AP选择方法，其特征在于：

$a_k=\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1);b_k=\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1);$

$c_k=\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1);d_k=\frac{1}{2}\×(\frac{|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\text{\′\′\′\′}}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0}{\left|\right|{\mathrm{RSS}}_k-{\mathrm{RSS}}_k^{\′\′\′\′}|-\mathrm{\ϵ}+{\mathrm{\ϵ}}_0|}+1).$

5.根据权利要求1所述一种基于分簇思想的AP选择方法，其特征在于：步骤四中ζ_k为0～4得到的具体过程为：

ζ_k＝a_k+b_k+c_k+d_k由a_k＝1或0，b_k＝1或0，c_k＝1或0，d_k＝1或0

则ζ_k＝0～4。

6.根据权利要求1所述一种基于分簇思想的AP选择方法，其特征在于：步骤五中指纹图按照AP的分辨率分簇成M组中每组所对应的参考点的个数满足：

$\frac{0.8*m*n}{M}\≤\frac{m*n}{M}\≤\frac{1.2*m*n}{M}.$