CN105636201B - 基于稀疏信号指纹数据库的室内定位方法 - Google Patents
基于稀疏信号指纹数据库的室内定位方法 Download PDFInfo
- Publication number
- CN105636201B CN105636201B CN201610143618.2A CN201610143618A CN105636201B CN 105636201 B CN105636201 B CN 105636201B CN 201610143618 A CN201610143618 A CN 201610143618A CN 105636201 B CN105636201 B CN 105636201B
- Authority
- CN
- China
- Prior art keywords
- reference point
- virtual
- point
- signal strength
- rss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
-
- H04W4/04—
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种基于稀疏信号指纹数据库的室内定位方法,通过引入局部高斯过程,并对现有的KWNN算法进行改进,提高了基于少量参考点的室内定位方法的定位精度。
Description
技术领域
本发明涉及室内定位领域,具体的涉及一种基于稀疏信号指纹数据库的室内定位方法。
背景技术
确定室内任意处位置的坐标具有重要意义,研究人员针对此问题开发了各种不同的算法。随着基于802.11规范的无线网络技术发展以及无线网络和智能手机的普及,基于无线信号指纹的室内定位方法受到广泛关注。
信号指纹定位包括两个步骤:训练与定位。训练阶段主要是创建信号指纹数据库,在室内不同位置搜集不同热点信号强度,将位置与对应的信号强度信息组合构成信号指纹,将所有信号指纹保存到数据库中。在定位阶段,将用户接收到的信号强度与指纹数据库中所有信号指纹进行比对,寻找相似的信号指纹,通过不同算法,包括KNN,KWNN,贝叶斯,神经网络等算法,计算得到用户在室内的位置。该方法可以通过现有的WiFi热点和普通智能手机等设备即可实现,且算法复杂度不高,定位精度好,已被很多公司产品化,包括谷歌室内定位地图,WiFiSlam等软件均采用了上述方法。
但现有室内定位方法中训练阶段搜集的信号指纹信息越多,在定位阶段精度越高,这导致创建与维护信号指纹数据库所需成本较高。
首先,创建数据库过程非常费时费力,需要逐点测量信号强度,这些已知位置和信号强度的节点称为参考点(Reference Point,RP),若参考点数量过多,则测量过程非常耗时。以一个20m*20m的区域为例,为了保证该方法的室内定位精度,假如每隔1米测量一个参考点,则总共需要测量400个参考点,每个点需要进行数次测量以获得可行的数据,由此可知测量过程非常耗费时间。对于更大区域,所需时间更多。对于有些区域来说,由于布局等原因,可能无法获取高密度的参考点信息。
其次,维护一个数据库成本也非常巨大。因为无线信号传播受到环境影响较大,室内物品摆放的变化,门的开关,人员走动,以及天气环境的变化等都会影响信号的分布。一旦信号分布发生变化,为了保持定位性能,原有数据库就需要更新。室内环境变化较为频繁,因此数据库就需要不断更新,进一步增高了成本。
另一方面,传统信号指纹定位算法适用范围有限,用户移动范围必须都处于训练阶段搜集过的区域内,否则无法找到相似的指纹,无法进行位置估计,因此对于陌生区域无法使用。
由此可见,尽管基于信号指纹定位方法具有部署简单,定位精度高的优点,但是构建与维护信号指纹数据库成本较高,适用范围有限,在实际应用过程中,直接导致的问题是数据库包含的参考点密度不够,定位性能无法得到保证。例如,谷歌室内定位地图推出了几年,已经搜集了约十万个场馆的地图信息,但是这些场馆绝大多数都没有足够的信号指纹信息支持用户定位;有些数据较为老旧,定位性能大幅降低,因此其使用率一直不高。对此,研究人员提出了大量快速构建与更新指纹数据库的算法,群智感知(Crowdsourcing),光线追踪(Ray-Tracing),SLAM(Simultaneous Localization And Mapping)等。
