CN105472733A - 一种应用于室内定位中的基于ap选择定位方法 - Google Patents

Abstract

本发明公开了一种应用于室内定位中的基于AP选择定位方法，该方法以支持向量机准则函数作为判别准则，在指纹库建立时进行AP(Access？Point)选择，在线定位时使用贝叶斯概率权重计算位置坐标。指纹库建立时，利用支持向量机准则函数计算超平面距离，选择一组最具有判别能力的AP作为指纹库建立时AP选择结果。在线定位时，定位前进行信号粗大处理，定位时利用用贝叶斯权重定位算法，将贝叶斯概率值作为权重来对目标坐标进行加权求平均，最后得出目标位置坐标。本方法有利于降低定位过程中计算复杂度，剔除对定位无用的AP，提高定位精度。

Description

一种应用于室内定位中的基于AP选择定位方法

技术领域

本发明涉及模式识别领域的室内无线定位AP(AccessPoint)选择定位方法，尤其涉及一种应用于室内定位中的基于AP选择定位方法。

背景技术

位置指纹定位技术作为室内定位拥有很大的前景，其可以利用现有的无线信号框架，比如WiFi、FM，也可以适当部署一定数量的无线信号发射模块，比如蓝牙、Zibgee模块来进行定位。然而随着社会的不断发展，部署在室内的无线信号模块数量越来越多，通常情况下能接收到十几个到几十个AP，然而过多的AP会给定位过程中带来很大的计算量，而且其中某些AP还会给定位过程带来误差，因此从众多的AP中选择一组对定位有用的AP不但能够提高定位精度还能够降低定位过程中的计算复杂度。传统的AP选择方法仅仅是考虑单个AP对定位的贡献度，其将一个AP看做是独立与其它AP不相关，没有考虑AP之间的相关性，研究表明不同AP之间具有一定的相关性，而且传统的AP选择方法通常仅仅只在建立指纹库时进行AP选择，未曾考虑在在线定位时进行AP选择。

发明内容

本发明的目的是在于提供应用于室内定位中的基于AP选择定位方法，该方法在现有方法基础上充分结合指纹库建立时AP选择和在线定位时AP选择以及群体思想实现AP有效选择，同时在定位时充分利用贝叶斯概率作为权重，来进行坐标加权求平均得到待定位位置。该能够有效降低定位过程中在线计算复杂度、提高定位精度。

为了达到上述目的，本发明所采用的技术方案如下。

一种应用于室内定位中的基于AP选择定位方法，主要包括以下步骤：

步骤一：数据采集，在待定位区域按照1m×1m大小设定n个方格，在每个方格中心高度为1.2米处采集600次AP信号值，采集数据时分别朝东西南北四个方向各采集150次，采样间隔为每秒1次。统计待定位区域中数据，找出确保75％以上参考点均能接收信号的最大AP个数k。确定要用于定位的AP个数d，k>d；

步骤二：从k个AP中选择d个AP共有种组合方法，对于所有参考点，选择第m种组合方式，计算该种组合方式下每个参考点的AP信号值与剩余参考点AP信号值的支持向量机超平面距离， $m=1~\frac{k!}{d!(k-d)!};$

步骤三：每一种组合方式下求得的支持向量机超平面距离有n个，选择n个支持向量机超平面距离之和最大的一种组合方式对应的AP作为指纹库建立时的AP选择；

步骤四：在线进行目标定位时，在与n个参考点中的任一个进行匹配时，连续采集三组信号值，在指纹库建立时AP选择的基础上进一步考虑在线接收到的AP信号值，分别求出三组信号各AP的标准差γ和平均值Δ，若每个AP与平均值差的绝对值大于γ，则该AP信号值用平均值Δ代替，最后取三组信号均值作为在线定位信息与指纹库中相应的AP利用贝叶斯算法进行计算，选取概率值从大到小的M个参考点，将这些参考点概率值进行归一化处理得到M个权值，将M个参考点的坐标进行加权求平均最后输出目标位置坐标。

步骤一中，在待定位区域按照1m×1m大小设定n个方格，在每个方格中心高度为1.2米处采集600次AP信号值，采集时在东西南北四个方向各采集150次，采样间隔为每秒1次。统计待定位区域中数据，找出确保75％以上参考点均能接收信号的最大AP个数k，如有不能完全接收该k个AP的参考点，那么在该参考点接收不到信号的AP的信号值用-100代替。确定要用于定位的AP个数d。AP选择是在众多AP中选择一组有利于定位精度、同时考虑降低计算复杂度，通常需要选择的AP个数d需要经过一定的实验确定或者估算得到。

步骤二中，在k个AP中选择d个AP用于定位，该d个AP通常有种组合方式，本发明不是单独考虑单个AP，而是考虑一组AP，充分利用AP之间的相关性信息。

步骤三中，对于所有参考点，选择第m种组合方式时利用支持向量机准则函数计算该种组合方式下每个参考点的AP信号值与剩余参考点AP信号值的支持向量机超平面距离，对于每个参考点距离计算步骤为：求解公式(1)在(2)、(3)约束下α_i和α_j最优解α^*，利用α^*及公式(4)可求得超平面距离d_mq。对于第m种选择方式时，每个参考点与剩余参考点距离之和为选择使最大的那组AP，为指纹库建立时AP选择结果。

$\begin{array}{cc}min& \frac{1}{2}\[\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i,x_j)-\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i\]\end{array}---\left(1\right)$

$\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i{y}_i=0---\left(2\right)$

0＜＜α_i＜＜C(3)

$D_{ij}=\frac{1}{{\Σ}_{i=1}^N{\Σ}_{j=1}^N\mathrm{\α}{*}_i\mathrm{\α}{*}_j{y}_i{y}_{j}K(x_i,x_j)}---\left(4\right)$

其中i＝1～N，d_mq为第m种选择方式第q个参考点的超平面距离，α_i和α_j分别为第i及第j个训练数据对应的支撑向量系数，为需要求解值。对于任一个参考点，所有的训练集为：

DataSet＝{(x₁，y₁)，(x₂，y₂)，...(x_N，y_N)}

其中(x_i，y_i)的x_i为AP数值，y_i为类别值，在对一个参考点进行超平面距离计算时，若x_i属于该参考点则y_i为+1，不属于该参考点的数据y_i为-1。C为一经验值可以通过交叉验证得到，N为训练集个数，δ为核函数宽度，通常在0.1～0.4之间选择。

步骤三中，利用核技巧将AP数据映射到高维特征空间，通常在低维空间不可分的样本映射到高维空间是可分的，通过核函数映射是为了使样本更加可分，有利于计算超平面距离，核函数通常选用径向基核函数， $K(x_i,x_j)=\exp (-\frac{\left|\right|x_i-y_i|{|}^2}{2{\mathrm{\σ}}^2}).$

步骤四中，在线定位时，在与某个参考点进行匹配时，连续采集三组信号，在指纹库建立时AP选择的基础上进一步考虑在线接收到的AP信号值，分别求出三组信号各AP的标准差γ和平均值Δ，若每个AP与平均值差的绝对值大于γ，则该AP信号值用平均值Δ代替最后取三组信号均值作为在线定位信息利用贝叶斯算法进行计算，选取概率值较大的M个参考点，将这些参考点概率值进行归一化处理得到M个权值，将M个参考点的坐标进行加权求平均最后输出位置坐标。

与现有技术相比，本发明具有如下优点和技术效果：

1)通过支持向量机准则函数进行AP选择，在保证精度的同时，能够有效地选择一组对定位贡献度最大的AP，极大程度算法时间复杂度。

2)定位阶段利用贝叶斯加权算法，充分利用概率方法和确定性方法思想，将概率转发为权值，增强了定位的稳健性，提高了定位精度。

附图说明

图1是实例中一种应用于室内定位中的基于AP选择定位方法的流程图。

图2是实例中一种应用于室内定位中的基于AP选择定位方法实施场景图。

具体实施方式

本具体实施方式所述的一种应用于室内定位中的基于AP选择定位方法过程如下，本方案以WiFi作为无线信号定位为实施方式，本方案同样适用于包括蓝牙、Zibgee、FM等无线信息模块定位包括但不限于这些信息模块。

步骤一：数据采集，在待定位区域按照1m×1m大小设定n个方格，在每个方格中心高度为1.2米处采集600次AP信号值，采集数据时分别朝东西南北四个方向各采集150次，采样间隔为每秒1次。统计待定位区域中数据，找出确保75％以上参考点均能接收信号的最大AP个数k。确定要用于定位的AP个数d，k>d；

步骤二：从k个AP中选择d个AP共有种组合方法，对于所有参考点，选择第m种组合方式，计算该种组合方式下每个参考点的AP信号值与剩余参考点AP信号值的支持向量机超平面距离， $m=1~\frac{k!}{d!(k-d)!};$

步骤三：每一种组合方式下求得的支持向量机超平面距离有n个，选择n个支持向量机超平面距离之和最大的一种组合方式对应的AP作为指纹库建立时的AP选择；

步骤四：在线进行目标定位时，在与n个参考点中的任一个进行匹配时，连续采集三组信号值，在指纹库建立时AP选择的基础上进一步考虑在线接收到的AP信号值，分别求出三组信号各AP的标准差γ和平均值Δ，若每个AP与平均值差的绝对值大于γ，则该AP信号值用平均值Δ代替，最后取三组信号均值作为在线定位信息与指纹库中相应的AP利用贝叶斯算法进行计算，选取概率值从大到小的M个参考点，将这些参考点概率值进行归一化处理得到M个权值，将M个参考点的坐标进行加权求平均最后输出目标位置坐标。

步骤一中，在待定位区域按照1m×1m大小设定n个方格，在每个方格中心高度为1.2米处采集600次AP信号值，采集时在东西南北四个方向各采集150次，采样间隔为每秒1次。统计待定位区域中数据找出确保75％以上参考点均能接收信号的最大AP个数k，如有不能完全接收到该k个AP信号的参考点，那么在该参考点接收不到信号的AP的信号值用-100代替。确定要用于定位的AP个数d。AP选择方法在众多AP中选择一组有利于定位精度、同时考虑降低计算复杂度，通常需要选择的AP个数需要经过一定的实验确定或者估算，通常情况下可以设定d值从小到大，选择一定的测试数据，直到定位精度不发生变化为止可以认为此时的d值比较合适。

步骤二中，其中，在k个AP中选择d个AP用于定位，该d个AP通常有种组合方式，也就是说我们要从种组合方式中选择一组AP，该组AP能够使各参考点之间具有很好的区分度。步骤三中，其中：对于所有参考点，选择第种组合方式时利用支持向量机准则函数计算该种组合方式下每个参考点的AP信号值与剩余参考点AP信号值的支持向量机超平面距离，对于每个参考点距离，计算步骤为：

1)求解公式(5)在(6)、(7)约束下最优解α^*，利用α^*及公式(8)可求得超平面距离d_mq。

$\begin{array}{cc}min& \frac{1}{2}\[\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i,x_j)-\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i\]\end{array}---\left(5\right)$

$\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i{y}_i=0---\left(6\right)$

0＜＜α_i＜＜C(7)

$d_{mq}=\frac{1}{{\Σ}_{i=1}^N{\Σ}_{j=1}^N\mathrm{\α}{*}_i\mathrm{\α}{*}_j{y}_i{y}_{j}K(x_i,x_j)}---\left(8\right)$

其中i＝1～N，d_mq为第m种选择方式第q个参考点的超平面距离，α_i和α_j分别为第i及第j个训练数据对应的支撑向量系数，为需要求解值。对于任一个参考点，所有的训练集为：

DataSet＝{(x₁，y₁)，(x₂，y₂)，...(x_N，y_N)}

其中(x_i，y_i)的x_i为AP数值，y_i为类别值，在对一个参考点进行超平面距离计算时，若x_i属于该参考点则y_i为+1，不属于该参考点的数据y_i为-1。C为一经验值可以通过交叉验证得到，N为训练集个数，其中为径向基核函数，，δ为核函数宽度，通常在0.1～0.4之间选择。该函数能够将训练集数据映射到高维特征空间，在低维空间不可分的数据在高维特征空间通常是可分的。

2)对于第m种选择方式时，所有n个参考点与剩余参考点距离之和为选择使最大的那组AP，为指纹库建立时AP选择结果。值越大意味着被选中的这组AP能够将各个参考点很好地区分开，因而更加具有判别信息。

步骤四中，在线定位时，在与某个参考点进行匹配时，连续采集三组信号值，在指纹库建立时AP选择的基础上进一步考虑在线接收到的AP信号值，分别计算三组信号两两之间的欧式距离，选择欧式距离较小的那两组信号值的平均值分别求出三组信号各AP的标准差γ和平均值Δ，若每个AP与平均值差的绝对值大于γ，则该AP信号值用平均值Δ代替最后取三组信号均值作为在线定位信息去与指纹库中相应的AP进行定位匹配。即若指纹库建立时选择的AP是{AP₁，AP₂，AP₃，...AP_d}，其中AP_i为第i个AP信号值。在线定位时采集的三组AP分别为 $S_1=\{{\mathrm{AP}}_1^1,{\mathrm{AP}}_2^1,{\mathrm{AP}}_3^1,\mathrm{...}{\mathrm{AP}}_d^1\},$ $S_2=\{{\mathrm{AP}}_1^2,{\mathrm{AP}}_2^2,{\mathrm{AP}}_3^2,\mathrm{...}{\mathrm{AP}}_d^2\},S_3=\{{\mathrm{AP}}_1^3,{\mathrm{AP}}_2^3,{\mathrm{AP}}_3^3,\mathrm{...}{\mathrm{AP}}_d^3\},$ 其中为第i个AP第j次采集的数据。若各AP的标准差及均值为γ＝{γ₁，γ₂，γ₃，...γ_d}，Δ＝{Δ₁，Δ₂，Δ₃，...Δ_d}，γ_i和Δ_i分别为第i个AP的标准差及均值。若则使其它情况类似。具体定位时选用贝叶斯算法，贝叶斯算法计算公式如下所示：

$P\left(n_i\right|X_{onlie})=\frac{P\left(X_{onlie}\right|n_i)P\left(x_i\right)}{P\left(X_{onlie}\right)}$

其中n_i为第i个参考点，X_onlie为在线接收到的信号值，中P(X_onlie|n_i)称为先验概率，即为在参考点为n_i接收信号为X_onlie的概率值，

其中具体计算步骤如下：

1)求出每一参考点AP信号值的均值：

$\stackrel{\‾}{X^{n_i}}=\frac{1}{N_i}\underset{X\∈n_i}{\Σ}X={(\stackrel{\‾}{{X_1}^{n_i}},\stackrel{\‾}{{X_2}^{n_i}},\mathrm{...}\mathrm{...}\stackrel{\‾}{{X_d}^{n_i}})}^T$

其中，式中N_i代表参考点n_i处采集的指纹个数；d代表AP个数，为第n_i个参考点处AP平均值向量，为第n_i个参考点处接收到第i个AP信号的平均值，X为接收到的AP信号值向量。

2)求每一参考点样本的协方差矩阵

$S_{n_i}=E\left\{(X-E(X\left)\right){(X-E(X\left)\right)}^T\right\}X\∈n_i,$ 其中为第n_i个参考点的协方差矩阵。

将上述计算所得量带入下面公式可得P(X|n_i)：

$P\left(X\right|n_i)=\frac{1}{{\left(2\mathrm{\π}\right)}^{\frac{d}{2}}\sqrt{\left|S_{n_i}\right|}}\exp \[-\frac{1}{2}(X_{onlie}-\stackrel{\‾}{X^{n_i}})S_i^{-1}(X_{onlie}-\stackrel{\‾}{X^{n_i}})\]$

p(n_i)为出现在参考点n_i的概率通常取常数，对于n个参考点，定位时每个参考点将会得到一个P(n_i|X)，将n个概率值按照从大到小进行排列选择前M个概率值按照以下公式进行归一化处理：

$w_i=\frac{P\left(n_i\right|X)}{{\mathrm{\Σ}}_{i=1}^{M}pP\left(n_i\right|X)}$

最后利用下面公式进行最终定位坐标计算：

$(x,y)=({\mathrm{\Σ}}_{i=1}^M{x}_i{w}_i,{\mathrm{\Σ}}_{i=1}^M{y}_i{w}_i,)$

其中此处x_i，y_i分别为第M个参考点对应的坐标值。

Claims (4)

1.一种应用于室内定位中的基于AP选择定位方法，其特征在于包括以下步骤：

步骤一：数据采集，在待定位区域设定n个方格，在每个方格中心上方采集L次AP信号值，采集数据时分别朝东西南北四个方向各采集L/4次；统计待定位区域中的采集数据，找出确保设定百分比以上参考点均能接收信号的最大AP个数k；确定要用于定位的AP个数d，k>d；

步骤二：从k个AP中选择d个AP共有种组合方法，对于所有参考点，选择第m种组合方式，计算该种组合方式下每个参考点的AP信号值与剩余参考点AP信号值的支持向量机超平面距离，

步骤三：每一种组合方式下求得的支持向量机超平面距离有n个，选择n个支持向量机超平面距离之和最大的一种组合方式对应的AP作为指纹库建立时的AP选择；

步骤四：在线进行目标定位时，在与n个参考点中的任一个进行匹配时，连续采集三组信号值，在指纹库建立时AP选择的基础上进一步考虑在线接收到的AP信号值，分别求出三组信号各AP的标准差γ和平均值Δ，若每个AP与平均值差的绝对值大于γ，则该AP信号值用平均值Δ代替，最后取三组信号均值作为在线定位信息与指纹库中相应的AP利用贝叶斯算法进行计算，选取概率值从大到小的M个参考点，将这些参考点概率值进行归一化处理得到M个权值，将M个参考点的坐标进行加权求平均最后输出目标位置坐标。

2.如权利要求1所述一种应用于室内定位中的基于AP选择定位方法，其特征在于：步骤一中，在待定位区域按照1m×1m大小设定n个方格，在每个方格中心高度为1.2米处采集600次AP信号值，采集时在东西南北四个方向各采集150次，采样间隔为每秒1次；如有不能完全接收k个AP信号的参考点，那么在该参考点接收不到的AP的信号值用-100代替。

3.如权利要求1所述一种应用于室内定位中的基于AP选择定位方法，其特征在于：步骤一中，在所有可接收的AP中一次选择d个AP为一组用于定位，将d个AP看做一个群体，其中d值通过实验确定。

4.如权利要求1所述一种应用于室内定位中的基于AP选择定位方法，其特征在于：步骤二中，所述支持向量机超平面距离的计算步骤为：求解公式(1)在(2)、(3)约束下α_i和α_j的最优解α^*，利用α^*及公式(4)求得超平面距离d_mq；对于第m种选择方式时，每个参考点与剩余参考点距离之和为选择使最大的一组AP，为指纹库建立时AP选择结果；

0＜＜α_i＜＜C(3)

其中i＝1～N，d_mq为第m种选择方式第q个参考点的超平面距离，α_i和α_j分别为第i及第j个训练数据对应的支撑向量系数，为需要求解值；对于任一个参考点，所有的训练集为：

DataSet＝{(x₁,y₁),(x₂,y₂),…(x_N,y_N)}

其中(x_i,y_i)的x_i为AP数值，y_i为类别值，在对一个参考点进行超平面距离计算时，若x_i属于该参考点则y_i为+1，不属于该参考点的数据y_i为-1，C为经验值,通过交叉验证得到，N为训练集个数，其中核函数为σ为核函数宽度，为0.1～0.4。