CN105301558A - 一种基于蓝牙位置指纹的室内定位方法 - Google Patents

Abstract

本发明涉及一种基于蓝牙位置指纹的室内定位方法，利用与信道信息相关的高维空间谱信息及环境信息，利用主成分分析等手段提取稳健的空间谱指纹，匹配定位时，对抗室内多径的干扰的效果增强，提升了定位精度。在室内多径环境下，该指纹具有更好的对抗多径干扰的效用，该随机变量更加稳定。通过周期性的判断训练数据定位误差完成指纹库更新，若误差大于预先设定的门限值，则从现有多维空间谱指纹库和随机采集的现在时刻的少数定位指纹信息，利用主成分分析或者流型学习等方法，进行降维处理以得到当前时刻的指纹库；若误差小于预先设定的门限值，则沿用之前的指纹库进行定位。这样无须再定位时刻进行重复建库，很大程度上降低了建库负担。

Description

一种基于蓝牙位置指纹的室内定位方法

技术领域

本发明涉及一种基于蓝牙位置指纹的室内定位方法，属于定位的技术领域。

背景技术

近年来随着经济的快速发展，大中型城市的大型建筑和底下商场街道建设的越来越多。人们生活和工作的大部分时间都集中在大楼、商场、餐厅等室内环境，高精度的室内定位技术能够有效地提高工作效率和生活质量，室内定位服务的需求量日益增长。蓝牙作为一种短距离的无线通信技术，发展成熟，价格便宜，性价比高，并且已经成为移动设备上的标配。在众多室内定位技术中，基于位置指纹的室内定位技术可以在低成本的前提下取得较为理想的定位精度。因此，研究基于蓝牙位置指纹的室内定位技术势在必行。

传统的参数化室内定位方法是通过测量信号的到达时间(TOA)、信号的到达差(TDOA)、信号的到达角度(DOA)及接收信号强度(RSSI)等方法直接应用到室内定位环境中，并针对室内定位的实际环境和定位需求做数据的预处理和定位结果的后处理。但由于室内定位环境相对复杂，多径传播十分严重，上述参数的估计往往存在较大误差，这些误差会导致定位算法的性能往往不太理想。非参数化室内定位方法无须估计上述参数，可有效对抗室内多径传播，在很大程度上提高了室内定位的精度。该方法定位过程分为两个阶段：离线建库阶段和实时定位阶段。在离线建库阶段，各参考点接收来自发送节点的信号，根据接收信号强度进行建库。在实时定位阶段，根据接收信号强度和库中位置指纹进行匹配，给出定位结果。因此非参数化室内定位方法的一个最大的缺点是需要指纹库的参考，如何降低指纹库获取的复杂度及提高指纹库的稳定性是亟待解决的关键问题。

发明内容

针对现有技术的不足，本发明提供一种基于蓝牙位置指纹的室内定位方法。本发明解决传统定位方法中因环境变化给室内定位带来的影响，提高定位精度。同时用多维空间谱指纹代替传统的信号强度指纹可以大大降低建库负担，无需重复建库，减少工作量。

本发明的技术方案如下：

一种基于蓝牙位置指纹的室内定位方法，包括步骤如下：

1)初次离线建库：

建立多维空间谱指纹库，所述多维空间谱指纹库包括定位接收信号强度RSSI、室内信道状态信息CSI、自相关函数在非0处的取值、接收到的信号经快速傅里叶变换的频域幅度和相位、功率谱密度和链路质量值LQ；所述自相关函数是指：描述一个随机过程在相隔t时间的两个不同时刻取值的相关程度；

采用主成分分析法，即通过降维的思想将所述多维空间谱指纹库的定位接收信号强度RSSI、室内信道状态信息CSI、自相关函数在非0处的取值、接收到的信号经快速傅里叶变换的频域幅度和相位、功率谱密度和链路质量值LQ进行线性变换为稳健的指纹信息，形成匹配指纹库；

