CN107949052B - 基于空间特征分区和前点约束的wknn室内定位方法 - Google Patents

基于空间特征分区和前点约束的wknn室内定位方法 Download PDF

Info

Publication number
CN107949052B
CN107949052B CN201710930944.2A CN201710930944A CN107949052B CN 107949052 B CN107949052 B CN 107949052B CN 201710930944 A CN201710930944 A CN 201710930944A CN 107949052 B CN107949052 B CN 107949052B
Authority
CN
China
Prior art keywords
partition
test
mac
formula
same
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.)
Expired - Fee Related
Application number
CN201710930944.2A
Other languages
English (en)
Other versions
CN107949052A (zh
Inventor
傅惠民
杨海峰
张勇波
王治华
肖梦丽
崔轶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201710930944.2A priority Critical patent/CN107949052B/zh
Publication of CN107949052A publication Critical patent/CN107949052A/zh
Application granted granted Critical
Publication of CN107949052B publication Critical patent/CN107949052B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0257—Hybrid positioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2101/00—Indexing scheme associated with group H04L61/00
    • H04L2101/60—Types of network addresses
    • H04L2101/618—Details of network addresses
    • H04L2101/622—Layer-2 addresses, e.g. medium access control [MAC] addresses
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2101/00—Indexing scheme associated with group H04L61/00
    • H04L2101/60—Types of network addresses
    • H04L2101/69—Types of network addresses using geographic information, e.g. room number

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Peptides Or Proteins (AREA)

Abstract

本发明提供一种基于空间特征分区和前点约束的WKNN室内定位方法，步骤如下：一：划分分区；二：提取分区标识序列；三：分区判别；四：计算信号空间距离；五：加权得到位置估计；通过步骤一到步骤五，本发明提出的基于空间特征分区和前点约束的WKNN室内定位方法被执行，其通过将面积较大的目标区域按照其空间特征划分为多个分区，同时引入识别序列和欧氏距离的组合分区判据，解决了指纹数据库无法实现全域覆盖的问题；又通过考虑行人在相邻时刻所处位置之间的空间约束关系，缩小了最终参考点的筛选范围，很好地提升了位置估计的精度。

