CN105120433A - 基于连续采样及模糊聚类处理的wlan室内定位方法 - Google Patents

Abstract

一种无线室内定位领域的基于连续采样及模糊聚类处理的WLAN室内定位方法，其特征在于，通过对连续采集的指纹原始数据进行异常点剔除，然后采用模糊聚类的方式对剩余的指纹原始数据，即样本点进行误差点判定和修正，再将修正后的指纹数据按簇生成指纹库，最后将指纹库用于室内定位。本发明采用连续采样代替传统的离散采样方法，大大降低离线训练阶段所需时间；采用基于以模糊聚类为主的指纹库算法，克服了连续采样所引入的相关误差。一方面降低离线训练阶段耗工，同时可以保证了较高的定位精度。

Description

基于连续采样及模糊聚类处理的WLAN室内定位方法

技术领域

本发明涉及的是一种无线室内定位领域的技术，具体是一种基于连续采样及模糊聚类处理的WLAN室内定位方法。

背景技术

随着智能手机和无线网络的快速发展，例如公共安全、急救、货物运输等基于位置的服务得到愈发广泛的关注。室外条件下的位置服务可以由全球卫星导航系统提供较好的结果。室内条件下的位置服务根据信号种类有基于Wi‐Fi、蓝牙、终端内置运动传感器等定位方法，Wi‐Fi信号较为稳定且获取方便，是目前较为主流的室内定位信号之一。基于Wi‐Fi的指纹定位系统一般包括离线训练阶段——用来建立指纹数据库，及在线定位阶段——根据当前RSS数据及数据库进行当前位置计算两个步骤。其中的离线训练阶段影响着最终定位的精度，是指纹定位系统的关键。

Wi‐Fi指纹定位系统的训练方法一般以耗时低、可移植性强、定位精度稳定等因素作为标准。定位终端接收到的信号强度在空间的分布是连续的。无线信号传输模型中信号强度距离接入点(AP)的距离是负相关的，当终端向背离AP的方向移动时，接收到的信号强度就会逐渐变小，反之，当终端迎着AP的方向移动时，接收到的信号强度将逐渐变强；而引入空间遮挡及信道间干扰的影响后，信号强度在目标区域内表现为不规则分布，但仍然为连续变化。

经过对现有技术文献的检索发现，YeYuan、LingPei等人在2015.3的UbiquitousPosition.IndoorNavig.Locat.BasedServ上发表了文章“EfficientWi‐Fifingerprinttrainingusingsemi‐supervisedlearning”(一种基于Wi‐Fi室内定位系统的离线半监督训练方法)中提出了一种基于连续的指纹采集方式，并通过内插法估计位置信息，从而获得完整的样本信息。此种基于连续的指纹采集方式优点在于大大减少了传统方法中离线阶段采集指纹的人力与时间成本，但也存在不足之处。仅有少量的样本中的位置信息准确，另外大量样本中的位置信息为内插估计获得。其中在基于连续采样的指纹采集方式中很难保证时刻匀速往返于路径始末点之间，所以位置的内插估计存在累积误差，最终导致精度大幅下降。

中国专利文献号CN104507097A，公开(公告)日2015.04.08，公开了一种基于WiFi位置指纹的半监督训练方法，包括：确定目标区域内的离线训练路线；对目标区域内进行样本点的连续采样；根据离线训练路线起止点位置坐标及每一采样点时间戳对以上采集所得样本点进行位置信息的线性内插；根据上述步骤连续采样及线性内插后获得的样本点，进行目标区域信号强度分布建模；将原始样本点数据与得到的目标样本点数据建立数据库。与现有技术相比，本发明采用离线训练时间与定位精度两个评价指标，利用定点测量法对离线训练过程进行评价，得到各自的离线训练过程评价值，根据原始采样数据与目标区域拓扑结构建立信号强度分布模型，实现了快速、准确的数据库建立。该技术优点在于大大降低了指纹采样过程中人力时间成本，即提高了采样的速度；缺点在于定位精度下降。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于连续采样及模糊聚类处理的WLAN室内定位方法，采用了训练时间和定位精度作为评价指标，实现了快速、准确的离线训练过程。