所述匹配指纹库还包括参考点的位置信息及其方向，所述参考点即为接收信号的蓝牙锚节点；

2)在线匹配阶段

对采集点获取的多维空间谱指纹信息进行主成分分析，并将结果与所述匹配指纹库中稳健的指纹信息进行匹配，利用模式匹配算法计算采集点指纹信息与稳健的指纹信息相似度，从而给出位置信息的估计；

3)更新多维空间谱指纹库

预先设定的门限值，所述门限值是指估计位置与实际位置之间误差的允许范围；

每间隔固定时间进行误差判断：即随机选取某一参考点进行上述方法进行的定位结果与实际位置的误差判断：若估计位置与实际位置的误差大于预先设定的门限值，则向多维空间谱指纹库中加入随机采集的当前时刻定位指纹信息，对所述多维空间谱指纹库进行降维处理，得到当前时刻的匹配指纹库；若估计位置与实际位置的误差小于预先设定的门限值，则沿用之前的匹配指纹库进行定位。此处设计的优点为，无须再定位时刻进行重复建库，很大程度上降低了建库负担。

根据本发明优选的，所述稳健的指纹库的建立方法，包括步骤如下：

(1)采集n个参考点样本信息：

每个样本有p个指标变量，构成一个n×p的数据矩阵X＝(x_ij)_n×p，即

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& \mathrm{...}& x_{1p}\\ x_{21}& x_{22}& \mathrm{...}& x_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{n1}& x_{n2}& \mathrm{...}& x_{np}\end{array}\right];$

(2)将步骤(1)的参考点样本信息，即X＝(x_ij)_n×p标准化，得到标准化矩阵Z_ij：

$Z_{ij}=\frac{x_{ij}-{\stackrel{\‾}{x}}_j}{s_j},i=1,2,\mathrm{...}n;j=1,2,\mathrm{...}p---\left(I\right)$

在公式(I)中 ${\stackrel{\‾}{x}}_j=\frac{{\mathrm{\Σ}}_{i=1}^n{x}_{ij}}{n},s_j^2=\frac{{\mathrm{\Σ}}_{i=1}^n{(x_{ij}-{\stackrel{\‾}{x}}_j)}^2}{n-1};$

(3)计算步骤(2)所述标准化矩阵Z_ij的样本相关系数矩阵

其中 $r_{ij}=\frac{{\mathrm{\Σz}}_{kj}\·z_{kj}}{n-1},i,j=1,2,\mathrm{...},p;$

(4)解样本相关系数矩阵R的特征方程，得P个特征根λ₁≥λ₂≥…λ_p，求出特征贡献率并对每个特征根求出相应的单位特征向量

(5)确定主成分个数m，确定主成分个数按照累积贡献率使指纹数据库信息利用率达到85％以上；

所述主成分是对空间谱数据库中的数据通过主成分分析方法得到的贡献率大的主成分；

(6)得到主成分Y_i＝UX,其中最后 $u_{ij}=z_i^T{b}_j^o,j=1,2,\mathrm{...}m$ 以特征值贡献率为权数，采用线性回归法，计算各参考点的综合得分，存入多维空间谱指纹库中，形成稳健的指纹信息。

根据本发明优选的，所述步骤2)中给出位置信息的估计的具体步骤包括：

首先，计算采集点指纹与多维空间谱指纹数据库中参考点指纹的距离：假设多维空间谱指纹数据库中参考点指纹数据为m个，采集得到的指纹数据包含n个来自不同蓝牙锚节点的指纹，每个指纹数据表示为s_j,j＝1…n,选取指纹数据中最大数值对应的蓝牙锚节点为目标锚节点s_k，m个参考点指纹数据对应于n个蓝牙锚节点的指纹表示为s_ij,i＝1…m,j＝1…n,选取接收目标蓝牙锚节点信号的参考点指纹s_lk,对每个参考点，则采集得到的采集点指纹数据与多维空间谱指纹数据库中的参考点指纹数据的距离L_lk＝|s_k-s_lk|；

