CN104965189A - 一种基于最大似然估计的室内人员定位方法 - Google Patents

Abstract

本发明涉及无线传感器网络定位领域，尤其涉及基于最大似然估计的室内人员定位方法，包括：(1)将室内人员作为待测节点，事先在环境中布置好参考节点，根据参考节点与待测节点之间的接收信号强度转化为它们之间的距离，建立数学模型；(2)根据正约束条件采用最大似然估计算法建立目标函数模型；(3)引进负约束条件，更新目标函数模型；(4)利用粒子群优化算法搜索出满足约束条件的待测人员的最佳位置。本发明的有益效果在于：(1)本发明方法能够能够解决室内恶劣复杂环境下人员定位问题，定位准确、简单易实现；(2)本发明引进负约束条件，可以提高定位精度；(3)采用粒子群优化算法，具有很好的稳定性、并且收敛速度快、实时性高。

Description

一种基于最大似然估计的室内人员定位方法

技术领域

本发明涉及无线传感器网络定位领域，尤其涉及基于最大似然估计的室内人员定位方法。 

背景技术

20世纪90年代以来，人们就开始关注无线传感器网络技术(WSN)，被认为是21世纪最重要的技术之一。无线传感网络广泛应用于军事、环境、工业等方面。在无线传感网络技术中，节点定位是无线传感网络的主要支撑技术。定位技术可应用于目标识别、目标跟踪、移动目标的检测、人员定位等。其中室内人员定位应用受到了广泛的关注。 

目前，典型的定位方法主要分为两类：无需测距和基于测距。无需测距方法不需要测量节点间的距离、角度或者其他信息，而是根据网络的连接度来实现定位，其缺点是定位精度不高。此类方法主要为质心定位算法，DV-hop算法和APIT算法。基于测距方法主要采用额外的硬件来测量节点间的距离，从而实现定位。虽然此类方法需要额外成本并且消耗能量，但能获得比较高的精度。此类方法主要为信号到达角度(AOA)，信号到达时间(TOA)，信号到达时间差(TDOA)和接收信号强度(RSSI)等。在实际应用过程中(尤其是室内环境)，大部分方法都采用节点间信号强度与距离之间的关系来实现测距。 

以下为典型的定位系统： 

微软公司的RADAR系统是基于IEEE802.11标准的室内定位系统，它事先在测量区域内大量记录各个位置的RSSI值，在定位时，根据当前的RSSI值来与之前标定好的RSSI进行匹配从而确定节点位置(定位误差大约在6米)。此系统要求定位前需进行大量测试各位置的射频信号强度，因此工作量比较大，会花费巨大的布置成本。 

麻省理工学院的Cricket室内定位系统主要由Beacon节点和Listener节点组成。Beacon节点同时发射超声波和射频信号，Listener节点侦听到信号后，根据TDOA测距原理(测距范围大约在0～10m)并用三边定位法对未知节点进行定位。此系统容易受障碍物影响，非常不适合非视距(NLOS)复杂的环境。 

浙江大学的INEMO系统根据房间的布置情况把建筑物分成不同的等级。当用户(已携带节点)靠近附近的房间时，传感器节点可以与之相近的参考节点交换信息，根据信号接收强度，判断用户所在位置。此系统只适用于办公楼比较规定的室内环境。另一方面，在定位时，因为信息通信量大，易造成能量消耗过大，使得定位精度也不高。 

发明内容

本发明为克服上述的不足之处，目的在于提出了基于最大似然估计的室内人员定位方法，该方法简单，易于实现，能够解决非视距误差问题，尤其是室内复杂环境，能用于室内人员的定位。 

本发明是通过以下技术方案达到上述目的：基于最大似然估计的室内人员定位方法，引用正负约束条件对室内人员的位置进行最大似然估计；具体包括以下步骤： 

1)N₁个参考节点和N₂待测节点组成无线传感网络，计算参考节点与待测节点之间的距离： 

$d={10}^{\frac{P_0-P-{\mathrm{\ξ}}_{{\mathrm{\σ}}_p}}{10n}}$

其中，P₀为距离1米时的接收信号强度，P为距离d时的接收信号强度，n为路径损耗指数，ξ为零均值标准差为σ_p的随机变量； 

2)比较d与参考节点的有效通信范围大小，根据比较结果选择正约束条件或负约束条件得到待测节点与参考节点间似然函数L_ij(X)： 

$d_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2},\ln {\tilde{d}}_{\mathrm{ij}}~N({\ln d}_{\mathrm{ij}},{\mathrm{\σ}}^2);$