群智感知算法的核心在于利用普通用户定位结果构建数据库,然而其中面临设备多样性,异常数据识别与剔除,用户贡献机制设计等问题,增加了该算法使用的成本。
光线追踪算法需要首先构建精确的室内空间三维模型,通过追踪无线信号在室内的传播路径,估计信号的空间分布,该算法复杂度较高,不适用于大范围的室内环境。
SLAM算法则利用惯导沿一定路径搜集信号构建数据库,该算法定位中所用惯性导航会导致误差积累,因此数据库准确度不高。
发明内容
本发明的目的在于提供一种基于稀疏信号指纹数据库的室内定位方法,该发明解决了现有技术中参考点获取费时、工作量大、成本较高的技术问题。
参见图1,本发明提供一种基于稀疏信号指纹数据库的室内定位方法,包括以下步骤:
步骤S100:采集所有参考点的信息指纹,构建含有信号指纹的参考点指纹训练数据库DBtr;
步骤S200:根据所取参考点生成大量均匀分布、覆盖整个待定位区域的虚拟参考点,构建由虚拟参考点构成的虚拟指纹数据库DBvr;
步骤S300:基于局部高斯过程估计虚拟指纹数据库DBvr中虚拟参考点所能接收到的无线热点信号强度,并构建虚拟指纹数据库DBvr;
步骤S400:基于虚拟指纹数据库通过IKWNN算法,对虚拟参考点的坐标进行位置估计;
步骤S100~S300中的各步骤均可以按现有方法进行处理。
步骤S400包括以下步骤:
步骤S410:在任意待确定位置的未知点测量到一组无线热点信号强度,计算所测量到的信号强度与虚拟指纹数据库中任意虚拟参考点n的信号强度之间的距离dt,n,按照公式(5)计算:
其中,为任意待确定位置的未知点处的一组无线热点信号与虚拟指纹数据库中任意虚拟参考点n之间的信号距离,为任意待确定位置的未知点处的一组无线热点信号与虚拟指纹数据库中任意虚拟参考点n之间的坐标方差距离;假设用户在时刻t,某点处测量得到的RSS向量为RSSt,RSSt={RSSt,i,i=1,2,…,a},其中RSSt,i表示t时刻接收到第i个热点的信号强度值;
其中,是虚拟参考点n对应于接入点i的无线热点信号强度,q为可调参数,表示用户t时刻在虚拟参考点n测量到的第i个无线热点信号强度;
其中,σn,i是信号强度估计方差,采用公式(3)计算,q为可调参数;
步骤S420:根据公式(5)~(7)计算任意未知点测量到一组信号强度与虚拟指纹数据库中所有虚拟参考点对应的信号强度之间的距离。选择所得距离结果中最小的m个参考点,采用加权平均计算接入点处的用户位置:
其中,为所选择的m个参考点中第j个参考点的坐标, 为归一化后m个参考点的权重,
其中,p为可调参数,表示任意未知点测量到的无线热点信号与所选择的m个参考点中第j个参考点的距离,采用公式(5)进行计算;表示在任意未知点处测量得到的无线热点信号与所选择的m个参考点中第i个参考点的距离,采用公式(5)进行计算。
进一步地,步骤S300包括以下步骤:
步骤S310:用户在任一已知位置的虚拟参考点点c*处收到的任意热点m的信号强度rss*,m取值概率p(rss*,m|c*,P)服从正态分布根据公式(2)和(3)估计得到任一虚拟参考点c*能接收到的无线热点信号强度μ*,m和信号强度估计方差
其中,RSS=(rss1,m … rssk,m),rss1,m表示距离最小的k个临近参考点中的第一个参考点所接收到的第m个热点信号强度,I为单位对角矩阵;k*是k×1向量,表示c*与TS*之间的相关性,表示为k*[i]=k(c*,i),其中此处的i表示第i个最近邻居,k(c*,i)采用公式4进行计算;为信号强度测量方差,l、由hyper-parameter方法基于训练数据库估计得到;以P={(ci,fi)|i=1,2,…,n}表示训练数据库中所有的参考点,其中ci=(xi,yi)表示第i个参考点的坐标;fi={(idi,m,rssi,m)|m=1,2,…a},表示第i个参考点处的无线热点信号强度;rssi,m表示在第i个参考点处收到的第m个无线热点信号源idi,m的信号强度,单位是dBm;a表示所有参考点可收到的所有热点数量;
K是与c*距离最小的k个临近参考点之间的相关性,表示为K[i,j]=k(ci,cj),
信号强度估计方差表示为:
其中,k(x*,x*)=k(ci,cj),k*表示点c*与k个临近参考点之间的相关性,参照公式(4)得到,I为单位对角矩阵;