其次，从采集点指纹数据与多维空间谱指纹数据库中的参考点指纹数据的距离选取其中最小的K个距离，由这K个参考点给出位置信息的估计假设K个参考点的位置为(xi,yi),i＝1...K，则位置信息估计根据来估计，由此给出了位置信息的估计。

本发明的优势在于：

本发明涉及一种基于蓝牙位置指纹的室内定位方法，充分利用与信道信息相关的高维空间谱信息以及环境信息，并利用主成分分析等手段提取稳健的空间谱指纹，具有更加稳定的指纹意味着在指纹数据库中的指纹数据可靠性增强，匹配定位时，对抗室内多径的干扰的效果增强，提升了定位精度。在室内多径环境下，该指纹具有更好的对抗多径干扰的效用，统计学意义上，该随机变量更加稳定。

本发明的重点还在于更新指纹库阶段，通过周期性的判断训练数据定位误差完成指纹库更新，若误差大于预先设定的门限值，则从现有多维空间谱指纹库和随机采集的现在时刻的少数定位指纹信息，利用主成分分析或者流型学习等方法，进行降维处理以得到当前时刻的指纹库；若误差小于预先设定的门限值，则沿用之前的指纹库进行定位。这样无须再定位时刻进行重复建库，很大程度上降低了建库负担。

具体实施方式：

下面结合实施例对本发明做详细的说明，但不限于此。

实施例1、

一种基于蓝牙位置指纹的室内定位方法，包括步骤如下：

1)初次离线建库：

建立多维空间谱指纹库，所述多维空间谱指纹库包括定位接收信号强度RSSI、室内信道状态信息CSI、自相关函数在非0处的取值、接收到的信号经快速傅里叶变换的频域幅度和相位、功率谱密度和链路质量值LQ；所述自相关函数是指：描述一个随机过程在相隔t时间的两个不同时刻取值的相关程度；

采用主成分分析法，即通过降维的思想将所述多维空间谱指纹库的定位接收信号强度RSSI、室内信道状态信息CSI、自相关函数在非0处的取值、接收到的信号经快速傅里叶变换的频域幅度和相位、功率谱密度和链路质量值LQ进行线性变换为稳健的指纹信息，形成匹配指纹库；

所述匹配指纹库还包括参考点的位置信息及其方向，所述参考点即为接收信号的蓝牙锚节点；

2)在线匹配阶段

对采集点获取的多维空间谱指纹信息进行主成分分析，并将结果与所述匹配指纹库中稳健的指纹信息进行匹配，利用模式匹配算法计算采集点指纹信息与稳健的指纹信息相似度，从而给出位置信息的估计；

3)更新多维空间谱指纹库

预先设定的门限值，所述门限值是指估计位置与实际位置之间误差的允许范围；

每间隔固定时间进行误差判断：即随机选取某一参考点进行上述方法进行的定位结果与实际位置的误差判断：若估计位置与实际位置的误差大于预先设定的门限值，则向多维空间谱指纹库中加入随机采集的当前时刻定位指纹信息，对所述多维空间谱指纹库进行降维处理，得到当前时刻的匹配指纹库；若估计位置与实际位置的误差小于预先设定的门限值，则沿用之前的匹配指纹库进行定位。此处设计的优点为，无须再定位时刻进行重复建库，很大程度上降低了建库负担。

实施例2、

如实施例1所述的一种基于蓝牙位置指纹的室内定位方法，其区别在于，所述稳健的指纹库的建立方法，包括步骤如下：

(1)采集n个参考点样本信息：

每个样本有p个指标变量，构成一个n×p的数据矩阵X＝(x_ij)_n×p，即

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& \mathrm{...}& x_{1p}\\ x_{21}& x_{22}& \mathrm{...}& x_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{n1}& x_{n2}& \mathrm{...}& x_{np}\end{array}\right];$

(2)将步骤(1)的参考点样本信息，即X＝(x_ij)_n×p标准化，得到标准化矩阵Z_ij：

$Z_{ij}=\frac{x_{ij}-{\stackrel{\‾}{x}}_j}{s_j},i=1,2,\mathrm{...}n;j=1,2,\mathrm{...}p---\left(I\right)$

在公式(I)中 ${\stackrel{\‾}{x}}_j=\frac{{\mathrm{\Σ}}_{i=1}^n{x}_{ij}}{n},s_j^2=\frac{{\mathrm{\Σ}}_{i=1}^n{(x_{ij}-{\stackrel{\‾}{x}}_j)}^2}{n-1};$

(3)计算步骤(2)所述标准化矩阵Z_ij的样本相关系数矩阵

其中 $r_{ij}=\frac{{\mathrm{\Σz}}_{kj}\·z_{kj}}{n-1},i,j=1,2,\mathrm{...},p;$

(4)解样本相关系数矩阵R的特征方程，得P个特征根λ₁≥λ₂≥…λ_p，求出特征贡献率并对每个特征根求出相应的单位特征向量

(5)确定主成分个数m，确定主成分个数按照累积贡献率使指纹数据库信息利用率达到85％以上；

所述主成分是对空间谱数据库中的数据通过主成分分析方法得到的贡献率大的主成分；

(6)得到主成分Y_i＝UX,其中最后 $u_{ij}=z_i^T{b}_j^o,j=1,2,\mathrm{...}m$ 以特征值贡献率为权数，采用线性回归法，计算各参考点的综合得分，存入多维空间谱指纹库中，形成稳健的指纹信息。

实施例3、

如实施例1所述的一种基于蓝牙位置指纹的室内定位方法，其区别在于，所述步骤2)中给出位置信息的估计的具体步骤包括：

首先，计算采集点指纹与多维空间谱指纹数据库中参考点指纹的距离：假设多维空间谱指纹数据库中参考点指纹数据为m个，采集得到的指纹数据包含n个来自不同蓝牙锚节点的指纹，每个指纹数据表示为s_j,j＝1…n,选取指纹数据中最大数值对应的蓝牙锚节点为目标锚节点s_k，m个参考点指纹数据对应于n个蓝牙锚节点的指纹表示为s_ij,i＝1…m,j＝1…n,选取接收目标蓝牙锚节点信号的参考点指纹s_lk,对每个参考点，则采集得到的采集点指纹数据与多维空间谱指纹数据库中的参考点指纹数据的距离L_lk＝|s_k-s_lk|；

其次，从采集点指纹数据与多维空间谱指纹数据库中的参考点指纹数据的距离选取其中最小的K个距离，由这K个参考点给出位置信息的估计假设K个参考点的位置为(xi,yi),i＝1...K，则位置信息估计根据来估计，由此给出了位置信息的估计。

Claims (3)

1.一种基于蓝牙位置指纹的室内定位方法，其特征在于，包括步骤如下：

1)初次离线建库：

建立多维空间谱指纹库，所述多维空间谱指纹库包括定位接收信号强度RSSI、室内信道状态信息CSI、自相关函数在非0处的取值、接收到的信号经快速傅里叶变换的频域幅度和相位、功率谱密度和链路质量值LQ；

采用主成分分析法，即通过降维的思想将所述多维空间谱指纹库的定位接收信号强度RSSI、室内信道状态信息CSI、自相关函数在非0处的取值、接收到的信号经快速傅里叶变换的频域幅度和相位、功率谱密度和链路质量值LQ进行线性变换为稳健的指纹信息，形成匹配指纹库；

所述匹配指纹库还包括参考点的位置信息及其方向，所述参考点即为接收信号的蓝牙锚节点；

2)在线匹配阶段

对采集点获取的多维空间谱指纹信息进行主成分分析，并将结果与所述匹配指纹库中稳健的指纹信息进行匹配，利用模式匹配算法计算采集点指纹信息与稳健的指纹信息相似度，从而给出位置信息的估计；

