CN106851573A - 基于对数路径损耗模型的联合加权k近邻室内定位方法 - Google Patents

Abstract

本发明公开了一种基于对数路径损耗模型的联合加权K近邻室内定位方法，包括以下步骤：1)构建离线指纹数据库；2)待定位终端实时扫描室内的各接入点信息，并根据扫描得到的接入点信息形成在线指纹，然后计算各在线指纹与离线指纹数据库中各离线指纹之间基于对数路径损耗模型的联合加权距离匹配度量函数的函数值；3)将步骤2)得到的各在线指纹与离线指纹数据库中各离线指纹之间基于对数路径损耗模型的联合加权距离匹配度量函数的函数值进行排序，并根据排序的结果选取K个最小函数值对应的参考点作为候选参考点；4)根据步骤3)选取的参考点估计待定位终端的位置坐标，该方法能够实现室内定位终端的精确定位。

Description

基于对数路径损耗模型的联合加权K近邻室内定位方法

技术领域

本发明属于无线通信、模式识别及室内定位领域，涉及一种基于对数路径损耗模型的联合加权K近邻室内定位方法。

背景技术

随着无线通信、计算机以及智能终端的快速发展，基于位置的服务(LocationBased Services，LBS)日益受到人们的关注和重视。虽然全球定位系统(GlobalPositioning System，GPS)目前在室外场景下得到了广泛的应用，但是由于卫星发射的无线电信号太弱，无法穿透高楼和墙壁，导致“城市峡谷”效应，因此，人们正寻求着新的室内定位方法。目前已经有多种方法和手段实现室内环境精确定位，这其中，基于无线局域网(Wireless Local Area Networks，WLAN)的指纹法室内定位系统受到广泛的欢迎。其原因是指纹法定位无需额外硬件成本，原则上仅使用终端设备如手机、平板电脑等在WLAN环境中即可实现定位。其基本原理是：在WLAN室内环境中，在离线采集阶段均匀选取多个参考点，用终端采集设备在这些参考点上采集室内环境中的各个无线访问接入点(AccessPoint，AP)的信号强度值。每个参考点的位置坐标与对应的接收信号强度(ReceivedSignal Strength，RSS)值以及AP的媒体访问控制(Media Access Control，MAC)地址一起构成一条位置指纹，将所有的位置指纹保存起来，形成离线指纹数据库。在线定位阶段，用户用终端实时收集所处位置接收到所有AP的RSS值，并将这些RSS值和对应的MAC地址上传到服务器。之后，服务器会用某种匹配算法将在用户上传的在线指纹数据与离线指纹数据库中的指纹进行匹配，从而得到用户的位置信息。

指纹法室内定位系统的定位算法可以分为两大类：匹配型算法和学习型算法。匹配型算法如最邻近(Nearest Neighbor，NN)算法、K临近(k Nearest Neighbor，KNN)算法、加权K临近(k Weighted Nearest Neighbor，WKNN)算法及朴素贝叶斯法(Naive BayesianModel，NBM)等。这类算法一般首先对离线指纹数据库中的RSS指纹进行统计分析或者预处理，定义某个距离匹配度量函数；在在线定位阶段则根据相应的距离匹配度量函数计算相似性最高或者离的最近的若干指纹，用户的位置由这些指纹对应的参考点的物理坐标加权得出。学习型算法如人工神经网络算法(Artificial Neural Network，ANN)和支持向量回归法(Support Vector Regression，SVR)，则是先对离线指纹数据库进行数据挖掘并提取定位特征，再将定位特征和对应的物理位置坐标作为一对训练样本输入学习机进行训练，从而得到RSS值与物理位置的映射函数关系；在线阶段，把实时测量的RSS向量直接输入离线阶段训练出的定位函数，即得定位结果。

传统的KNN算法首先计算实时测量到的RSS样本与指纹数据库中各个指纹对应的RSS均值之间的欧式距离，而后找出距离该实时RSS样本信号最近的K个指纹，平均或加权平均各个指纹的位置坐标即可得待测点的估计位置。但由于室内环境很复杂，RSS信号的传播会受到多径效应、同频无线电干扰、人体遮挡等因素的影响，这将导致RSS信号具有很强的时变性，这种时变性使得RSS与物理位置间不是简单的一一映射关系，而表现为复杂的、非线性映射关系。所以，与在线测试点信号空间上距离最近的离线参考点很可能并非是实际物理位置上距离最近的参考点，从而导致定位精度大幅降低。

此外，室内环境下一条指纹记录通常包含20～50个AP信息，属于高维矢量。而在高维数据空间中，对于给定的查询点，当用某个距离度量函数度量时，与该查询点最近的邻居数据点到该查询点的距离D_min和与之最远的邻居数据点到该查询点之间的距离D_max的差异一般很小，这种现象即称之为“维数灾难”。如对于p范数准则：其中:为两个m维矢量，x_i,y_i分别为其第i个特征分量。随着数据维数m的增长，会以m^1/p-1/2规律增长，故只有当p＝1即使用1范数准则时，会随m增大而增大。另一方面，每条指纹不同的特征分量(即不同的AP信息)在定位中的可用程度不同，如图2所示。信号强度高时，受波动影响小，处于定位的可用区域；信号强度衰减到约-80dbm以下时，受室内环境下各因素影响大，处于定位不可用区域；因此需要为每一维分量在距离匹配度量函数中的对应项赋予不同权重来反映它们可用程度的大小。

与此同时，对数路径损耗模型(Logarithmic Distance Path Loss Model，LDPL)下信号的衰减速度会随着距离的增加而减慢，如图2所示，这将导致与在线测试点有相同信号间距离的离线参考点并不一定与在线测试点有相同的空间物理距离(d₂≈3d₁)。故不同取值水平上的信号强度值反映在距离匹配度量函数中的作用不尽相同，从而严重的影响了定位的精度。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于对数路径损耗模型的联合加权K近邻室内定位方法，该方法能够实现室内定位终端的精确定位。

为达到上述目的，本发明所述的基于对数路径损耗模型的联合加权K近邻室内定位方法包括以下步骤：

1)构建离线指纹数据库；

2)待定位终端实时扫描室内的各接入点信息，并根据扫描得到的接入点信息形成在线指纹，然后计算各在线指纹与离线指纹数据库中各离线指纹之间基于对数路径损耗模型的联合加权距离匹配度量函数的函数值；

3)将步骤2)得到的各在线指纹与离线指纹数据库中各离线指纹之间基于对数路径损耗模型的联合加权距离匹配度量函数的函数值进行排序，并根据排序的结果选取K个最小函数值对应的参考点作为候选参考点；

4)根据步骤3)选取的候选参考点估计待定位终端的位置坐标，完成基于对数路径损耗模型的联合加权K近邻室内定位。

构建离线指纹数据库的具体操作为：

a1)将待定位区域划分为均匀的参考点网格，并将参考点网格的四个顶点作为离线参考点；

a2)通过移动终端在待定位区域内各离线参考点处采集无线接入点的信号强度信息，再根据无线接入点的信号强度信息与其物理地址构建信号强度向量，再通过信号强度向量与离线参考点的位置坐标构建离线指纹，然后再根据所有离线参考点对应的离线指纹构建离线指纹数据库。

在每个离线参考点处朝向四个方向分别进行N次无线接入点的信号强度信息采样，再分别对每个方向上的N个无线接入点的信号强度信息求平均值，得四个样本均值向量，其中，一个离线参考点对应四个样本均值向量，再根据四个样本均值向量及对应离线参考点的位置坐标构建离线指纹。

基于对数路径损耗模型的联合加权距离匹配度量函数的计算方法为：

室内空间中点l处接收到接入点j发射的信号强度RSS_l为：

其中，d₀为参考距离，为参考能量，d_l为点l到接入点j的距离，为点l处的接收能量，β为路径损耗因子。

由式(1)得室内空间中点l₁与点l₂之间的信号距离dis_RSS为：

其中，RSS₁及RSS₂分别为在点l₁和点l₂处接收到接入点j发射的信号强度，d₁及d₂分别为点l₁及点l₂到接入点j的距离；

室内空间中点l₁与点l₂之间的物理距离dis_phy为：

由式(3)得室内空间中点l₁与点l₂之间的基于对数路径损耗模型的联合加权距离匹配度量函数为：

其中，M为在线阶段检测到接入点的个数，RSS_j为在线指纹中来自第j个接入点的接收信号强度，RSS_ij为第i个参考点处接收到第j个接入点信号的信号强度，p为距离计算系数；

令p＝1，则式(4)转换为：

对在线指纹中RSS取值水平高的特征分量赋予高权重，对RSS取值水平低的特征分量赋予低权重；

则第j个特征分量的高维矢量加权系数w_j为：

其中，RSS_i为在线指纹的第i个特征分量，K为在线指纹矢量总维数；

则式(5)可以转换为：

设在线指纹第j个特征分量的特征缩放权因子为：

其中，RSS_j为在线指纹的第j个特征分量，v(·)满足以下两个条件：1)v(·)取值为正实数，2)随自变量的增大，v(·)为取值递减的等差数列，f(·)满足以下两个条件：1)当自变量为正时，f(·)取值为正，2)f(·)应为斜率逐渐减小的增函数；

则式(7)转换为：

本发明具有以下有益效果：

本发明所述的基于对数路径损耗模型的联合加权K近邻室内定位方法在具体操作时，通过计算各在线指纹与离线指纹数据库中各离线指纹之间基于对数路径损耗模型的联合加权距离匹配度量函数的函数值，并将计算的结果进行排序，然后再根据排序的结果选取参考点，并根据选取的参考点估计待定位终端的位置坐标，从而实现定位终端的定位，需要说明的是，本发明以基于对数路径损耗模型的联合加权距离匹配度量函数的函数值作为衡量标准选取参考点，从而有效的提高定位的精确性。

进一步，所述对数路径损耗模型的联合加权距离匹配度量函数中以离线参考点与在线测试点之间的物理距离代替信号距离并联合使用了一种高维矢量加权系数以及一种特征缩放权因子，从而有效的提高定位的精度。

附图说明

图1为本发明的原理图；

图2为LDPL模型下信号传播规律示意图；

图3为本发明的测试环境平面图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

参考图1，本发明所述的基于对数路径损耗模型的联合加权K近邻室内定位方法包括以下步骤：

1)构建离线指纹数据库；

2)待定位终端实时扫描室内的各接入点信息，并根据扫描得到的接入点信息形成在线指纹，然后计算各在线指纹与离线指纹数据库中各离线指纹之间基于对数路径损耗模型的联合加权距离匹配度量函数的函数值；

3)将步骤2)得到的各在线指纹与离线指纹数据库中各离线指纹之间基于对数路径损耗模型的联合加权距离匹配度量函数的函数值进行排序，并根据排序的结果选取K个最小函数值对应的参考点作为候选参考点；

4)根据步骤3)选取的候选参考点估计待定位终端的位置坐标，完成基于对数路径损耗模型的联合加权K近邻室内定位。

构建离线指纹数据库的具体操作为：

a1)将待定位区域划分为均匀的参考点网格，并将参考点网格的四个顶点作为离线参考点；

a2)通过移动终端在待定位区域内各离线参考点处采集无线接入点的信号强度信息，再根据无线接入点的信号强度信息与其物理地址构建信号强度向量，再通过信号强度向量与离线参考点的位置坐标构建离线指纹，然后再根据所有离线参考点对应的离线指纹构建离线指纹数据库。

在每个离线参考点处朝向四个方向分别进行N次无线接入点的信号强度信息采样，再分别对每个方向上的N个无线接入点的信号强度信息求平均值，得四个样本均值向量，其中，一个离线参考点对应四个样本均值向量，再根据四个样本均值向量及对应离线参考点的位置坐标构建离线指纹。

基于对数路径损耗模型的联合加权距离匹配度量函数的计算方法为：

室内空间中点l处接收到接入点j发射的信号强度RSS_l为：

其中，d₀为参考距离，为参考能量，d_l为点l到接入点j的距离，为点l处的接收能量，β为路径损耗因子。

由式(1)得室内空间中点l₁与点l₂之间的信号距离dis_RSS为：

其中，RSS₁及RSS₂分别为在点l₁和点l₂处接收到接入点j发射的信号强度，d₁及d₂分别为点l₁及点l₂到接入点j的距离；

室内空间中点l₁与点l₂之间的物理距离dis_phy为：

由式(3)得室内空间中点l₁与点l₂之间的基于对数路径损耗模型的联合加权距离匹配度量函数为：

其中，M为在线阶段检测到接入点的个数，RSS_j为在线指纹中来自第j个接入点的接收信号强度，RSS_ij为第i个参考点处接收到第j个接入点信号的信号强度，p为距离计算系数；

令p＝1，则式(4)转换为：

对在线指纹中RSS取值水平高的特征分量赋予高权重，对RSS取值水平低的特征分量赋予低权重；

则第j个特征分量的高维矢量加权系数w_j为：

其中，RSS_i为在线指纹的第i个特征分量，K为在线指纹矢量总维数；

则式(5)可以转换为：

对不同取值水平上的信号强度赋予不同的特征缩放权因子，具体如下：

统计接收到所有接入点的信号强度，得信号强度最大值及信号强度最小值，再根据信号强度最大值及信号强度最小值设定边界，将整个信号强度区间划分成若干等间隔不重合的子区间，并为每个子区间分配一个特征缩放权因子，该特征缩放权因子选取应遵循以下两个原则：1)信号取值水平越高时，子区间对应的特征缩放权因子应越小；2)不同子区间特征缩放权因子的差异应随着信号取值水平的降低而减小。

设在线指纹第j个特征分量的特征缩放权因子为：

其中，RSS_j为在线指纹的第j个特征分量，v(·)为根据RSS_j所在子区间选取的任意一个正实数，相邻子区间v(·)的差值应相同，f(·)满足以下两个条件：1)当自变量为正时，f(·)取值为正，2)f(·)应为斜率逐渐减小的增函数；

则式(7)转换为：

实施例一

本实施例的测试环境为西安交通大学中心行政楼二楼大厅，整个实验环境大小为41.26m×26.10m，具体测试环境如图3所示，信号采集终端为安卓手机，具体过程为：

1)离线阶段信号指纹采集；在本次测试中，实验环境中参考点间隔为3.2m，由于空间限制，实验环境两翼参考点的间隔为2.4m或1.6m，一共有73个参考点，在每个参考点采集的信号强度值RSS来自环境中已有的接入点(AP)。在每个参考点上以200ms的采样间隔在四个方向上分别采集50s的RSS样本。

2)步骤1)中完成了信号采集工作之后，采集到的信息在放入数据库之前需要进行预处理，对每个参考点每一方向上同一个接入点采集到的多组RSS信息rss₁,rss₂,...,rss_n求平均，得均值其中，将各参考点四个方向的均值样本矢量分别存入数据库，即一个离线参考点对应四条指纹信息；

3)在线阶段，终端在测试点处持续扫描周围接入点信息，获得若干在线指纹，RSS的采样间隔为200ms，持续时间为50s，在线测试点的个数为100个；

4)对于每条在线指纹数据，计算其各特征分量的高维矢量加权系数其中，RSS_i表示在线指纹的第i个特征分量，K为在线指纹矢量总维数；

5)统计接收到的所有接入点的信号强度，从中找出信号强度最大值及信号强度最小值，根据信号强度最大值及信号强度最小值设定边界条件，将整个信号强度区间划分为若干等间隔不重合的子区间，其中，每个子区间的区间跨度为5dbm，共划分为10个子区间，如表1所示。

6)对于每条在线指纹数据，计算其各分量的特征缩放权因子其中，RSS_j为在线指纹的第j个特征分量，v(·)为根据RSS_j所在子区间选取的某一正实数，相邻子区间v(·)的差值相同，本实施例中选取值为1～10的自然数，如表1所示，f(·)满足以下两个条件：一、当自变量为正时，f(·)取值应为正。二、f(·)应为斜率逐渐减小的增函数。本实施例中取

7)遍历数据库中的所有参考点信息，计算它们与在线测试点的距离，其中，第i个参考点与在线测试点距离公式为：其中，M为在线阶段检测到的接入点个数，RSS_j为在线指纹中来自第j个接入点的接收信号强度，RSS_ij为第i个参考点处接收到第j个接入点信号的信号强度，β为路径损耗因子，实施例中β等于5，再找出K个最小的dis_phy值所对应的参考点，然后对它们的坐标加权平均，得到最后的定位结果，其中，K取10；

本实施例的定位结果如表2所示，对比算法分别为传统KNN算法、基于欧氏距离的联合加权KNN算法以及本发明中提出的基于LDPL的联合加权KNN算法，各方法的距离匹配度量函数分别为：

从表2中可以看出本发明的定位精度对比传统的KNN算法以及基于欧氏距离的联合加权KNN算法有明显的提升。

表1

表2

Claims (5)

1.一种基于对数路径损耗模型的联合加权K近邻室内定位方法，其特征在于，包括以下步骤：

1)构建离线指纹数据库；

2)待定位终端实时扫描室内的各接入点信息，并根据扫描得到的接入点信息形成在线指纹，然后计算各在线指纹与离线指纹数据库中各离线指纹之间基于对数路径损耗模型的联合加权距离匹配度量函数的函数值；

3)将步骤2)得到的各在线指纹与离线指纹数据库中各离线指纹之间基于对数路径损耗模型的联合加权距离匹配度量函数的函数值进行排序，并根据排序的结果选取K个最小函数值对应的参考点作为候选参考点；

4)根据步骤3)选取的候选参考点估计待定位终端的位置坐标，完成基于对数路径损耗模型的联合加权K近邻室内定位。

2.根据权利要求1所述的基于对数路径损耗模型的联合加权K近邻室内定位方法，其特征在于，构建离线指纹数据库的具体操作为：

a1)将待定位区域划分为均匀的参考点网格，并将参考点网格的四个顶点作为离线参考点；

a2)通过移动终端在待定位区域内各离线参考点处采集无线接入点的信号强度信息，再根据无线接入点的信号强度信息与其物理地址构建信号强度向量，再通过信号强度向量与离线参考点的位置坐标构建离线指纹，然后再根据所有离线参考点对应的离线指纹构建离线指纹数据库。

3.根据权利要求2所述的基于对数路径损耗模型的联合加权K近邻室内定位方法，其特征在于，在每个离线参考点处朝向四个方向分别进行N次无线接入点的信号强度信息采样，再分别对每个方向上的N个无线接入点的信号强度信息求平均值，得四个样本均值向量，其中，一个离线参考点对应四个样本均值向量，再根据四个样本均值向量及对应离线参考点的位置坐标构建离线指纹。

4.根据权利要求1所述的基于对数路径损耗模型的联合加权K近邻室内定位方法，其特征在于，

室内空间中点l处接收到接入点j发射的信号强度RSS_l为：

${\mathrm{RSS}}_l={\[P_{d_l}\]}_{dBm}=10\lg P_{d_0}-10\mathrm{\β}\lg \left(\frac{d_l}{d_0}\right)---\left(1\right)$

其中，d₀为参考距离，为参考能量，d_l为点l到接入点j的距离，为点l处的接收能量，β为路径损耗因子；

由式(1)得室内空间中点l₁与点l₂之间的信号距离dis_RSS为：

${\mathrm{dis}}_{RSS}={\mathrm{RSS}}_1-{\mathrm{RSS}}_2=10\mathrm{\β}\lg \left(\frac{d_2}{d_1}\right)---\left(2\right)$

其中，RSS₁及RSS₂分别为在点l₁和点l₂处接收到接入点j发射的信号强度，d₁及d₂分别为点l₁及点l₂到接入点j的距离；

室内空间中点l₁与点l₂之间的物理距离dis_phy为：

${\mathrm{dis}}_{phy}\≈d_2-d_1=({10}^{\frac{{\mathrm{dis}}_{RSS}}{10\mathrm{\β}}}-1)d_1---\left(3\right)$

由式(3)得室内空间中点l₁与点l₂之间的基于对数路径损耗模型的联合加权距离匹配度量函数为：

${\mathrm{dis}}_{{\mathrm{phy}}_i}={\left(\underset{j=1}{\overset{M}{\Σ}}{\left({10}^{\frac{({\mathrm{RSS}}_{ij}-{\mathrm{RSS}}_j)}{10\mathrm{\β}}}-1\right)}^p\right)}^{1/p}---\left(4\right)$

其中，M为在线阶段检测到接入点的个数，RSS_j为在线指纹中来自第j个接入点的接收信号强度，RSS_ij为第i个参考点处接收到第j个接入点信号的信号强度，p为距离计算系数。

5.根据权利要求4所述的基于对数路径损耗模型的联合加权K近邻室内定位方法，其特征在于，

令p＝1，则式(4)转换为：

${\mathrm{dis}}_{{\mathrm{phy}}_i}=\underset{j=1}{\overset{M}{\Σ}}|{10}^{\frac{({\mathrm{RSS}}_{ij}-{\mathrm{RSS}}_j)}{10\mathrm{\β}}}-1|---\left(5\right)$

对在线指纹中RSS取值水平高的特征分量赋予高权重，对RSS取值水平低的特征分量赋予低权重；

则第j个特征分量的高维矢量加权系数w_j为：

$w_j=\frac{1/\left|{\mathrm{RSS}}_j\right|}{\underset{i=1}{\overset{K}{\Σ}}1/\left|{\mathrm{RSS}}_i\right|}---\left(6\right)$

其中，RSS_i为在线指纹的第i个特征分量，K为在线指纹矢量总维数；

则式(5)可以转换为：

${\mathrm{dis}}_{{\mathrm{phy}}_i}=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}|{10}^{\frac{\left({\mathrm{RSS}}_{ij}-{\mathrm{RSS}}_j\right)}{10\mathrm{\β}}}-1|\×w_j---\left(7\right)$

设在线指纹第j个特征分量的特征缩放权因子为：

$w_j^{FS}=f\left(v\left({\mathrm{RSS}}_j\right)\right)---\left(8\right)$

其中，RSS_j为在线指纹的第j个特征分量，v(·)取值为正实数；随自变量的增大，v(·)为取值递减的等差数列；当自变量为正时，f(·)取值为正；f(·)为斜率逐渐减小的增函数；

则式(7)转换为：

${\mathrm{dis}}_{{\mathrm{phy}}_i}=\underset{j=1}{\overset{M}{\Σ}}|{10}^{\frac{({\mathrm{RSS}}_{ij}-{\mathrm{RSS}}_j)}{10\mathrm{\β}}}-1|\×w_j\×w_j^{FS}---\left(9\right).$