本发明是通过以下技术方案实现的：

本发明通过对连续采集的指纹原始数据进行异常点剔除，然后采用模糊聚类的方式对剩余的指纹原始数据，即样本点进行误差点判定和修正，再将修正后的指纹数据按簇生成指纹库，最后将指纹库用于室内定位。

本发明具体包括以下步骤：

步骤一，根据基于连续的指纹采集方式获得的原始数据进行数据预处理，即采用基于密度的异常值处理方法根据样本点的分布进行异常点剔除，具体为：将指纹原始数据构成散点分布图，根据样本点分布采用基于样本点的密度值的异常值处理，判定删除异常点。

所述的连续是指：移动终端在采样路径上匀速移动的同时对接收到的各接入点信号强度以及每次采样的时间戳进行连续采样，并且手动记录当前路线的起止点位置坐标。

所述的散点分布图中横坐标为路径位置坐标，纵坐标为某接入点AP的接收信号强度向量(ReceivedSignalStrength，rss)。

所述的样本点的密度值是指：其中：x为待计算密度值的某样本点，k为最近邻的样本的个数，N(x，k)是包含x的最近邻k的集合，|N(x，k)|为样本点集合的大小，y为x的一个最近邻，distance(x，y)是样本点x和样本点y的欧式距离，y是N(x，k)中的任一样本点。

所述的判定删除异常点是指：根据样本点的密度值判定密度大小顺序，通过设置密度门限值的方式剔除低于门限的样本点。

步骤二，采用基于模糊聚类的误差修正方法对样本点进行误差点的判定，并采用平均值方法对误差点进行修正。

所述的误差点，通过以下方式进行判定：

1)设定模糊聚类的簇的个数，并对不同样本的信号强度向量(rss)进行模糊聚类，得到各个样本点分别归属于不同簇的归属度。

所述的簇的个数优选为两个。

2)选择各个样本归属任一个簇的概率与位置坐标关系的散点分布图，基于一维线性回归对位置坐标和所属簇的概率的变化关系进行判断：当一维线性回归斜率参数大于或是小于0，判定图中所示散点分布关系为单调递增还是单调递减。

3)基于样本所属簇的概率判定误差点，具体为：

3.1)当步骤2)中判定变化关系为单调递增，则横坐标分布在坐标区间上，归属簇A概率大于0.5的样本点判定为误差点；横坐标分布在坐标区间上，归属簇A概率小于0.5的样本点判定为误差点，或者是：

3.2)当步骤2)中判定变化关系为单调递减，则横坐标分布在坐标区间上，归属簇A概率小于0.5的样本点判定为误差点；横坐标分布在坐标区间上，归属簇A概率大于0.5的样本点判定为误差点，其中：l_start和l_end分别为散点分布图中的起点和终点。

所述的平均值方法进行修正，即将误差点位置周围的最近邻的M个非误差点的信号强度向量的平均值作为误差点平滑修正后的信号强度向量。

步骤三，在目标区域内设定若干个参考点，并将样本点划归到位置距离最近的参考点所属的簇，将每个簇中包含的样本点按照高斯正态分布生成指纹库。

所述的参考点，优选为在目标区域内平面坐标上横轴纵轴每隔一米设定一个参考点。

所述的指纹库，由参考点位置坐标以及相对应的各个接入点AP在每一个信号强度值上的概率构成。本发明将固定坐标位置上某一个接入点AP在一段时间内采集到的信号强度近似视为满足高斯正态分布。因此，为了建立可以基于概率的指纹定位算法，计算各个接入点AP在每一个信号强度值上的概率，并存储于指纹库中。

所述的接入点AP在每一个信号强度值上的概率p_rss即为该信号强度值从‐0.5到+0.5的概率分布函数的积分， $p_{rss}={\∫}_{rss-0.5}^{rss+0.5}\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{(-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2})}dx=\frac{1}{2}\left\{erfc\left(\frac{rss-0.5-\mathrm{\μ}}{\sqrt{2}\mathrm{\σ}}\right)-erfc\left(\frac{rss+0.5-\mathrm{\μ}}{\sqrt{2}\mathrm{\σ}}\right)\right\},$ 其中：rss为每一个信号强度值，范围‐90～0dBm，μ为某参考点所对应簇中样本点其中某接入点的信号强度的均值，σ²为某参考点所对应簇中样本点其中某接入点的信号强度的方差。

由此可计算出在每一个采样点上每一个接入点信号强度值上的概率，进而生成指纹库。

步骤四，根据指纹库进行定位。

所述的定位，采用但不限于基于朴素贝叶斯分类的在线端定位算法实现。

技术效果

与现有技术相比，本发明采用连续采样代替传统的离散采样方法，大大降低离线训练阶段所需时间；采用基于聚类的指纹库算法，克服了连续采样所引入的相关误差。一方面降低离线训练阶段耗工，同时可以保证了较高的定位精度。

附图说明

图1本发明流程图；

图2实施例中的基于连续的指纹采集方式路线图

图3实施例中的基于密度的异常值处理后异常点分布散点分布图

图4实施例中的单个接入点信号强度基于模糊聚类处理后各样本位置坐标与归属度关系散点分布图；

图5实施例中的采用及未采用基于模糊聚类的误差修正结果对比图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

如图2所示，为本实施例的目标区域结构，该区域内被11个接入点覆盖。终端用户在选定路线之间来回匀速运动并实时采集样本点信号强度。将所获得的原始数据上传服务器，等待服务器端的本文所提出的基于指纹库聚类方法的数据后处理。

如图1所示，本实施例包括如下步骤：

步骤一，根据基于连续的指纹采集方式获得的原始数据进行数据预处理，采用基于密度的异常值处理方法根据样本点的分布进行异常点剔除。如图3所示，选择k＝5作为计算每一个样本密度值参数，并选择密度门限值为15作为判定异常点的标准。图3中所示圆圈则为判定为异常点的样本点。

步骤二，采用基于模糊聚类的误差修正方法对样本点进行误差点判定以及误差点修正。如图4所示，圆圈所标注的样本点判定为误差点。将图4中误差点取最近邻非误差点的信号强度的均值作为误差点更正后的信号强度值，其中最近邻的M值设定为5。如图5所示，圆圈为经过基于模糊聚类的误差修正后的样本点的模糊聚类结果。散点为未经过其处理后的聚类结果。对比可知，圆圈样本更好的反映了样本点连续单调变化的特性，更加符合理想假设中的情况。因此基于模糊聚类的误差修正方法较好的判别并修正了误差点。

步骤三，在目标区域内平面坐标上横轴纵轴每隔一米设定一个参考点，并将样本点划归到位置距离最近的参考点所属的簇

步骤四，将每个簇中包含的样本点按照高斯正态分布生成指纹库。如下表所示为指纹库的存储格式，选择基于概率的表示方法记录信号强度信息。其中每一个接入点信号强度的变化范围选择‐90dBm～0dBm。

步骤五，采用基于朴素贝叶斯分类的在线端定位算法和步骤四得到的指纹库进行定位。

下表为本实施例定位效果体现：

训练方法	离线训练时间(小时)	平均定位误差(米)	最大定位误差(米)
				连续采样+模糊聚类	1	1.62	3.37
连续采样	1	1.85	4.04
				离散采样	10	1.58	3.13

Claims (10)

1.一种基于连续采样及模糊聚类处理的WLAN室内定位方法，其特征在于，通过对连续采集的指纹原始数据进行异常点剔除，然后采用模糊聚类的方式对剩余的指纹原始数据，即样本点进行误差点判定和修正，再将修正后的指纹数据按簇生成指纹库，最后将指纹库用于室内定位。

2.根据权利要求1所述的基于连续采样及模糊聚类处理的WLAN室内定位方法，其特征是，具体包括以下步骤：

步骤一，根据基于连续的指纹采集方式获得的原始数据进行数据预处理，即采用基于密度的异常值处理方法根据样本点的分布进行异常点剔除；

步骤二，采用基于模糊聚类的误差修正方法对样本点进行误差点的判定，并采用平均值方法对误差点进行修正；

步骤三，在目标区域内设定若干个参考点，并将样本点划归到位置距离最近的参考点所属的簇，将每个簇中包含的样本点按照高斯正态分布生成指纹库；

步骤四，根据指纹库进行定位；

所述的指纹库，由参考点位置坐标以及相对应的各个接入点AP在每一个信号强度值上的概率构成。

3.根据权利要求1或2所述的基于连续采样及模糊聚类处理的WLAN室内定位方法，其特征是，所述的进行异常点剔除，具体为：将指纹原始数据构成散点分布图，根据样本点分布采用基于样本点的密度值的异常值处理，判定删除异常点。

