CN107576330A - 一种基于wlan指纹的室内动态感知策略的定位方法 - Google Patents
一种基于wlan指纹的室内动态感知策略的定位方法 Download PDFInfo
- Publication number
- CN107576330A CN107576330A CN201710800500.7A CN201710800500A CN107576330A CN 107576330 A CN107576330 A CN 107576330A CN 201710800500 A CN201710800500 A CN 201710800500A CN 107576330 A CN107576330 A CN 107576330A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- value
- rssi
- wlan
- 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
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
一种基于WLAN指纹的室内动态感知策略的定位方法,采用改进卡尔曼滤波的预处理方法,首先通过一种改进的KNN分类算法对测试位置采集到的RSSI指纹进行快速分类并计算测试点的粗糙坐标;然后利用移动设备内置三轴加速度传感器与室内已部署的WLAN热点,以动态感知策略为基础对室内定位技术进行了优化。本发明对传统卡尔曼滤波器进行优化,并压缩训练集和10‑折交叉验证对KNN算法进行改进,通过粗糙定位和动态校准提升了基于指纹相关的WLAN定位技术的精度,可以降低指纹数据库的规模减少数据库建造成本,改善WLAN信号在室内传播的衰减带来的精度误差。
Description
技术领域
本发明涉及定位方法技术领域,具体涉及一种基于WLAN指纹的室内动态感知策略的定位方法。
背景技术
随着智能手机的普及,以及无线通信技术的大规模发展,基于位置的服务(Location Based Services,LBS)在移动市场上的需求与日俱增,其相关应用在军事、交通、民生等各领域都有广泛的使用场景,例如路线规划导航、餐饮娱乐推荐、商场等大型室内外公共场所定位等。其中,定位作为LBS的核心服务需要满足在成本和精度等方面的诸多要求。
近年来,WLAN技术的快速发展和普及不断为室内定位领域带来新的可能,其相关技术的研究一直是国内外的热点话题,并由此产出了一系列优秀的定位系统成果。
RADAR是一种由Bahl P等人于2000年提出的基于无线电频率的室内定位及追踪系统,它通过记录和处理传播范围涵盖整个测量空间的基站所发射的信号强度信息来实现定位。该系统的实现具体可分为两个步骤:首先将从基站采集的RSSI样本作为当前位置的信号特征;其次利用当前RSSI样本特征获得坐标及方向,该步骤又可通过两种方式实现:第一种方式利用最近邻居算法,将样本特征与离线数据库内的样本集进行匹配,距离最小的样本所处的位置就是观测点的当前坐标;第二种方式是将样本特征代入基于壁衰减系数和地衰减系数的信号传播模型中求得坐标。RADAR算法在空旷的走廊环境中的定位精度为2–3米。随后Bahl P等人又于同年提出了基于概率统计模型,提高了33%的定位精度。
Horus是一种基于WLAN无线电频率的联合聚类定位系统,由Moustafa等人于2005年提出。Horus在此基础上提出了一种聚类划分算法:在离线阶段按照样本所在的位置进行区域划分;在在线阶段,通过匹配算法找到观测样本属于的区域,之后将其在子区域中再进行匹配,最终得到观测点的估计坐标。实验结果表明,该系统中超过90%的测试结果精度都在2.1米以内。
Battiti等人在2002年中提出了一种基于神经网络的WLAN定位系统,该系统采用具有三个输入单元、八个隐藏层单元和两个输出单元的多层感知器架构,这种架构可以获得最低的训练及测试误差,且可较好地避免数据过拟合。实验结果表明,该系统的平均定位精度为2.3米,且在训练过程中不需要提前获悉各基站的坐标。
上述典型的室内定位系统都是通过对采集到的WLAN信号样本集设计不同的匹配算法来实现精准定位。虽然这些系统在特定的环境下能够满足定位应用的基本需求,但是由于在传播过程中受到各种干扰的影响,即使是在同一个位置采集到的WLAN信号值也可能随着时间而发生变化,这导致这类完全依靠WLAN信号实现的定位系统始终存在难以消除的不确定误差。因此,近年来许多研究都试图在基于WLAN的定位系统中使用别的定位技术作为辅助来提高定位精度。主要有以下几方面:
1)一种融合Wi-Fi和Bluetooth的室内定位系统。该系统的实现可分为两个阶段:在离线阶段建立Wi-Fi接收信号强度值和根据信号衰减模型预测的接收信号强度值的样本数据库;在定位阶段,计算各样本点的Wi-Fi接收信号强度值和接收信号强度值与待测位置中此两项特征间的距离,距离值最小的样本点坐标即为待测位置的估计坐标。实验结果表明,在同等环境下,融合Wi-Fi和Bluetooth的定位方法精度为2.21米,效果优于仅使用Wi-Fi进行定位的方法精度2.73米。然而鉴于该方法获取的Bluetooth接收信号强度是由信号衰减模型预测而来,因此并不能完全满足如今定位应用的开发要求。
2)一种基于Wi-Fi与手机内嵌加速度传感器的定位方法。该方法在传统策略的基础上,增加了对用户当前朝向的判断,通过检索特定朝向的离线数据库来提高定位的效率。具体做法如下:根据观察到的用户身体朝向对信号值的影响特性,为传统信号衰减模型添加一个朝向影响因子;离线数据库的建立过程中用该模型生成各参考点的RSSI值并将数据库按照朝向分类;在线阶段通过加速度传感器和罗盘传感器获得用户朝向,并将当前位置采集到的RSSI值代入到指定朝向的子数据库中进行匹配,最终达到提高定位系统精度的目的。但是这种方法容易受到Wi-Fi信号采集质量的影响且无法保障信号衰减模型能够适应各种复杂多变的室内环境。
3)一种融合惯性导航和Wi-Fi地标来实现定位,具体做法分为两个阶段:首先通过惯性导航的方法来计算用户位置;其次将室内环境中独特的物理环境惯性导航进行位置校准。这种定位方法能达到2米的定位精度。但该方法极易受到手机方向变化的影响,定位性能不太稳定。
综上所述,WLAN相关的定位技术可以分为基于WLAN实现与多技术混合实现两大类。其中,基于WLAN实现的定位技术一般分为离线和在线两个阶段:离线阶段建立WLAN信号特征和环境特征间的对应关系;在线阶段根据建立的关系为待测点WLAN信号特征寻找合适的环境特征,并由此计算待测点坐标。该类方法实现简单,但是需要选择合适的WLAN信号特征进行采集,并选择高效的关系匹配算法。多技术混合的定位方法常作为WLAN定位技术的辅助,通过引入其他设备判断WLAN定位的结果是否准确。
发明内容
为克服上述现有技术的不足,本发明的目的在于提供一种基于WLAN指纹的室内动态感知策略的定位方法。本发明从定位算法的成本、效率、精度三个要素入手,实现了一种基于改进卡尔曼滤波和动态感知策略的定位系统,该方法是一种混合定位技术,利用手机内嵌的加速度传感器来校准通过基于WLAN信号强度的定位方法得到的位置信息。
为实现上述目的,本发明采用的技术方案如下:
一种基于WLAN指纹的室内动态感知策略的定位方法,利用改进的卡尔曼滤波算法对指纹预处理,得到可靠的指纹数据库,再利用KNN快速建库,在此基础上利用移动设备内置的加速度传感器与室内已部署的WLAN热点,以动态感知策略为基础,实现了室内定位的动态感知,其特征在于,具体包括以下步骤:
步骤S1,用户持终端设备完成行走和静止两种运动,采集移动终端的加速度传感器的读值和指定参考位置的RSSI值,得到指纹数据,终端设备由此建立基于贝叶斯的运动状态感知模型;
步骤S2,利用改进的卡尔曼滤波算法对S1采集的RSSI值进行预处理;
步骤S3,利用KNN模型对步骤S2处理过的指纹数据作为训练集,压缩后实现快速建库,并利用10-折交叉验证确定KNN算法的K值,得到改进的KNN算法;
步骤S4,实时在线采集移动终端的RSSI值和加速度传感器读值,通过加速度传感器采集到的数据判断用户移动状态;当用户处于行走状态时,利用步骤S3得到的改进的KNN算法进行判别,采用动态感知策略进行位置校准,实现基于WLAN指纹的定位以及结果优化。
步骤S1包括以下步骤:
步骤S11,使用终端设备内嵌的加速度传感器,采集终端设备在用户的各种运动状态下的加速度传感器读值;建立贝叶斯模型,保存参数在拟使用数据库中;
步骤S12,获取实验环境平面图与各AP位置,采集AP距离与RSSI值。
所述步骤S11中,利用三轴加速度传感器感知终端设备水平移动的X轴数据、感知终端设备纵向上下移动的Y轴数据、感知终端设备前后移动的Z轴数据中,仅对三轴加速度传感器Z轴数据进行采集、分析。
所述步骤S2包括以下步骤:
步骤S21,改进卡尔曼滤波算法参数;
步骤S22,设立阈值比较观测值的变化,对指纹数据进行平滑处理。
所述步骤S21中,根据RSSI的单变量系统模型特点,对卡尔曼滤波过程进行改进,改进后的公式如式(1)~(5)所示:
1)预估值更新状态:
Pt|t-1=Pt-1|t-1+Q (2)
2)计算卡尔曼增益:
3)观测值校准预测状态:
4)更新误差协方差矩阵:
Pt|t=Pt|t-1-Kt·Pt|t-1 (5)
式中,Xt表示系统在t时刻的状态,Kt表示时刻t的卡尔曼增益,P表示预估误差的协方差矩阵,Zt是t时刻的观测向量,Q表示噪声方差对角阵,R为噪声。改进后,观测噪声反差对角阵R表示观测噪声反差对角阵,观测噪声R增大表示新获得的观测值误差比重增大,当减少卡尔曼增益使状态量向预估值靠拢,随着滤波器的不断迭代,预估误差的协方差矩阵P应当逐渐收敛直至趋于0或某一稳态值,代表上一时刻的预估值不断趋于最优。
步骤S22中,在卡尔曼滤波算法的基础上,通过设立阈值比较观测值的变化,来判断当前信号值是否发生有偏差跳变,对卡尔曼增益K的判断公式如式(6)所示:
由上述公式知,若跳变程度超过设定的阈值,则认为当前观测值的偏差过大,由于卡尔曼增益与观测噪声成反比,需要通过将卡尔曼增益设为0来减少影响,同时舍去观测值,用预估值直接代替最终的状态估计值。
所述S2算法步骤改变为:
1)从RSSI数据集中提取目标信号值,记为测量值;
2)通过式(1)~(2)计算t时刻的预估值和预估误差的协方差矩阵;
3)通过式(6)修改卡尔曼增益以削弱信号跳变对滤波算法的影响;
4)通过式(5)更新预估误差的协方差矩阵;
5)重复上诉步骤直至迭代完所有RSSI值。
所述步骤S3包括以下步骤:
步骤S31,采用压缩训练集的方法来实现快速建库,消除指纹数据库建立上耗费的冗余成本并提高KNN运算效率;
步骤S32,对压缩后的训练集进行训练,采用10-折交叉验证确定K值。
步骤S31中,使用在S2预处理后的数据作为训练集,在消除设备差异对系统的干扰后,将样本特征由{RPi,x,RPi,y,RSSIi}简化为{Disi,RSSIi},其中Disi表示第i个RP与该特定AP的直线距离,RSSIi由原先的一维数组{rssii,1,rssii,2…,rssii,n}简化为表示当前位置接收到的AP信号强度的一维向量rssii。实现对训练集的压缩。
所述步骤S4中,KNN判别时,采用动态感知策略对定位结果校正,具体方法是:记录结果并计算两次坐标的欧几里得距离,若该距离跳出(0.5*S,1.5*S),则将其调整回范围边界并返回修正后的坐标结果;其中,S为用户步态学习后的步长结果,最后通过记录连续移动数据更新步长S。
本发明的有益效果是:
首先,针对因WLAN信号在传播过程受到多种干扰而影响定位精度的问题,提出了一种基于改进卡尔曼滤波的数据预处理方法,有效的消除误差数据干扰,从而提高定位精度。
其次,针对离线阶段指纹数据库的建立和维护成本过高的问题,提出了一种基于KNN分类器的快速定位方法,简化离线训练过程,并提高了KNN分类器的运算效率。
最后,提出了一种基于手机内嵌三轴加速度传感器的动态感知策略以提高定位精度,该策略通过判断用户运动状态并结合自动更新的步态信息来校准KNN算法得到的坐标,从而有效减少算法的功耗并提高精度,同时因无需部署额外的测量设备而易于推广。
附图说明
图1为定位系统原理示意图;
图2为预处理示意图;
图3为定位模块示意图。
具体实施方式
下面结合附图对本发明的作进一步的详细说明,但是本发明不局限于以下实施例。
如图1所示的本发明的定位系统原理示意图。一种基于WLAN的定位系统,包括:离线阶段训练指纹数据库,在线阶段使用得到的数据库进行位置判定。在说明书的步骤中,在步骤S2中主要对离线数据进行预处理,步骤3主要确定了建库方法和指纹数据库的分类参数,步骤4是将实时得到的信号使用指纹数据库进行定位。在本发明中,主要对三个模块进行了进一步的处理优化,达到准确定位的目的。
如图2所示的本发明预处理模块,通过步骤S2实现,主要用来去除RSSI信号的外界干扰,主要消除噪声干扰。
如图3所示的本发明定位模块,通过步骤S4实现,在原始定位的基础上上加入动态感知策略辅助定位,通过步骤S41判断位置移动状况,步骤S42在移动后进一步根据KNN算法初步定位,然后再使用动态感知策略辅助判断,对定位结果进行校正。
参照图1~图3,一种基于WLAN指纹的室内动态感知策略的定位方法,利用改进的卡尔曼滤波算法对指纹进行预处理工作,从而提供可靠的指纹数据库。在KNN训练中根据现实问题提出了一种快速建库方法,在此基础上利用移动设备内置三轴加速度传感器与室内已部署的WLAN热点,以动态感知策略为基础对室内定位技术进行了优化。具体包括以下步骤:
步骤S1,用户持终端设备完成行走和静止两种运动,采集移动终端的加速度传感器读值和指定参考位置的RSSI值,得到指纹数据,终端设备由此建立基于贝叶斯的运动状态感知模型;
步骤S2,对传统卡尔曼滤波算法进行改进,从而对指纹数据进行预处理,为定位提供可靠的指纹数据库;
步骤S3,对指纹数据实现快速建库,利用10-折交叉验证确定K-NN算法的K值;
步骤S4,实时在线采集移动终端的RSSI值和加速度传感器读值,根据传感器信息来判断用户移动状态:若用户未移动,则直接记为上次坐标点并退出;若用户移动,则利用改进K-NN算法进行定位,采用动态感知策略进行位置校准,实现WLAN指纹定位以及结果优化。
所述步骤S1又包括以下步骤:
步骤S11,使用终端设备内嵌的加速度传感器,采集终端设备在用户的各种运动状态下的加速度传感器读值;建立贝叶斯模型,保存参数在拟使用数据库中;
步骤S12,获取实验环境平面图与各AP位置,采集AP距离与RSSI值。
所述步骤S11中,由于方向的转换甚至设备屏幕的调转,都会影响到X轴和Y轴的数据取值,运动势必带来Z轴数据变化,为降低分类算法的复杂性和耗时,因此采用Z轴数据进行分析即可。
所述步骤S2包括以下步骤:
步骤S21,改进卡尔曼滤波算法参数;
步骤S22,设立阈值比较观测值的变化,对指纹数据进行平滑处理。
所述步骤S21中,根据RSSI的单变量系统模型特点,对卡尔曼滤波过程进行改进,改进后的公式为如下:
(1)预估值更新状态
Pt|t-1=Pt-1|t-1+Q (2)
(2)计算卡尔曼增益
(3)观测值校准预测状态
(4)更新误差协方差矩阵:
Pt|t=Pt|t-1-Kt·Pt|t-1 (5)
在上述公式中,Xt表示系统在t时刻的状态,Kt表示时刻t的卡尔曼增益,P表示预估误差的协方差矩阵,Zt是t时刻的观测向量,Q表示噪声方差对角阵,观测噪声反差对角阵R表示观测噪声反差对角阵,观测噪声R增大表示新获得的观测值误差比重增大,当减少卡尔曼增益使状态量向预估值靠拢,随着滤波器的不断迭代,预估误差的协方差矩阵P应当逐渐收敛直至趋于0或某一稳态值,代表上一时刻的预估值不断趋于最优。同时,在所述步骤S22中,本发明在卡尔曼滤波算法的基础上,增加了一项判断,通过设立阈值比较观测值的变化,来确定当前信号值是否发生有偏差跳变,对卡尔曼增益K的判断公式如下所示。
由上述公式知,若跳变程度超过设定的阈值,则认为当前观测值的偏差过大,由于卡尔曼增益与观测噪声成反比,需要通过将卡尔曼增益设为0来减少影响,同时舍去观测值,用预估值直接代替最终的状态估计值。
最终S2算法步骤为:
第一步,从RSSI数据集中提取目标信号值,记为测量值;
第二步,通过式(1)~(2)计算t时刻的预估值和预估误差的协方差矩阵;
第三步,通过式(6)修改卡尔曼增益以削弱信号跳变对滤波算法的影响;
第四步,通过式(5)更新预估误差的协方差矩阵;
第五步,重复上诉步骤直至迭代完所有RSSI值。
所述步骤S3又包括步骤S31和步骤S32
步骤S31,采用一种压缩训练集的方法来实现快速建库,消除指纹数据库建立上耗费的冗余成本并提高KNN运算效率;
步骤S32,对压缩后的训练集进行训练,采用10-折交叉验证确定K值,本实施例中K值为5。
所述步骤S31中,使用在S2预处理后的数据作为训练集,在消除设备差异对系统的干扰后,将样本特征由{RPi,x,RPi,y,RSSIi}简化为{Disi,RSSIi},其中Disi表示第i个RP与该特定AP的直线距离,RSSIi由原先的一维数组{rssii,1,rssii,2…,rssii,n}简化为表示当前位置接收到的AP信号强度的一维向量rssii。实现对训练集的压缩。
所述步骤S4中,KNN判别时,采用动态感知策略对定位结果校正,具体方法是:记录结果并计算两次坐标的欧几里得距离,若该距离跳出(0.5*S,1.5*S),则将其调整回范围边界并返回修正后的坐标结果;其中,S为用户步态学习后的步长结果,最后通过记录连续移动数据更新步长S。
Claims (10)
1.一种基于WLAN指纹的室内动态感知策略的定位方法,利用改进的卡尔曼滤波算法对指纹预处理,得到可靠的指纹数据库,再利用KNN快速建库,在此基础上利用移动设备内置的加速度传感器与室内已部署的WLAN热点,以动态感知策略为基础,实现了室内定位的动态感知,其特征在于,具体包括以下步骤:
步骤S1,用户持终端设备完成行走和静止两种运动,采集移动终端的加速度传感器读值和指定参考位置的RSSI值,得到指纹数据,同时终端设备由此建立基于贝叶斯的运动状态感知模型;
步骤S2,利用改进的卡尔曼滤波算法对S1采集的RSSI值进行预处理;
步骤S3,利用KNN模型对步骤S2处理过的指纹数据作为训练集,压缩后实现快速建库,并利用10-折交叉验证确定KNN算法的K值,得到改进的KNN算法;
步骤S4,实时在线采集移动终端的RSSI值和加速度传感器读值,通过加速度传感器数据判断用户移动状态;当用户处于行走状态时,利用步骤S3得到的改进的KNN算法进行判别,采用动态感知策略进行位置校准,实现基于WLAN指纹的定位以及结果优化。
2.根据权利要求1所述的一种基于WLAN指纹的室内动态感知策略的定位方法,其特征在于,所述步骤S1包括以下步骤:
步骤S11,使用终端设备内嵌的加速度传感器,采集终端设备在用户的各种运动状态下的加速度传感器读值;建立贝叶斯模型,保存参数在拟使用数据库中;
步骤S12,获取实验环境平面图与各AP位置,采集AP距离与RSSI值。
3.根据权利要求2所述的一种基于WLAN指纹的室内动态感知策略的定位方法,其特征在于,所述步骤S11中,利用三轴加速度传感器感知终端设备水平移动的X轴数据、感知终端设备纵向上下移动的Y轴数据、感知终端设备前后移动的Z轴数据中,仅对三轴加速度传感器Z轴数据进行采集、分析。