3)更新多维空间谱指纹库

预先设定的门限值，所述门限值是指估计位置与实际位置之间误差的允许范围；

每间隔固定时间进行误差判断：即随机选取某一参考点进行上述方法进行的定位结果与实际位置的误差判断：若估计位置与实际位置的误差大于预先设定的门限值，则向多维空间谱指纹库中加入随机采集的当前时刻定位指纹信息，对所述多维空间谱指纹库进行降维处理，得到当前时刻的匹配指纹库；若估计位置与实际位置的误差小于预先设定的门限值，则沿用之前的匹配指纹库进行定位。

2.根据权利要求1所述的一种基于蓝牙位置指纹的室内定位方法，其特征在于，所述稳健的指纹库的建立方法，包括步骤如下：

(1)采集n个参考点样本信息：

每个样本有p个指标变量，构成一个n×p的数据矩阵X＝(x_ij)_n×p，即 $X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1p}\\ x_{21}& x_{22}& ...& x_{2p}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ x_{n1}& x_{n2}& ...& x_{np}\end{array}\right];$

(2)将步骤(1)的参考点样本信息，即X＝(x_ij)_n×p标准化，得到标准化矩阵Z_ij：

$Z_{ij}=\frac{x_{ij}-{\stackrel{\‾}{x}}_j}{s_j},i=1,2,...n;j=1,2,...p---\left(I\right)$

在公式(I)中 ${\stackrel{\‾}{x}}_j=\frac{{\mathrm{\Σ}}_{i=1}^n{x}_{ij}}{n},s_j^2=\frac{{\mathrm{\Σ}}_{i=1}^n{(x_{ij}-{\stackrel{\‾}{x}}_j)}^2}{n-1};$

(3)计算步骤(2)所述标准化矩阵Z_ij的样本相关系数矩阵

其中 $r_{ij}=\frac{{\mathrm{\Σz}}_{kj}\·z_{kj}}{n-1},i,j=1,2,...,p;$

(4)解样本相关系数矩阵R的特征方程，得P个特征根λ₁≥λ₂≥…λ_p，求出特征贡献率并对每个特征根求出相应的单位特征向量

(5)确定主成分个数m，确定主成分个数按照累积贡献率

(6)得到主成分Y_i＝UX,其中最后 $u_{ij}=z_i^T{b}_j^o,j=1,2,...m$ 以特征值贡献率为权数，采用线性回归法，计算各参考点的综合得分，存入多维空间谱指纹库中，形成稳健的指纹信息。

3.根据权利要求1所述的一种基于蓝牙位置指纹的室内定位方法，其特征在于，所述步骤2)中给出位置信息的估计的具体步骤包括：

首先，计算采集点指纹与多维空间谱指纹数据库中参考点指纹的距离：假设多维空间谱指纹数据库中参考点指纹数据为m个，采集得到的指纹数据包含n个来自不同蓝牙锚节点的指纹，每个指纹数据表示为s_j,j＝1…n,选取指纹数据中最大数值对应的蓝牙锚节点为目标锚节点s_k，m个参考点指纹数据对应于n个蓝牙锚节点的指纹表示为s_ij,i＝1…m,j＝1…n,选取接收目标蓝牙锚节点信号的参考点指纹s_lk,对每个参考点，则采集得到的采集点指纹数据与多维空间谱指纹数据库中的参考点指纹数据的距离L_lk＝|s_k-s_lk|；

其次，从采集点指纹数据与多维空间谱指纹数据库中的参考点指纹数据的距离选取其中最小的K个距离，由这K个参考点给出位置信息的估计假设K个参考点的位置为(xi,yi),i＝1...K，则位置信息估计根据来估计，由此给出了位置信息的估计。