CN105242239A - 一种基于众包指纹分簇和匹配的室内子区域定位方法 - Google Patents

Abstract

本发明公开了一种室内子区域定位方法，包括：在给定目标区域中设置N个信号源，并将目标区域依据物理结构划分成K个子区域，终端设备接收到指纹后将其上传到服务器构成指纹集，当服务器接收到的指纹集中指纹的数目达到设定阈值后，则将当前指纹集利用分簇算法划分成K个簇，并将这K个簇一对一地匹配到K个子区域中，再将各指纹簇中所有指纹的均值作为对应子区域的区域指纹用于定位，定位时计算定位指纹和子区域指纹中所有对应信号的差值序列，得到各差值序列的方差，并将具有最小方差的子区域为最终定位结果。本发明能够解决现有指纹定位技术中人工采集指纹信号以构建指纹数据库带来的工作量大和异质设备定位精度差的问题。

Description

一种基于众包指纹分簇和匹配的室内子区域定位方法

技术领域

本发明属于通信与无线网络技术领域，更具体地，涉及一种基于众包指纹分簇和匹配的室内子区域定位方法。

背景技术

随着互联网技术广泛渗入人们的生活，人们在购物、饮食、娱乐、出行、医疗等方面都发生了革命性的变化。与此同时，人们对室内定位与导航服务的需求日益增加。目前，主流室内定位技术包括：WiFi定位、蓝牙定位、LED定位、RFID等。相比其他定位技术，基于信号强度(ReceivedSignalStrength，简称RSS)的WiFi定位技术是目前市场使用率较高的技术之一。主要原因是WiFi具有较小的实现成本和能够满足一定需求的定位精度。

基于RSS的室内定位技术主要分为两类：基于测距的定位和基于非测距的定位。前者通过接收到的RSS信号，根据传播模型计算目标到各信号源的距离，从而推测目标所在位置。但该方法受室内复杂环境影响大，很难准确估计传播模型。后者将不同地理位置接收到的信号向量作为该位置的“指纹”并构建各个位置的指纹数据，定位时通过与指纹数据库中的数据进行比较实现定位。

本发明采用基于非测距定位技术中最常用的技术——指纹定位技术，传统指纹定位技术分为两个阶段：离线训练阶段和在线定位阶段。训练阶段需要专业人员采集房间各参考点的指纹信息，并存储到指纹数据库。定位阶段通过将定位设备接收的指纹信号与指纹数据库中指纹对比获取设备位置信息。由于室内环境中信号路径损耗、反射、吸收等影响具有波动性，需要采集一段时间保证信号的准确性，从而增大指纹采集工作量。同时，当室内环境或者路由器发生变化时，原有指纹数据库定位精度将下降。另一方面。由于不同移动设备用于接收信号源信号的芯片并不相同，很多定位算法并不能很好实现不同设备利用RSS定位的问题。

近年来，随着众包思想的广为人知，一些室内定位的研究学者提出利用众包将离线阶段指纹信息采集工作转移到普通用户上从而大大减少训练阶段工作量。然而大部分基于众包的定位方法仍然需要众包用户标记当前采集信号点的物理位置，这与传统的人工采集工作并没有实质差别，而且还面临着众包用户恶意或无意造成的错误指纹等问题。另一方面，针对基于RSS的异质手机定位方法一般解决思路是利用不同设备之间信号的线性相关性。有的算法通过计算任意两种设备的线性相关性消除差异，这种方法需要大量数据，工作量大且实现复杂。还有的算法利用信号之间的大小排序代替信号绝对值的比较，虽然这种算法一定程度上减少了异质设备的差异，但并没有很好利用信号之间差异大小这一信息。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于众包指纹分簇和匹配的室内子区域定位方法，其目的在于，解决现有指纹定位技术中，训练阶段采集参考指纹工作量大和异质设备定位精度差的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于众包指纹分簇和匹配的室内子区域定位方法，包括以下步骤：

(1)在给定目标区域中设置N个信号源，保证目标区域中任何位置都能使终端设备接收到来自至少一个信号源的信号，并将目标区域依据物理结构划分成K个子区域，令r_i＝(r_i1,…,r_in,…,r_iN)表示终端设备在某一时刻接收到的N个信号源的指纹，其中r_in表示第i个指纹从第n个信号源接收到的信号强度，其中n＝1,2,…,N，i＝1,2,…,M,M为指纹总数，M、K和N都是自然数；