步骤S320:将点c*坐标和与之对应的信号强度相组合,构成信号指纹,存入虚拟信号指纹数据库DBvr中。
进一步地,虚拟参考点的提取方法包括以下步骤:以参考点为端点,每间隔距离D取第i个虚拟参考点,之后再以第i个虚拟参考点为端点,取与之间隔距离D的第i+1个虚拟参考点,如此重复多次,得到多个虚拟参考点。
本发明的技术效果:
本发明提供基于稀疏信号指纹数据库的室内定位方法,仅利用少数参考点,即可实现高精度室内定位。在数据库创建过程中,只需要测量少数一些点的信号强度,数据库构建成本大幅降低,
本发明提供基于稀疏信号指纹数据库的室内定位方法,所需参考点数目较少,数据库更新过程得到有效简化,数据库维护成本降低。
本发明提供基于稀疏信号指纹数据库的室内定位方法,通过创建一个虚拟信号指纹数据库,包含大量均匀分布的虚拟参考节点(Virtual Reference Point,VRP);随后通过局部高斯过程(Local Gaussian Process,LGP),基于少量训练数据,估计虚拟参考点的信号强度。结合改进K近邻(Improved K Weighted Nearest Neighbor,IKWNN)算法,从而实现基于虚拟信号数据库的定位。虚拟信号数据库覆盖范围可以大于训练参考点覆盖范围,通过本地高斯过程估计出所取参考点范围外的虚拟参考点信号强度,从而实现仅利用较少数量的参考点即可实现对较大范围进行室内定位的目的。
具体请参考根据本发明的基于稀疏信号指纹数据库的室内定位方法提出的各种实施例的如下描述,将使得本发明的上述和其他方面显而易见。
附图说明
图1是本发明优选算例基于稀疏信号指纹数据库的室内定位方法流程示意图;
图2是本发明优选算例中通过随机行走构建的参考点指纹训练数据库中参考点分布实例示意图;
图3是本发明优选算例中构建的虚拟指纹数据库中信号强度分布示意图。
具体实施方式
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
参见图1,本发明提供的基于稀疏信号指纹数据库的室内定位方法包括以下步骤:
步骤S100:采集所有参考点的信息指纹,构建含有信号指纹的参考点指纹训练数据库DBtr;
步骤S200:生成大量均匀分布、覆盖整个待定位区域的虚拟参考点,构建由虚拟参考点构成的虚拟指纹数据库DBvr;
步骤S300:基于局部高斯过程估计虚拟指纹数据库DBvr中虚拟参考点所能接收到的无线热点信号强度,并构建虚拟指纹数据库DBvr;
步骤S400:基于虚拟指纹数据库通过IKWNN算法,对虚拟参考点的坐标进行位置估计。
步骤S100中所取参考点可以任意选择分布方式,例如图2中所示。此处参考点信息指纹包括参考点的坐标和参考点处的无线热点信号强度。所采样的参考点分布可以根据实际需要调整,经常活动的区域可以相对其他区域多采集。
优选的,虚拟参考点的提取方法包括以下步骤:以参考点为端点,每间隔距离D取第i个虚拟参考点,之后再以第i个虚拟参考点为端点,取与之间隔距离D的第i+1个虚拟参考点,如此重复多次。更优选的,间隔距离D可以根据用户需求任意调整。间隔D的选择可以根据用户的需要进行选择,例如D=1m。生成的虚拟参考点是根据待定位区域确定的。例如,在待定位区域中,每隔一米取一个点作为虚拟参考点坐标。虚拟参考点处为已知该点的位置,但并未收集该点处的信号强度,本发明提供的方法通过局部高斯过程对该点的信号强度进行估计。
优选的,对于虚拟参考点处无线热点信号强度的估算包括以下步骤:
步骤S310:用户在任意已知位置的虚拟参考点点c*处收到的任意热点m的信号强度rss*,m取值概率p(rss*,m|c*,P)服从正态分布根据公式(2)和(3)估计得到任一已知位置的虚拟参考点c*能接收到的无线热点信号强度μ*,m和信号强度估计方差
信号强度估计方差表示为:
其中,k(x*,x*)=k(ci,cj),k*表示点c*与k个临近参考点之间的相关性,参照公式(4)得到,I为单位对角矩阵;
步骤S320:将点c*坐标和与之对应的信号强度相组合,构成信号指纹,存入虚拟信号指纹数据库DBvr中。
公式(2)和公式(3)的推导过程如下:
按照高斯过程定义,点c*接收到的第m个无线热点信号强度rss*,m服从如下正态分布:
其中,rss*,m表示参考点c*能接收到的第m个无线热点信号强度,TS*表示点c*训练集,即与c*欧式距离最小的k个临近参考点的集合。取与任一待确定位置的虚拟参考点c*欧式距离最小的k个临近参考点组成c*的训练集TS*。
虚拟参考点c*所能接收到的无线热点信号强度μ*,m为:
其中,RSS=(rss1,m … rssk,m),I为单位对角矩阵,k*是k×1向量,表示c*与TS*之间的相关性,表示为k*[i]=k(c*,ci);为信号强度的测量方差,l、由hyper-parameter方法基于训练数据估计得到;K是k个训练数据之间的相关性,表示为K[i,j]=k(ci,cj),
信号强度估计方差表示为:
其中,k表示训练数据的个数,其他定义同前述。
步骤S400包括以下步骤:
步骤S410:在任意待确定位置的未知点测量到一组无线热点信号强度,计算所测量到的信号强度与虚拟指纹数据库中任意虚拟参考点n的信号强度之间的距离dt,n,按照公式(5)计算:
其中,为任意待确定位置的未知点处的一组无线热点信号与虚拟指纹数据库中任意虚拟参考点n之间的信号距离,为任意待确定位置的未知点处的一组无线热点信号与虚拟指纹数据库中任意虚拟参考点n之间的坐标方差距离;假设用户在时刻t,某点处测量得到的RSS向量为RSSt,RSSt={RSSt,i,i=1,2,…,a},其中RSSt,i表示t时刻接收到第i个热点的信号强度值;
其中,是虚拟参考点n对应于接入点i的无线热点信号强度,q为可调参数,表示用户t时刻在虚拟参考点n测量到的第i个无线热点信号强度;
其中,σn,i是信号强度估计方差,采用公式(3)计算,q为可调参数;
步骤S420:根据公式(5)~(7)计算任意未知点测量到一组信号强度与虚拟指纹数据库中所有虚拟参考点对应的信号强度之间的距离。选择所得距离结果中最小的m个参考点,采用加权平均计算接入点处的用户位置:
其中,为所选择的m个参考点中第j个参考点的坐标, 为归一化后m个参考点的权重,
其中,p为可调参数,表示任意未知点测量到的无线热点信号与所选择的m个参考点中第j个参考点的距离,采用公式(5)进行计算;表示在任意未知点处测量得到的无线热点信号与所选择的m个参考点中第i个参考点的距离,采用公式(5)进行计算。
相对于标准的KWNN算法,IKWNN算法的距离包含两部分,分别是和此处的定义和常用的KWNN一致,则是本发明为提高定位准确性提出的。采用本发明改进的方法,通过对两部分距离进行计算,若虚拟参考点信号估计可靠性较差,则所得距离会被放大,被选中的可能性被减小;反之,如果虚拟参考点的准确性较高时,所得结果不会被放大,被选中的几率会增加。因此采用本发明提供的方法能有效准确的选择出较为可靠的虚拟参考点,从而在参考点较小的情况下,获得较高的定位精度。
与现有的基于KWNN的信号指纹室内定位算法相比,本发明提供的室内定位方法具有以下优点:
1、在创建虚拟信号指纹数据库DBvr过程中,采用局部高斯过程计算虚拟参考点的信号强度,可以在仅采集少量参考点的情况下完成整个空间大量虚拟参考点的信号强度训练数据生成,不用进行频繁的数据采集,降低了数据库的构建和维护成本;
2、由于创建虚拟信号指纹数据库DBvr仅需少量训练数据,当环境发生变化需要更新信号指纹数据库,仅需要更新少量参考点数据,系统维护成本大幅降低;
3、本发明采用的距离计算算法,可减少不可靠的虚拟参考点对定位结果的影响,提高可靠性高的虚拟参考点对定位结果的影响,从而提高在较少参考点情况下的室内定位精度;
4、采用本发明提供的定位方法,能提高虚拟数据库覆盖范围,使其大于训练参考点覆盖范围,使其可定位范围比常规室内定位方法的要大。
本文中接入点是信号源,参考点是空间中的某一个点,定位前,工作人员事先在参考点测量不同的接入点处接收的信号强度,将参考点的坐标与测量到的信号强度存入虚拟指纹数据库,所得虚拟指纹数据库可为训练数据库。公式(9)中的p可根据使用环境的不同进行调节。
在训练阶段,根据室内布局特点,随机采集少量信号,参考点分布可以根据实际需要调整,经常活动的区域可以多采集,其他区域可以少采集,将位置和与之对应的信号强度组合为信号指纹,将信号指纹存入数据库构建训练数据库。根据所需定位区域范围,生成大量均匀分布的,覆盖整个定位区域的虚拟参考点,采用局部高斯过程估计所有虚拟参考点信号强度,构建虚拟数据库。在定位阶段,基于虚拟数据库,采用改进KWNN算法估计用户位置。
