CN108111976B - 一种WiFi信号指纹数据优化方法及装置 - Google Patents

Abstract

本发明公开了WiFi信号指纹数据的优化方法及装置，根据区域生长算法连续规划插值区域；根据插值算法计算待求点的WiFi信号强度，统计待求点与其周围已知点的WiFi信号强度分布；计算所述待求点信号强度分布与周围已知点信号强度分布的巴氏系数；分析所述巴氏系数，当巴氏系数的分析结果，大于等于预设的阈值时，则执行区域生长算法并实现插值；当小于阈值，更改区域生长条件，重新规划新的插值区域。本发明可实现获取更高分辨率的WiFi指纹库，同时根据巴氏系数的分析结果，选取正确插值区域，提高WiFi稠密指纹库的精度，从而解决目前WiFi信号强度预测不准，信号插值可用区间选取不当而导致室内定位结果精度受限的问题。

Description

一种WiFi信号指纹数据优化方法及装置

技术领域

本发明涉及数据处理和室内导航技术领域，特别涉及一种WiFi信号指纹数据的优化方法及装置。

背景技术

WiFi信号由于具有稳定的频率、可全天工作和信号易获得的优点，其在室内导航定位应用中受到了广泛的重视和研究，并已在现实生活中的相关领域得到了应用。WiFi定位技术的核心思想是利用每一个空间位置点WiFi信号强度不同的特点，构建每一位置点的位置特征，并采用定位匹配算法来达到定位的目的。WiFi信号强度的精确性是WiFi定位技术中最关键的一环，由于受采集软件和地形特征的限制，目前WiFi定位技术的应用并没有全方位、大规模的得到应用。在地下室或较为宽广的环境下，采集的WiFi信号信息准确，在超市、地铁站和机场人流量较大，遮挡较多，无法获取准确的WiFi信号强度，也就无法利用WiFi准确定位。

发明内容

鉴于上述问题，利用获取的WiFi信号合理准确的推断未知信息点的WiFi 信号强度，能还原WiFi在每一位置点的信号特征，而且能提高WiFi指纹库的空间分辨率，提高WiFi定位技术的准确性，有利于WiFi定位技术的推广和应用。本发明提供了一种WiFi信号指纹数据的优化方法及装置，以解决目前WiFi 信号强度预测不准，信号插值可用区间选取不合理，使得室内定位结果精度受限的问题。

第一方面，本发明实施例提供一种WiFi信号指纹数据的优化方法，包括：

对WiFi信号覆盖区域，根据区域生长算法连续规划插值区域；

根据插值算法计算待求点的WiFi信号强度，统计所述待求点与其周围已知点的WiFi信号强度分布；

计算所述待求点信号强度分布与周围已知点信号强度分布的巴氏系数；

分析所述巴氏系数，当所述巴氏系数的分析结果，大于等于预设的阈值时，则执行所述区域生长算法并实现插值。

在一个实施例中，还包括：

当所述巴氏系数的分析结果，小于所述预设的阈值时，则更改所述区域生长算法的生长条件，重新规划区域，直至所述巴氏系数的分析结果，大于等于预设的阈值。

在一个实施例中，所述巴氏系数的分析准则公式为：

式中BC(*)为所述待求点的信号强度分布与所述周围已知点的信号强度分布之间的巴氏系数；DRSS_w，k为通过插值算法计算出的待求点w处第k个AP的信号强度分布；DRSS_m，k为距离待求点欧氏距离最近的已知点m处第k个AP的信号强度分布；DRSS_n，k为距离待求点2倍最小欧氏距离的已知点n处第k个AP 的信号强度分布；threshold为所述预设的阈值。

在一个实施例中，对WiFi信号覆盖区域，根据区域生长算法连续规划插值区域，包括：

计算待求点与已知点的欧式距离，寻找距离所述待求点最近的已知点，获取所述已知点坐标(X_s、Y_s、Z_s)、信号源AP数、信号强度RSS、信号源出现次数Num和WiFi频率Fre，选取所述已知点作为种子点；