(2)终端设备接收到指纹r_i后将其上传到服务器，服务器将所有接收到的指纹保存在本地数据库中构成指纹集：

(3)服务器判断其当前接收到的指纹集中指纹的数目是否达到一设定阈值，如果是，则对当前指纹集中的每个指纹，计算它的局部密度和差异距离，通过这两个属性值在指纹集中选择K个指纹作为K个簇中心点，然后将其他指纹划分到这K个中心点所在的簇中，同时服务器开始接收新一轮指纹数据用于指纹集的更新，即重复上述步骤(2)；否则直接重复上述步骤(2)；

(4)根据K个子区域的物理特征和K个指纹簇中指纹特征将各个指纹簇一对一地匹配到子区域中。

(5)根据步骤(4)中得到的各个簇与对应子区域的匹配关系计算子区域的指纹F_k，具体而言，F_k＝(f_k1,f_k2,…,f_kn,…,f_kN)为第k个子区域的指纹，其中f_kn表示第k个子区域对应的第个指纹簇中所有指纹接收到的来自第n个信号源的信号强度的均值；

(6)在终端设备请求定位时从服务器下载子区域的指纹，并将在终端设备请求位置接收到的指纹与下载的子区域的指纹进行比较，或者终端设备将接收到的指纹r^o上传到服务器，服务器将该指纹与子区域指纹进行比较，最终获取终端设备定位的子区域。

优选地，步骤(3)包括以下子步骤：

(3-1)计算指纹集R中所有M个指纹的两两欧式距离矩阵D＝[d_ij]_M×M，其中 $d_{ij}=\sqrt{{\mathrm{\Σ}}_{n=1}^N{(r_{in}-r_{jn})}^2},i,j=1,2,...,M,$ d_ij表示第i个指纹和第j个指纹的欧式距离；

(3-2)对每个指纹r_i，计算它的局部密度其中χ(x)是指示器函数，当x<0时，χ(x)＝1，否则χ(x)＝0；d_c是截断距离，具体而言，令T为矩阵D的上三角矩阵所有元素按从小到大顺序排列的向量，d_c的取值为T的第α个百分位数，其中α的最佳取值为1；

(3-3)对每个指纹r_i，计算它的差异距离δ_i：

${\mathrm{\&delta;}}_i=\underset{j:{\mathrm{\&rho;}}_j>{\mathrm{\&rho;}}_i}{min}{d}_{ij},{\mathrm{\&rho;}}_i\&NotEqual;max\left({\mathrm{\&rho;}}_j\right)$

定义这个具有最小欧氏距离的指纹为指纹r_i的父亲，反过来r_i是该指纹的子女；对局部密度最高的指纹r_i(ρ_i＝max(ρ))而言，其差异距离是所有局部密度不是最高的指纹中差异距离的最大值，即为δ_i＝max_j≠iδ_j；

(3-4)根据指纹集R中所有指纹的局部密度和差异距离选择K个指纹作为指纹簇的中心点。

(3-5)将选择的指纹簇中心点指纹的后代划分到该指纹所在的指纹簇中。

优选地，步骤(3-4)的选择方法是首先定义两个临界值ρ_th和δ_th，ρ_th表示所有指纹局部密度构成的集合的第β个百分位数，δ_th是所有指纹差异距离构成的集合的第γ个百分位数，然后令Φ表示所有满足ρ_i>ρ_th且δ_i>δ_th的指纹集，初始化β和γ后，若Φ中有不少于K个指纹，则选择Φ中ρ×δ最大的K个指纹作为簇中心点，否则按照固定步长增大β和γ，其中β按照0.2的步长，γ按照0.1的步长，直至找到K个簇中心为止。

优选地，步骤(4)包括以下子步骤：

(4-1)获取子区域和指纹簇的匹配方案；具体而言，所有可能的匹配方案一共有p＝1,2,…,K！种，另O_p＝[o_k]_1×K表示第p种匹配方案，其中o_k表示第k个子区域被匹配到第o_k个指纹簇中，k＝1,2,…,K,o_k＝1,2,…,K；

(4-2)获取子区域的归一化欧氏距离矩阵D^s＝[s_uv]_K×K，其中s_uv表示第u个子区域坐标到第v个子区域坐标归一化欧式距离；

(4-3)获取所有匹配方案对应的簇的归一化距离矩阵,令 表示第p种匹配方案对应的归一化距离矩阵，其中表示第u个指纹簇到第v个指纹簇归一化欧式距离。

(4-4)计算各子区域和指纹簇匹配方案的匹配度，并取匹配度最高的匹配方案得出各子区域对应的指纹簇。

优选地，步骤(4-2)具体为，令各子区域质心的物理坐标为(x_k,y_k),，获取其欧氏距离矩阵，并对该矩阵进行归一化，其中 $s_{uv}=\frac{\sqrt{{(x_u-x_v)}^2+{(y_u-y_v)}^2}}{s_{u_{\max }}},u,v=1,2,...,K,$ 为第u个子区域物理坐标与其他子区域物理坐标之间欧式距离的最大值。

优选地，步骤(4-3)具体为，利用多维尺度分析算法将各指纹簇中所有指纹的均值降维到二维空间，其坐标表示为获取其欧式距离矩阵， $s_{uv}^{\left(p\right)}=\frac{\sqrt{{(x_u^{mds}-x_v^{mds})}^2+{(y_u^{mds}-y_v^{mds})}^2}}{s_{u_{\max }}^{mds}},$ 其中为第u个指纹簇MDS坐标与其他指纹簇MDS坐标之间欧式距离的最大值。

优选地，步骤(4-4)具体为，令指纹簇归一化距离矩阵和子区域质心坐标归一化矩阵D^s两两距离最小的排列作为该排列的匹配度衡量标准，值越小，匹配度越高，则最佳匹配方案即为匹配度最小的方案：

$\hat{O}=\arg \underset{O_p}{min}\underset{u=1}{\overset{K}{\&Sigma;}}\underset{v=1}{\overset{K}{\&Sigma;}}|s_{uv}-s_{uv}^{\left(p\right)}|$

其中表示最终需要的子区域和指纹簇之间的匹配方案。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)减少指纹采集工作量：由于采用了步骤(1)，用于构建子区域指纹数据库的信号不需要进行位置标注，从而大大减少工作量；而且信号可通过普通用户上传，而不需要专业人员完成。

(2)便于更新子区域指纹数据：由于采用了步骤(2)，可以不断通过普通用户上传获取最新数据用于更新子区域指纹数据库，从而避免因环境变化导致的子区域指纹数据库过时的问题。

(3)提高异质手机定位精度：由于采用了步骤(5)，对设备进行定位时并不是直接比较定位指纹和数据库指纹绝对值的差异，而是比较指纹差异的波动性，因为不同设备接收到的信号基本呈线性关系，采用这种算法能有效减少不同设备接收信号的差异带来的定位精度的下降。

附图说明

图1是本发明基于众包指纹分簇和匹配的室内子区域定位方法的流程图。

图2是本发明系统结构框图。

图3是本发明应用实例的定位场景图。

图4是聚类算法中中心点选择说明图。

图5是聚类算法中聚类结果图。

图6是使用不同手机定位时，本发明的方法和传统近邻法的定位效果对比。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明基于指纹聚类和标注定位方法的整体思路在于，该方法在训练阶段首先根据建筑的自然格局进行子区域分割，将服务器接收到的目标区域中的指纹集进行聚类，聚类类别数与分割的子区域数目相同，然后根据指纹和区域特性分析实现二者的匹配，也就是指纹位置的标记。在定位阶段将目标指纹与区域指纹进行对比获取目标指纹所在区域。此外，此发明中指纹数据库可有实时采集的指纹实现动态更新，一旦最新采集的指纹数目达到一定阈值，就可以重新生成指纹数据库，避免因环境或信号源变化造成指纹数据库定位不准确的问题。

如图1所示，本发明基于众包指纹分簇和匹配的室内子区域定位方法包括以下步骤：

(1)在给定目标区域中设置N个信号源，保证目标区域中任何位置都能使终端设备接收到来自至少一个信号源的信号，并将目标区域依据物理结构划分成K个子区域(比如一个房间或房间之间的走廊)，令r_i＝(r_i1,…,r_in,…,r_iN)表示终端设备在某一时刻接收到的N个信号源的信号集合(即指纹)，其中r_in表示第i个指纹从第n个信号源接收到的信号强度(如果没有接收到该信号源的信号，则将该信号强度设为一个很小的值，比如-100dB)，其中n＝1,2,…,N，i＝1,2,…,M,M为指纹总数；在本实施方式中，信号源是无线接入点(Accesspoint，简称AP)，终端设备是可以接收信号源信号且能与服务器传输数据的设备，比如智能手机，M、K和N都是自然数；

(2)终端设备接收到指纹r_i后将其上传到服务器，服务器将所有接收到的指纹保存在本地数据库中构成指纹集：

(3)服务器判断其当前接收到的指纹集中指纹的数目是否达到某一设定阈值，如果是，则对当前指纹集中的每个指纹，计算它的局部密度和差异距离，通过这两个属性值在指纹集中选择K个指纹作为K个簇中心点，然后将其他指纹划分到这K个中心点所在的簇中，另一方面，服务器开始接收新一轮指纹数据用于指纹集的更新，即重复上述步骤(2)；否则直接重复上述步骤(2)；具体而言，该阈值取决于目标区域的大小，目标区域越大，则阈值越大，反之则越小；

本步骤的优点在于：通过目标区域中子区域之间墙壁或者门窗对信号产生的衰减利用本算法自然将指纹从不同子区域中分隔开来；另外，相比K均值聚类算法，本算法可以识别非球形簇，相比DBSCAN聚类算法，本算法可以将数据集聚类成任何给定数目个簇。

本步骤包括以下子步骤：

(3-1)计算指纹集R中所有M个指纹的两两欧式距离矩阵D＝[d_ij]_M×M，其中 $d_{ij}=\sqrt{{\mathrm{\&Sigma;}}_{n=1}^N{(r_{in}-r_{jn})}^2},i,j=1,2,...,M,$ d_ij表示第i个指纹和第j个指纹的欧式距离；

(3-2)对每个指纹r_i，计算它的局部密度其中χ(x)是指示器函数，当x<0时，χ(x)＝1，否则χ(x)＝0；d_c是截断距离，具体而言，令T为矩阵D的上三角矩阵所有元素按从小到大顺序排列的向量，d_c的取值为T的第α个百分位数，其中α的最佳取值在1左右；

(3-3)对每个指纹r_i，计算它的差异距离δ_i；具体而言，它的定义是所有局部密度比r_i大的指纹集合中与r_i之间欧式距离最小的值，δ_i计算公式如下：

${\mathrm{\&delta;}}_i=\underset{j:{\mathrm{\&rho;}}_j>{\mathrm{\&rho;}}_i}{min}{d}_{ij},{\mathrm{\&rho;}}_i\&NotEqual;max\left({\mathrm{\&rho;}}_j\right)$

定义这个具有最小欧氏距离的指纹为指纹r_i的父亲，反过来r_i是该指纹的子女；特别地，对局部密度最高的指纹r_i(ρ_i＝max(ρ))而言，其差异距离是所有局部密度不是最高的指纹中差异距离的最大值，即为δ_i＝max_j≠iδ_j；

(3-4)根据指纹集R中所有指纹的局部密度和差异距离选择K个指纹作为指纹簇的中心点；具体而言，选择方法是，首先定义两个临界值ρ_th和δ_th，ρ_th表示所有指纹局部密度构成的集合(集合中元素排列是按照从大到小的顺序)的第β个百分位数，δ_th是所有指纹差异距离构成的集合(集合中元素排列是按照从大到小的顺序)的第γ个百分位数，然后令Φ表示所有满足ρ_i>ρ_th且δ_i>δ_th的指纹集，初始化β和γ后(β初始值为10，γ初始值为0.1)，若Φ中有不少于K个指纹，则选择Φ中ρ×δ最大的K个指纹作为簇中心点，否则按照固定步长增大β和γ(β按照0.2的步长，γ按照0.1的步长)，直至找到K个簇中心为止；

(3-5)将选择的指纹簇中心点指纹的后代划分到该指纹所在的指纹簇中。

(4)根据K个子区域的物理特征和K个指纹簇中指纹特征将各个指纹簇一对一地匹配到子区域中。

本步骤包括以下子步骤：

(4-1)获取子区域和指纹簇的匹配方案；具体而言，所有可能的匹配方案一共有p＝1,2,…,K！种(即K的全排列)，另O_p＝[o_k]_1×K表示第p种匹配方案，其中o_k表示第k个子区域被匹配到第o_k个指纹簇中，k＝1,2,…,K,o_k＝1,2,…,K；

(4-2)获取子区域的归一化欧氏距离矩阵D^s＝[s_uv]_K×K，其中s_uv表示第u个子区域坐标到第v个子区域坐标归一化欧式距离；具体而言，令各子区域质心的物理坐标为(x_k,y_k),，获取其欧氏距离矩阵，并对该矩阵进行归一化，其中 为第u个子区域物理坐标与其他子区域物理坐标之间欧式距离的最大值；

(4-3)获取所有匹配方案对应的簇的归一化距离矩阵,令 表示第p种匹配方案对应的归一化距离矩阵，其中表示第u个指纹簇到第v个指纹簇归一化欧式距离；具体而言，利用多维尺度分析算法(Multi-dimensionalscaling，简称MDS)将各指纹簇中所有指纹的均值降维到二维空间，其坐标表示为获取其欧式距离矩阵， $s_{uv}^{\left(p\right)}=\frac{\sqrt{{(x_u^{mds}-x_v^{mds})}^2+{(y_u^{mds}-y_v^{mds})}^2}}{s_{u_{\max }}^{mds}},$ 其中为第u个指纹簇MDS坐标与其他指纹簇MDS坐标之间欧式距离的最大值；

(4-4)计算各子区域和指纹簇匹配方案的匹配度，并取匹配度最高的匹配方案得出各子区域对应的指纹簇；具体而言，令指纹簇归一化距离矩阵和子区域质心坐标归一化矩阵D^s两两距离最小的排列作为该排列的匹配度衡量标准，值越小，匹配度越高，则最佳匹配方案即为匹配度最小的方案：

$\hat{O}=\arg \underset{O_p}{min}\underset{u=1}{\overset{K}{\&Sigma;}}\underset{v=1}{\overset{K}{\&Sigma;}}|s_{uv}-s_{uv}^{\left(p\right)}|$

其中表示最终需要的子区域和指纹簇之间的匹配方案。

(5)根据步骤(4)中得到的各个簇与对应子区域的匹配关系计算子区域的指纹F_k，具体而言，F_k＝(f_k1,f_k2,…,f_kn,…,f_kN)为第k个子区域的指纹，其中f_kn表示第k个子区域对应的第个指纹簇中所有指纹接收到的来自第n个信号源的信号强度的均值；

(6)在终端设备请求定位时从服务器下载子区域的指纹，并将在终端设备请求位置接收到的指纹与下载的子区域的指纹进行比较，或者终端设备将接收到的指纹r^o上传到服务器，服务器将该指纹与子区域指纹进行比较，最终获取终端设备定位的子区域。

本步骤的优点在于：可以有效减少由于请求定位的终端设备与构建区域指纹数据库的终端设备不同，在同一位置接收到的同一信号源信号强度不同造成定位误差。

本步骤中所使用的公式如下：

$\hat{s}=\arg \underset{k}{min}\frac{1}{N}\underset{n=1}{\overset{N}{\&Sigma;}}{\left(\left(r_n^o-f_{kn}\right)-{\stackrel{\&OverBar;}{r}}_k\right)}^2$

其中为该设备最终定位子区域， ${\stackrel{\&OverBar;}{r}}_k=\frac{1}{N}(\left(r_1^o-f_{k1}\right)+\left(r_2^o-f_{k2}\right)+...+$ $\left(r_N^o-f_{kN}\right)).$

图2示出本发明的系统结构为服务器-客户端架构。其中客户端包括可上传信号指纹用于生成指纹数据库的众包用户(即普通用户)和请求定位的定位用户；其中众包用户上传指纹的方式可在手机后台进行，用户不用添加任何信息。当定位用户请求定位时，会从服务器下载指纹数据库，或者将请求定位时采集的指纹上传到服务器，服务器/定位用户将用户当前采集到的指纹与指纹数据库对比即可获取当前所在区域；当用户下载指纹数据库后，该指纹数据库可用于可在离线阶段定位，同时也可以在联网情况下更新指纹数据库。服务器主要负责接收众包用户上传的指纹，当接收到的指纹数目达到一定阈值后，通过聚类、匹配和生成三大阶段获取指纹数据库用于用户定位，定位过程中可以直接提供用户用于定位的指纹数据库，也可以接收用户指纹在服务器端计算得出定位结果后将结果发送给用户。本发明中，客户端和服务器之间的通信可在局域网下进行。

应用实例

如图3所示，本发明的场景根据自然格局可以划分为个子区域，每个子区域都是相对封闭的空间。在场景内共放置了6个信号源，场景内任何可达位置都可以接收到来自这6个信号源的信号强度。

图4示出本发明采用的聚类算法中中心点选择策略，在计算出各采样指纹的局部密度ρ和差异距离δ后在满足ρ_i>ρ^th且δ_i>δ^th的指纹集中选择ρ_i×δ_i最大的K个指纹作为中心点，此处，由图3可知，K＝4。若指纹集中的指纹少于K个，则同时增大ρ^th和δ^th直至找到K个中心点满足条件为止。本发明使用策略最终选择{1,4,5,6}作为中心点。

图5示出本应用实例采用步骤(3)后的聚类效果，图中为采样指纹经过MDS降维后的二维坐标图，每个点表示一个采样指纹，同一个灰度颜色表示一个簇，各簇中相对较大的黑点表示该簇的中心点。

图6示出使用不同手机时，经典近邻定位法(NearestNeighbor，简称NN)和本发明定位法的效果对比，本应用实例中手机型号分别为联想A820T、华为HolT00和三星GT-I9050，以下分别简称为联想、华为和三星。该定位效果采用的指纹数据库是由持有联想手机的众包用户上传数据生成的，在使用相同手机定位时，即联想手机，近邻定位法和本发明定位法效果相同，当众包采样指纹数目达到5000时，定位正确率高达95％；当使用不同手机，即华为或三星手机时，近邻定位法定位正确率下降明显，特别是三星手机，相比而言本发明定位法只有小幅度下降，三个手机定位正确率最终都能达到90％以上。由此可以得出，本发明提出的基于指纹聚类和标注定位方法能实现较高的定位正确率，且一定程度上能够解决异质手机定位效果差的问题。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于众包指纹分簇和匹配的室内子区域定位方法，其特征在于，包括以下步骤：

(1)在给定目标区域中设置N个信号源，保证目标区域中任何位置都能使终端设备接收到来自至少一个信号源的信号，并将目标区域依据物理结构划分成K个子区域，令r_i＝(r_i1,…,r_in,…,r_iN)表示终端设备在某一时刻接收到的N个信号源的指纹，其中r_in表示第i个指纹从第n个信号源接收到的信号强度，其中n＝1,2,…,N，i＝1,2,…,M,M为指纹总数，M、K和N都是自然数；

(2)终端设备接收到指纹r_i后将其上传到服务器，服务器将所有接收到的指纹保存在本地数据库中构成指纹集：

(3)服务器判断其当前接收到的指纹集中指纹的数目是否达到一设定阈值，如果是，则对当前指纹集中的每个指纹，计算它的局部密度和差异距离，通过这两个属性值在指纹集中选择K个指纹作为K个簇中心点，然后将其他指纹划分到这K个中心点所在的簇中，同时服务器开始接收新一轮指纹数据用于指纹集的更新，即重复上述步骤(2)；否则直接重复上述步骤(2)；

(4)根据K个子区域的物理特征和K个指纹簇中指纹特征将各个指纹簇一对一地匹配到子区域中。

(5)根据步骤(4)中得到的各个簇与对应子区域的匹配关系计算子区域的指纹F_k，具体而言，F_k＝(f_k1,f_k2,…,f_kn,…,f_kN)为第k个子区域的指纹，其中f_kn表示第k个子区域对应的第个指纹簇中所有指纹接收到的来自第n个信号源的信号强度的均值；

(6)在终端设备请求定位时从服务器下载子区域的指纹，并将在终端设备请求位置接收到的指纹与下载的子区域的指纹进行比较，或者终端设备将接收到的指纹r^o上传到服务器，服务器将该指纹与子区域指纹进行比较，最终获取终端设备定位的子区域。

2.根据权利要求1所述的室内子区域定位方法，其特征在于，步骤(3)包括以下子步骤：

(3-1)计算指纹集R中所有M个指纹的两两欧式距离矩阵D＝[d_ij]_M×M，其中 $d_{ij}=\sqrt{{\&Sigma;}_{n=1}^N{\left(r_{in}-r_{jn}\right)}^2},i,j=1,2,...,M,$ d_ij表示第i个指纹和第j个指纹的欧式距离；

(3-2)对每个指纹r_i，计算它的局部密度其中χ(x)是指示器函数，当x<0时，χ(x)＝1，否则χ(x)＝0；d_c是截断距离，具体而言，令T为矩阵D的上三角矩阵所有元素按从小到大顺序排列的向量，d_c的取值为T的第α个百分位数，其中α的最佳取值为1；

(3-3)对每个指纹r_i，计算它的差异距离δ_i：

${\mathrm{\&delta;}}_i=\underset{j:{\mathrm{\&rho;}}_j>{\mathrm{\&rho;}}_i}{min}{d}_{ij},{\mathrm{\&rho;}}_i\&NotEqual;max\left({\mathrm{\&rho;}}_j\right)$

定义这个具有最小欧氏距离的指纹为指纹r_i的父亲，反过来r_i是该指纹的子女；对局部密度最高的指纹r_i(ρ_i＝max(ρ))而言，其差异距离是所有局部密度不是最高的指纹中差异距离的最大值，即为δ_i＝max_j≠iδ_j；

(3-4)根据指纹集R中所有指纹的局部密度和差异距离选择K个指纹作为指纹簇的中心点。

(3-5)将选择的指纹簇中心点指纹的后代划分到该指纹所在的指纹簇中。

3.根据权利要求2所述的室内子区域定位方法，其特征在于，步骤(3-4)的选择方法是首先定义两个临界值ρ_th和δ_th，ρ_th表示所有指纹局部密度构成的集合的第β个百分位数，δ_th是所有指纹差异距离构成的集合的第γ个百分位数，然后令Φ表示所有满足ρ_i>ρ_th且δ_i>δ_th的指纹集，初始化β和γ后，若Φ中有不少于K个指纹，则选择Φ中ρ×δ最大的K个指纹作为簇中心点，否则按照固定步长增大β和γ，其中β按照0.2的步长，γ按照0.1的步长，直至找到K个簇中心为止。

4.根据权利要求3所述的室内子区域定位方法，其特征在于，步骤(4)包括以下子步骤：

(4-1)获取子区域和指纹簇的匹配方案；具体而言，所有可能的匹配方案一共有p＝1,2,…,K！种，另O_p＝[o_k]_1×K表示第p种匹配方案，其中o_k表示第k个子区域被匹配到第o_k个指纹簇中，k＝1,2,…,K,o_k＝1,2,…,K；

(4-2)获取子区域的归一化欧氏距离矩阵D^s＝[s_uv]_K×K，其中s_uv表示第u个子区域坐标到第v个子区域坐标归一化欧式距离；

(4-3)获取所有匹配方案对应的簇的归一化距离矩阵,令 表示第p种匹配方案对应的归一化距离矩阵，其中表示第u个指纹簇到第v个指纹簇归一化欧式距离。

(4-4)计算各子区域和指纹簇匹配方案的匹配度，并取匹配度最高的匹配方案得出各子区域对应的指纹簇。

5.根据权利要求4所述的室内子区域定位方法，其特征在于，步骤(4-2)具体为，令各子区域质心的物理坐标为(x_k,y_k),，获取其欧氏距离矩阵，并对该矩阵进行归一化，其中 $s_{uv}=\frac{\sqrt{{(x_u-x_v)}^2+{(y_u-y_v)}^2}}{s_{u_{\max }}},u,v=1,2,...,K,$ 为第u个子区域物理坐标与其他子区域物理坐标之间欧式距离的最大值。

6.根据权利要求5所述的室内子区域定位方法，其特征在于，步骤(4-3)具体为，利用多维尺度分析算法将各指纹簇中所有指纹的均值降维到二维空间，其坐标表示为获取其欧式距离矩阵， 其中为第u个指纹簇MDS坐标与其他指纹簇MDS坐标之间欧式距离的最大值。

7.根据权利要求6所述的室内子区域定位方法，其特征在于，步骤(4-4)具体为，令指纹簇归一化距离矩阵和子区域质心坐标归一化矩阵D^s两两距离最小的排列作为该排列的匹配度衡量标准，值越小，匹配度越高，则最佳匹配方案即为匹配度最小的方案：

$\hat{O}=\arg \underset{O_p}{min}\underset{u=1}{\overset{K}{\&Sigma;}}\underset{v=1}{\overset{K}{\&Sigma;}}|s_{uv}-s_{uv}^{\left(p\right)}|$

其中表示最终需要的子区域和指纹簇之间的匹配方案。