4.根据权利要求1所述的一种基于WLAN指纹的室内动态感知策略的定位方法,其特征在于,所述步骤S2包括以下步骤:
步骤S21,改进卡尔曼滤波算法参数;
步骤S22,设立阈值比较观测值的变化,对指纹数据进行平滑处理。
5.根据权利要求4所述的一种基于WLAN指纹的室内动态感知策略的定位方法,其特征在于,所述步骤S21中,根据RSSI的单变量系统模型特点,对卡尔曼滤波过程进行改进,改进后的公式如式(1)~(5)所示:
1)预估值更新状态:
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
Pt|t-1=Pt-1|t-1+Q (2)
2)计算卡尔曼增益:
<mrow>
<msub>
<mi>K</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>R</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
3)观测值校准预测状态:
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>K</mi>
<mi>t</mi>
</msub>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
4)更新误差协方差矩阵:
Pt|t=Pt|t-1-Kt·Pt|t-1 (5)
式中,Xt表示系统在t时刻的状态,Kt表示时刻t的卡尔曼增益,P表示预估误差的协方差矩阵,Zt是t时刻的观测向量,Q表示噪声方差对角阵,R为噪声。改进后,观测噪声反差对角阵R表示观测噪声反差对角阵,观测噪声R增大表示新获得的观测值误差比重增大,当减少卡尔曼增益使状态量向预估值靠拢,随着滤波器的不断迭代,预估误差的协方差矩阵P应当逐渐收敛直至趋于0或某一稳态值,代表上一时刻的预估值不断趋于最优。
6.根据权利要求5所述的一种基于WLAN指纹的室内动态感知策略的定位方法,其特征在于,所述步骤S22中,在卡尔曼滤波算法的基础上,通过设立阈值比较观测值的变化,来判断当前信号值是否发生有偏差跳变,对卡尔曼增益K的判断公式如式(6)所示:
<mrow>
<msub>
<mi>K</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mn>2</mn>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>></mo>
<mrow>
<mo>(</mo>
<mi>max</mi>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
<mo>-</mo>
<mi>min</mi>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>R</mi>
</mrow>
</mfrac>
</mtd>
<mtd>
<mrow>
<mn>2</mn>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mrow>
<mo>(</mo>
<mi>max</mi>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
<mo>-</mo>
<mi>min</mi>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
由上述公式知,若跳变程度超过设定的阈值,则认为当前观测值的偏差过大,由于卡尔曼增益与观测噪声成反比,需要通过将卡尔曼增益设为0来减少影响,同时舍去观测值,用预估值直接代替最终的状态估计值。
7.根据权利要求5或6所述的一种基于WLAN指纹的室内动态感知策略的定位方法,其特征在于,S2算法步骤改变为:
1)从RSSI数据集中提取目标信号值,记为测量值;
2)通过式(1)~(2)计算t时刻的预估值和预估误差的协方差矩阵;
3)通过式(6)修改卡尔曼增益以削弱信号跳变对滤波算法的影响,若跳变程度超过阈值,则将卡尔曼增益设为0,并用预估值直接代替最终的状态估计值,反之则用式(4)计算状态估计值;
4)通过式(5)更新预估误差的协方差矩阵;
5)重复上诉步骤直至迭代完所有RSSI值。
8.根据权利要求1所述的一种基于WLAN指纹的室内动态感知策略的定位方法,其特征在于,所述步骤S3包括以下步骤:
步骤S31,采用压缩训练集的方法来实现快速建库,消除指纹数据库建立上耗费的冗余成本并提高KNN运算效率;
步骤S32,对压缩后的训练集进行训练,采用10-折交叉验证确定K值。
9.根据权利要求8所述的一种基于WLAN指纹的室内动态感知策略的定位方法,其特征在于,所述步骤S31中,使用在S2预处理后的数据作为训练集,在消除设备差异对系统的干扰后,将样本特征由{RPi,x,RPi,y,RSSIi}简化为{Disi,RSSIi},其中Disi表示第i个RP与该特定AP的直线距离,RSSIi由原先的一维数组{rssii,1,rssii,2…,rssii,n}简化为表示当前位置接收到的AP信号强度的一维向量rssii。实现对训练集的压缩。
10.根据权利要求1所述的一种基于WLAN指纹的室内动态感知策略的定位方法,其特征在于,所述步骤S4中,KNN判别时,采用动态感知策略对定位结果校正,具体方法是:记录结果并计算两次坐标的欧几里得距离,若该距离跳出(0.5*S,1.5*S),则将其调整回范围边界并返回修正后的坐标结果;其中,S为用户步态学习后的步长结果,最后通过记录连续移动数据更新步长S。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710800500.7A CN107576330A (zh) | 2017-09-07 | 2017-09-07 | 一种基于wlan指纹的室内动态感知策略的定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710800500.7A CN107576330A (zh) | 2017-09-07 | 2017-09-07 | 一种基于wlan指纹的室内动态感知策略的定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107576330A true CN107576330A (zh) | 2018-01-12 |
Family
ID=61031594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710800500.7A Pending CN107576330A (zh) | 2017-09-07 | 2017-09-07 | 一种基于wlan指纹的室内动态感知策略的定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107576330A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108540929A (zh) * | 2018-03-29 | 2018-09-14 | 马梓翔 | 基于rssi信号强度排序的室内指纹定位系统 |
CN108566677A (zh) * | 2018-03-20 | 2018-09-21 | 北京邮电大学 | 一种指纹定位方法及装置 |
CN108828513A (zh) * | 2018-04-17 | 2018-11-16 | 北京航空航天大学 | 基于多监测点电波传播衰减等差线交叉的信号源定位方法 |
CN110118560A (zh) * | 2019-05-28 | 2019-08-13 | 东北大学 | 一种基于lstm和多传感器融合的室内定位方法 |
CN110287537A (zh) * | 2019-05-27 | 2019-09-27 | 西北大学 | 用于频标输出跳变检测的抗野值自适应卡尔曼滤波方法 |
CN110572875A (zh) * | 2019-09-16 | 2019-12-13 | 南京邮电大学 | 一种基于改进的机器学习算法的无线定位方法 |
CN110809232A (zh) * | 2019-10-22 | 2020-02-18 | 新华三信息安全技术有限公司 | 定位方法、装置、定位设备和计算机可读存储介质 |
CN112437396A (zh) * | 2020-10-30 | 2021-03-02 | 华东师范大学 | 一种基于观测量降维的mlp室内定位方法 |
CN113062734A (zh) * | 2021-05-17 | 2021-07-02 | 上海联创燃气技术发展有限公司 | 基于非开挖泥浆流变参数弱监督机器学习的地层识别方法 |
CN113347562A (zh) * | 2021-05-31 | 2021-09-03 | 广东技术师范大学 | 一种室内位置指纹定位准确性自动验证方法及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103379619A (zh) * | 2012-04-16 | 2013-10-30 | 中兴通讯股份有限公司 | 一种定位方法和系统 |
CN103471586A (zh) * | 2013-09-22 | 2013-12-25 | 重庆绿色智能技术研究院 | 一种传感器辅助的终端组合定位方法及装置 |
CN103561462A (zh) * | 2013-10-09 | 2014-02-05 | 国家电网公司 | 一种完全基于智能移动终端平台的室内定位系统和方法 |
CN104501796A (zh) * | 2014-12-16 | 2015-04-08 | 重庆邮电大学 | 一种室内wlan/mems融合跨楼层3维定位方法 |
CN104507159A (zh) * | 2014-11-24 | 2015-04-08 | 北京航空航天大学 | 一种基于WiFi接收信号强度的混合室内定位方法 |
CN105589064A (zh) * | 2016-01-08 | 2016-05-18 | 重庆邮电大学 | Wlan位置指纹数据库快速建立和动态更新系统及方法 |
CN105588566A (zh) * | 2016-01-08 | 2016-05-18 | 重庆邮电大学 | 一种基于蓝牙与mems融合的室内定位系统及方法 |
-
2017
- 2017-09-07 CN CN201710800500.7A patent/CN107576330A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103379619A (zh) * | 2012-04-16 | 2013-10-30 | 中兴通讯股份有限公司 | 一种定位方法和系统 |
CN103471586A (zh) * | 2013-09-22 | 2013-12-25 | 重庆绿色智能技术研究院 | 一种传感器辅助的终端组合定位方法及装置 |
CN103561462A (zh) * | 2013-10-09 | 2014-02-05 | 国家电网公司 | 一种完全基于智能移动终端平台的室内定位系统和方法 |
CN104507159A (zh) * | 2014-11-24 | 2015-04-08 | 北京航空航天大学 | 一种基于WiFi接收信号强度的混合室内定位方法 |
CN104501796A (zh) * | 2014-12-16 | 2015-04-08 | 重庆邮电大学 | 一种室内wlan/mems融合跨楼层3维定位方法 |
CN105589064A (zh) * | 2016-01-08 | 2016-05-18 | 重庆邮电大学 | Wlan位置指纹数据库快速建立和动态更新系统及方法 |
CN105588566A (zh) * | 2016-01-08 | 2016-05-18 | 重庆邮电大学 | 一种基于蓝牙与mems融合的室内定位系统及方法 |
Non-Patent Citations (5)
Title |
---|
(美)格鲁夫: "《GNSS与惯性及多传感器组合导航系统原理》", 31 March 2015, 北京:国防工业出版社 * |
李静,等: "用卡尔曼滤波器消除TOA中NLOS误差的三种方法", 《通信学报》 * |
王悦: "基于WLAN的室内定位技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
郭躬德,等: "《近邻分类方法及其应用 上》", 31 December 2013, 厦门:厦门大学出版社 * |
陈波,等: "一种改进的高斯粒子滤波室内定位算法", 《计算机工程与应用》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108566677A (zh) * | 2018-03-20 | 2018-09-21 | 北京邮电大学 | 一种指纹定位方法及装置 |
CN108540929B (zh) * | 2018-03-29 | 2020-07-31 | 马梓翔 | 基于rssi信号强度排序的室内指纹定位方法 |
CN108540929A (zh) * | 2018-03-29 | 2018-09-14 | 马梓翔 | 基于rssi信号强度排序的室内指纹定位系统 |
CN108828513A (zh) * | 2018-04-17 | 2018-11-16 | 北京航空航天大学 | 基于多监测点电波传播衰减等差线交叉的信号源定位方法 |
CN108828513B (zh) * | 2018-04-17 | 2020-06-05 | 北京航空航天大学 | 基于多监测点电波传播衰减等差线交叉的信号源定位方法 |
CN110287537A (zh) * | 2019-05-27 | 2019-09-27 | 西北大学 | 用于频标输出跳变检测的抗野值自适应卡尔曼滤波方法 |
CN110118560A (zh) * | 2019-05-28 | 2019-08-13 | 东北大学 | 一种基于lstm和多传感器融合的室内定位方法 |
CN110118560B (zh) * | 2019-05-28 | 2023-03-10 | 东北大学 | 一种基于lstm和多传感器融合的室内定位方法 |
CN110572875B (zh) * | 2019-09-16 | 2021-02-02 | 南京邮电大学 | 一种基于改进的机器学习算法的无线定位方法 |
CN110572875A (zh) * | 2019-09-16 | 2019-12-13 | 南京邮电大学 | 一种基于改进的机器学习算法的无线定位方法 |
CN110809232A (zh) * | 2019-10-22 | 2020-02-18 | 新华三信息安全技术有限公司 | 定位方法、装置、定位设备和计算机可读存储介质 |
CN112437396A (zh) * | 2020-10-30 | 2021-03-02 | 华东师范大学 | 一种基于观测量降维的mlp室内定位方法 |
CN113062734A (zh) * | 2021-05-17 | 2021-07-02 | 上海联创燃气技术发展有限公司 | 基于非开挖泥浆流变参数弱监督机器学习的地层识别方法 |
CN113347562A (zh) * | 2021-05-31 | 2021-09-03 | 广东技术师范大学 | 一种室内位置指纹定位准确性自动验证方法及设备 |
CN113347562B (zh) * | 2021-05-31 | 2021-12-07 | 广东技术师范大学 | 一种室内位置指纹定位准确性自动验证方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107576330A (zh) | 一种基于wlan指纹的室内动态感知策略的定位方法 | |
CN105588566B (zh) | 一种基于蓝牙与mems融合的室内定位系统及方法 | |
CN104936148B (zh) | 一种基于模糊knn的wifi室内定位方法 | |
US20200142045A1 (en) | Fingerprint positioning method and system in smart classroom | |
CN110958575B (zh) | 一种基于WiFi融合预测的定位方法及系统 | |
CN109275095B (zh) | 一种基于蓝牙的室内定位系统、定位设备和定位方法 | |
CN107389063A (zh) | 基于gsm/mems融合的高精度室内融合定位方法 | |
CN106851573A (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
CN102131290B (zh) | 基于自相关滤波的wlan室内邻近匹配定位方法 | |
CN103561463B (zh) | 一种基于样本聚类的rbf神经网络室内定位方法 | |
CN103747419B (zh) | 一种基于信号强度差值与动态线性插值的室内定位方法 | |
CN106054125B (zh) | 一种基于线性链条件随机场的融合室内定位方法 | |
CN105898713A (zh) | 一种基于加权余弦相似度的WiFi指纹室内定位方法 | |
CN107515384A (zh) | 基于uwb与多传感器的室内机器人的定位与环境建模方法 | |
CN103209478A (zh) | 基于分类阈值及信号强度权重的室内定位方法 | |
CN110351660B (zh) | 一种基于双步指纹匹配架构的蓝牙室内定位方法 | |
CN104735781B (zh) | 一种室内定位系统及其定位方法 | |
CN101778399A (zh) | 基于fcm和最小二乘曲面拟合法的wlan室内优化ann定位方法 | |
CN107339992A (zh) | 一种基于行为的室内定位和地标语义标识的方法 | |
CN109413578A (zh) | 一种基于wifi与pdr融合的室内定位方法 | |
CN110536245A (zh) | 一种基于深度学习的室内无线定位方法及系统 | |
CN111970633A (zh) | 基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法 | |
CN111901749A (zh) | 一种基于多源融合的高精度三维室内定位方法 | |
CN105516931A (zh) | 基于双频wlan接入点的室内差分定位方法 | |
CN112325883A (zh) | 一种WiFi和视觉多源融合的移动机器人室内定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20180112 |