$\stackrel{\‾}{R}={10}^{\frac{P_0-{\mathrm{RSSI}}_{\min }-{\mathrm{\ξ}}_{{\mathrm{\σ}}_p}}{10n}},\ln R~N(\ln \stackrel{\‾}{R},{\mathrm{\σ}}^2);$

其中，参考节点的坐标值为(x_i,y_i)，待测节点的坐标值为(x_j,y_j)； 

3)联合正负约束条件，得到整个系统的似然函数 的最大似然估计为： $f\left(\tilde{x}\right)=\arg \min ({\mathrm{\Σ}}_{i=1}^{N_1}{\mathrm{\Σ}}_{j=1}^{N_2}{u}_{\mathrm{ij}}\left(\frac{{(\ln d_{\mathrm{ij}}-\ln {\tilde{d}}_{\mathrm{ij}})}^2}{2{\mathrm{\σ}}^2}\right)+(u_{\mathrm{ij}}-1)\ln \left(\frac{1}{2}+\frac{1}{2}\mathrm{erf}\left(\frac{\ln d_{\mathrm{ij}}\left(X\right)-\ln \stackrel{\‾}{R}}{\sqrt{2}\mathrm{\σ}}\right)\right)),$

4)采用粒子群优化算法求解的最大似然估计值。 

作为优选，所述步骤2)具体包括以下步骤： 

(1)当待测节点在参考节点的通信范围内时，根据最大似然估计引用正约束条件得到待测节点与参考节点间似然函数L_ij(X)，其表达式为： 

$L_{\mathrm{ij}}\left(X\right)={\mathrm{\ρ}}_{\mathrm{ij}}\left(X\right)=\frac{1}{d_{\mathrm{ij}}\sqrt{2\mathrm{\π}{\mathrm{\σ}}^2}}\exp (-\frac{{(\ln d_{\mathrm{ij}}-\ln {\tilde{d}}_{\mathrm{ij}})}^2}{2{\mathrm{\σ}}^2});$

其中： 

$d_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2};$

$\ln {\tilde{d}}_{\mathrm{ij}}~N({\ln d}_{\mathrm{ij}},{\mathrm{\σ}}^2);$

(3)当待测节点在参考节点的通信范围之外时，根据最大似然估计引用负约束条件得到待测节点与参考节点间似然函数L_ij(X)，其表达式为： 

$L_{\mathrm{ij}}\left(X\right)=\frac{1}{2}+\frac{1}{2}\mathrm{erf}\left(\frac{\ln d_{\mathrm{ij}}\left(X\right)-\ln \stackrel{\‾}{R}}{\sqrt{2}\mathrm{\σ}}\right);$

其中： 

$\stackrel{\‾}{R}={10}^{\frac{P_0-{\mathrm{RSSI}}_{\min }-{\mathrm{\ξ}}_{{\mathrm{\σ}}_p}}{10n}};$

$\ln R~N(\ln \stackrel{\‾}{R},{\mathrm{\σ}}^2);$

作为优选，所述采用粒子群优化算法求解的最大似然估计值包括以下步骤： 

(1)设定粒子群优化算法的目标函数为随机生成数量N的粒子，初始化各粒子的速度V_X(0)、位置X(0)、个体最优pbest(0)和群体最优gbest(0)，每个粒子对应一个位置向量X＝[x₁…x_j y₁…y_j]^T； 

(2)根据每个粒子对应的目标函数值的优劣性，选择当前各粒子最优目标函数值的位置向量存储在pbest中，将所有pbest中目标函数值最优粒子的位置向量存储于gbest中； 

(3)根据下面式子更新每个粒子的速度和位置； 

V_X(k+1)＝wV_X(k)+c₁r₁(k)(pbest(k)-X(k))+c₂r₂(k)(gbest(k)-X(k))； 

X(k+1)＝X(k)+V_X(k+1)； 

(4)对每个粒子将其现在的目标函数值与其经历过的最好位置作比较,目标函数值较小的位置作为当前的最好位置； 

(5)重复循环执行(2)-(4)步骤，直到达到设定的迭代次数，输出群体最优位置向量。 

作为优选，所述的每个粒子对应的目标函数值的优劣性的判断方法步骤为： 

(1)进入搜索，k＝k+1；计算所有个体目标函数的适应度值： 

$F\left(\tilde{x}\right)={\mathrm{\Σ}}_{i=1}^{N_1}{\mathrm{\Σ}}_{j=1}^{N2}{u}_{\mathrm{ij}}\left(\frac{{(\ln d_{\mathrm{ij}}-\ln {\tilde{d}}_{\mathrm{ij}})}^2}{2{\mathrm{\σ}}^2}\right)+(u_{\mathrm{ij}}-1)\ln (\frac{1}{2}+\frac{1}{2}\mathrm{ref}\left(\frac{\ln d_{\mathrm{ij}}\left(X\right)-\ln \stackrel{\‾}{R}}{\sqrt{2}\mathrm{\σ}}\right));$

(2)比较当前个体的适应度值和个体上一代的适应度值，如果个体的当前适应度小于上一代的适应度值，则用当前适应度值更新适应度值，并用当前个体最优位置向量作为个体潜在最优位置向量pbest(k)，如果个体的当前适应度值大于上一代的适应度值，则保留上一代的适应度值和上一代的个体潜在最优位置向量。 

本发明的有益效果在于：(1)本发明方法简单，易于实现，能够解决非视距误差问题，尤其是室内复杂环境，能用于室内人员的定位；(2)引进负约束条件能够提高定位精度，充分利用了节点间的通信关系，减少了额外的成本；(3)采用粒子群优化算法能够快速找到最优位置，并且具有很好的稳定性，定位误差小，收敛速度快。 

附图说明

图1是本发明方法流程框图； 

图2是距离与接收信号强度(RSSI)之间关系示意图； 

图3是RSSI＝-64.5dBm时距离d的对数正态分布示意图； 

图4是本发明的参考节点与待测节点的正约束关系示意图； 

图5是本发明的参考节点与待测节点的负约束关系示意图； 

图6是本发明实施例1中三个参考节点与一个带定位人员的网络拓扑结构； 

图7是本发明实施例1中三个正约束条件似然估计的概率密度函数三维图； 

图8是本发明实施例2中正约束似然估计定位结果示意图； 

图9是本发明实施例2中联合正负约束似然估计定位结果示意图； 

图10是本发明参考节点数对定位误差的影响示意图。 

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此： 

实施例1：如图1所示，基于最大似然估计的室内人员定位方法，具体包括以下步骤： 

1)N₁个参考节点和N₂待测节点组成无线传感网络，接收信号强度可适用于无线传感网络的定位，在发送和接收信号之间，由于存在功率损耗，根据这个损耗可以计算出发送与接收之间的距离。根据无线信号的发射功率和接收功率之间的理论模型得到距离与接收信号强度模型PL(d)： 

$\mathrm{RL}\left(d\right)=\mathrm{PL}\left(d_0\right)-10\mathrm{nlg}\frac{d}{d_0}-{\mathrm{\ξ}}_{{\mathrm{\σ}}_P}$

其中PL(d)为距离为d时的接收信号强度，n为路径损耗指数，ξ为零均值标准差为σ_p的随机变量。PL(d₀)为距离1米时的接收信号强度。化简上式可得到距离d： 

$d={10}^{\frac{P_0-P-{\mathrm{\ξ}}_{{\mathrm{\σ}}_p}}{10n}}$

其中，P₀为距离1米时的接收信号强度，P为距离d时的接收信号强度，n为路径损耗指数，ξ为零均值标准差为σ_p的随机变量。 

如图2所示，是本发明实例过程中测量距离与接收信号强度之间的关系。n和ξ只与环境有关，可在实际测量中用最小二乘估计法得到。因此，只要测量得到RSSI值，就可以估算出节点间的距离d，并且d是服从对数正态分布。 

lnd～N(μ_d,σ_d) 

其中μ_d近似于σ_d等于σ_d为常量，对于特定的物理环境，可以通过测量估计得到。如图3所示，是本发明实例过程中RSSI＝-64.5dBm时距离d的对数正态分布。从图中可以看到，曲线的最高点最为接近距离真实值。 

