CN105764137A - 一种室内定位方法及系统 - Google Patents
一种室内定位方法及系统 Download PDFInfo
- Publication number
- CN105764137A CN105764137A CN201610071679.2A CN201610071679A CN105764137A CN 105764137 A CN105764137 A CN 105764137A CN 201610071679 A CN201610071679 A CN 201610071679A CN 105764137 A CN105764137 A CN 105764137A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- signal strength
- monitoring point
- probability density
- current signal
- 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.)
- Pending
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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明实施例提供了一种室内定位方法及系统,方法包括:分别获取由各个监测端监测到的待测终端的当前信号强度值;基于当前信号强度值和当前信号强度值所对应的监测端的身份标识,与预先构建的指纹库中的指纹进行匹配,获取当前信号强度值在各个监测端各自所涵盖的各个的监测点所对应的概率密度函数以及坐标;将当前信号强度值代入所对应的概率密度函数,计算对应的概率密度;基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度以及坐标,利用预先构建的加权位置求解公式,计算待测终端所在的位置。应用本发明实施例,在提高室内定位精度的同时,减少训练时间并降低定位成本。
Description
技术领域
本发明涉及定位技术领域,特别是涉及一种室内定位方法及系统。
背景技术
目前,无线网络被广泛地应用于室内定位中,并且对室内定位的定位精度要求越来越高,其中,具有代表性的室内定位方案为基于朴素贝叶斯定位算法的定位方案。
但是,由于室内环境的复杂性,并且室内环境周围存在许多同频段信号的干扰,在采取朴素贝叶斯定位算法时,存在以下两个方面的问题:第一、由于在离线阶段基于地理指纹匹配采集的信号强度值的波动性,仅利用朴素贝叶斯定位算法构建指纹库,导致指纹库难以建立;第二、利用朴素贝叶斯定位算法,并结合回归算法形成贝叶斯回归算法会造成训练时间较长,增加了定位成本。
因此,需要提供一种新的室内定位方案,以在提高室内定位精度的同时,减少训练时间并降低定位成本。
发明内容
本发明实施例的目的在于提供一种室内定位方法及系统,以在提高室内定位精度的同时,减少训练时间并降低定位成本。具体技术方案如下:
第一方面,本发明实施例提供了一种室内定位方法,适用于服务器,所述服务器与多个监测端建立通信连接,所述方法包括:
分别获取由各个监测端监测到的待测终端的当前信号强度值;
基于所述当前信号强度值和所述当前信号强度值所对应的监测端的身份标识,与预先构建的指纹库中的指纹进行匹配,获取当前信号强度值在各个监测端各自所涵盖的各个的监测点所对应的概率密度函数以及坐标,其中,所述预先构建的指纹库中的任一指纹均包括:监测端的身份标识,该监测端对应的各个监测点的坐标,各个监测点的坐标处的各个信号强度值所对应的概率密度函数;
将所述当前信号强度值代入各个监测端各自所涵盖的各个的监测点所对应的概率密度函数,计算各个监测端各自所涵盖的各个的监测点所对应的概率密度;
基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度以及坐标,利用预先构建的加权位置求解公式,计算所述待测终端所在的位置。
优选地,所述指纹库的构建过程包括:
分别构建各个监测端所对应的信号强度训练样本,其中,每一监测端所对应的所述信号强度训练样本由该监测端在该监测端所涵盖的各个监测点监测到的试验终端的信号强度值组成;
基于各个监测端所对应的所述信号强度训练样本和预先构建的概率密度公式,构建所述各个监测端在所涵盖的各个监测点获取的试验终端的信号强度值时所对应的概率密度函数;
基于各个监测端的监测点坐标、各个监测端所涵盖的监测点获取的试验终端的信号强度值和各个监测端在该监测点得到对应信号强度值所对应的概率密度函数构建指纹,并将所有指纹组成指纹库。
优选地,所述预先构建的概率密度公式为:
其中,所述r是预先构建的信号强度训练样本中的第i个监测端在第j个监测点监测到的试验终端的信号强度值,所述pi,j是概率密度,所述s是第i个监测端对待测终端进行监测时得到的当前信号强度值,所述K是核函数,所述M是监测到的所述r的总个数,所述h是平滑参数,所述m是表示在第i个监测端的第j个监测点的第m次监测。
优选地,所述基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度以及坐标,利用预先构建的加权位置求解公式,计算所述待测终端所在的位置,包括:
基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度,计算已知当前信号强度值的情况下所得到的监测点坐标的后验概率;
基于所述后验概率和所述后验概率所对应的监测点坐标,利用预先构建的加权位置求解公式,计算所述待测终端所在的位置。
优选地,所述基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度,计算已知当前信号强度值的情况下所得到的监测点坐标的后验概率,包括:
基于朴素贝叶斯算法和当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度,计算已知当前信号强度值的情况下所得到的监测点坐标的后验概率。
优选地,所述基于所述后验概率和所述后验概率所对应的监测点坐标,利用预先构建的加权位置求解公式,计算所述待测终端所在的位置,包括:
提取前K个按照由大到小顺序排列的后验概率,并将所述后验概率作为所述后验概率所对应的监测点坐标的权重,其中,K≥1;
将所述权重和所述权重所对应的监测点坐标代入预先构建的加权位置求解公式,计算所述待测终端所在的位置。
优选地,所述预设加权位置求解公式为:
其中,所述K是提取的按照由大到小顺序排列的后验概率的个数,所述k是提取的第k个后验概率,所述P(Xj|S)是取得信号强度值为S的条件下在坐标位于该监测点Xj的后验概率,所述S是信号强度值,所述Xj是监测点处的坐标,所述为所述待测终端所在的位置。
第二方面,本发明实施例提供了一种室内定位系统,适用于服务器,所述服务器与多个监测端建立通信连接,所述系统包括:获取单元、匹配单元、指纹库构建单元、概率密度计算单元、定位计算单元和加权位置求解公式构建单元;
所述获取单元,用于分别获取由各个监测端监测到的待测终端的当前信号强度值;
所述匹配单元,用于基于所述当前信号强度值和所述当前信号强度值所对应的监测端的身份标识,与所述指纹库构建单元预先构建的指纹库中的指纹进行匹配,获取当前信号强度值在各个监测端各自所涵盖的各个的监测点所对应的概率密度函数以及坐标,其中,所述预先构建的指纹库中的任一指纹均包括:监测端的身份标识,该监测端对应的各个监测点的坐标,各个监测点的坐标处的各个信号强度值所对应的概率密度函数;
所述概率密度计算单元,用于将所述当前信号强度值代入由匹配单元获取的各个监测端各自所涵盖的各个的监测点所对应的概率密度函数,计算各个监测端各自所涵盖的各个的监测点所对应的概率密度;
所述定位计算单元,用于基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度以及坐标,利用所述加权位置求解公式构建单元预先构建的加权位置求解公式,计算所述待测终端所在的位置。
优选地,所述指纹库构建单元预先构建指纹库的过程具体为:
分别构建各个监测端所对应的信号强度训练样本,其中,每一监测端所对应的所述信号强度训练样本由该监测端在该监测端所涵盖的各个监测点监测到的试验终端的信号强度值组成;
基于各个监测端所对应的所述信号强度训练样本和概率密度公式构建单元预先构建的概率密度公式,构建所述各个监测端在所涵盖的各个监测点获取的试验终端的信号强度值时所对应的概率密度函数;
基于各个监测端的监测点坐标、各个监测端所涵盖的监测点获取的试验终端的信号强度值和各个监测端在该监测点得到对应信号强度值所对应的概率密度函数构建指纹,并将所有指纹组成指纹库。
优选地,所述概率密度公式构建单元预先构建的概率密度公式为:
其中,所述r是预先构建的信号强度训练样本中的第i个监测端在第j个监测点监测到的试验终端的信号强度值,所述pi,j是概率密度,所述s是第i个监测端对待测终端进行监测时得到的当前信号强度值,所述K是核函数,所述M是监测到的所述r的总个数,所述h是平滑参数,所述m是表示在第i个监测端的第j个监测点的第m次监测。
优选地,所述定位计算单元,包括:后验概率计算子单元和位置计算子单元;
所述后验概率计算子单元,用于基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度,计算已知当前信号强度值的情况下所得到的监测点坐标的后验概率;
所述位置计算子单元,用于基于所述后验概率和所述后验概率所对应的监测点坐标,利用加权位置求解公式构建单元预先构建的加权位置求解公式,计算所述待测终端所在的位置。
优选地,所述后验概率计算子单元包括:第一后验概率计算子单元;
所述第一后验概率计算子单元,用于基于朴素贝叶斯算法和当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度,计算已知当前信号强度值的情况下所得到的监测点坐标的后验概率。
优选地,所述位置计算子单元,包括:提取子单元和求解子单元;
所述提取子单元,用于提取前K个按照由大到小顺序排列的后验概率,并将所述后验概率作为所述后验概率所对应的监测点坐标的权重,其中,K≥1;
所述求解子单元,用于将所述权重和所述权重所对应的监测点坐标代入加权位置求解公式构建单元预先构建的加权位置求解公式,计算所述待测终端所在的位置。
优选地,所述加权位置求解公式构建单元预先构建的加权位置求解公式为:
其中,所述K是提取的按照由大到小顺序排列的后验概率的个数,所述k是提取的第k个后验概率,所述P(Xj|S)是取得信号强度值为S的条件下在坐标位于该监测点Xj的后验概率,所述S是信号强度值,所述Xj是监测点处的坐标,所述为所述待测终端所在的位置。
本发明实施例提供的室内定位方法及系统,通过两个阶段实现室内定位,第一阶段为指纹库的训练阶段,第二阶段为定位阶段;其中,在指纹库的训练阶段,预先构建指纹库,其中指纹库中的每个指纹均包括监测端的身份标识,该监测端对应的各个监测点的坐标,各个监测点的坐标处的各个信号强度值所对应的概率密度函数;在定位阶段,各个监测端获取在各个监测点所监测到待测终端的当前信号强度值,并通过监测端的身份标识获取身份标识能够匹配成功的指纹,从而得到匹配的指纹中的概率密度函数和坐标;进而通过将当前信号强度值代入相对应的概率密度函数中计算各个监测端的各个监测点所对应的概率密度,进而通过概率密度、每个概率密度对应的坐标和预设加权位置求解公式,即可计算出待测终端所在的位置。也就是说,将现有技术中直接通过信号强度值进行计算实现定位的方式,转换为基于概率密度函数的定位方式进行计算,解决了直接通过信号强度值进行定位中直接采取朴素贝叶斯定位算法所存在如背景技术中所描述的技术问题,在提高室内定位精度的同时,减少了训练时间,降低了定位成本。当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种室内定位方法的流程示意图;
图2为本发明实施例提供的一种室内定位系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了解决现有技术问题,本发明实施例提供一种室内定位方法及系统。
第一方面,本发明实施例提供了一种室内定位方法,适用于服务器,该服务器与多个监测端建立通信连接,如图1所示,该室内定位方法可以包括如下步骤:
S101:分别获取由各个监测端监测到的待测终端的当前信号强度值;
其中,服务器与多个监测端建立连接,当需要对待测终端进行定位时,即在定位阶段时,服务器从该多个监测端获取该多个监测端监测到的该待测终端的当前信号强度值,可以理解的是,一个监测端监测到一个对应的当前信号强度值,其中,该对应的当前信号强度值可为一个当前信号强度值,也可为一段时间内获取的多个当前信号强度值的平均值。
值得强调的是,该监测端运行有可以采集信号强度值的软件,且该监测端的具体形态包括但不局限于移动终端或路由器;而该待测终端包括但并不局限于开启WIFI功能的移动终端。
S102:基于该当前信号强度值和该当前信号强度值所对应的监测端的身份标识,与预先构建的指纹库中的指纹进行匹配,获取当前信号强度值在各个监测端各自所涵盖的各个的监测点所对应的概率密度函数以及坐标,其中,该预先构建的指纹库中的任一指纹均包括:监测端的身份标识,该监测端对应的各个监测点的坐标,各个监测点的坐标处的各个信号强度值所对应的概率密度函数;
其中,可以理解的是,服务器在获取任一监测端监测到的待测终端的当前信号强度值时,同时获取该监测端的身份标识;即可通过匹配获取该身份标识所对应的指纹集合,其中,该指纹集合中包括多个在训练阶段预先构建的指纹,且该指纹集合为指纹库中的一个子集;进而从匹配成功的指纹集合中获取待测终端所可能处于的位置的坐标和概率密度函数。
值得注意的是,一个监测端可以对多个监测点进行监测,监测点上预先设置有可以采集信号强度值的软件,凡是监测端能够在监测点获取到监测数据的,都可以理解为是该监测端所涵盖的监测点。
S103:将该当前信号强度值代入各个监测端各自所涵盖的各个的监测点所对应的概率密度函数,计算各个监测端各自所涵盖的各个的监测点所对应的概率密度;
其中,将当前信号强度值,也就是监测端在监测点对待测终端进行监测时所获取的瞬时信号强度值代入到该监测端的该检测点所对应的概率密度函数中,进而得到在该监测端的该监测点所对应的概率密度。
S104:基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度以及坐标,利用预先构建的加权位置求解公式,计算该待测终端所在的位置。
其中,基于获取的核概率密度概率、坐标和预先构建的加权位置求解公式对待测终端所在的位置进行计算,则在指纹库的训练阶段,主要进行概率密度函数进行构建,对信号强度值的要求并不是很高,能够很好的应对信号强度的波动性导致的指纹库难以建立的情况,避免了由于指纹库建立不准确导致的定位精度不高的问题,提高了室内定位精度,而且减少了指纹库构建阶段的训练时间,从而降低了定位成本。
本发明实施例中,通过两个阶段实现室内定位,第一阶段为指纹库的训练阶段,第二阶段为定位阶段;其中,在指纹库的训练阶段,预先构建指纹库,其中指纹库中的每个指纹均包括监测端的身份标识,该监测端对应的各个监测点的坐标,各个监测点的坐标处的各个信号强度值所对应的概率密度函数;在定位阶段,各个监测端获取在各个监测点所监测到待测终端的当前信号强度值,并通过监测端的身份标识获取身份标识能够匹配成功的指纹,从而得到匹配的指纹中的概率密度函数和坐标;进而通过将当前信号强度值代入相对应的概率密度函数中计算各个监测端的各个监测点所对应的概率密度,进而通过概率密度、每个概率密度对应的坐标和预设加权位置求解公式,即可计算出待测终端所在的位置。也就是说,将现有技术中直接通过信号强度值进行计算实现定位的方式,转换为基于概率密度函数的定位方式进行计算,解决了直接通过信号强度值进行定位中直接采取朴素贝叶斯定位算法所存在如背景技术中所描述的技术问题,在提高室内定位精度的同时,减少了训练时间,降低了定位成本。
更进一步地,指纹库的构建过程包括:分别构建各个监测端所对应的信号强度训练样本,其中,每一监测端所对应的该信号强度训练样本由该监测端在该监测端所涵盖的各个监测点监测到的试验终端的信号强度值组成;
基于各个监测端所对应的该信号强度训练样本和预先构建的概率密度公式,构建该各个监测端在所涵盖的各个监测点获取的试验终端的信号强度值时所对应的概率密度函数;基于各个监测端的监测点坐标、各个监测端所涵盖的监测点获取的试验终端的信号强度值和各个监测端在该监测点得到对应信号强度值所对应的概率密度函数构建指纹,并将所有指纹组成指纹库。
可以理解的是,在该种实现方式中,分别构建各个监测端所对应的信号强度训练样本(指纹库),主要是为了构建各个监测点所监测到的信号强度值所对应的概率密度函数,即指纹库的构建主要对概率密度函数进行构建,而非传统的直接基于信号强度值的指纹库构建,该种基于概率密度函数的构建方式解决了由于信号强度值的波动性导致的传统指纹库不容易建立的问题,便于定位阶段获取较好的定位效果。
更进一步地,预先构建的概率密度公式为:
其中,所述r是预先构建的信号强度训练样本中的第i个监测端在第j个监测点监测到的试验终端的信号强度值,所述pi,j是概率密度,所述s是第i个监测端对待测终端进行监测时得到的当前信号强度值,所述K是核函数,所述M是监测到的所述r的总个数,所述h是平滑参数,所述m是表示在第i个监测端的第j个监测点的第m次监测。
可以理解的是,在该种实现方式中,监测端在一段时间内对其所涵盖的任一监测点采样M个信号强度值,并将r值代入概率密度公式后得到概率密度函数,并将概率密度函数作为指纹的一个特征,进而可以在监测端在监测到待测终端的当前信号强度值为s时,可求解当前信号强度值为s时的概率密度。
更进一步地,该基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度以及坐标,利用预先构建的加权位置求解公式,计算该待测终端所在的位置,包括:基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度,计算已知当前信号强度值的情况下所得到的监测点坐标的后验概率;基于该后验概率和该后验概率所对应的监测点坐标,利用预先构建的加权位置求解公式,计算该待测终端所在的位置。
可以理解的是,在该种实现方式中,对概率密度进行积分运算可得到在已知位置坐标的条件下取得当前信号强度值的先验概率,再根据朴素贝叶斯定理可知该先验概率等于已知当前信号强度值的情况下所得到的监测点坐标的后验概率,则将该后验概率和其对应的监测点坐标代入预设的加权位置求解公式,即可计算得到待测终端所在的位置。
具体地,利用积分运算对先验概率进行计算的计算公式为:
其中,该ε为一个无限小的正数,该P(s|Xj)为上述所提及的先验概率,pi,j(s)为概率密度概率密度函数,该s是第i个监测端对待测终端进行监测时得到的当前信号强度值,该i为第i个监测端,该j为第j个监测点。
更进一步地,该基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度,计算已知当前信号强度值的情况下所得到的监测点坐标的后验概率,包括:基于朴素贝叶斯算法和当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度,计算已知当前信号强度值的情况下所得到的监测点坐标的后验概率。
可以理解的是,在该种实现方式中,可以结合朴素贝叶斯算法和所获取的概率密度,计算已知当前信号强度值的情况下所得到的监测点坐标的后验概率。
更进一步地,该基于该后验概率和该后验概率所对应的监测点坐标,利用预设加权位置求解公式,计算该待测终端所在的位置,包括:提取前K个按照由大到小顺序排列的后验概率,并将该后验概率作为该后验概率所对应的监测点坐标的权重,其中,K≥1;将该权重和该权重所对应的监测点坐标代入预设加权位置求解公式,计算该待测终端所在的位置。
可以理解的是,在该种实现方式中,通过基于核概率密度计算先验概率,再由数学关系将先验概率转换为后验概率,并提取前K个最大的后验概率进行计算,可减少其他具有较小值的后验概率对定位精度的影响,从而提高对待测终端的定位精度。
更进一步地,该预先构建的加权位置求解公式为:
其中,该K是提取的按照由大到小顺序排列的后验概率的个数,该k是提取的第k个后验概率,该P(Xj|S)是取得信号强度值为S的条件下在坐标位于该监测点Xj的后验概率,该S是信号强度值,该Xj是监测点处的坐标,该为该待测终端所在的位置。
可以理解的是,以下似然函数:
给出了信号强度值S和第i个监测端对待测终端进行监测时得到的当前信号强度值s之间的关系,此为现有技术,在此不做赘述。
第二方面,相应于上述方法实施例,本发明实施例还提供了一种室内定位系统,该系统适用于服务器,且该服务器与多个监测端建立通信连接,如图2所示,该室内定位系统可以包括:获取单元201、匹配单元202、指纹库构建单元203、概率密度计算单元204、定位计算单元205和加权位置求解公式构建单元206;
该获取单元201,用于分别获取由各个监测端监测到的待测终端的当前信号强度值;
该匹配单元202,用于基于该当前信号强度值和该当前信号强度值所对应的监测端的身份标识,与该指纹库构建单元203预先构建的指纹库中的指纹进行匹配,获取当前信号强度值在各个监测端各自所涵盖的各个的监测点所对应的概率密度函数以及坐标,其中,该预先构建的指纹库中的任一指纹均包括:监测端的身份标识,该监测端对应的各个监测点的坐标,各个监测点的坐标处的各个信号强度值所对应的概率密度函数;
该概率密度计算单元204,用于将所述当前信号强度值代入由匹配单元202获取的各个监测端各自所涵盖的各个的监测点所对应的概率密度函数,计算各个监测端各自所涵盖的各个的监测点所对应的概率密度;
该定位计算单元205,用于基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度以及坐标,利用加权位置求解公式构建单元206预先构建的加权位置求解公式,计算该待测终端所在的位置。
本发明实施例中,通过两个阶段实现室内定位,第一阶段为指纹库的训练阶段,第二阶段为定位阶段;其中,在指纹库的训练阶段,预先构建指纹库,其中指纹库中的每个指纹均包括监测端的身份标识,该监测端对应的各个监测点的坐标,各个监测点的坐标处的各个信号强度值所对应的概率密度函数;在定位阶段,各个监测端获取在各个监测点所监测到待测终端的当前信号强度值,并通过监测端的身份标识获取身份标识能够匹配成功的指纹,从而得到匹配的指纹中的概率密度函数和坐标;进而通过将当前信号强度值代入相对应的概率密度函数中计算各个监测端的各个监测点所对应的概率密度,进而通过概率密度、每个概率密度对应的坐标和预设加权位置求解公式,即可计算出待测终端所在的位置。也就是说,将现有技术中直接通过信号强度值进行计算实现定位的方式,转换为基于概率密度函数的定位方式进行计算,解决了直接通过信号强度值进行定位中直接采取朴素贝叶斯定位算法所存在如背景技术中所描述的技术问题,在提高室内定位精度的同时,减少了训练时间,降低了定位成本。
更进一步地,该指纹库构建单元203预先构建指纹库的过程具体为:
分别构建各个监测端所对应的信号强度训练样本,其中,每一监测端所对应的该信号强度训练样本由该监测端在该监测端所涵盖的各个监测点监测到的试验终端的信号强度值组成;
基于各个监测端所对应的该信号强度训练样本和概率密度公式构建单元预先构建的概率密度公式,构建该各个监测端在所涵盖的各个监测点获取的试验终端的信号强度值时所对应的概率密度函数;
基于各个监测端的监测点坐标、各个监测端所涵盖的监测点获取的试验终端的信号强度值和各个监测端在该监测点得到对应信号强度值所对应的概率密度函数构建指纹,并将所有指纹组成指纹库。
更进一步地,该概率密度公式构建单元预先构建的概率密度公式为:
其中,该r是预先构建的信号强度训练样本中的第i个监测端在第j个监测点监测到的试验终端的信号强度值,该pi,j是概率密度,该s是第i个监测端对待测终端进行监测时得到的当前信号强度值,该K是核函数,该M是监测到的该r的总个数,该h是平滑参数,该m是表示在第i个监测端的第j个监测点第m次监测。
更进一步地,该定位计算单元205,包括:
后验概率计算子单元,用于基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度,计算已知当前信号强度值的情况下所得到的监测点坐标的后验概率;
位置计算子单元,用于基于该后验概率和该后验概率所对应的监测点坐标,利用加权位置求解公式构建单元预先构建的加权位置求解公式,计算该待测终端所在的位置。
更进一步地,该后验概率计算子单元包括:
第一后验概率计算子单元,用于基于朴素贝叶斯算法和当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度,计算已知当前信号强度值的情况下所得到的监测点坐标的后验概率。
更进一步地,该位置计算子单元,包括:
提取子单元,用于提取前K个按照由大到小顺序排列的后验概率,并将该后验概率作为该后验概率所对应的监测点坐标的权重,其中,K≥1;
求解子单元,用于将该权重和该权重所对应的监测点坐标代入加权位置求解公式构建单元预先构建的加权位置求解公式,计算该待测终端所在的位置。
更进一步地,该加权位置求解公式构建单元预先构建的加权位置求解公式为:
其中,该K是提取的按照由大到小顺序排列的后验概率的个数,该k是提取的第k个后验概率,该P(Xj|S)是取得信号强度值为S的条件下在坐标位于该监测点Xj的后验概率,该S是信号强度值,该Xj是监测点处的坐标,该为该待测终端所在的位置。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种室内定位方法,其特征在于,适用于服务器,所述服务器与多个监测端建立通信连接,所述方法包括:
分别获取由各个监测端监测到的待测终端的当前信号强度值;
基于所述当前信号强度值和所述当前信号强度值所对应的监测端的身份标识,与预先构建的指纹库中的指纹进行匹配,获取当前信号强度值在各个监测端各自所涵盖的各个的监测点所对应的概率密度函数以及坐标,其中,所述预先构建的指纹库中的任一指纹均包括:监测端的身份标识,该监测端对应的各个监测点的坐标,各个监测点的坐标处的各个信号强度值所对应的概率密度函数;
将所述当前信号强度值代入各个监测端各自所涵盖的各个的监测点所对应的概率密度函数,计算各个监测端各自所涵盖的各个的监测点所对应的概率密度;
基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度以及坐标,利用预先构建的加权位置求解公式,计算所述待测终端所在的位置。
2.根据权利要求1所述的方法,其特征在于,所述指纹库的构建过程包括:
分别构建各个监测端所对应的信号强度训练样本,其中,每一监测端所对应的所述信号强度训练样本由该监测端在该监测端所涵盖的各个监测点监测到的试验终端的信号强度值组成;
基于各个监测端所对应的所述信号强度训练样本和预先构建的概率密度公式,构建所述各个监测端在所涵盖的各个监测点获取的试验终端的信号强度值时所对应的概率密度函数;
基于各个监测端的监测点坐标、各个监测端所涵盖的监测点获取的试验终端的信号强度值和各个监测端在该监测点得到对应信号强度值所对应的概率密度函数构建指纹,并将所有指纹组成指纹库。
3.根据权利要求2所述的方法,其特征在于,所述预先构建的概率密度公式为:
其中,所述r是预先构建的信号强度训练样本中的第i个监测端在第j个监测点监测到的试验终端的信号强度值,所述pi,j是概率密度,所述s是第i个监测端对待测终端进行监测时得到的当前信号强度值,所述K是核函数,所述M是监测到的所述r的总个数,所述h是平滑参数,所述m是表示在第i个监测端的第j个监测点的第m次监测。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度以及坐标,利用预先构建的加权位置求解公式,计算所述待测终端所在的位置,包括:
基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度,计算已知当前信号强度值的情况下所得到的监测点坐标的后验概率;
基于所述后验概率和所述后验概率所对应的监测点坐标,利用预先构建的加权位置求解公式,计算所述待测终端所在的位置。
5.根据权利要求4所述的方法,其特征在于,所述基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度,计算已知当前信号强度值的情况下所得到的监测点坐标的后验概率,包括:
基于朴素贝叶斯算法和当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度,计算已知当前信号强度值的情况下所得到的监测点坐标的后验概率。
6.根据权利要求5所述的方法,其特征在于,所述基于所述后验概率和所述后验概率所对应的监测点坐标,利用预先构建的加权位置求解公式,计算所述待测终端所在的位置,包括:
提取前K个按照由大到小顺序排列的后验概率,并将所述后验概率作为所述后验概率所对应的监测点坐标的权重,其中,K≥1;
将所述权重和所述权重所对应的监测点坐标代入预先构建的加权位置求解公式,计算所述待测终端所在的位置。
7.根据权利要求6所述的方法,其特征在于,所述预先构建的加权位置求解公式为:
其中,所述K是提取的按照由大到小顺序排列的后验概率的个数,所述k是提取的第k个后验概率,所述P(Xj|S)是取得信号强度值为S的条件下在坐标位于该监测点Xj的后验概率,所述S是信号强度值,所述Xj是监测点处的坐标,所述是待测终端所在的位置。
8.一种室内定位系统,其特征在于,适用于服务器,所述服务器与多个监测端建立通信连接,所述系统包括:
获取单元,用于分别获取由各个监测端监测到的待测终端的当前信号强度值;
匹配单元,用于基于所述当前信号强度值和所述当前信号强度值所对应的监测端的身份标识,与指纹库构建单元预先构建的指纹库中的指纹进行匹配,获取当前信号强度值在各个监测端各自所涵盖的各个的监测点所对应的概率密度函数以及坐标,其中,所述预先构建的指纹库中的任一指纹均包括:监测端的身份标识,该监测端对应的各个监测点的坐标,各个监测点的坐标处的各个信号强度值所对应的概率密度函数;
概率密度计算单元,用于将所述当前信号强度值代入由匹配单元获取的各个监测端各自所涵盖的各个的监测点所对应的概率密度函数,计算各个监测端各自所涵盖的各个的监测点所对应的概率密度;
定位计算单元,用于基于当前信号强度值在各个监测端各自所涵盖的各个监测点所对应的概率密度以及坐标,利用加权位置求解公式构建单元预先构建的加权位置求解公式,计算所述待测终端所在的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610071679.2A CN105764137A (zh) | 2016-02-02 | 2016-02-02 | 一种室内定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610071679.2A CN105764137A (zh) | 2016-02-02 | 2016-02-02 | 一种室内定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105764137A true CN105764137A (zh) | 2016-07-13 |
Family
ID=56342938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610071679.2A Pending CN105764137A (zh) | 2016-02-02 | 2016-02-02 | 一种室内定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105764137A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108566625A (zh) * | 2018-03-15 | 2018-09-21 | 重庆邮电大学 | 基于软件定义网络的WiFi定位方法 |
CN108600943A (zh) * | 2018-04-08 | 2018-09-28 | 上海交通大学 | 一种基于低功耗蓝牙rss的无钥匙系统定位方法 |
CN110191508A (zh) * | 2019-05-31 | 2019-08-30 | 北京众行智能科技有限公司 | 基于已有无线组网的矿井隧道内定位方法及定位移动终端 |
CN110824514A (zh) * | 2018-08-14 | 2020-02-21 | 中国电信股份有限公司 | 指纹定位方法和装置、计算机可读存储介质 |
CN111225334A (zh) * | 2018-11-23 | 2020-06-02 | 中国移动通信集团有限公司 | 一种定位方法、终端及计算机可读存储介质 |
CN113794986A (zh) * | 2021-10-29 | 2021-12-14 | 上海工程技术大学 | 一种基于rssi概率分布的加权定位方法 |
EP4242683A1 (en) * | 2022-03-07 | 2023-09-13 | HAN Networks Co., Ltd. | Indoor positioning method based on rssi fingerprints |
CN118075873A (zh) * | 2024-04-19 | 2024-05-24 | 浙江口碑网络技术有限公司 | 基于无线网络数据的定位方法、数据处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104507050A (zh) * | 2014-11-24 | 2015-04-08 | 北京航空航天大学 | 一种WiFi室内定位中概率型指纹匹配方法 |
CN104640201A (zh) * | 2014-12-31 | 2015-05-20 | 智慧城市信息技术有限公司 | 基于wifi指纹技术的定位方法和装置 |
CN104853435A (zh) * | 2015-05-26 | 2015-08-19 | 北京京东尚科信息技术有限公司 | 一种基于概率的室内定位方法和装置 |
CN104883734A (zh) * | 2015-05-12 | 2015-09-02 | 北京邮电大学 | 一种基于地理指纹的室内被动定位方法 |
-
2016
- 2016-02-02 CN CN201610071679.2A patent/CN105764137A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104507050A (zh) * | 2014-11-24 | 2015-04-08 | 北京航空航天大学 | 一种WiFi室内定位中概率型指纹匹配方法 |
CN104640201A (zh) * | 2014-12-31 | 2015-05-20 | 智慧城市信息技术有限公司 | 基于wifi指纹技术的定位方法和装置 |
CN104883734A (zh) * | 2015-05-12 | 2015-09-02 | 北京邮电大学 | 一种基于地理指纹的室内被动定位方法 |
CN104853435A (zh) * | 2015-05-26 | 2015-08-19 | 北京京东尚科信息技术有限公司 | 一种基于概率的室内定位方法和装置 |
Non-Patent Citations (2)
Title |
---|
LING PEI等: ""Inquiry-based Bluetooth Indoor Positioning via RSSI Probability Distributions"", 《2010 SECOND INTERNATIONAL CONFERENCE ON ADVANCES IN SATELLITE AND SPACE COMMUNICATIONS》 * |
李奕诺等: ""基于动态环境衰减的粒子滤波室内定位算法"", 《计算机应用》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108566625A (zh) * | 2018-03-15 | 2018-09-21 | 重庆邮电大学 | 基于软件定义网络的WiFi定位方法 |
CN108600943A (zh) * | 2018-04-08 | 2018-09-28 | 上海交通大学 | 一种基于低功耗蓝牙rss的无钥匙系统定位方法 |
CN110824514A (zh) * | 2018-08-14 | 2020-02-21 | 中国电信股份有限公司 | 指纹定位方法和装置、计算机可读存储介质 |
CN111225334A (zh) * | 2018-11-23 | 2020-06-02 | 中国移动通信集团有限公司 | 一种定位方法、终端及计算机可读存储介质 |
CN111225334B (zh) * | 2018-11-23 | 2022-04-12 | 中国移动通信集团有限公司 | 一种定位方法、终端及计算机可读存储介质 |
CN110191508A (zh) * | 2019-05-31 | 2019-08-30 | 北京众行智能科技有限公司 | 基于已有无线组网的矿井隧道内定位方法及定位移动终端 |
CN110191508B (zh) * | 2019-05-31 | 2021-06-29 | 北京众行智能科技有限公司 | 基于已有无线组网的矿井隧道内定位方法及定位移动终端 |
CN113794986A (zh) * | 2021-10-29 | 2021-12-14 | 上海工程技术大学 | 一种基于rssi概率分布的加权定位方法 |
EP4242683A1 (en) * | 2022-03-07 | 2023-09-13 | HAN Networks Co., Ltd. | Indoor positioning method based on rssi fingerprints |
CN118075873A (zh) * | 2024-04-19 | 2024-05-24 | 浙江口碑网络技术有限公司 | 基于无线网络数据的定位方法、数据处理方法 |
CN118075873B (zh) * | 2024-04-19 | 2024-06-21 | 浙江口碑网络技术有限公司 | 基于无线网络数据的定位方法、数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105764137A (zh) | 一种室内定位方法及系统 | |
Han et al. | Cosine similarity based fingerprinting algorithm in WLAN indoor positioning against device diversity | |
CN102680825B (zh) | 系统级电磁兼容故障诊断中的干扰源辨识方法 | |
CN105813194A (zh) | 基于指纹数据库二次校正的室内定位方法 | |
EP2928243A1 (en) | Method for the indoor positioning of wireless local area network (WLAN) devices | |
CN105223546A (zh) | 基于接收信号强度和参考点位置双聚类的室内定位方法 | |
CN105301558A (zh) | 一种基于蓝牙位置指纹的室内定位方法 | |
CN104066172B (zh) | 一种对无线局域网中的ap进行定位的方法 | |
CN103533650A (zh) | 一种基于余弦相似度提高定位精度的室内定位方法 | |
CN105137390A (zh) | 一种基于可调发射功率ap的室内定位方法 | |
CN104883734A (zh) | 一种基于地理指纹的室内被动定位方法 | |
CN104519571A (zh) | 一种基于rss的室内定位方法 | |
CN106646339A (zh) | 一种无线位置指纹室内定位中在线匹配定位方法 | |
CN104093202B (zh) | 一种环境自适应的无设备目标定位方法 | |
CN106102163A (zh) | 基于rss线性相关与二次加权质心算法的wlan指纹定位方法 | |
CN103517285A (zh) | 一种天线覆盖性能评估方法及系统 | |
CN103338510A (zh) | 一种基于rssi的无线传感器网络的定位方法 | |
CN104540221A (zh) | 基于半监督sde算法的wlan室内定位方法 | |
CN102685887A (zh) | 一种无线传感网络中节点定位的方法、装置及系统 | |
Wang et al. | Research on APIT and Monte Carlo method of localization algorithm for wireless sensor networks | |
CN105682048A (zh) | 蜂窝网环境下基于pca的子空间匹配室内指纹定位方法 | |
CN103200597A (zh) | 一种面向无线传感网络的容错事件边界检测方法 | |
CN107436162A (zh) | 一种电网线路舞动发生预测方法和系统 | |
CN105163382A (zh) | 一种室内区域定位优化方法及系统 | |
CN105652235A (zh) | 基于线性回归算法的wlan室内定位多用户rss融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160713 |