Description

基于空间特征分区和前点约束的WKNN室内定位方法
【技术领域】
本发明提供一种基于空间特征分区和前点约束的WKNN室内定位方法,属于室内定位技术领域。
【背景技术】
目前，室内定位尚未形成一套统一、成熟的解决方案。但是基于不同应用场景与环境的各种室内定位方法不断被提出，其中主要包括：基于微电子机械系统(Micro-Electro-Mechanical System,MEMS)的行人航迹递推(Pedestrian Dead Reckoning,PDR)算法、利用无线射频识别(Radio Frequency Identification,RFID)技术的室内定位方法、基于伪卫星网的室内GPS定位方法以及基于WIFI信号的室内定位方法等。然而，上述方法都面临着各种各样的问题：由于MEMS的误差累计，PDR算法的定位精度会逐渐降低，以致完全失效；而RFID定位和室内伪卫星定位则都需要铺设大量外接设备以构建导航网络，高昂的采购与部署成本限制了其在商业领域的大规模推广应用。
随着移动互联网的飞速发展，WIFI网络迅速普及，遍布现代社会各个角落，因此基于WIFI的室内定位技术，以其部署成本低、易于推广、精度较高等优势，愈发引起研究人员的重视，逐渐成为室内定位技术的热点。其中，又以WIFI指纹匹配法中的加权K邻近方法(Weighted K Nearest Neighbors,WKNN)的位置估计精度更高，对复杂环境的适应能力更强，故而具有较大的发展优势。
但是，传统的WKNN方法针对一个目标区域只能建立一套指纹数据库，如果遇到目标区域面积较大的情况便会失效；而且其估计出的位置在空间上有时还会出现跳动距离过大的情况，这是其在整个目标区域内选择参考点所造成的固有缺陷
【发明内容】
本发明提出了一种基于空间特征分区和前点约束的WKNN室内定位方法。该方法通过将面积较大的一整块区域按照其空间特征划分为多个分区，解决了指纹数据库全域覆盖的问题；又通过考虑行人前后位置之间空间约束关系，缩小了参考点的候选范围，很好地提升了位置估计的平顺性。大量真实环境下室内定位实验的结果表明，本发明方法可以有效地解决大面积区域内的室内定位问题，且与传统WKNN方法相比，定位精度有较大幅度的提升。
本发明一种基于空间特征分区和前点约束的WKNN室内定位方法，它包含以下五个步骤：
步骤一：划分分区
根据目标区域的面积大小，恰当选取参考指纹点(Reference Point,RP)的分布密度，记录各RP的位置信息；在每个RP处获取各AP信息，并记录相应的WIFI信号强度值(Received Signal Strength Indication,RSSI)值；设目标区域内共有参考点m个，第i个RP的位置坐标为(xi,yi)，在该点可获取ni个AP信息，其中第j个AP的媒体访问控制(MediaAccess Control,MAC)地址为MAC_i_j，对应的强度值为RSSI_i_j，则WIFI信号的原始数据可以表示为
Figure BDA0001428753740000021
通过分析目标区域的空间特征，将m个RP分配到k个不同的分区，设第i个分区内有参考点im个，则该分区内的WIFI信号数据可以表示为
Figure BDA0001428753740000031
由于每个RP处能够接受到的AP信号数目各不相同，所以每条RP数据的长度不可能全部相同，为了后续计算的方便，需要对分区内的WIFI信号数据进行预处理，使其长度保持一致。具体做法是截取分区内所有RP所共有的AP信息组装成长度统一的分区指纹数据库。设i分区内im个RP所共有的AP数目为ni，则分区指纹数据库可以表示为
Figure BDA0001428753740000032
步骤二：提取分区标识序列
各分区的最主要区别在于其内部信号较强的AP各不相同，因此，将每个分区内信号最强的q个AP的MAC地址按照RSSI由强到弱的顺序排列组装成一串特征序列，其便可以作为分区的标识序列简捷地反映出各分区的特征。具体做法为：
(1)对i分区指纹数据库内对应相同MAC地址的RSSI值进行求和运算，并按照由强到弱的顺序进行排列，得到强度和序列
Figure BDA0001428753740000041
式中
Figure BDA0001428753740000042
(2)若某AP在分区内部影响较大，则分区内绝大部分RP可以接收其RSSI，且数值较大。通过式(4)和式(5)的求和运算后，该AP对应的强度和数值也较大，排序靠前；因此可以截取式(4)所示序列的前q个作为分区的标识信息组成新的强度和序列
Figure BDA0001428753740000043
(3)将式(6)中RSSI值的和依照式(3)所示的分区指纹数据库替换为其各自对应的MAC地址，则可得到i分区的标识序列
Figure BDA0001428753740000044
步骤三：分区判别
由于对目标区域进行了分区处理，当测试点数据获得以后，首先需要执行对其所处分区的判别，之后才能够调取相应分区内的WIFI指纹数据执行指纹匹配方法；设在测试点获取的测试数据包含p个AP信息，将其按信号强度从强到弱排序后可以表示为
Figure BDA0001428753740000051
截取测试数据的前q个MAC地址组成测试序列
Figure BDA0001428753740000052
将式(9)中的测试序列与式(7)中每个分区的识别序列进行比对，记录各组数据在2q个MAC地址中重合的个数，记作num_samei，其中1≤i≤k；
一般来说，选取{num_same}中数值最大的一个，其所对应的i即为当前测试点所处的分区编号；但是，当测试点处于两分区交界线附近时，其受到两个分区的影响程度相当，便很容易出现num_samei＝num_samej的情况，此时将无从判断测试点所处的分区，更严重时甚至会造成分区的误匹配；为了尽可能减少匹配失效和误匹配情况的发生，本发明在采用识别序列进行分区判别的基础上，引入信号空间距离判定作为二级判定依据，其具体做法为：
(1)设定启动二级判据的阈值Δnum_same，
设{num_same}中数值最大的两个分别为num_samei和num_samej，
且num_samei≥num_samej，
如果两者的差值大于Δnum_same，说明i分区对测试点的影响力远大于j分区，此时不需要启动二级判据；如果两者的差值小于或等于Δnum_same，说明两分区对测试点的影响力相当，此时便需要启动信号空间距离判据；
(2)二级判据启动后，测试点需要依照指纹匹配方法分别与i、j两个分区内的指纹数据逐一计算信号空间距离，各空间距离可以表示为
Figure BDA0001428753740000061
在上式计算过程中，由于测试数据和两个分区指纹数据所包含的AP信息不尽相同，因此需要截取各组数据所共有的AP信息进行计算；
(3)由于计算信号空间距离时，对两个分区指纹数据截取的维度不同，为了使空间距离具有可比性，将式(10)中的空间距离分别除以各自对应的维度，得到归一化的信号空间距离，按距离从小到大排序后可以表示为
Figure BDA0001428753740000062
式中
Figure BDA0001428753740000063
其中，
Figure BDA0001428753740000066
为[MAC_test_1 ... MAC_test_p]T与[MAC_i_1 ... MAC_i_ni]T重合的个数，
Figure BDA0001428753740000067
为[MAC_test_1 ... MAC_test_p]T与[MAC_j_1 ... MAC_j_nj]T重合的个数。
(4)截取式(11)中归一化空间距离最小的K个，记作
Figure BDA0001428753740000064
对其进行平均值的求取，得到K个归一化欧式距离的均值
Figure BDA0001428753740000065
如果mean_li≤mean_lj，则判定测试点处于i分区，反之则为j分区；
步骤四：计算信号空间距离
用户使用设备在测试点获取如式(8)所示的测试数据，简记作序列A
Figure BDA0001428753740000071
设测试点通过分区判别以被确认属于i分区，则将序列A与式(3)所示i分区指纹逐一进行信号空间距离的计算，得到一组欧式距离的集合B
B＝{d_i1 d_i2 ... d_im} (16)
式中
Figure BDA0001428753740000072
d_i1≤d_i2≤...≤d_im (18)
其中，nj为序列A与分区指纹RP_ij所重合的AP个数；
步骤五：加权得到位置估计
截取集合B的前K个元素组成候选参考点欧氏距离集合C
C＝{d_i1 d_i2 ... d_iK} (19)
将集合C中每个元素替换为其所对应的RP位置坐标，则可得到候选参考点位置集合D
Figure BDA0001428753740000073
设行人在t-1时刻的位置估计为(xt-1，yt-1)，以其为圆心，以Rt-1为半径做圆，记作圆o。以处于圆o内部作为约束条件，获取集合D的子集E，即为最终参考点位置集合
Figure BDA0001428753740000074
式中，iO为使用前点约束筛选出的参考点的个数；
相应地可以得到集合C的子集F，即为最终参考点欧氏距离集合
F＝{d_i1 d_i2 ... d_iO} (22)
基于指纹匹配方法，根据式(22)中的欧氏距离，可以计算最终参考点各自的权重
Figure BDA0001428753740000081
则当前时刻t的位置估计(xt，yt)为
Figure BDA0001428753740000082
通过步骤一到步骤五，本发明提出的基于空间特征分区和前点约束的WKNN室内定位方法被执行，其通过将面积较大的目标区域按照其空间特征划分为多个分区，同时引入识别序列和欧氏距离的组合分区判据，解决了指纹数据库无法实现全域覆盖的问题；又通过考虑行人在相邻时刻所处位置之间的空间约束关系，缩小了最终参考点的筛选范围，很好地提升了位置估计的精度。
本发明的有益效果包括
(1)按照空间特征将面积较大的目标区域划分为了多个面积较小的分区，解决了传统的WKNN方法指纹数据库无法覆盖整个目标区域的难题。
(2)提出了基于识别序列和信号空间距离的测试点分区判别方法，保证了测试点分区的准确性。
(3)通过前点约束，缩小了候选参考点的筛选范围，提升了位置估计结果的平顺性，提高了室内定位的精度。
【附图说明】
图1为本发明空间特征分区部分的流程示意图。
图2为本发明前点约束法部分的流程示意图。
图3本发明所述方法流程图。
本发明中所述序号、符号、代号说明如下：
RP_j：第j个参考点
(xj,yj)：RP_j的位置坐标
AP_i_j：第i个参考点测得的第j个AP
MAC_i_j：AP_i_j的MAC地址
RSSI_i_j：AP_i_j的信号强度
k：分区数目
RSSIsum_i_j：i分区内第j个共有AP的信号强度和
MACzone_i_j：i分区识别序列中第j个MAC地址
AP_test_j：测试点测得的第j个AP
MAC_test_1：AP_test_j的MAC地址
RSSI_test_1：AP_test_j的信号强度
num_samei：MAC地址重合数目
Δnum_same：二级判据启动阈值
L_ij：信号空间距离
l_ij：归一化信号空间距离
K：候选参考点个数
mean_li：i分区对应的归一化欧式距离的均值
d_i2：用以计算权重的欧氏距离
【具体实施方式】
下面结合附图对本发明作详细说明。
本发明提出了一种基于空间特征分区和前点约束的WKNN室内定位方法，其空间特征分区部分的流程图如图1所示，前点约束法部分的流程图如图2所示，本发明所述方法流程图如图3所示。
本发明一种基于空间特征分区和前点约束的WKNN室内定位方法，如图3所示，它包括以下五个步骤：
步骤一：划分分区
设目标区域内共有参考点m个，第i个RP的位置坐标为(xi,yi)，在该点可获取ni个AP信息，则WIFI信号的原始数据为
Figure BDA0001428753740000101
将m个RP分配到k个不同的分区，设第i个分区内有参考点im个，则该分区内的WIFI信号数据为
Figure BDA0001428753740000102
设i分区内im个RP所共有的AP数目为ni，则分区指纹数据库可以表示为
Figure BDA0001428753740000111
步骤二：提取分区标识序列
(1)对i分区指纹数据库内对应相同MAC地址的RSSI值进行求和运算，并按照由强到弱的顺序进行排列，得到强度和序列
Figure BDA0001428753740000112
式中
Figure BDA0001428753740000113
(2)截取式强度和序列的前q个作为分区的标识信息组成新的强度和序列
Figure BDA0001428753740000114
(3)将上式中RSSI值的和依照分区指纹数据库替换为其各自对应的MAC地址，则可得到i分区的标识序列
Figure BDA0001428753740000115
步骤三：分区判别
设在测试点获取的测试数据包含p个AP信息，将其按信号强度从强到弱排序后为
Figure BDA0001428753740000121
截取测试数据的前q个MAC地址组成测试序列
Figure BDA0001428753740000122
将测试序列与每个分区的识别序列进行比对，记录各组数据在2q个MAC地址中重合的个数，记作num_samei，其中1≤i≤k。
一般来说，选取{num_same}中数值最大的一个，其所对应的i即为当前测试点所处的分区编号。特殊情况下，在采用识别序列进行分区判别的基础上，引入信号空间距离判定作为二级判定依据，其具体做法为：
(1)设定启动二级判据的阈值Δnum_same，设
Figure BDA0001428753740000124
中数值最大的两个分别为num_samei和num_samej，且num_samei≥num_samej，
若两者的差值小于或等于Δnum_same，启动信号空间距离判据。
(2)二级判据启动后，逐一计算测试点与i、j两个分区内的指纹数据信号空间距离：
Figure BDA0001428753740000123
(3)将上式中的空间距离分别除以各自对应的维度，得到归一化的信号空间距离，按距离从小到大排序后为
Figure BDA0001428753740000131
式中
Figure BDA0001428753740000132
其中，
Figure BDA0001428753740000137
为[MAC_test_1 ... MAC_test_p]T与[MAC_i_1 ... MAC_i_ni]T重合的个数，
Figure BDA0001428753740000138
为[MAC_test_1 ... MAC_test_p]T与[MAC_j_1 ... MAC_j_nj]T重合的个数。
(4)截取式(25)中归一化空间距离最小的K个，记作
Figure BDA0001428753740000133
对其进行平均值的求取
Figure BDA0001428753740000134
若mean_li≤mean_lj，则判定测试点处于i分区，反之则为j分区。
步骤四：计算信号空间距离
简记测试数据作序列A
Figure BDA0001428753740000135
则将序列A与各分区指纹逐一计算欧式距离，得到集合B
Figure BDA0001428753740000136
式中
Figure BDA0001428753740000141
d_i1≤d_i2≤...≤d_im (42)
其中，nj为序列A与分区指纹RP_ij所重合的AP个数。
步骤五：加权得到位置估计
截取集合B的前K个元素组成候选参考点欧氏距离集合C
C＝{d_i1 d_i2 ... d_iK} (43)
替换C中元素为其所对应的RP位置坐标，得到候选参考点位置集合D
Figure BDA0001428753740000142
设行人在t-1时刻的位置估计为(xt-1，yt-1)，以其为圆心，以Rt-1为半径做圆，记作圆o。以处于圆o内部作为约束条件，获取最终参考点位置集合E
Figure BDA0001428753740000143
式中，iO为使用前点约束筛选出的参考点的个数。
相应地可得最终参考点欧氏距离集合F
F＝{d_i1 d_i2 ... d_iO} (46)
计算最终参考点各自的权重
Figure BDA0001428753740000144
则当前时刻t的位置估计(xt，yt)为
Figure BDA0001428753740000145

Claims (1)

1.一种基于空间特征分区和前点约束的WKNN室内定位方法，其特征在于：它包含以下五个步骤：
步骤一：划分分区
根据目标区域的面积大小，恰当选取参考指纹点即RP的分布密度，记录各RP的位置信息；在每个RP处获取各AP信息，并记录相应的WIFI信号强度值即RSSI值；设目标区域内共有参考点m个，第i个RP的位置坐标为(xi,yi)，在该点能获取ni个AP信息，其中第j个AP的媒体访问控制即MAC地址为MAC_i_j，对应的强度值为RSSI_i_j，则WIFI信号的原始数据为
Figure FDA0002353387910000011
通过分析目标区域的空间特征，将m个RP分配到k个不同的分区，设第i个分区内有参考点mi个，则该分区内的WIFI信号数据为
Figure FDA0002353387910000021
由于每个RP处能够接受到的AP信号数目各不相同，所以每条RP数据的长度不可能全部相同，为了后续计算的方便，需要对分区内的WIFI信号数据进行预处理，使其长度保持一致；具体做法是截取分区内所有RP所共有的AP信息组装成长度统一的分区指纹数据库；设i分区内mi个RP所共有的AP数目为ni，则分区指纹数据库为
Figure FDA0002353387910000022
步骤二：提取分区标识序列
各分区的最主要区别在于其内部信号很强的AP各不相同，因此，将每个分区内信号最强的q个AP的MAC地址按照RSSI由强到弱的顺序排列组装成一串特征序列，其便能作为分区的标识序列简捷地反映出各分区的特征；具体做法为：
(1)对i分区指纹数据库内对应相同MAC地址的RSSI值进行求和运算，并按照由强到弱的顺序进行排列，得到强度和序列
Figure FDA0002353387910000031
式中
Figure FDA0002353387910000032
(2)若一AP在分区内部影响大，则分区内绝大部分RP能接收其RSSI，且数值大；通过式(4)和式(5)的求和运算后，该AP对应的强度和数值也大，排序靠前；因此能截取式(4)所示序列的前q个作为分区的标识信息组成新的强度和序列
Figure FDA0002353387910000033
(3)将式(6)中RSSI值的和依照式(3)所示的分区指纹数据库替换为其各自对应的MAC地址，则得到i分区的标识序列
Figure FDA0002353387910000034
步骤三：分区判别
由于对目标区域进行了分区处理，当测试点数据获得以后，首先需要执行对其所处分区的判别，之后才能够调取相应分区内的WIFI指纹数据执行指纹匹配方法；设在测试点获取的测试数据包含p个AP信息，将其按信号强度从强到弱排序后表示为
Figure FDA0002353387910000041
截取测试数据的前q个MAC地址组成测试序列
Figure FDA0002353387910000042
将式(9)中的测试序列与式(7)中每个分区的识别序列进行比对，记录各组数据在2q个MAC地址中重合的个数，记作num_samei，其中1≤i≤k；
一般来说，选取{num_same}中数值最大的一个，其所对应的i即为当前测试点所处的分区编号；但是，当测试点处于两分区交界线附近时，其受到两个分区的影响程度相当，便很容易出现num_samei＝num_samej的情况，此时将无从判断测试点所处的分区，更严重时甚至会造成分区的误匹配；为了尽可能减少匹配失效和误匹配情况的发生，本发明在采用识别序列进行分区判别的基础上，引入信号空间距离判定作为二级判定依据，其具体做法为：
(1)设定启动二级判据的阈值Δnum_same，设{num_same}中数值最大的两个分别为num_samei和num_samej，且num_samei≥num_samej，
如果两者的差值大于Δnum_same，说明i分区对测试点的影响力远大于j分区，此时不需要启动二级判据；如果两者的差值小于及等于Δnum_same，说明两分区对测试点的影响力相当，此时便需要启动信号空间距离判据；
(2)二级判据启动后，测试点需要依照指纹匹配方法分别与i、j两个分区内的指纹数据逐一计算信号空间距离，各空间距离表示为
Figure FDA0002353387910000043
在上式计算过程中，由于测试数据和两个分区指纹数据所包含的AP信息不尽相同，因此需要截取各组数据所共有的AP信息进行计算；
(3)由于计算信号空间距离时，对两个分区指纹数据截取的维度不同，为了使空间距离具有可比性，将式(10)中的空间距离分别除以各自对应的维度，得到归一化的信号空间距离，按距离从小到大排序后表示为
Figure FDA0002353387910000051
式中
Figure FDA0002353387910000052
其中，
Figure FDA0002353387910000053
为[MAC_test_1...MAC_test_p]T与[MAC_i_1...MAC_i_ni]T重合的个数，
Figure FDA0002353387910000054
为[MAC_test_1...MAC_test_p]T与[MAC_j_1...MAC_j_nj]T重合的个数；
(4)截取式(11)中归一化空间距离最小的K个，记作
Figure FDA0002353387910000055
对其进行平均值的求取，得到K个归一化欧式距离的均值
Figure FDA0002353387910000056
如果mean_li≤mean_lj，则判定测试点处于i分区，反之则为j分区；
步骤四：计算信号空间距离
用户使用设备在测试点获取如式(8)所示的测试数据，简记作序列A
Figure FDA0002353387910000061
设测试点通过分区判别以被确认属于i分区，则将序列A与式(3)所示i分区指纹逐一进行信号空间距离的计算，得到一组欧式距离的集合B
B＝{d_i1 d_i2...d_im}··········(16)
式中
Figure FDA0002353387910000062
d_i1≤d_i2≤...≤d_im···········(18)
其中，nj为序列A与分区指纹RP_ij所重合的AP个数；
步骤五：加权得到位置估计
截取集合B的前K个元素组成候选参考点欧氏距离集合C
C＝{d_i1 d_i2...d_iK}··········(19)
将集合C中每个元素替换为其所对应的RP位置坐标，则得到候选参考点位置集合D
Figure FDA0002353387910000063
设行人在t-1时刻的位置估计为(xt-1，yt-1)，以其为圆心，以Rt-1为半径做圆，记作圆ο；以处于圆ο内部作为约束条件，获取集合D的子集E，即为最终参考点位置集合
Figure FDA0002353387910000064
式中，iO为使用前点约束筛选出的参考点的个数；
相应地能得到集合C的子集F，即为最终参考点欧氏距离集合
F＝{d_i1 d_i2...d_iO}··········(22)
基于指纹匹配方法，根据式(22)中的欧氏距离，计算最终参考点各自的权重
Figure FDA0002353387910000071
则当前时刻t的位置估计(xt，yt)为
Figure FDA0002353387910000072
CN201710930944.2A 2017-10-09 2017-10-09 基于空间特征分区和前点约束的wknn室内定位方法 Expired - Fee Related CN107949052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710930944.2A CN107949052B (zh) 2017-10-09 2017-10-09 基于空间特征分区和前点约束的wknn室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710930944.2A CN107949052B (zh) 2017-10-09 2017-10-09 基于空间特征分区和前点约束的wknn室内定位方法

Publications (2)

Publication Number Publication Date
CN107949052A CN107949052A (zh) 2018-04-20
CN107949052B true CN107949052B (zh) 2020-05-05

Family

ID=61936076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710930944.2A Expired - Fee Related CN107949052B (zh) 2017-10-09 2017-10-09 基于空间特征分区和前点约束的wknn室内定位方法

Country Status (1)

Country Link
CN (1) CN107949052B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108540935B (zh) * 2018-06-26 2019-07-05 北京航空航天大学 一种引入前点约束的室内定位方法
CN109672973B (zh) * 2018-09-21 2021-02-19 云南大学 一种基于最强ap的室内定位融合方法
CN109121083B (zh) * 2018-09-25 2020-06-19 西安电子科技大学 一种基于ap序列的指纹相似度的室内定位方法
CN111829519A (zh) * 2019-05-29 2020-10-27 北京骑胜科技有限公司 一种定位方法、装置、电子设备及存储介质
CN110596017B (zh) * 2019-09-12 2022-03-08 生态环境部南京环境科学研究所 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法
CN110958575B (zh) * 2019-12-02 2020-12-18 重庆邮电大学 一种基于WiFi融合预测的定位方法及系统
CN113055814B (zh) * 2021-02-05 2023-03-21 江苏大学 一种改进wknn的室内定位方法
CN113741434B (zh) * 2021-08-18 2024-02-02 佛山市兴颂机器人科技有限公司 一种基于磁导航的岔路口行驶控制方法及系统
CN114900885B (zh) * 2022-05-09 2024-08-20 南京信息工程大学 一种基于自适应前位置约束的定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440473A (zh) * 2013-08-09 2013-12-11 京信通信系统（中国）有限公司 指纹定位方法与服务器
CN106646338A (zh) * 2016-12-07 2017-05-10 华南理工大学 一种快速精确的室内定位方法
CN106851571A (zh) * 2017-01-20 2017-06-13 华南理工大学 一种基于决策树的快速KNN室内WiFi定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9807724B2 (en) * 2013-10-08 2017-10-31 Gozio Inc. Use of RF-based fingerprinting for indoor positioning by mobile technology platforms

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440473A (zh) * 2013-08-09 2013-12-11 京信通信系统（中国）有限公司 指纹定位方法与服务器
CN106646338A (zh) * 2016-12-07 2017-05-10 华南理工大学 一种快速精确的室内定位方法
CN106851571A (zh) * 2017-01-20 2017-06-13 华南理工大学 一种基于决策树的快速KNN室内WiFi定位方法

Also Published As

Publication number Publication date
CN107949052A (zh) 2018-04-20

Similar Documents

Publication Publication Date Title
CN107949052B (zh) 基于空间特征分区和前点约束的wknn室内定位方法
Campos et al. Wi-Fi multi-floor indoor positioning considering architectural aspects and controlled computational complexity
CN108924756B (zh) 基于WiFi双频带的室内定位方法
Swangmuang et al. Location fingerprint analyses toward efficient indoor positioning
CN106412839B (zh) 基于二级分区与指纹梯度匹配的室内定位与跟踪方法
CN106851571B (zh) 一种基于决策树的快速KNN室内WiFi定位方法
KR101625757B1 (ko) 무선랜 라디오맵 자동 구축 방법 및 시스템
Kaemarungsi Efficient design of indoor positioning systems based on location fingerprinting
CN112135248B (zh) 一种基于K-means最优估计的WIFI指纹定位方法
CN105491661B (zh) 基于改进的Kalman滤波算法的室内定位系统及方法
CN106093852A (zh) 一种提高WiFi指纹定位精度与效率的方法
Tao et al. AIPS: An accurate indoor positioning system with fingerprint map adaptation
CN107820202B (zh) 一种基于空间特征的室内定位分区方法
Kuo et al. Cluster-enhanced techniques for pattern-matching localization systems
CN110072186A (zh) 基于属性独立的加权朴素贝叶斯室内定位方法
KR20110116564A (ko) Ｋｎｎ／ｆｃｍ 혼합 알고리즘을 이용한 실내 측위 방법
Ma et al. A novel indoor fingerprint localization system based on distance metric learning and AP selection
CN108445443B (zh) 一种基于knn的指纹点聚类方法
Quezada-Gaibor et al. Data cleansing for indoor positioning Wi-Fi fingerprinting datasets
CN113238185B (zh) 一种基于斐波那契散枝搜索的非协作目标定位方法和系统
CN111273263A (zh) 基于信息融合的自主探测声纳多目标doa估计方法
Chen et al. DeepMetricFi: Improving Wi-Fi fingerprinting localization by deep metric learning
Torres-Sospedra et al. Exploiting different combinations of complementary sensor’s data for fingerprint-based indoor positioning in industrial environments
CN109121081A (zh) 一种基于位置候选集与em算法的室内定位方法
Vongsuteera et al. Adaptive indoor localization system for large-scale area

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200505

Termination date: 20211009

CF01 Termination of patent right due to non-payment of annual fee