4.根据权利要求3所述的基于连续采样及模糊聚类处理的WLAN室内定位方法，其特征是，所述的样本点的密度值是指： $density(x,k)={\left(\frac{{\mathrm{\Σ}}_{y\∈N(x,k)}dis\tan ce(x,y)}{\left|N(x,k)\right|}\right)}^{-1},$ 其中：x为待计算密度值的某样本点，k为最近邻的样本的个数，N(x，k)是包含x的最近邻k的集合，|N(x，k)|为样本点集合的大小，y为x的一个最近邻，distance(x，y)是样本点x和样本点y的欧式距离，y是N(x，k)中的任一样本点。

5.根据权利要求3所述的基于连续采样及模糊聚类处理的WLAN室内定位方法，其特征是，所述的判定删除异常点是指：根据样本点的密度值判定密度大小顺序，通过设置密度门限值的方式剔除低于门限的样本点。

6.根据权利要求1或2所述的基于连续采样及模糊聚类处理的WLAN室内定位方法，其特征是，所述的误差点，通过以下方式进行判定：

1)设定模糊聚类的簇的个数，并对不同样本的信号强度向量进行模糊聚类，得到各个样本点分别归属于不同簇的归属度；

2)选择各个样本归属任一个簇的概率与位置坐标关系的散点分布图，基于一维线性回归对位置坐标和所属簇的概率的变化关系进行判断：当一维线性回归斜率参数大于或小于0，判定图中所示散点分布关系为单调递增还是单调递减；

3)基于样本所属簇的概率判定误差点，具体为：

3.1)当步骤2)中判定变化关系为单调递增，则横坐标分布在坐标区间上，归属簇A概率大于0.5的样本点判定为误差点；横坐标分布在坐标区间上，归属簇A概率小于0.5的样本点判定为误差点，或者是：

3.2)当步骤2)中判定变化关系为单调递减，则横坐标分布在坐标区间上，归属簇A概率小于0.5的样本点判定为误差点；横坐标分布在坐标区间上，归属簇A概率大于0.5的样本点判定为误差点，其中：l_start和l_end分别为散点分布图中的起点和终点。

7.根据权利要求1或2所述的基于连续采样及模糊聚类处理的WLAN室内定位方法，其特征是，所述的修正，即将误差点位置周围的最近邻的M个非误差点的信号强度向量的平均值作为误差点平滑修正后的信号强度向量。

8.根据权利要求2所述的基于连续采样及模糊聚类处理的WLAN室内定位方法，其特征是，在目标区域内平面坐标上横轴纵轴每隔一米设定一个参考点。

9.根据权利要求1或2所述的基于连续采样及模糊聚类处理的WLAN室内定位方法，其特征是，所述的指纹库中的各个接入点AP在每一个信号强度值上的概率p_rss即为该信号强度值从‐0.5到+0.5的概率分布函数的积分， $p_{rss}={\∫}_{rss-0.5}^{rss+0.5}\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{(-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2})}dx=\frac{1}{2}\{erfc\left(\frac{rss-0.5-\mathrm{\μ}}{\sqrt{2}\mathrm{\σ}}\right)-$ $erfc\left(\frac{rss+0.5-\mathrm{\μ}}{\sqrt{2}\mathrm{\σ}}\right)\},$ 其中：rss为每一个信号强度值，范围‐90～0dBm，μ为某参考点所对应簇中样本点其中某接入点的信号强度的均值，σ²为某参考点所对应簇中样本点其中某接入点的信号强度的方差。

10.根据权利要求1或2所述的基于连续采样及模糊聚类处理的WLAN室内定位方法，其特征是，所述的连续是指：移动终端在采样路径上匀速移动的同时对接收到的各接入点信号强度以及每次采样的时间戳进行连续采样，并且手动记录当前路线的起止点位置坐标。