具体算例:
1)首先随机采集室内信号指纹,构建参考点指纹数据库DBtr,根据参考点指纹训练数据库通过随机行走构建虚拟参考点,虚拟参考点的分布如图2所示。
通过这个步骤,构建训练数据库DBtr,数据库中包含图2中所有参考点坐标以及信号强度RSS值;
2)基于参考点指纹训练数据库DBtr,采用局部高斯过程生成虚拟指纹数据库DBvr,具体是使用下式计算所有虚拟参考点信号强度:
计算所有虚拟参考点信号强度后,构成虚拟指纹数据库DBvr,信号强度分布如图3所示。
步骤3:基于本文提出的IKWNN算法和虚拟指纹数据库DBvr对用户进行定位;
假设用户在时刻t测量的RSS向量为RSSt,RSSt={RSSt,j,j=1,2,…,a}。可以计算该信号与虚拟数据库中任意虚拟参考点n的距离:
选择其中距离最小的m个,采用加权平均算法计算用户位置:
其中是归一化后的权重:
从而得到用户t时刻最终位置
本领域技术人员将清楚本发明的范围不限制于以上讨论的示例,有可能对其进行若干改变和修改,而不脱离所附权利要求书限定的本发明的范围。尽管己经在附图和说明书中详细图示和描述了本发明,但这样的说明和描述仅是说明或示意性的,而非限制性的。本发明并不限于所公开的实施例。
通过对附图,说明书和权利要求书的研究,在实施本发明时本领域技术人员可以理解和实现所公开的实施例的变形。在权利要求书中,术语“包括”不排除其他步骤或元素,而不定冠词“一个”或“一种”不排除多个。在彼此不同的从属权利要求中引用的某些措施的事实不意味着这些措施的组合不能被有利地使用。权利要求书中的任何参考标记不构成对本发明的范围的限制。
Claims (3)
1.一种基于稀疏信号指纹数据库的室内定位方法,其特征在于,包括以下步骤:
步骤S100:采集所有参考点的信息指纹,构建含有所述信号指纹的参考点指纹训练数据库DBtr;
步骤S200:生成大量均匀分布、覆盖整个待定位区域的虚拟参考点,构建由所述虚拟参考点构成的虚拟指纹数据库DBvr;
步骤S300:基于局部高斯过程估计所述虚拟指纹数据库DBvr中所述虚拟参考点所能接收到的无线热点信号强度,并构建虚拟指纹数据库DBvr;
步骤S400:基于所述虚拟指纹数据库DBvr通过IKWNN算法,对所述虚拟参考点的坐标进行位置估计;
步骤S400包括以下步骤:
步骤S410:在任意待确定位置的未知点测量到一组无线热点信号强度,计算所测量到的信号强度与虚拟指纹数据库DBvr中任意虚拟参考点n的信号强度之间的距离dt,n,按照公式(5)计算:
其中,为任意待确定位置的未知点处的一组无线热点信号与虚拟指纹数据库DBvr中任意虚拟参考点n之间的信号距离,为任意待确定位置的未知点处的一组无线热点信号与虚拟指纹数据库DBvr中任意虚拟参考点n之间的坐标方差距离;假设用户在时刻t,某点处测量得到的RSS向量为RSSt,RSSt={RSSt,i,i=1,2,…,a},其中RSSt,i表示t时刻接收到第i个热点的信号强度值;
其中,是虚拟参考点n对应于接入点i的无线热点信号强度,q为可调参数,表示用户t时刻在虚拟参考点n测量到的第i个无线热点信号强度;
其中,σn,i是信号强度估计方差,采用公式(3)计算,q为可调参数,
信号强度估计方差表示为:
其中,k(x*,x*)=k(ci,cj),k*表示点c*与k个临近参考点之间的相关性,I为单位对角矩阵;
步骤S420:根据公式(5)~(7)计算任意未知点测量到一组信号强度与虚拟指纹数据库DBvr中所有虚拟参考点对应的信号强度之间的距离;
选择所得距离结果中最小的m个参考点,采用加权平均计算接入点处的用户位置:
其中,为所选择的m个参考点中第j个参考点的坐标, 为归一化后m个参考点的权重,
其中,p为可调参数,表示任意未知点测量到的无线热点信号与所选择的m个参考点中第j个参考点的距离,采用公式(5)进行计算;表示在任意未知点处测量得到的无线热点信号与所选择的m个参考点中第i个参考点的距离,采用公式(5)进行计算。
2.根据权利要求1所述的基于稀疏信号指纹数据库的室内定位方法,其特征在于,所述步骤S300包括以下步骤:
步骤S310:用户在任意已知位置的虚拟参考点点c*处收到的任意热点m的信号强度rss*,m取值概率p(rss*,m|c*,P)服从正态分布根据公式(2)和(3)估计得到任意虚拟参考点c*能接收到的无线热点信号强度μ*,m和信号强度估计方差
其中,RSS=(rss1,m…rssk,m),rss1,m表示距离最小的k个临近参考点中的第一个参考点所接收到的第m个热点信号强度,I为单位对角矩阵;k*是k×1向量,表示c*与点c*训练集TS*之间的相关性,表示为k*[i]=k(c*,i),其中此处的i表示第i个最近邻居,k(c*,i)采用公式(4)进行计算;为信号强度估计方差,l、由hyper-parameter方法基于训练数据库估计得到;以P={(ci,fi)|i=1,2,…,n}表示训练数据库中所有的参考点,其中ci=(xi,yi)表示第i个参考点的坐标;fi={(idi,m,rssi,m)|m=1,2,…a},表示第i个参考点处的无线热点信号强度;rssi,m表示在第i个参考点处收到的第m个无线热点信号源idi,m的信号强度,单位是dBm;a表示所有参考点可收到的所有热点数量;
K是与c*距离最小的k个临近参考点之间的相关性,表示为
信号强度估计方差表示为:
其中,k(x*,x*)=k(ci,cj),k*表示点c*与k个临近参考点之间的相关性,参照公式(4)得到,I为单位对角矩阵;
步骤S320:将点c*坐标和与之对应的信号强度相组合,构成信号指纹,存入虚拟指纹数据库DBvr中。
3.根据权利要求2所述的基于稀疏信号指纹数据库的室内定位方法,其特征在于,所述虚拟参考点的提取方法包括以下步骤:以所述参考点为端点,每间隔距离D取第i个虚拟参考点,之后再以第i个虚拟参考点为端点,取与之间隔距离D的第i+1个虚拟参考点,如此重复多次,得到多个所述虚拟参考点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610143618.2A CN105636201B (zh) | 2016-03-14 | 2016-03-14 | 基于稀疏信号指纹数据库的室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610143618.2A CN105636201B (zh) | 2016-03-14 | 2016-03-14 | 基于稀疏信号指纹数据库的室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105636201A CN105636201A (zh) | 2016-06-01 |
CN105636201B true CN105636201B (zh) | 2018-10-26 |
Family
ID=56050551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610143618.2A Active CN105636201B (zh) | 2016-03-14 | 2016-03-14 | 基于稀疏信号指纹数据库的室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105636201B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106125037B (zh) * | 2016-06-15 | 2019-03-22 | 北京工业大学 | 基于WiFi信号强度和Micro-Model的室内无线热点回溯定位方法 |
CN107087276A (zh) * | 2017-03-17 | 2017-08-22 | 上海斐讯数据通信技术有限公司 | 一种基于WiFi室内定位的指纹库建立方法及装置 |
CN107087256A (zh) * | 2017-03-17 | 2017-08-22 | 上海斐讯数据通信技术有限公司 | 一种基于WiFi室内定位的指纹聚类方法及装置 |
CN107219500B (zh) * | 2017-06-01 | 2019-12-03 | 成都希盟泰克科技发展有限公司 | 基于wifi位置指纹数据的室内快速综合定位方法 |
CN108919177B (zh) * | 2018-07-16 | 2020-12-18 | 华中科技大学 | 一种基于虚拟信源估计与轨迹校正的定位地图构建方法 |