选取相邻两个所述已知点信号强度RSS的误差绝对值在5dBm以内作为生长条件规划插值区域。

在一个实施例中，所述欧式距离的公式为

式中x_i和x_j分别表示第i个和第j个空间位置点；d(x_i,x_j)为两空间点x_i,x_j的欧氏距离计算公式；(X_i、Y_i、Z_i)为x_i的空间坐标；(X_j、Y_j、Z_j)为x_j的空间坐标。

在一个实施例中，根据插值算法计算待求点的WiFi信号强度，统计所述待求点与其周围已知点的WiFi信号强度分布，包括：

根据所规划出的所述插值区域，通过插值算法计算待求点(X_W、Y_W、Z_W)的信号源AP_W、信号强度RSS_W和信号频率Fre_W；

统计所述待求点与其周围已知点的WiFi信号强度分布；信号强度分布公式为

式中DRSS_i,k(s)表示第i个空间位置点接收到的第k个AP信号强度为s的分布；NRSS_i,k(s)表示第i个空间位置点接收到的第k个AP信号强度为s的次数； Num_i,k表示第i个空间位置点接收到第k个AP信号的次数；

利用巴氏系数计算所述待求点与其周围已知点WiFi信号强度分布的相关性，计算公式为

式中s_min和s_max表示信号强度的最小值与最大值。

在一个实施例中，所述更改所述区域生长算法的生长条件，包括：

将相邻两个所述已知点信号强度RSS绝对误差最大值增加1dBm作为下一次生长条件的绝对误差允许范围，重新执行区域生长算法，规划插值区域。

第二方面，本发明实施例提供一种WiFi信号指纹数据的优化装置，包括：

规划模块，用于对WiFi信号覆盖区域，根据区域生长算法连续规划插值区域；

统计模块，用于根据插值算法计算待求点的WiFi信号强度，统计所述待求点与其周围已知点的WiFi信号强度分布；

计算模块，用于计算所述待求点信号强度分布与周围已知点信号强度分布的巴氏系数；

分析模块，用于分析所述巴氏系数，当所述巴氏系数的分析结果，大于等于预设的阈值时，则执行所述区域生长算法并实现插值。

在一个实施例中，所述分析模块，还用于当所述巴氏系数的分析结果，小于所述预设的阈值时，则更改所述区域生长算法的生长条件，重新规划区域，直至所述巴氏系数的分析结果，大于等于预设的阈值。

第三方面，本发明实施例提供一种WiFi信号指纹数据的优化装置，包括：

处理器；

用于存储处理器可执行命令的存储器；

其中，所述处理器被配置为：

对WiFi信号覆盖区域，根据区域生长算法连续规划插值区域；

根据插值算法计算待求点的WiFi信号强度，统计所述待求点与其周围已知点的WiFi信号强度分布；

计算所述待求点信号强度分布与周围已知点信号强度分布的巴氏系数；

分析所述巴氏系数，当所述巴氏系数的分析结果，大于等于预设的阈值时，则执行所述区域生长算法并实现插值；当所述巴氏系数的分析结果，小于所述预设的阈值时，则更改所述区域生长算法的生长条件，重新规划区域，直至所述巴氏系数的分析结果，大于等于预设的阈值。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明实施例提供的WiFi信号指纹数据的优化方法及装置，该方法在传统插值算法的基础上引入区域生长区域划分与巴氏系数分析，可实现用户在使用过程中自主选取最优插值区域实现指纹数据优化，并根据不同地形区域选择合适的插值算法进行匹配定位。本发明可以提高待求点的信号精度，从而解决目前WiFi信号强度预测不准，信号插值可用区间选取不当而导致室内定位结果精度受限的问题。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的WiFi信号指纹数据的优化方法的流程图；

图2为本发明实施例提供的插值区域规划的示意图；

图3为本发明实施例提供的WiFi信号指纹数据的优化装置的框图；

图4为本发明实施例提供的WiFi信号指纹数据优化系统结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一：本发明实施例提供了一种WiFi信号指纹数据的优化方法，参照图1所示，包括以下步骤：

S101、对WiFi信号覆盖区域，根据区域生长算法连续规划插值区域；

S102、根据插值算法计算待求点的WiFi信号强度，统计所述待求点与其周围已知点的WiFi信号强度分布；

S103、计算所述待求点信号强度分布与周围已知点信号强度分布的巴氏系数；

S104、分析所述巴氏系数；

S105、当所述巴氏系数的分析结果，大于等于预设的阈值时，则执行所述区域生长算法并实现插值。

进一步地，参照图1所示，还包括：

S106、当所述巴氏系数的分析结果，小于所述预设的阈值时，则更改所述区域生长算法的生长条件，重新规划区域，直至所述巴氏系数的分析结果，大于等于预设的阈值。

该方法在传统插值算法的基础上引入区域生长区域划分与巴氏系数分析，可实现用户在使用过程中自主选取最优插值区域实现指纹数据优化，并根据不同地形区域选择合适的插值算法进行匹配定位。本发明可以提高待求点的信号精度，从而解决目前WiFi信号强度预测不准，信号插值可用区间选取不当而导致室内定位结果精度受限的问题。

下面分布对上述步骤进行详细的说明。

本实施例中，步骤S101中根据实验区域所获得的位置坐标、WiFi物理地址、WiFi信号强度、WiFi同一物理地址出现的次数和WiFi频率，通过区域生长算法连续规划插值区域；

其中：插值区域规划的具体步骤：包括：

步骤1：计算待求点与已知信息点的欧式距离，寻找距离最近的已知点，获得该点坐标(X、Y、Z)、信号源AP数、信号强度RSS、信号源出现次数Num 和WiFi频率Fre，选取该已知点作为种子点，已知点的特征可表示为 x_i＝{X_i,Y_i,Z_i,AP_i,RSS_i,k,m_i,k}；

式中x_i为所获区域内第i个位置点的特征表示；(X_i,Y_i,Z_i)为所获区域内第i个位置点的空间坐标；AP_i为所获区域内第i个位置点接收到的AP向量；RSS_i,k为所获区域内第i个位置点接收到的第k个AP的信号强度向量；m_i,k为所获区域内第i个位置点接收到第k个AP的次数。

步骤2：根据WiFi信号的传播特性，选取相邻已知点信号强度RSS的误差绝对值在5dBm以内作为生长条件自动选取插值区域，如果相邻点的RSS误差绝对值大于5dBm则停止生长插值区域。

为了更好的说明插值区域规划的流程，给出如图2所示的插值区域规划的示意图。在实验区域22内，待求点221与已知点222的欧氏距离最短，选取222作为生长区域算法中的种子点。第一次使用区域生长算法时，以相邻已知点的信号强度RSS绝对误差在5dBm以内作为生长条件，划分出插值区间，以巴氏系数为准则，判断所划分的插值区域是否满足条件，如果满足条件，则使用该插值区域进行待求点的WiFi信号强度求解；若不满足条件，将此次所设定的绝对误差最大值增加1dBm作为下一次生长条件的绝对误差允许范围，重新执行区域生长算法，规划插值区域，巴氏系数的分析准则公式为：

式中BC(*)为所述待求点的信号强度分布与所述周围已知点的信号强度分布之间的巴氏系数；DRSS_w，k为通过插值算法计算出的待求点w处第k个AP的信号强度分布；DRSS_m，k为距离待求点欧氏距离最近的已知点m处第k个AP的信号强度分布；DRSS_n，k为距离待求点2倍最小欧氏距离的已知点n处第k个AP 的信号强度分布；threshold为所述预设的阈值。

比如所设置的条件为

图2中223即为最终所划分出的插值区域边界。

上述步骤S102-S103中，根据插值算法计算待求点处的信号强度(ReceivedSignal Strength，RSS)，统计待求点与周围已知点的信号强度分布，计算待求点信号强度分布与周围已知点信号强度分布的巴氏系数；

具体的，插值算法计算待求点处的信号强度包含以下步骤：

步骤1)：根据WiFi信号接收器读取的待求点的位置坐标与已知点信息，包括已知点位置坐标、WiFi物理地址、WiFi信号强度、WiFi同一物理地址出现的次数和WiFi频率，根据高斯过程回归插值方法，计算待求点处的信号强度RSS，取高斯过程回归的核函数为

式中，x_i和x_j为所获区域内第i个位置点和第j个位置点；k(x_i,x_j)表示两空间位置点的核函数计算结果，

为最大可允许的协方差(协方差因子)；l为长度参数(方差的尺度)；σ_n为噪声的方差；exp(*)表示指数函数；x_i-x_j表示两空间位置点的欧氏距离；δ(x_i,x_j)为克罗内克函数。

计算所规划插值区域内已知点与待求点的核函数值并构造为向量，公式为 K_w＝[k(x_w,x₁),k(x_w,x₂)…,k(x_w,x_n)](3)

式中x_w为所获区域内的未知点；x_i(i＝1,2,3,...,n)为所获区域内的已知点；K_w表示未知点x_w与所有已知点x_i(i＝1,2,3,...,n)的核函数值所构成的维度为1×n的向量。

计算所规划插值区域内不同已知点之间的核函数值并构成为阵，表达式为

式中K表示已知点x_i(i＝1,2,3,...,n)与已知点x_j(j＝1,2,3,...,n)的所有核函数值所构成的维度为n×n的矩阵。

计算所规划插值区域内待求点自身的核函数值，表达式为

K_ww＝k(x_w,x_w) (5)

式中K_ww表示未知点x_w自身的核函数值。

待求点与已知信息点的联合分布可表示为

式中f为由已知点的信息构成的维度为n×1的向量；

为K_w的转置；N(*)表示高斯分布；取(6)式中f_w的平均值作为最优估计值，计算公式为

式中，

为待求点信息的最优估计值；K^-1表示矩阵K的逆矩阵。

步骤2)：根据插值法所算出的待求点相应信息参数，包括信号源AP_w、信号强度RSS_w和信号频率Fre_w，分别统计出待求点与其周围已知点的信号强度分布，信号强度分布公式为

式中DRSS_i,k(s)表示第i个空间位置点接收到第k个AP信号强度为s的分布；NRSS_i,k(s)表示第i个空间位置点接收到第k个AP信号强度为s的次数；Num_i,k表示第i个空间位置点接收到第k个AP信号的次数。

步骤3)：利用巴氏系数计算待求点WiFi信号强度分布与其周围已知点 WiFi信号强度分布的相关性，计算公式为

式中s_min和s_max表示信号强度的最小值与最大值。

选取距离待求点欧氏距离最小的已知点，并选取距离待求试验点2倍最小欧氏距离的已知点，计算待求点信号强度分布与这两个已知点信号强度分布的巴氏系数，其欧式距离的公式为

式中d(x_i,x_j)为两空间点x_i,x_j的欧氏距离计算公式；(X_i、Y_i、Z_i)为x_i的空间坐标；(X_j、Y_j、Z_j)为x_j的空间坐标。

上述步骤S104-S106中，根据巴氏系数计算结果来决策是否使用当前规划的插值区域，如果待求点WiFi信号强度分布与周围已知点WiFi信号强度分布之间的巴氏系数大于等于阈值，则执行该区域生长算法并实现插值；否则，如果巴氏系数小于阈值，则更改区域生长算法的生长条件，直至达到巴氏系数满足设定的阈值，具体决策过程为：

当规划出的插值区域，巴氏系数大于等于阈值，执行该区域生长算法并实现插值；当规划出的插值区域，巴氏系数小于阈值，不执行该生长区域算法并更改生长算法中的生长条件，扩大生长条件中绝对误差的允许范围，将绝对误差最大值增加1dBm作为下一次生长条件的绝对误差允许范围，重新执行区域生长算法，规划插值区域。在本发明中巴氏系数分析准则的阈值取为2。

基于同一发明构思，本发明实施例还提供了WiFi信号指纹数据的优化装置，由于该装置所解决问题的原理与前述WiFi信号指纹数据的优化方法相似，因此该装置的实施可以参见前述方法的实施，重复之处不再赘述。

实施例二：

本发明实施例提供了一种WiFi信号指纹数据的优化装置，参照图3所示，包括：

规划模块31，用于对WiFi信号覆盖区域，根据区域生长算法连续规划插值区域；

统计模块32，用于根据插值算法计算待求点的WiFi信号强度，统计所述待求点与其周围已知点的WiFi信号强度分布；

计算模块33，用于计算所述待求点信号强度分布与周围已知点信号强度分布的巴氏系数；

分析模块34，用于分析所述巴氏系数，当所述巴氏系数的分析结果，大于等于预设的阈值时，则执行所述区域生长算法并实现插值。

进一步地，上述分析模块34，还用于当所述巴氏系数的分析结果，小于所述预设的阈值时，则更改所述区域生长算法的生长条件，重新规划区域，直至所述巴氏系数的分析结果，大于等于预设的阈值。

在一个实施例中，所述巴氏系数的分析准则公式为：

式中BC(*)为所述待求点的信号强度分布与所述周围已知点的信号强度分布之间的巴氏系数；DRSS_w，k为通过插值算法计算出的待求点w处第k个AP的信号强度分布；DRSS_m，k为距离待求点欧氏距离最近的已知点m处第k个AP的信号强度分布；DRSS_n，k为距离待求点2倍最小欧氏距离的已知点n处第k个AP 的信号强度分布；threshold为所述预设的阈值。

在一个实施例中，对WiFi信号覆盖区域，根据区域生长算法连续规划插值区域，包括：

计算待求点与已知点的欧式距离，寻找距离所述待求点最近的已知点，获取所述已知点坐标(X_s、Y_s、Z_s)、信号源AP数、信号强度RSS、信号源出现次数Num和WiFi频率Fre，选取所述已知点作为种子点；

选取相邻两个所述已知点信号强度RSS的误差绝对值在5dBm以内作为生长条件规划插值区域。

在一个实施例中，所述欧式距离的公式为

式中x_i和x_j分别表示第i个和第j个空间位置点；d(x_i,x_j)为两空间点x_i,x_j的欧氏距离计算公式；(X_i、Y_i、Z_i)为x_i的空间坐标；(X_j、Y_j、Z_j)为x_j的空间坐标。

在一个实施例中，根据插值算法计算待求点的WiFi信号强度，统计所述待求点与其周围已知点的WiFi信号强度分布，包括：

根据所规划出的所述插值区域，通过插值算法计算待求点(X_W、Y_W、Z_W)的信号源AP_W、信号强度RSS_W和信号频率Fre_W；

统计所述待求点与其周围已知点的WiFi信号强度分布；信号强度分布公式为

式中DRSS_i,k(s)表示第i个空间位置点接收到的第k个AP信号强度为s的分布；NRSS_i,k(s)表示第i个空间位置点接收到的第k个AP信号强度为s的次数； Num_i,k表示第i个空间位置点接收到第k个AP信号的次数；

利用巴氏系数计算所述待求点与其周围已知点WiFi信号强度分布的相关性，计算公式为

式中s_min和s_max表示信号强度的最小值与最大值。

在一个实施例中，所述更改所述区域生长算法的生长条件，包括：

将相邻两个所述已知点信号强度RSS绝对误差最大值增加1dBm作为下一次生长条件的绝对误差允许范围，重新执行区域生长算法，规划插值区域。

本公开实施例的上述装置，在传统插值算法的基础上引入区域生长区域划分与巴氏系数分析，可实现用户在使用过程中自主选取最优插值区域实现指纹数据优化，并根据不同地形区域选择合适的插值算法进行匹配定位。本发明可以提高待求点的信号精度，从而解决目前WiFi信号强度预测不准，信号插值可用区间选取不当而导致室内定位结果精度受限的问题。

实施例三：

第三方面，本发明实施例提供一种WiFi信号指纹数据的优化装置，包括：

处理器；

用于存储处理器可执行命令的存储器；

其中，所述处理器被配置为：

对WiFi信号覆盖区域，根据区域生长算法连续规划插值区域；

根据插值算法计算待求点的WiFi信号强度，统计所述待求点与其周围已知点的WiFi信号强度分布；

计算所述待求点信号强度分布与周围已知点信号强度分布的巴氏系数；

分析所述巴氏系数，当所述巴氏系数的分析结果，大于等于预设的阈值时，则执行所述区域生长算法并实现插值；当所述巴氏系数的分析结果，小于所述预设的阈值时，则更改所述区域生长算法的生长条件，重新规划区域，直至所述巴氏系数的分析结果，大于等于预设的阈值。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例四：

可将WiFi信号指纹数据的优化方法通过编程实现，利用终端处理器实现 WiFi信号最佳覆盖区域选取、指纹数据优化和数据插值处理计算，形成一种 WiFi信号最佳覆盖区域选取和指纹数据优化系统，计算处理器可以是普通计算机，也可以是移动设备终端，还可以将其移植到嵌入式系统中形成WiFi信号最佳覆盖区域选取和指纹数据优化系统。

参照图4所示，主要包括场地模块1、WiFi数据插值模块2和指纹库细化模块3。其中场地模块1，提供已知点的位置信息、WiFi的物理地址、WiFi的信号强度、WiFi信号的接收次数和信号的频率；WiFi数据插值模块2是计算待求点信息的核心，其主要包括WiFi插值区域规划与插值处理模块21、待求点位置22、传感器单元23和巴氏系数分析模块24；指纹库细化模块3为最终的细化指纹库结果。

WiFi插值区域规划与插值处理模块21，用于用户在使用过程中自主规划连续插值区域、对所选择的插值区域使用插值算法进行插值计算并统计信号强度的分布，输入参数由场地模块1和待求点位置22给出，输出参数提供给巴氏系数分析模块24。

待求点的位置22，提供待求点的三维空间坐标；传感器单元23是WiFi 信号接收器，提供区域内的相关参数，包括WiFi物理地址、WiFi信号强度、 WiFi同一物理地址出现的次数、WiFi频率和空间位置坐标；

巴氏系数分析模块24，利用WiFi插值区域规划与插值处理模块21输出的参数，分析插值区域划分的可靠性，确保插值精度。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种WiFi信号指纹数据的优化方法，其特征在于，包括：

对WiFi信号覆盖区域，根据区域生长算法连续规划插值区域；

根据插值算法计算待求点的WiFi信号强度，统计所述待求点与其周围已知点的WiFi信号强度分布；

计算所述待求点信号强度分布与周围已知点信号强度分布的巴氏系数；

分析所述巴氏系数，当所述巴氏系数的分析结果，大于等于预设的阈值时，则执行所述区域生长算法并实现插值；

所述巴氏系数的分析准则公式为：

式中BC(*)为所述待求点的信号强度分布与所述周围已知点的信号强度分布之间的巴氏系数；DRSS_w，k为通过插值算法计算出的待求点w处第k个AP的信号强度分布；DRSS_m，k为距离待求点欧氏距离最近的已知点m处第k个AP的信号强度分布；DRSS_n，k为距离待求点2倍最小欧氏距离的已知点n处第k个AP的信号强度分布；threshold为所述预设的阈值。

2.如权利要求1所述的优化方法，其特征在于，还包括：

当所述巴氏系数的分析结果，小于所述预设的阈值时，则更改所述区域生长算法的生长条件，重新规划区域，直至所述巴氏系数的分析结果，大于等于预设的阈值。

3.如权利要求2所述的优化方法，其特征在于，对WiFi信号覆盖区域，根据区域生长算法连续规划插值区域，包括：

计算待求点与已知点的欧式距离，寻找距离所述待求点最近的已知点，获取所述已知点坐标(X_s、Y_s、Z_s)、信号源AP数、信号强度RSS、信号源出现次数Num和WiFi频率Fre，选取所述已知点作为种子点；

选取相邻两个所述已知点信号强度RSS的误差绝对值在5dBm以内作为生长条件规划插值区域。

4.如权利要求3所述的优化方法，其特征在于，所述欧式距离的公式为

式中x_i和x_j分别表示第i个和第j个空间位置点；d(x_i,x_j)为两空间点x_i,x_j的欧氏距离计算公式；(X_i、Y_i、Z_i)为x_i的空间坐标；(X_j、Y_j、Z_j)为x_j的空间坐标。

5.如权利要求1所述的优化方法，其特征在于，根据插值算法计算待求点的WiFi信号强度，统计所述待求点与其周围已知点的WiFi信号强度分布，包括：

根据所规划出的所述插值区域，通过插值算法计算待求点(X_W、Y_W、Z_W)的信号源AP_W、信号强度RSS_W和信号频率Fre_W；

统计所述待求点与其周围已知点的WiFi信号强度分布；信号强度分布公式为

式中DRSS_i,k(s)表示第i个空间位置点接收到的第k个AP信号强度为s的分布；NRSS_i,k(s)表示第i个空间位置点接收到的第k个AP信号强度为s的次数；Num_i,k表示第i个空间位置点接收到第k个AP信号的次数；

利用巴氏系数计算所述待求点与其周围已知点WiFi信号强度分布的相关性，计算公式为

式中s_min和s_max表示信号强度的最小值与最大值。

6.如权利要求3所述的优化方法，其特征在于，所述更改所述区域生长算法的生长条件，包括：

将相邻两个所述已知点信号强度RSS绝对误差最大值增加1dBm作为下一次生长条件的绝对误差允许范围，重新执行区域生长算法，规划插值区域。

7.一种WiFi信号指纹数据的优化装置，其特征在于，包括：

规划模块，用于对WiFi信号覆盖区域，根据区域生长算法连续规划插值区域；

统计模块，用于根据插值算法计算待求点的WiFi信号强度，统计所述待求点与其周围已知点的WiFi信号强度分布；

计算模块，用于计算所述待求点信号强度分布与周围已知点信号强度分布的巴氏系数；

分析模块，用于分析所述巴氏系数，当所述巴氏系数的分析结果，大于等于预设的阈值时，则执行所述区域生长算法并实现插值；所述巴氏系数的分析准则公式为：

式中BC(*)为所述待求点的信号强度分布与所述周围已知点的信号强度分布之间的巴氏系数；DRSS_w，k为通过插值算法计算出的待求点w处第k个AP的信号强度分布；DRSS_m，k为距离待求点欧氏距离最近的已知点m处第k个AP的信号强度分布；DRSS_n，k为距离待求点2倍最小欧氏距离的已知点n处第k个AP的信号强度分布；threshold为所述预设的阈值。

8.如权利要求7所述的优化装置，其特征在于，所述分析模块，还用于当所述巴氏系数的分析结果，小于所述预设的阈值时，则更改所述区域生长算法的生长条件，重新规划区域，直至所述巴氏系数的分析结果，大于等于预设的阈值。

9.一种WiFi信号指纹数据的优化装置，其特征在于，包括：

处理器；

用于存储处理器可执行命令的存储器；

其中，所述处理器被配置为：

对WiFi信号覆盖区域，根据区域生长算法连续规划插值区域；

根据插值算法计算待求点的WiFi信号强度，统计所述待求点与其周围已知点的WiFi信号强度分布；

计算所述待求点信号强度分布与周围已知点信号强度分布的巴氏系数；

分析所述巴氏系数，当所述巴氏系数的分析结果，大于等于预设的阈值时，则执行所述区域生长算法并实现插值；当所述巴氏系数的分析结果，小于所述预设的阈值时，则更改所述区域生长算法的生长条件，重新规划区域，直至所述巴氏系数的分析结果，大于等于预设的阈值；所述巴氏系数的分析准则公式为：

式中BC(*)为所述待求点的信号强度分布与所述周围已知点的信号强度分布之间的巴氏系数；DRSS_w，k为通过插值算法计算出的待求点w处第k个AP的信号强度分布；DRSS_m，k为距离待求点欧氏距离最近的已知点m处第k个AP的信号强度分布；DRSS_n，k为距离待求点2倍最小欧氏距离的已知点n处第k个AP的信号强度分布；threshold为所述预设的阈值。

Images