2)比较d与参考节点的有效通信范围大小，根据比较结果选择正约束条件或负约束条件得到待测节点与参考节点间似然函数L_ij(X)，其中，参考节点的坐标值为(x_i,y_i)，待测节点的坐标值为(x_j,y_j)： 

2.1)当待测节点在参考节点的通信范围内，则可测得比较准确的RSSI值。如图4所示， 待测节点在参考节点的通信范围内，我们称这种关系为正约束关系。假设整个室内定位系统网络由i个参考节点和j个待测节点组成。待测节点的位置向量可写成： 

X＝[x₁…x_j y₁…y_j]^T

距离服从对数正态分布即： 

$\ln {\tilde{d}}_{\mathrm{ij}}~N({\ln d}_{\mathrm{ij}},{\mathrm{\σ}}^2)$

$d_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}$

则距离的概率密度函数可改写为： 

${\mathrm{\ρ}}_{\mathrm{ij}}\left(X\right)=\frac{1}{d_{\mathrm{ij}}\sqrt{2\mathrm{\π}{\mathrm{\σ}}^2}}\exp (-\frac{{(\ln d_{\mathrm{ij}}-\ln {\tilde{d}}_{\mathrm{ij}})}^2}{2{\mathrm{\σ}}^2})$

因此，可以得到位置向量X的最大似然函数L_ij(X)。 

$L_{\mathrm{ij}}\left(X\right)={\mathrm{\ρ}}_{\mathrm{ij}}\left(X\right)=\frac{1}{d_{\mathrm{ij}}\sqrt{2\mathrm{\π}{\mathrm{\σ}}^2}}\exp (-\frac{{(\ln d_{\mathrm{ij}}-\ln {\tilde{d}}_{\mathrm{ij}})}^2}{2{\mathrm{\σ}}^2})$

根据最大似然估计引用正约束条件得到待测节点与参考节点间似然函数L_ij(X)，其表达式为： 

$L_{\mathrm{ij}}\left(X\right)={\mathrm{\ρ}}_{\mathrm{ij}}\left(X\right)=\frac{1}{d_{\mathrm{ij}}\sqrt{2\mathrm{\π}{\mathrm{\σ}}^2}}\exp (-\frac{{(\ln d_{\mathrm{ij}}-\ln {\tilde{d}}_{\mathrm{ij}})}^2}{2{\mathrm{\σ}}^2})$

其中： 

$d_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}$

$\ln {\tilde{d}}_{\mathrm{ij}}~N({\ln d}_{\mathrm{ij}},{\mathrm{\σ}}^2)$

2.2)如图5所示，当两个通信节点之间没有通信链接，即两节点的距离大于其通信范围，我们称这种关系为负约束。假设两节点不能建立通信(或者接收信号强度小于RSSI_min)，则其通信距离可表示为： 

$\stackrel{\‾}{R}={10}^{\frac{P_0-{\mathrm{RSSI}}_{\min }-{\mathrm{\ξ}}_{{\mathrm{\σ}}_p}}{10n}}$

根据lnd～N(μ_d,σ_d)距离对数模型，距离依然满足对数正态分布，即为：  $\ln R~N(\ln \stackrel{\‾}{R},{\mathrm{\σ}}^2).$

然而，在实际环境中存在遮挡效应，基于负约束条件的位置向量X的似然估计函数为其累积分布函数，即： 

$L_{\mathrm{ij}}\left(X\right)={\∫}_0^{\ln d_{\mathrm{ij}}\left(X\right)}\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(\ln R-\ln \stackrel{\‾}{R})}^2}{2{\mathrm{\σ}}^2}}\mathrm{dR}$

定义 $t=\frac{(\ln R-\ln \stackrel{\‾}{R})}{\mathrm{\σ}},$ 转换上式为：

$=\frac{1}{2}+\frac{1}{2}\mathrm{erf}\left(\frac{\ln d_{\mathrm{ij}}\left(X\right)-\ln \stackrel{\‾}{R}}{\sqrt{2}\mathrm{\σ}}\right)$

根据最大似然估计引用负约束条件得到待测节点与参考节点间似然函数L_ij(X)，其表达式为： 

$L_{\mathrm{ij}}\left(X\right)=\frac{1}{2}+\frac{1}{2}\mathrm{erf}\left(\frac{\ln d_{\mathrm{ij}}\left(X\right)-\ln \stackrel{\‾}{R}}{\sqrt{2}\mathrm{\σ}}\right)$

其中： 

$\stackrel{\‾}{R}={10}^{\frac{P_0-{\mathrm{RSSI}}_{\min }-{\mathrm{\ξ}}_{{\mathrm{\σ}}_p}}{10n}}$

$\ln R~N(\ln \stackrel{\‾}{R},{\mathrm{\σ}}^2)$

3)联合正负约束条件，得到整个系统的似然函数 的最大似然估计为： 

$f\left(\tilde{x}\right)=\arg \min \left({\mathrm{\Σ}}_{i=1}^{N_1}{\mathrm{\Σ}}_{j=1}^{N2}{u}_{\mathrm{ij}}\left(\frac{{(\ln d_{\mathrm{ij}}-\ln {\tilde{d}}_{\mathrm{ij}})}^2}{2{\mathrm{\σ}}^2}\right)+(u_{\mathrm{ij}}-1)\ln (\frac{1}{2}+\frac{1}{2}\mathrm{ref}\left(\frac{\ln d_{\mathrm{ij}}\left(X\right)-\ln \stackrel{\‾}{R}}{\sqrt{2}\mathrm{\σ}}\right))\right),$

4)采用粒子群优化算法求解的最大似然估计值。 

为了找到最大似然估计等同于解决下面式子的最小二乘问题。 

$F\left(\tilde{x}\right)=\arg \min \left({\mathrm{\Σ}}_{i=1}^{N_1}{\mathrm{\Σ}}_{j=1}^{N2}{u}_{\mathrm{ij}}\left(\frac{{(\ln d_{\mathrm{ij}}-\ln {\tilde{d}}_{\mathrm{ij}})}^2}{2{\mathrm{\σ}}^2}\right)+(u_{\mathrm{ij}}-1)\ln (\frac{1}{2}+\frac{1}{2}\mathrm{ref}\left(\frac{\ln d_{\mathrm{ij}}\left(X\right)-\ln \stackrel{\‾}{R}}{\sqrt{2}\mathrm{\σ}}\right))\right)$

下面将说明利用粒子群优化算法解决上诉最小二乘问题。 

粒子群优化是最近几年发展的新的进化算法，它模仿于鸟群的生物社会特性。相比于其它优化算法，粒子群优化算法有收敛速度快、易于实现等特点，非常有效的适用于解决室内人员定位问题。用离子群优化算法解决上诉最小二乘问题步骤为： 

(1)随机生成数量为N的粒子，初始化各粒子的速度V_X(0)、位置X(0)、个体最优pbest(0)和群体最优gbest(0)，每个粒子对应一个位置向量X＝[x₁…x_j y₁…y_j]^T。 

(2)设定为粒子群优化算法的目标函数，根据每个粒子对应的目标函数值的优劣性，选择当前各粒子最优目标函数值的位置向量存储在pbest中，将所有pbest中目标函数值最优粒子的位置向量存储于gbest中。 

(3)根据下面式子更新每个粒子的速度和位置。 

V_X(k+1)＝wV_X(k)+c₁r₁(k)(pbest(k)-X(k))+c₂r₂(k)(gbest(k)-X(k)) 

X(k+1)＝X(k)+V_X(k+1) 

(4)对每个粒子将其现在的目标函数值与其经历过的最好位置作比较,目标函数值较小的位置作为当前的最好位置。 

(5)重复(2)-(4)步骤，直到达到设定的迭代次数，输出群体最优位置向量。 

如图6所示，某无线传感网络由3个参考节点和1个待测节点组成。首先，根据3个参考节点到待测节点的RSSI值估算出到参考节点的距离，并且写出3个参考节点对待测节点的3个似然估计函数。假如所有参考节点与待测节点都满足正约束条件，可以估算出待测节点的位置。如图7所示，是本发明实施例中3个正约束条件似然估计的概率密度函数三维图。从图中可以发现，曲面的最高点即最接近于待测节点的真实位置，即求待测节点的最大似然函数为L(X)＝L₁₁(X)+L₁₂(X)+L₁₃(X)。 