CN109151727B (zh) * | 2018-07-28 | 2020-11-10 | 天津大学 | 基于改进的dbn的wlan指纹定位数据库构建方法 |
CN109379711B (zh) * | 2018-12-19 | 2019-12-13 | 香港中文大学(深圳) | 一种定位方法 |
CN110062458B (zh) * | 2019-03-22 | 2020-05-29 | 北京航空航天大学 | 一种无线信号指纹库优化更新方法和装置 |
CN110007269A (zh) * | 2019-04-04 | 2019-07-12 | 黄冈师范学院 | 一种基于高斯过程的两阶段无线信号指纹定位方法 |
CN113916231A (zh) * | 2021-09-28 | 2022-01-11 | 上海浦东发展银行股份有限公司 | 移动设备定位导航方法、装置、移动设备及存储介质 |
CN115426710A (zh) * | 2022-08-15 | 2022-12-02 | 浙江工业大学 | 一种面向室内指纹定位的稀疏特征补全方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103747419A (zh) * | 2014-01-15 | 2014-04-23 | 福建师范大学 | 一种基于信号强度差值与动态线性插值的室内定位方法 |
CN104053129A (zh) * | 2014-06-19 | 2014-09-17 | 北京芯同汇科技有限公司 | 一种基于稀疏射频指纹插值的无线传感器网络室内定位方法和装置 |
-
2016
- 2016-03-14 CN CN201610143618.2A patent/CN105636201B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103747419A (zh) * | 2014-01-15 | 2014-04-23 | 福建师范大学 | 一种基于信号强度差值与动态线性插值的室内定位方法 |
CN104053129A (zh) * | 2014-06-19 | 2014-09-17 | 北京芯同汇科技有限公司 | 一种基于稀疏射频指纹插值的无线传感器网络室内定位方法和装置 |
Non-Patent Citations (2)
Title |
---|
Delopment of an Indoor Location Based ServiceTest Bed and Geographic Information System with a Wireless Sensor Network;Shau-Shiun Jan等;《Sensors》;20100330;第2957-2974页 * |
基于K近邻算法的WLAN室内定位技术研究;汤丽等;《计算机科学》;20090430;第54-55,92页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105636201A (zh) | 2016-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105636201B (zh) | 基于稀疏信号指纹数据库的室内定位方法 | |
Shao et al. | Indoor positioning based on fingerprint-image and deep learning | |
Zhang et al. | DeepPositioning: Intelligent fusion of pervasive magnetic field and WiFi fingerprinting for smartphone indoor localization via deep learning | |
Zhou et al. | Indoor WLAN intelligent target intrusion sensing using ray-aided generative adversarial network | |