实施例2：某无线传感网络由9个参考节点和35个待测节点组成，求得所有待测节点与参考节点之间的距离d，首先根据最大似然估计的正约束条件求得待测节点的似然函数，然后引用最大似然估计的负约束条件来提高定位精度，再次求得待测节点的似然函数；利用粒子群优化算法求得待测节点位置的最优解。 

如图8所示，是本发明实施例中正约束似然估计定位结果示意图，从图中可以看出有定位误差。如图9所示，是本发明实施例中联合正负约束似然估计定位结果示意图。与图8相比较，引进负约束条件，可以提高定位精度，大约提高20％。 

通过实验不同参考节点数对定位误差的影响，如图10所示：随着参考节点数的增加，定位误差也逐渐的减少，并且距离d标准差σ越大，测量距离也就不准确，定位误差也就越大。当参考节点数达到一定的饱和值时，定位误差也趋于稳定值。因为当待测节点与参考节点之间的距离很大时，可用的参考信息比较少，此时的负约束条件将不在起作用。 

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。 

Claims (4)

1.基于最大似然估计的室内人员定位方法，其特征在于：引用正负约束条件对室内人员的位置进行最大似然估计；具体包括以下步骤： 

1)N₁个参考节点和N₂待测节点组成无线传感网络，计算参考节点与待测节点之间的距离： 

其中，P₀为距离1米时的接收信号强度，P为距离d时的接收信号强度，n为路径损耗指数，ξ为零均值标准差为σ_p的随机变量； 

2)比较d与参考节点的有效通信范围大小，根据比较结果选择正约束条件或负约束条件得到待测节点与参考节点间似然函数L_ij(X)： 

其中，参考节点的坐标值为(x_i,y_i)，待测节点的坐标值为(x_j,y_j)； 

3)联合正负约束条件，得到整个系统的似然函数 的最大似然估计为：

4)采用粒子群优化算法求解的最大似然估计值。 

2.根据权利要求1所述的基于最大似然估计的室内人员定位方法，其特征在于，所述步骤2)具体包括以下步骤： 

(1)当待测节点在参考节点的通信范围内时，根据最大似然估计引用正约束条件得到待测节点与参考节点间似然函数L_ij(X)，其表达式为： 

其中： 

(3)当待测节点在参考节点的通信范围之外时，根据最大似然估计引用负约束条件得到待测节点与参考节点间似然函数L_ij(X)，其表达式为： 

其中： 

3.根据权利要求2所述的基于最大似然估计的室内人员定位方法，其特征在于，所述采用粒子群优化算法求解的最大似然估计值包括以下步骤： 

(1)设定粒子群优化算法的目标函数为随机生成数量N的粒子，初始化各粒子的速度V_X(0)、位置X(0)、个体最优pbest(0)和群体最优gbest(0)，每个粒子对应一个位置向量X＝[x₁…x_j y₁…y_j]^T； 

(2)根据每个粒子对应的目标函数值的优劣性，选择当前各粒子最优目标函数值的位置向量存储在pbest中，将所有pbest中目标函数值最优粒子的位置向量存储于gbest中； 

(3)根据下面式子更新每个粒子的速度和位置； 

V_X(k+1)＝wV_X(k)+c₁r₁(k)(pbest(k)-X(k))+c₂r₂(k)(gbest(k)-X(k))； 

X(k+1)＝X(k)+V_X(k+1)； 

(4)对每个粒子将其现在的目标函数值与其经历过的最好位置作比较,目标函数值较小的位置作为当前的最好位置； 

(5)重复循环执行(2)-(4)步骤，直到达到设定的迭代次数，输出群体最优位置向量。 

4.根据权利要求3所述的基于最大似然估计的室内人员定位方法，其特征在于，所述的每个粒子对应的目标函数值的优劣性的判断方法步骤为： 

(1)进入搜索，k＝k+1；计算所有个体目标函数的适应度值： 

(2)比较当前个体的适应度值和个体上一代的适应度值，如果个体的当前适应度小于上一代的适应度值，则用当前适应度值更新适应度值，并用当前个体最优位置向量作为个体潜在最优位置向量pbest(k)，如果个体的当前适应度值大于上一代的适应度值，则保留上一代的适应度值和上一代的个体潜在最优位置向量。