CN110536245B (zh) | 一种基于深度学习的室内无线定位方法及系统 | |
Zhu et al. | BLS-location: A wireless fingerprint localization algorithm based on broad learning | |
CN106525031A (zh) | 一种组合的室内定位方法 | |
CN102231912A (zh) | 一种基于rssi测距的室内无线传感器网络定位方法 | |
Zhu et al. | Accurate WiFi-based indoor localization by using fuzzy classifier and mlps ensemble in complex environment | |
CN109151750A (zh) | 一种基于循环神经网络模型的lte室内定位楼层判别方法 | |
CN109068267A (zh) | 一种基于LoRa SX1280的室内定位方法 | |
CN110213710A (zh) | 一种基于随机森林的高性能室内定位方法、室内定位系统 | |
CN104581945B (zh) | 基于距离约束的半监督apc聚类算法的wlan室内定位方法 | |
Lin et al. | An indoor Wi-Fi localization algorithm using ranging model constructed with transformed RSSI and BP neural network | |
Shit et al. | AI-enabled fingerprinting and crowdsource-based vehicle localization for resilient and safe transportation systems | |
CN104683953B (zh) | 基于SimRank相似组合邻近图构建的室内WLAN定位组网方法 | |
CN109541537B (zh) | 一种基于测距的普适室内定位方法 | |
Jin et al. | Toward scalable and robust indoor tracking: Design, implementation, and evaluation | |
Jia et al. | TTSL: An indoor localization method based on Temporal Convolutional Network using time-series RSSI | |
Vahidnia et al. | A hierarchical signal-space partitioning technique for indoor positioning with WLAN to support location-awareness in mobile map services | |
CN105357647B (zh) | 一种在线性不稳定环境下的wifi室内定位方法 | |
Hu et al. | A novel indoor localization system using machine learning based on bluetooth low energy with cloud computing | |
Maaloul et al. | Bluetooth beacons based indoor positioning in a shopping malls using machine learning | |
Xiang et al. | Crowdsourcing-based indoor localization with knowledge-aided fingerprint transfer | |
Huan et al. | Indoor location fingerprinting algorithm based on path loss parameter estimation and bayesian inference |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |