CN108293238B - 促进接入点信号变更下的室内定位和指纹更新 - Google Patents

Abstract

当接入点信号变更时，传统的基于指纹的室内定位技术不准确。具有变更的接入点和指纹更新的定位可实现准确的室内定位，并自动更新具有变更的接入点的指纹数据库。使用子集采样，系统检测到已变更的接入点，通过接收信号强度矢量将变更的接入点滤除，并找到客户端的位置。给定接收信号强度矢量和估计位置，系统可通过应用非参数高斯过程回归方法来更新具有信号变化的指纹数据库。

Description

促进接入点信号变更下的室内定位和指纹更新

技术领域

本公开大体涉及促进接入点信号的室内定位。更具体地，本公开涉及接入点信号的指纹更新。

背景技术

包括Wi-Fi指纹识别的室内的基于位置服务(LBS，location-based services)是一个不断增长的领域。基于指纹的定位通常有两个阶段，即离线现场调查和在线位置查询。在离线阶段，进行现场调查以收集称为参考点(RPs,reference points)的已知物理位置处的指纹。每个指纹均是来自Wi-Fi接入点(APs,access points)的接收信号强度(RSS,received signal strength)值的矢量。然后，将RSS值及其相关位置存储在指纹数据库中。在在线阶段，移动客户端(目标)在其位置处测量RSS值。在收到客户端测量值后，服务器将测量值与其数据库进行匹配以返回客户端位置。

指纹的准确性取决于指纹数据库与当前信号环境的匹配程度。然而，由于意外的AP移动、功率调整、壁分区的引入或移除、磨损等， AP信号会随着时间的推移而变化。如果这种信号变化未反映在指纹数据库中，则定位精度会受到不利影响。

与Wi-Fi指纹相关的上述背景仅旨在提供一些当前问题的背景概述，并不旨在穷举。在参照下文详细描述时，其他背景信息可变得更加明显。

附图说明

参考下述附图来描述本公开的非限制性和非穷举性实施方式，其中，除非另有说明，否则，在各个视图中，相同的附图标记指代相同的部件。

图1示出根据一个或多个实施方式的包括具有变更的接入点和指纹更新的定位的示例无线网络。

图2示出根据一个或多个实施方式的具有变更的接入点和指纹更新的定位的示例示意性系统框图。

图3示出根据一个或多个实施方式的接入点的示例热图。

图4示出根据一个或多个实施方式的接入点的接收信号强度位置的示例图。

图5示出根据一个或多个实施方式的接收信号强度的标准差的示例图。

图6示出根据一个或多个实施方式的通过客户端接收的接入点的数量的示例图。

图7示出根据一个或多个实施方式的距离阈值的示例图。

图8示出根据一个或多个实施方式的在接入点变更之前和之后的平均相互距离的示例图。

图9示出根据一个或多个实施方式的在AP变更之前和之后的平均定位误差的示例图。

图10示出根据一个或多个实施方式的平均定位误差与变更的AP 的数量的关系的示例图。

图11示出根据一个或多个实施方式的在存在变更的AP的情况下的位置误差的累积概率的示例图。

图12示出根据一个或多个实施方式的平均定位误差与信号变化因子的关系的示例图。

图13示出根据一个或多个实施方式生成的定位误差与RSS子集样本的数量的关系的示例图。

图14示出根据一个或多个实施方式的定位误差与群集相似度中设置的最近RP的数量的关系的示例图。

图15示出根据一个或多个实施方式的平均定位误差与在惩罚项中设置的带宽的关系的示例图。

图16示出根据一个或多个实施方式的因子κ在更新决定中的影响的示例图。

图17示出根据一个或多个实施方式的RSS回归误差的累积分布函数示例图。

图18示出根据一个或多个实施方式的使用更新信号的位置误差的累积分布函数示例图。

图19示出根据一个或多个实施方式的平均相互距离与用户到达的关系的示例图。

图20示出根据一个或多个实施方式的接入点的示例热图。

图21示出根据一个或多个实施方式的AP变更下的定位误差的累积分布函数示例图。

图22示出根据一个或多个实施方式的使用不同数据库的加权k 最近邻(WKNN)误差的累积分布函数示例图。

图23示出根据一个或多个实施方式的使用更新信号的位置误差的累积分布函数示例图。

图24示出根据一个或多个实施方式的使用不同数据库的WKNN 误差的累积分布函数示例图。

图25示出根据一个或多个实施方式的将位置聚集成9个群集的示例。

图26示出根据一个或多个实施方式的将位置聚集成6个群集的示例。

图27示出根据一个或多个实施方式的密集群集中的频率与通过客户端检测到的AP的索引的关系的示例图。

图28示出根据一个或多个实施方式的具有变更的AP和指纹更新 (LAAFU，localization with altered APs and fingerprint updating)系统的定位的流程示例图。

图29示出根据本文所述的一个或多个实施方式的可操作用于参与促进安全无线通信的系统架构的示例移动手持机的示例框图。

图30示出根据本文所述的一个或多个实施方式的可操作用于参与促进安全无线通信的系统架构的示例计算机的示例框图。

具体实施方式

在下文描述中，阐述了许多具体细节以提供对各种实施方式的深入理解。然而，本领域技术人员会认识到的是，可在没有一个或没有多个具体细节的情况下来实施本文所描述的技术，或利用其他方法、部件、材料等来实施本文所描述的技术。在其他情况下，未详细示出或描述公知的结构、材料或操作以避免模糊特定方面。

在本说明书全文中，引用“一个实施方式”或“实施方式”意味着结合该实施方式描述的具体特征、结构或特性包括于至少一个实施方式中。因而，贯穿本说明书各处出现的词组“在一个实施方式中”、“在一个方面”或“在实施方式中”并不都指代相同的实施方式。另外，具体特征、结构或特性可以以任何适合的方式在一个或多个实施方式中组合。

如本文所使用的术语“组件”、“系统”、“接口”等旨在表示与计算机相关的实体、硬件、软件(例如，在执行中)和/或固件。例如，组件可为处理器、在处理器上运行的进程、对象、可执行程序、程序、存储设备和/或计算机。举例来说，在服务器上运行的应用程序以及服务器可是组件。一个或多个组件可驻留在进程中，以及组件可位于一台计算机上和/ 或分布在两台或多台计算机之间。

另外，这些组件可从其中存储有各种数据结构的各种机器可读介质来执行。该组件可经由本地进程和/或远程进程进行通信，诸如根据具有一个或多个数据包的信号进行通信(例如，来自一个组件的数据与本地系统、分布式系统中的另一组件进行交互，和/或经由信号与其他系统通过网络，例如，互联网、局域网、广域网等，来进行交互)。

作为另一示例，组件可是具有由电气电路或电子电路操作的机械部件提供的具体功能的装置；电气电路或电子电路可由一个或多个处理器执行的软件应用程序或固件应用程序来操作；该一个或多个处理器可在该装置的内部或外部、并可执行至少部分软件应用程序或固件应用程序。作为又一示例，组件可是通过电子组件提供具体功能而不是通过机械部件提供具体功能的装置；电子组件可包括一个或多个处理器，在该一个或多个处理器中执行软件和/或固件，该软件和/或固件至少部分地具有电子组件的功能。在一方面，组件可经由例如在云计算系统内的虚拟机来模拟电子组件。

本文使用词语“示例性”和/或“说明性”来表示用作示例、实例或说明。为避免疑义，本文公开的主题不受这些示例的限定。另外，本文中描述为“示例性”和/或“说明性”的任何方面或设计并不解释为比其他方面或设计优选或有利，也不意味着排除本领域技术人员已知的等同示例性结构和技术。另外，就在详细描述或权利要求书中使用的术语“包括”、“具有”、“包含”和其他类似词语而言，这些术语旨在是包容性的-使得与术语“包括”类似的方式作为开放式过渡词-而不排除任何附加或其他元素。

如本文所使用的，通常，术语“推断”或“推论”是指从经由事件和/或数据捕获的一组观察中推理或推断系统、环境、用户和/或意图的状态的过程。捕获的数据和事件可包括用户数据、设备数据、环境数据、来自传感器的数据、传感器数据、应用程序数据、隐式数据、显式数据等。例如，可采用推断来识别具体的环境或动作，或可基于对数据和事件的考虑而生成感兴趣状态的概率分布。

推论还可指用于从一组事件和/或数据组成较高级事件的技术。这种推论导致从一组观察到的事件和/或存储的事件数据来构建新的事件或动作，无论事件是否在时间上紧密相关，以及事件和数据是来自一个还是多个事件和数据源。结合公开的主题执行自动动作和/或推断动作，可采用各种分类方案和/或系统(例如，支持矢量机、神经网络、专家系统、贝叶斯置信网络、模糊逻辑和数据融合引擎)。

另外，所公开的主题可实施为使用标准编程和/或工程技术来生成软件、固件、硬件或其任何组合来控制计算机以实现所公开的主题的方法、装置或制品。本文使用的术语“制品”旨在包括可从任何计算机可读设备、计算机可读载体或计算机可读介质访问的计算机程序。例如，计算机可读介质可包括但不限于：例如硬盘的磁存储设备；软盘；一个或多个磁条；光盘(例如，光碟(CD)、数字视频光盘(DVD)、蓝光光盘^TM (BD))；智能卡；闪存设备(例如，卡、棒、钥匙驱动器)；和/或模拟存储设备的虚拟设备和/或任何上述计算机可读介质。

作为概述，本文描述了各种实施方式以促进变更的接入点信号的室内定位和指纹更新。为了简化说明，将方法(或算法)描绘或描述为一系列行为。应理解和领会的是，各种实施方式不受所示的行为和/或行为的顺序的限定。例如，行为可以以各种顺序和/或同时发生，以及其他行为可不在本文提出或描述。另外，实施这些方法并非都需要所有示例的行为。另外，这些方法也可经由状态图或事件表示为一系列相互关联的状态。另外，下文所描述的方法能够存储在制品(例如，机器可读存储介质)上，以便于将这种方法运输并转移至计算机。本文使用的术语“制品”旨在涵盖可从包括非暂时性机器可读存储介质的任何计算机可读设备、载体或介质访问的计算机程序。

本文描述的是可促进变更的接入点信号的室内定位和指纹更新的系统、方法、制品以及其他实施例或实施方式。可结合任何类型的具有连接至通信网络的设备，诸如移动手持终端、计算机、手持设备等，来实现促进变更的接入点信号的室内定位和指纹更新。

AP的接入点(AP)信号可随着时间演变。与该位置处的AP的总数量相比，在某位置处的变更的AP信号的数量可相对少。因此，如果接收信号强度(RSS)矢量不包括变更的AP，则它们的估算量会接近真实位置。另一方面，对于包括变更的AP的矢量，估算量倾向于分散。

因此，可执行具有变更的AP的定位和指纹更新(LAAFU)来提供 AP位置的较真实的值。LAFFU可实现AP变更的情况下的自动指纹更新和准确的室内定位，而无需额外的现场勘测。利用隐式众包方法，LAAFU 可首先通过利用快速检测算法来识别RSS矢量中是否存在任何变更的 AP来明确地调整变更的AP的参考(RP)指纹。如果没有检测到这种 AP，则可运行基于指纹的定位算法。否则，使用子集抽样和高效群集算法，LAAFU可过滤掉已变更的AP，并确定客户端的位置。

由于变更的AP在目标测量中可能并不频繁，因此可利用检测算法通过将RSS矢量分区为多个子集并检查这些估算量的分散性来识别变更的 AP的存在。检测算法可减少不必要的计算，从而加快LAAFU的速度。通用的基于群集的定位可用于准确识别密集群集并准确定位目标。该算法可适于输入，不需要初始预设的群集号，并且使用加权方法来基于信号相似性和群集大小来识别密集群集。

指纹更新方法可基于高斯过程(GP，Gaussian process)和众包。与以前的工作不同，这种方法利用了该地区任何地方的目标位置；因此，目标不必靠近RP。鉴于众包的RSS及其位置，GP可回归信号值以反映当前环境。因此，LAAFU能够以自适应且及时的方式基于隐式用户反馈来更新指纹数据库。应理解的是，尽管这是在Wi-Fi指纹识别的背景下，但是LAAFU可与任何指纹信号、任何定位算法以及任何设备校准方法一起使用。

真实的正值率可通过存在变更AP的正确分类的情况下的数量来表示为TP，以及实际存在的错误决定的数量可用FN表示。因此，快速检测的真实正值率(TPR,true positiverate)可通过正确地分类为正值(变更)的真实正值部分来表示，即：

如果TN是正确地预测为负值的负值情况数量，以及FP是不正确分类的正值情况数量，则真实的负值率(TNR，true negativerate)可衡量正确地确定为未变更的负值的比例，即：

PC可限定为变更的AP实际存在的正值数量，NC可限定为未变更的AP存在的负值的数量。因而，快速检测的准确度可通过下式给出：

定位误差可通过估算位置与目标真实位置之间的欧几里德距离来测量。平均定位误差可计算为估算所有目标时的误差平均值。用于信号更新准确度的信号预测误差可通过计算在每个RP处的预测RSS与地面真实值之间的绝对差来测量。可通过找到用RSS子集估算的位置之间的所有成对距离并计算它们的平均值来计算平均相互欧几里德距离。这可反映指纹和目标信号之间的不一致性。如果该距离在快速检测中小于预限定的阈值γ，则指纹数据库已成功更新。

TPR、TNP和ACC也可用于评估信号更新决定。在这里，TP(TN) 可为AP实际变更且应更新(未变更且没有更新)的正确决定的数量。FP (FN)可为AP确实未变更且未必更新(已变更且未更新)的错误决定的数量。另外，为了评估更新的指纹质量，针对不同指纹数据库的加权k 最近邻(WKNN)目标定位可包括：(1)变更的AP的没有更新RSS的原始数据库；(2)包括变更的AP的RSS的地面真实数据库；(3)通过LAAFU GP回归更新的指纹数据库；以及(4)通过长距离路径损失 (LDPL，long distance path loss)更新的指纹数据库。根据WKNN定位误差，可确定数据库是否适应具有具体信号预测布置的环境。

LAAFU可估算通过客户端测量的RSS矢量中是否存在变更的AP信号。如果不存在变更的AP信号，可像往常一样估算定位。否则，LAAFU 可进入下一个阶段，通过变更的AP进行定位，从而定位客户端。由于在 LAAFU中的自适应和高效的指纹更新，不会频繁出现变更的AP。因此，这种关于变更的AP的快速初始诊断可大大加快客户端定位。

由于AP变更可发生在相对较长的时间跨度内，因而无需执行具有变更AP的、具有较高的计算成本的定位阶段。因此，快速检测可在每个位置查询中尽早检测出存在变更的AP。

表1：LAAFU符号

具体地，如果v_i是来自AP_i的目标测量RSS(mW)，那么目标处测量的RSS矢量可限定为：

V＝{v₁，v₂，...，v_i，...v_P} 方程(4)

其中，1≤i≤P，以及P是感兴趣的站点中的AP的总数。应注意的是，如果目标未检测到APi，则v_i＝0。

为了生成一个RSS子集向量，LAAFU可首先提取由客户端可在该位置检测到的AP。设A是一组MAC地址，其中

AP_i∈A 方程(5)

如果v_i>0，则LAAFU可构造由s索引的所有MAC地址(AP集合) 的子集，即，

其中

因此，RSS子集矢量V_s限定为

V_s＝{v′₁，v′2，...，v′_i，...v′_P} 方程(7)

其中，如果AP_i∈A_s，则v'_i＝v_i，否则为0。

为了有效检测变更的AP，LAAFU可生成测量的RSS矢量的几个随机子集样本，以查看变更的AP是否存在。应注意的是，如果存在变更的 AP，则变更的AP可出现在所有的RSS子集向量样本中，这可导致相似的估算定位，并导致快速检测中的错误决定。为了减少误报警，可如下构建RSS子集向量。LAAFU可将MAC地址向量A随机分成具有偶数大小的两部分，以及获得一个两部分的分区{A1，A2}，使得，

其中，A₁∪A₂＝A，

然后，基于A₁和A₂，LAAFU可通过公式(7)分别从V构造两个RSS子集向量。类似地，使用A的三个分区可生成三个以上的RSS子集。包括原始测量的RSS矢量，共提供六个专属样本。

给定前一步骤中生成的RSS子集(矢量)样本，LAAFU可执行加权 k最近邻(WKNN)算法来计算每个RSS子集矢量的位置。设R为调查站点RP的数量，以及j为RP的指标。将RP_j的二维坐标表示为

然后，RP的集合可通过下式给出

L＝{l₁，l₂，...，l_j，...，l_R} 方程(9)

类似于方程(4)，将在每个RP_j处的指纹表示为

以及该组指纹通过下式给出

F＝{F₁，F₂，...，F_j，...，F_R} 方程(11)

然后，F和L可存储到指纹数据库中。

WKNN可找到指纹紧密匹配目标测量值的指纹的前k个最近的RP。 RSS矢量F_j与V(或子集矢量V_s)之间的比较可基于余弦相似度，其可定义为

在定位目标时，可为前k个RP中的每个分配权重，即，

ω_j＝cos(F_j，V) 方程(13)

WKNN可计算所有RP坐标的加权和，以及估算位置

可由下式给出

其中，归一化因子ω为

给定上述6个估算位置，然后，可应用欧几里德距离来测量每对l_i与l_j之间的相互分散，即，

接下来，可平均所有的相互欧几里德距离。如果平均相互距离小于某个阈值γ(根据经验获得)，则可得出结论：可不存在AP变化。在这里，γ表示对AP信号变化的敏感度，并且由RSS瞬态波动和AP变化来确定。否则，进一步的处理可如下描述。

快速检测可随机排列AP(A)并构建RSS子集，随机排列AP(A) 和构建RSS子集中每个的计算时间分别为

和

(|A|≤P)。因此，所有子集定位均需要

其中KNN取O(R(P+logk))。因此，整个快速检测可以取

具有变更AP的定位可在出现变更AP的情况下实现取得稳健和高度准确的定位。LAAFU可首先随机生成RSS子集样本，以及然后，估算 RSS子集样本的相应的位置。在该阶段，那些没有变更AP的子集的位置可形成密集的集群，否则就会分散。随后，LAAFU可找出其形心可生成客户端的位置的密集的群集。在该阶段，LAAFU也可识别其指纹值可在后续更新阶段进行修改的变更AP。

当在测量的RSS矢量中存在变更的AP时(在快速检测之后)，可定位目标。如果存在变更的AP，则可提取变更的AP用于稍后的指纹更新。

回想一下，从那些不包括变更的AP的RSS样本估算的位置倾向于形成一个密集的群集。因此，LAAFU可将从子集样本生成的位置分类到不同的群集中，以及然后，区分其形心之后就是估算的客户端位置的稠密群集。其他分散的群集可包括变更的AP。

由于给定目标RSS矢量V的所有子集样本的生成可是指数的，因此可生成一定数量的M个子集样本并从所有可能的子集中随机抽取。对于每个M样本，都可获得用户位置。鉴于这些位置的集合，LAAFU之后可将这些位置集中在一起。

为了生成随机子集样本，设A为通过目标检测到的AP列表。为了生成子集A_s(1≤s≤M)，可为每个AP_i∈A抛出公平的硬币，如果硬币是正面的，则放置AP_i∈A_s。为了更好的定位精度，如果A_s太小，可以丢弃|A_s|(例如，|A_s|≥3)。给定选定的AP A_s∈A，对于RSS值来自AP的每个元素，LAAFU可生成如方程(7)那样的相应RSS子集矢量V_s。可重复生成上述子集，直到获得完全M个RSS子集。然后，可用M个RSS 子集通过WKNN来估算位置。

给定在变更AP(s)下的位置离散度，可将M估算位置聚集，以准确地找到目标位置和变更的AP。由于估算位置的偏差可很高，以及变更的AP的数量是未知的，所以不希望在所有时间都有预先设定的群集数。因此，可实施相似性传播聚集。

具体地，相似性传播方法可采用任意两个估算位置之间的M×M方阵作为输入，其中，相似性表示为sim(i，j)，由估算位置之间的欧几里德距离给出(方程(15))。

在聚集过程中，位置之间交换职责和可用性两种消息：

1.从位置i发送给j的职责res(i，j)反映了如何可将适当的j作为i 与其他潜在形心进行比较的形心。

2.从位置j发送给i的可用性ava(i，j)累积地显示选择点j作为i 的形心是多么合适。

具体地，位置i与j之间的职责res(i，j)由下式给出

其中，可用性ava(i，j)在第一次迭代中全初始化为零。

位置i和j之间的可用性ava(i，j)限定为

其中，i≠j。以及自我可用性ava(i，i)以用如下不同的方式更新

因此，为了最大化每个位置i处的表示为τ_i的净相似性，迭代更新r (i，j)’s和a(i，j)’s，即，

如果i＝j，则识别i为群集的形心。否则，i可归类为形心为j的群集。这种迭代可在群集点不变更时结束。

鉴于群集位置，LAAFU可将密集群集与其他群集区分开。在密集的群集中，估算的位置接近客户端在信号空间中的位置。因此，它们相应的RSS子集应与目标RSS矢量具有很高的相似性。可使用方程(12)中的余弦相似度来测量位置之间的距离。

具体地，对于每个群集C，LAAFU可使用欧几里德距离(方程(15)) 选择每个群集C的形心周围的几个最接近的RP。然后，可计算C中每个子集矢量

与最近的RP中的每个

之间的相似度的平均值作为C的相似度，即，

其中，|C|是群集C中位置点的数量，以及Q是形心周围最近RP的数量。

LAAFU也可考虑每个群集的大小，因为小群集仍然可导致高的平均相似性，以及由于存在变更的AP，小群集很可能偏离其他位置。为了解决这个问题，可使用高斯核函数来将群集大小变换为范围从0到1的惩罚项，即，

其中，带宽参数b可控制内核敏感度，以及|C|_min代表最小群集的大小。因而，随着群集规模的减小，它会受到更多的惩罚。

结合以上规则，每个群集c的最终得分为

可选择得分最高的群集作为目标密集群集。因此，它的形心(二维坐标的平均值)可作为估算位置返回。

变更的AP可能排除在密集群集内的RSS子集之外，而未变更的AP 可能均匀分布在内部。为了对AP进行分类，对于所选密集群集中的每个 AP_i∈A，LAAFU可计算包括APi的RSS子集的数量作为AP_i的频率。由于变更的AP的频率在数值上远离未变更的AP的频率，因此可在一维中观察到两类聚集问题，该两类聚集问题可使用Jenks自然分解优化方法来解决。

LAAFU可通过按递增顺序对频率f进行排序来开始检测。接下来，将每个f作为断点，LAAFU可将有序数据分为两类，分别表示为

和

以及然后，计算类方法(SDCM)的平方偏差的总和为

其中

是

类别中f的平均值。LAAFU可检查与f的个数成线性关系的所有可能的组合。在检查组合后，可选择类别内频率变化最小的具有最低SDCM的断点。然后，LAAFU可将频率较低的类别中的AP标记为已变更的AP，并报告。

为了防止错误标记未变更的AP，可在滑动窗口中检查长期报告而不是单个报警。LAAFU可记录识别AP在该站点变更的次数。给定来自客户端的W位置查询，LAAFU可计算每个AP的从0到W范围的次数。通过上述的一维聚集，计数可再次聚集为两个类别(群集)。然后，更多报告次数的群集中的AP因此分类为变更。应注意的是，如果长期报告中频繁出现新的AP(未通过移动设备束缚)，则可将新的AP添加到数据库中以更新受影响的RP。

时间复杂度可通过RSS子集采样、位置聚集、密集群集检测和变更的AP检测来分析。对于RSS子集抽样，LAAFU可让

在子集抽样中为每个AP_i∈A投掷一枚硬币，以及可让

为一个RSS子集矢量。对于 M个RSS子集向量，子集抽样可取整体

以及WKNN定位可需要

时间(WKNN定位对每个子集取

)。位置聚集可利用亲和力传播方案取I是迭代次数的

另外，密集群集检测总共可占用

对于每个群集c，可采用

找到Q最近的RP(使用大小为Q的堆阵)，以及可采用

用于分数计算。总之，在RSS子集定位的支配下，整个变更AP的在线定位可需要

时间。另外，可使用至多P个AP来检测变更的AP，对

时间成本进行排序，其中，因为存在

个潜在断点，所以SDCM计算由

限定。总体而言，可使用

来检测变更的AP。

指纹数据库可用变更的AP的RSS进行更新。通过将RSS与该区域中任何位置的估算位置相关联，LAAFU可使用高斯过程回归(GPR， Gaussian Process Regression)来根据当前环境调整其指纹。给定发现的变更的AP，可在数据库内更新其信号值。具体地，在众包之下，由客户端随处测量的RSS矢量可捕捉调查站点的信号特征。为了更新指纹信号并响应环境变化，本公开讨论了共同更新调查站点中的信号映射而不是单独更新指纹点的方法。给定查询数据(目标测量的RSS矢量)和估算的位置，可用变更的AP更新信号图(例如，更新指纹点处的信号值)。

首先，在6.1节介绍GP回归公式。然后，在第6.2节中讨论如何估算GP公式中的超参数。之后，将在6.3节中介绍验证和更新最终信号，随后，在6.4节中进行复杂性分析。

指纹更新可包括回归调查站点内的信号以及建立新的指纹数据库。然而，由于壁分区和信号波动，信号传播可具有局部图案，诸如，增加的隧道效应或遇到混凝土墙后减少。因此，简单回归仅考虑总体路径损耗的传播模型是不准确的。

为了解决这个问题，在使指纹适应本地信号分布的同时保留总体路径损耗特性的高斯过程(GP，Gaussian Process)可利用以下方程。如果 l是输入的二维位置(例如，逐层回归信号)并且v是目标RSS值，则具有加性高斯噪声ε的RSS v的标准线性信号回归模型是

v＝f(1)+ε 方程(24)

其中f(·)是输入位置与RSS之间的潜在传递函数。认为ε具有零均值和方差

即，

GP是一个统计分布，从GP中任何有限数量的样本都有一个联合的高斯分布。众包位置1与其RSS之间的传递函数可通过具有均值m(l) 和协方差k(l，x′)的高斯过程

来指定，即，

其中，x'是离线阶段中调查位置(参考点)的矢量。协方差函数k(1， x')可指示两个RSS如何相对于输入位置l和x'相关。应注意的是，f(l_i) 和f(l_j)是未知的，同时给出噪声测量v_i和v_j。任何两个输入位置之间的协方差可表示为

其中，如果i＝j，则δ_ij＝1，否则为0。设N×2矩阵L为N个输入矢量的聚合。然后，v上的协方差、对应于L的众包RSS的矢量由下式给出

其中，K是所有N个输入矢量上的N×N协方差矩阵，以及I是大小为N的单位矩阵。输入RSS值是联合高斯的，即，

在根据训练地点L和在训练地点L上收集到的RSS v的条件下，表示为f_＊|_l＊，L，v的位置l_＊处的传递函数(RSS预测)的输出是高斯分布，即，

其中，预测的平均RSS为

以及RSS的预测方差由下式给出

由于位置决定错误，客户端的输入位置l也包括不确定性。目标定位不确定性可导致这种错误。因此，除了公式(24)之外，可将具有噪声的输入位置视为，即，

其中，i为实际位置以及噪音为

假设每个维度是独立的，2×2矩阵∑_l为对角矩阵，即，

其中，

是输入位置lⁱ的不确定性，以及∑_l的所有非对角元素都为零。RSS信号v与位置

之间的关系为

为了便于计算，输出RSS可以以泰勒形式扩展并使用噪声输入l近似，

其中，二维矢量

是函数f(·)相对于l的导数。然后，输出函数v可重新表示为

v＝f(l)+ε_v 方程(39)

其中

因此，方程(31)可重写为

其中，Δ_f是N个函数值

(f(·)w.r.tN个输入位置l’s的导数) 的N×2矩阵，以及diag{·}表示对角矩阵。类似地，RSS方差可在方程(32) 中重写为

为了找到方程(41)和(42)中的μ_＊和σ_＊，可计算平均函数m(l^＊) 和协方差k(.，.)。每个输入矩阵L中的输入位置l_j均对应于估计位置

以及v中的每个v_j均为来自变更的AP的估计位置l_j处的 RSS。设l_AP是相应AP的粗略位置。为了便于原型设计，可采用对数距离路径损耗模型来计算位置＊处的m(l^＊)

其中，α是参考距离d₀＝1m处的接收功率(dBm)，β是路径损耗指数。默认情况下，如果RSS值v_j′为零，LAAFU可放弃输入位置。输入位置之间的协方差为

其中，d表示长度尺度w.r.t站点，

是RSS方差。方程(44)表示两个不同位置之间的信号变化的敏感度。

上述参数(α、β、l_AP、σ_n、σ_f、d)需要在应用预测GP之前确定。因为捕捉了站点中信号的总体特征，为了计算<α、β、l_AP>，(α、β和l_AP) 可在平均函数m(l)中回归。给定目标测量的RSS，执行回归以最小化总RSS误差，限定为平均函数值与输入目标RSS之间的平方差的总和，即，

这可使用如有限存储器Broyden-Fletcher-Goldfarb-Shannon(BFGS) (有限存储器-BFGS)的有效梯度下降算法来解决。具体地，LAAFU首先通过下式计算给定参数的偏导数

其中，q＝<α、β、l_AP>和随后的偏导数是

然后，L-BFGS算法将目标函数和偏导数作为输入，以及在计算后返回参数结果。通过超参数估计中的l_AP，变更的AP的位置可由于运动而重新估计。

给定平均函数，<σ_n、σ_f、d>可通过公式化V的对数似然来计算，

其中q＝<σ_n、σ_f、d>是待估计的超参数，以及信号之间的协方差为

以及测量的RSS与平均函数之间的差异为

z＝v-m(L) 方程(50)

L-BFGS算法可如下式用于求解具有对数似然偏导数的优化问题，

设位置i和j之间的平方欧几里德距离为t_ij＝(l_i-l_j)^T(l_i-l_j)。然后， LAAFU可如下式计算每个超参数的偏导数，

其中，如果i＝j，则δ_ij＝1，否则为0。

应注意的是，方程(41)包括Δ_f，Δ_f代表f(·)相对于输入位置的导数。它的存在使通过上述L-BFGS算法难以直接求解<σ_n、σ_f、d>。

为了确定具有位置误差的超参数估计，可实施两步迭代来估计上述超参数。首先，给定训练数据L和v，LAAFU可经由方程(31)和方程 (32)在没有输入噪声的情况下估计标准高斯过程模型的超参数。其次，它可在每个输入位置处如下式的计算Δ_f，

然后，LAAFU可将协方差矩阵更新为

该协方差矩阵具有输入噪声方差。以及然后，LAAFU可通过再次使用方程(51)最大化对数似然来估计所有超参数。因此，

的偏导数由下式给出，

而K_v中的所有其他非对角线条目都为零。LAAFU可重复这两个步骤，直到超参数收敛。

LAAFU可从W个样本中随机选择N个数据，其中，(N＜W)用于GP训练，以及其余N用于验证回归(预测)的准确性。LAAFU可重复上述过程进行多次迭代，以及选择最适合信号映射以防止过度拟合。

对于每个变更的AP p，LAAFU可取N个样本作为输入来计算GP 的超参数。经由该初步模型，LAAFU可预测剩余位置的每个l_t处的信号值μ_pt(1≤t≤W-N)。然后，LAAFU可将μ_pt与该位置l_t的地面真值v_pt进行比较，并找出变更的AP p的总RSS误差为

LAAFU可重复上述过程几次，以及找到最小RSS总误差的GP模型。给定所选择的GP模型，对于每个变更的AP p，可首先生成回归模型。然后，在每个RP j处，LAAFU可计算预测信号平均值μ_pj和RSS标准差σ_pj。

当存在明显的信号变化时，可更新AP的指纹以减少一些暂时波动的影响。对于APp，其表示为σ_p的RSS标准差的平均值可以以站点中的所有RP计算。AP p的构建标准差可限定为

如果两个RSS值μ_pj与v_pj之间的绝对差|μ_pj-v_pj|大于因子κ与构建的标准差的乘积，即，

|μ_ij-υ_ij|≥κ·σ＇_ij， 方程(58)

然后，LAAFU可得出结论：RP j处的AP p存在显著的信号变化，而不仅仅是暂时的信号波动。最后，自动回归移动平均(ARMA)模型可与权重值λ(0≤λ≤1)一起应用以将指纹更新为v_pj′，即，

υ＇_pj＝(1-λ)·υ_pj+λ·μ_pj. 方程(59)

给定N个样本用于模型训练，包括目标函数和偏导数的计算在计算受影响的RP中的所有μ_＊时为O(N)。GP回归的每次迭代均由取O(N³) 的协方差矩阵的倒置支配。因此，模型训练的复杂性总和为O(N³).

给定训练好的GP模型，需要O(N)时间来预测RSS并在一个RP 处更新指纹，这对于每个变更的AP在所有RP上共占用O(RN)。应理解的是，指纹更新可在单独的服务器中进行，以及定位性能不会受到影响。

在一个实施方式中，本文描述的是一种方法，该方法包括通过包括处理器的无线网络设备识别与接入点设备中的一个接入点设备相关联的第一位置。响应于识别与接入点设备相关联并且与第一位置不同的第二位置，该方法可由无线网络设备确定接入点设备已变为变更的接入点设备。另外，该方法可包括通过无线网络设备将参考位置与变更的接入点设备相关联。该方法可包括通过无线网络设备从接入点设备过滤变更的接入点设备；以及响应于该过滤，该方法可通过该无线网络设备更新与该变更的接入点设备相关联的参考位置。

根据另一实施方式，系统可促进识别与接入点设备中的一个接入点设备相关联的第一功率，以及可促进响应于识别与接入点设备相关联并与第一功率不同的第二功率，该系统可确定接入点设备已变成变更的接入点设备。该系统可包括估计与变更的接入点设备相关联的变更的接入点信号的可能性，以及该系统可包括对与接入点设备相关联的接收信号强度进行分组，从而获得分组的信号强度。基于分组的信号强度，该系统可估计与接入点设备相关联的对应位置，获得估计的对应位置。响应于确定移动设备的第一位置，该系统可识别与变更的接入点设备相关联的第二位置。因此，该系统可使用与变更的接入点设备相关联的接收信号强度相对于移动设备的第一位置来更新数据存储。

根据又一实施方式，本文描述的是机器可读存储介质，该机器可读存储介质可执行包括识别与接入点设备中的一个接入点设备相关联的第一功率的操作。响应于识别与接入点设备相关联的、与第一功率不同的第二功率，机器可读介质可确定接入点设备已变成变更的接入点设备。另外，机器可读介质可测量来自接入点设备的接收信号强度。基于接收到的信号强度，机器可读介质可包括对接入点设备进行分组，从而获得分组的接入点设备。因而，机器可读介质可响应于接入点设备的分组来估计变更的接入点设备的位置，从而获得估计的位置。

下文参考附图更详细地描述这些实施方式或实施例和其他实施方式或实施例。

现在参考图1，图中示出了根据一个或多个实施方式的、包括具有变更的接入点和指纹更新的定位的示例无线网络。LAAFU系统100可使用检测算法来估计通过客户端测量的RSS矢量中是否存在变更的AP106信号。如果不存在，可如往常一样估计位置。例如，由于意外的AP106移动、功率调整，引入或移除壁分区、磨损等，AP106信号可随着时间而变更。客户端的移动设备102可与AP106进行无线通信。另外，移动设备102和AP106二者都可与基站设备104通信。因而，与AP关联的AP106 信号数据可存储在指纹数据库108中。LAAFU系统100可生成RSS子集样本，以及然后估计AP106的对应位置。因此，将生成的RSS子集样本与先前的信号数据进行比较，可允许LAAFU系统100识别变更的AP106。因而，指纹数据库108可用与已经变更的AP106有关的识别数据来更新。

现在参考图2，图中示出了根据一个或多个实施方式的、具有变更的接入点和指纹更新的定位的系统示例示意框图。LAAFU系统100可使用具有快速检测算法来估计通过客户端226测量的RSS矢量中是否存在变更的AP106信号。检测组件202可通过在方框204处执行快速采样和定位来识别变更的AP106的存在。方框204处的快速采样和定位可将RSS 矢量分区成多个子集，并检查这些估计的分散性。例如，客户端226侧的移动设备102可接收与AP106设备相关联的信号强度。如果在方框206 处没有检测到变更的AP106设备，则LAAFU系统100在方框208处继续进行定位，在方框208处LAAFU系统100可照常估计AP106设备的位置。然而，如果在方框206处检测到变更的AP106，则LAAFU系统 100可开始下一阶段，该阶段可为通过定位组件210来定位变更的AP106，从而定位客户端。通过检测组件202的快速检测可减少不必要的计算，并提高LAAFU系统100的速度。

为了完成变更的AP106的定位，LAAFU系统100首先在方框处随机生成RSS子集样本，以及然后，在方框212处估计它们的对应位置。 LAAFU系统100可使用加权技术来基于信号相似性和群集大小来识别密集群集。在该阶段，没有变更AP106的那些子集的位置形成密集群集，以及有变更AP106的子集则分散。在方框214处，LAAFU系统100可随后确定其形心生成客户端位置的密集群集。随后，在方框216处，LAAFU 系统100可识别可通过更新组件218来更新变更的AP106的指纹值的变更的AP106。

更新组件218可通过首先将变更的AP106的RSS存储在存储缓冲器 224中来更新具有变更的AP106的RSS的指纹数据库。然后，存储缓冲器224可将该信息传递到方框222以用于验证和更新过程，通过该验证和更新过程，更新组件218将RSS与该区域中任何地方的估计位置相关联。然后，更新组件可在方框220处使用高斯过程回归(GPR)来根据当前环境调整指纹，并更新指纹数据库108。

现在参考图3，图中示出了根据一个或多个实施方式的接入点的示例热图。与发射功率减小304的热图相反，图3包括原始热图302。与由于AP移动308热图相反，图3还包括另一原始热图306。AP变更可导致从RSS子集估计的位置的分散。

现在参考图4，图中示出了根据一个或多个实施方式的、接入点的接收信号强度定位的示例图。图4示出了用于生成子集的估计位置。没有任何变更的AP的RSS子集倾向于围绕地面真实位置聚集在一起。另一方面，从包括变更的AP的子集估计的位置倾向于自然分散。因而，可通过定位密集群集来识别客户端位置。另外，给定客户端位置，指纹数据库可随后用接收到的RSS矢量来更新。

现在参考图5，图中示出了根据一个或多个实施方式的接收信号强度的标准差的示例图。根据实验设置，以3米的网格尺寸对一栋共有210 个RP的建筑(5400平方米)进行采样。在每个RP处，可收集60个RSS 矢量，以计算RSS的均值和方差。图5示出了所有RP中平均RSS标准差的累积分布。如图所示，大多数RSS噪声在2.5dB以内。

现在参考图6，图中示出了根据一个或多个实施方式的、通过客户端接收的接入点的数量的示例图。对于实验设置期间的在线测试，可从900 个随机位置收集目标信号。筛选掉覆盖面很小或受移动设备束缚的AP 后，总共检测到156个AP。在现场调查之前不了解AP的位置的情况下，图6示出了所有目标矢量上的AP频率累积分布函数(CDF，cumulativedistribution function)。每个目标处平均可检测到27个AP。

可使用以下基准参数来获得这些结果：用于WKNN的k＝5，用于快速检测的距离阈值γ＝6m。随机选择两个AP来变更它们的发射功率， AP变化中的信号变化因子是15dB，Q＝5最近的RP可用于群集相似度计算。方程(21)中的带宽b＝5。滑动窗口的位置查询累积为W＝200。在GP回归中，N＝100指纹可用于GP模型训练。可进行20次指纹验证。κ＝2用于方程(58)中的RSS更新决定，λ＝0.5用于方程(59)中的 ARMA更新。

现在参考图7，图中示出了根据一个或多个实施方式的距离阈值的示例图。图7示出了快速检测中的TNR、ACC和TPR与距离阈值γ的关系。当γ很小时，快速检测可是敏感的，以及几乎所有的目标都分类为正值。由于许多未变更的情况下TPR低且TNR高，其中，仅分类暂时波动为变更。当γ增加时，快速检测变得自适应，以及正确分类未变更的测试情况。因此，TPR增加。然而，如果γ进一步增加，则检测标准对变更的情况不敏感，因而TNR变低。为了实现平衡，γ＝6，其中ACC、TPR和 TNR都是优选的。γ也可根据未变更目标的定位误差进行经验设定。

现在参考图8，图中示出了根据一个或多个实施方式的、在接入点变更之前和之后的平均相互距离的示例图。当γ＝6米时，可说明平均相互距离与临时用户到达的关系。在引入变更的AP之前，平均相互距离很小，以及正确的分类可作为负值情况观察(未变更)。引入变更的AP后，因为变更的AP导致分散的估计位置，因而相互距离急剧上升到阈值以上。使用这种方案，快速检测可准确并有效地检测到变更的AP的存在。

现在参考图9，图中示出了根据一个或多个实施方式的、在AP变化之前和变化之后的平均定位误差的示例图。图9示出了用户的到达时间的暂时定位误差与位置查询的时间序列的关系。在引入变更的AP之前，三种算法可具有相似的定位误差。给定变更的AP，因为不考虑AP变更，所以WKNN和贝叶斯算法具有高误差。在他们的位置估计中发生分散。然而，与这些技术不同，LAAFU系统100可成功地从RSS矢量滤出变更的AP106并保持较高的定位精度。

现在参考图10，图中示出了根据一个或多个实施方式的、平均定位误差与变更的AP的数量的关系的示例图。图10示出了平均定位误差与引入的变更的AP的数量的关系。WKNN和贝叶斯算法二者由于估计分散而可能会降低准确性。相反，LAAFU系统100可成功地过滤变更的 AP106并保持较高的定位精度。LAAFU系统100不仅考虑每个群集的平均信号相似性，而且还利用它们的大小来寻找密集的信号。因而，LAAFU 系统100不偏向于小群集，以及完成更好的定位精度。

现在参考图11，图中示出了根据一个或多个实施方式的接入点的示例热图。图11示出了三种不同方案在存在变更的AP106时的定位误差 CDF。WKNN和贝叶斯算法二者都可在不过滤变更的AP106的情况下出现较高的误差。通过聚集RSS子集，LAAFU系统100可减少变更的AP106 的影响，并实现更好的定位精度。

现在参考图12，图中示出了根据一个或多个实施方式的、平均定位误差与信号变化因子的关系的示例图。图12示出了平均定位误差与信号变化因子(从-20dB到20dB)的关系。因为在将AP106识别为未变更之后，LAAFU系统100可运行相同的WKNN定位，所以当AP106信号未变更时，LAAFU系统100具有与WKNN相同的定位误差。给定变更的AP106，WKNN和贝叶斯方法受到位置估计偏差的影响。当因子从0 变为-20dB时，与因子从0变为20dB相比，定位误差的增加较小。这是因为在传输功率降低的情况下，变更的AP106的覆盖范围缩小，并且检测到该AP106的查询数据较少。

现在参考图13，图中示出了根据一个或多个实施方式产生的、定位误差与RSS子集样本的数目的关系的示例图。图13示出了生成的子集样本的数量与定位误差的关系。LAAFU系统100生成的RSS子集越多， LAAFU系统可实现的定位精度就越高。更多的RSS子集具有更多的位置估计，可提供更多的信息来区分密集的群集。因为现有的子集已经足够用于精确的密集群集识别和最终定位，所以随着数量的进一步增加，改进趋于收敛。

现在参考图14，图中示出了根据一个或多个实施方式的、群集相似度中的定位误差与设置的最近RP的数量的关系的示例图。图14示出了形心附近用于聚集相似性比较的误差与最接近的RP的数量(方程(20) 中的Q)的关系。当Q很小时，由于信号统计波动，定位误差很高。当 Q增加时，随着更多最接近的邻居(RP)减小信号波动的影响，匹配误差减小。当Q值进一步增加时，因为现有的邻居已足够区分群集，因而收敛改善。因此，我们在我们的基线中选择Q＝5。

现在参考图15，图中示出了根据一个或多个实施方式的、在惩罚项中的平均定位误差与设置的带宽的关系的示例图。图15示出了在惩罚项中的平均定位误差与带宽b的关系(方程(21))。随着高斯核函数的实施，b可以以对数尺度变化。根据方程(21)，当b非常小时，惩罚项 v_c对群集大小过于敏感。当b增加时，v_c与群集大小差异更大，这有助于区分群集。如果b进一步增加，则由于群集的差异很小的标准的重量分配而导致性能下降。它抑制了通过群集尺寸加权ρ_c带来的改进。考虑到只有平均群集相似性会偏向那些尺寸较小的群集。因此，对于更好的群集分化存在最优的b。在我们的实验中，我们设b＝5。

现在参考图16，图中示出了根据一个或多个实施方式的、因子κ在更新决定中的影响的示例图。图16示出了TNR、ACC和TPR与用于信号更新决定的因子κ的关系。图16大体示出，ACC先增后减，而TNR (TPR)通常减少(增加)。当κ很小时，大部分认定为负值的数据都是真正的负值，这导致了高TNR。因为更新决定对暂时信号波动太敏感，因而TPR很小。随着κ增加，FN减少，而TPR和ACC增加。随着因子κ进一步增加，ACC开始下降，因为LAAFU也可能将正值情况鉴定为负值，从而导致较高的FP和较低的TNR。因此，在这种情况下优选κ＝2。

现在参考图17，图中示出了根据一个或多个实施方式的、RSS回归误差的累积分布函数示例图。图17示出了使用GP和传统LDPL的RSS 预测错误的CDF。由于GP捕获本地RSS分布并保留整体信号传播特性，因而GP在回归变更的AP的信号值方面优于LDPL。LDPL只是使用路径损耗模型对RSS进行回归，并不能真实反映地面真实信号。

现在参考图18，图中示出了根据一个或多个实施方式的、使用更新信号的位置误差的累积分布函数示例图。图18示出了使用不同指纹数据库的WKNN误差的CDF。与LDPL相比，LAAFU系统100可实现误差减小，以及在AP106变更时成功地使指纹适于地面真实数据。这主要是因为LAAFU系统100中的GP回归可适应性地学习变更的AP106的本地RSS分布。传统的LDPL无法反映由于壁分区导致的这种局部模式。

现在参考图19，图中示出了根据一个或多个实施方式的、平均相互距离与用户到达的关系的示例图。图19示出了快速检测与临时用户到达的平均相互距离。更新可分别在索引20、40、60和80处发生四次。使用λ＝0.5，指纹可适应地面实况，从而导致相互距离较小。LAAFU系统 100可经由子集采样识别变更的AP106，以及使用GP回归来更新它们的指纹数据库。

现在参考图20，图中示出了根据一个或多个实施方式的接入点的示例热图。为了进一步示出指纹更新过程，可使用热图2002、2004、2006、 2008、2010、2012来示出变更的AP106中的一个的信号映射变化。原始信号映射2002在AP106变更之前。信号映射2004是一次功率调整后的地面真实信号映射。信号映射关于临时用户到达的索引的临时更新可通过信号映射2006、2008、2010、2012来表示。信号映射逐渐向地面实况演进，以及在80次更新之后，LAAFU系统100可逐渐学习Wi-Fi信号映射。此后，LAAFU系统100可更新Wi-Fi指纹，以在变更的AP106时具有更好的定位准确性。

现在参考图21至图24，图中示出了根据一个或多个实施方式的、 AP变化下的定位误差的累积分布函数示例图。图21和图22示出了 LAAFU系统100的定位误差以及使用来自第一次试验的更新指纹的定位准确度。在第二次试验中，图23和图24也示出了类似的结果。

现在参考图25和图26，图中示出了根据一个或多个实施方式的聚集位置的示例图。图25和图26示出了使用亲和力传播聚集的结果，其中，适应性地生成不同数量的群集。应注意的是，在LAAFU系统100中可应用任何其它合适的聚集算法。

现在参考图27，图中示出了根据一个或多个实施方式的、密集群集中的频率与通过客户端检测到的AP的索引的关系的示例图。图27示出了计数结果，其中，客户端总共检测20个AP106，而密集群集的大小为 23。由于变更的AP106的频率在数值上远离未变更的频率，因此可在一维中生成两类聚集问题，这可使用Jenks自然断点优化方法来解决。

现在参考图28，图中示出了根据一个或多个实施方式的LAAFU系统的流程示例图。在元素2800处，该方法可识别与接入点设备中的一个接入点设备(例如，经由移动设备102)相关联的第一位置。响应于识别与接入点设备相关联并且与第一位置不同的第二位置，该方法可在元素 2802处(例如，经由检测组件202)确定接入点设备已变为变更的接入点设备。在元素2804处，该方法可使参考位置与变更的接入点设备相关联(例如，通过定位组件210)。在元素2806处，该方法可包括从接入点设备过滤变更的接入点设备(例如，经由定位组件210)。另外，响应于该过滤，该方法可包括更新与变更的接入点设备相关联的参考位置(例如，经由更新组件218)。

现在参考图29，图中示出了根据本文描述的一些实施方式的、能够连接至网络的、诸如移动设备1100的示例性终端用户设备的示意性框图。虽然本文示出了移动手持机1100，但应理解的是，其他设备可为移动设备，以及仅示出移动手持机1100以为本文所描述的各种实施方式的实施方式提供背景。以下讨论旨在提供在其中可实施各种实施方式的合适环境1100的示例的简要的一般描述。尽管描述包括体现在机器可读存储介质上的计算机可执行指令的一般环境，但是本领域技术人员会认识到的是，创新性还可与其他程序模块结合使用和/或作为硬件和软件的组合来实现。

通常，应用程序(例如，程序模块)可包括执行具体任务或实施具体抽象数据类型的例程、程序、组件、数据结构等。另外，本领域的技术人员会认识到的是，本文描述的方法可用其他系统配置来实践，包括单处理器系统或多处理器系统、小型计算机、大型计算机以及个人计算机、手持计算设备、基于微处理器的或可编程的消费者电子产品等，其中的每个都可以可操作地联接到一个或多个关联的设备。

计算设备通常可包括各种机器可读介质。机器可读介质可为可通过计算机访问的任何可用介质，以及包括易失性介质和非易失性介质、可移动介质和不可移动介质。作为示例而非限制，计算机可读介质可包括计算机存储介质和通信介质。计算机存储介质可包括以用于存储信息的任何方法或技术实现的易失性介质和/或非易失性介质、可移除介质和/或不可移除介质，其中，该信息为诸如计算机可读指令、数据结构、程序模块或其他数据。计算机存储介质可包括但不限于RAM、ROM、 EEPROM、闪存或其他存储技术、CD ROM、数字视频光盘(DVD)或其他光盘存储、磁带盒、磁带、磁盘存储器或其他磁存储设备、或可用于存储所需信息并可由计算机访问的任何其他介质。

通信介质通常以诸如载波或其他传输机制的调制数据信号来体现计算机可读指令、数据结构、程序模块或其他数据，并且包括任何信息传递介质。术语“调制数据信号”是指具有以对信号中的信息进行编码的方式设置或变更其一个或多个特性的信号。作为示例而非限制，通信介质包括诸如有线网络或直接有线连接的有线介质，以及包括诸如声学、RF、红外线和其他无线介质的无线介质。上述任何组合也应包括在计算机可读介质的范围内。

手持机1100包括用于控制和处理所有机载操作和功能的处理器 1102。存储器1104与处理器1102连接以存储数据和一个或多个应用程序1106(例如，视频播放器软件、用户反馈组件软件等)。其他应用可包括促进启动用户反馈信号的预定语音命令的语音识别。应用程序1106 可存储在存储器1104和/或固件1108中，以及通过处理器1102从存储器1104或/和固件1108中的任一或两者执行。固件1108还可存储用于在初始化手持机1100时执行的启动代码。通信组件1110连接至处理器1102 以促进与例如蜂窝网络、VoIP网络等外部系统的有线/无线通信。在这里，通信组件1110还可包括用于相应的信号通信的、合适的蜂窝收发器1111 (例如，GSM收发器)和/或未经许可的收发器1113(例如，Wi-Fi、 WiMax)。手持机1100可为诸如蜂窝电话、具有移动通信能力的PDA 以及以消息传递为中心的设备的设备。通信组件1110还促进来自地面无线电网络(例如，广播)、数字卫星无线电网络以及基于互联网的无线电业务网络的通信接收。

手持机1100包括用于显示文本、图像、视频、电话功能(例如，呼叫者ID功能)、设置功能以及用于用户输入的显示器1112。例如，显示器1112也可称为可适于呈现多媒体内容(例如，音乐元数据、消息、壁纸、图形等)的“屏幕”。显示器1112还可显示视频，并且可促进视频引用的生成、编辑和共享。提供与处理器1102通信的串行I/O接口1114，以通过硬连线连接以及其他串行输入设备(例如，键盘、小键盘和鼠标) 来促进有线串行通信和/或无线串行通信(例如，USB和/或IEEE 1394)。例如，这支持手持机1100的更新和故障排除。音频I/O组件1116提供音频能力，音频I/O组件1116可包括例如用于输出与指示用户按下正确的按键或按键组合以发起用户反馈信号有关的音频信号的扬声器。音频I/O 组件1116还便于通过麦克风输入音频信号，以记录数据和/或电话语音数据，以及通过麦克风用于输入用于电话对话的语音信号。

手持机1100可包括时隙接口1118，时隙接口1118用于在卡用户身份模块(SIM，Subscriber Identity Module)或通用SIM 1120的形状因子中容纳SIC(用户身份组件)，以及使SIM卡1120与处理器1102对接。然而，应理解的是，SIM卡1120可制造在手持机1100中，以及通过下载数据和软件来更新。

手持机1100可通过通信组件1110处理IP数据业务，以通过ISP或宽带线缆提供商适应来自诸如互联网、企业内联网、家庭网络、个人区域网络等的IP网络的IP业务。因而，手持机800可使用VoIP业务，以及可以以编码格式或解码格式接收基于IP的多媒体内容。

可提供视频处理组件1122(例如，照相机)用于对编码的多媒体内容进行解码。视频处理组件1122可协助促进视频引用的生成、编辑和共享。手持机1100还包括电池和/或AC电力子系统形式的电源1124，该电源1124可通过电力I/O组件1126与外部电力系统或充电设备(未示出) 连接。

手持机1100还可包括视频组件1130，视频组件1130用于处理所接收的视频内容，并用于记录和传输视频内容。例如，视频组件1130可促进视频引用的生成、编辑和共享。位置跟踪组件1132便于在地理上定位手持机1100。如上所述，定位可在用户自动或手动启动反馈信号时发生。用户输入组件1134便于用户启动质量反馈信号。用户输入组件1134还可促进视频引用的生成、编辑和共享。例如，用户输入组件1134可包括诸如小键盘、键盘、鼠标、手写笔和/或触摸屏的这种常规输入设备技术。

再次参考应用程序1106，滞后组件1136有助于分析和处理滞后数据，滞后数据用于确定何时与接入点相关联。可提供软件触发组件1138，触发组件1138便于在Wi-Fi收发器1113检测到接入点的信标时触发滞后组件1138。SIP客户端1140使手持机1100能够支持SIP协议，并将用户注册到SIP注册服务器。应用程序1106还可包括客户端1142，客户端 1142至少提供发现、播放和存储多媒体内容的能力，多媒体内容例如为音乐。

如上述关于通信组件810所表明的，手持机1100包括室内网络无线收发器1113(例如，Wi-Fi收发器)。该功能支持双模GSM手持机1100 的、诸如IEEE 802.11的室内无线电链路。手持机1100可通过可将无线语音和数字无线电芯片组组合成单个手持设备的手持机来至少容纳卫星无线服务。

现在参考图30，图中示出了计算机1200的框图，计算机1200可操作以执行促进在实体与第三方之间建立交易的系统结构。计算机1200可提供有线或无线通信网络与服务器和/或通信设备之间的联网和通信能力。为了提供其各个方面的附加环境，图30和下文讨论旨在提供合适的计算环境的简要的一般性描述，在合适的计算环境中，可实施创新的各个方面，以促进建立实体与第三方之间的交易。虽然上文的描述是在可在一个或多个计算机上运行的计算机可执行指令的一般环境中，但是本领域技术人员会认识到的是，还可与其他程序模块结合使用和/或作为硬件和软件的组合来实现创新性。

通常，程序模块包括执行具体任务或实现具体抽象数据类型的例程、程序、组件、数据结构等。另外，本领域的技术人员会认识到的是，该创新方法可用其他系统配置来实践，包括单处理器系统或多处理器系统、小型计算机、大型计算机以及个人计算机、手持计算设备、基于微处理器的或可编程的消费电子产品等等，其中的每个都可以可操作地联接到一个或多个关联的设备。

示出的创新方面也可在分布式计算环境中实践，其中，某些任务由通过通信网络链接的远程处理设备执行。在分布式计算环境中，程序模块可位于本地内存存储设备和远程内存存储设备中。

计算设备通常包括各种介质，该介质可包括计算机可读存储介质或通信介质，在下文中，计算机可读存储介质或通信介质在本文彼此不同地使用。

计算机可读存储介质可为可通过计算机访问的任何可用存储介质，并且包括易失性介质和非易失性介质、可移动介质和不可移动介质。作为示例而非限制，计算机可读存储介质可结合用于存储诸如计算机可读指令、程序模块、结构化数据或非结构化数据之类的信息的任何方法或技术来实施。计算机可读存储介质可包括但不限于RAM、ROM、 EEPROM、闪存或其他存储技术、CD-ROM、数字多用盘(DVD)或其他光盘存储器、磁带盒、磁带、磁盘存储器或其他磁存储设备，或可用于存储所需信息的其他有形和/或非暂时性介质。计算机可读存储介质可通过一个或多个本地或远程计算设备访问，例如，经由访问请求、查询或其他数据检索协议，用于关于通过介质存储的信息的各种操作。

通信介质可在诸如调制数据信号的数据信号中体现计算机可读指令、数据结构、程序模块或其他结构化或非结构化数据，例如，载波或其他传输机制，并且包括任何信息传递或传输介质。术语“调制数据信号”或信号指的是以一种或多种信号编码信息的方式设置或变更信号的一个或多个特性的信号。作为示例而非限制，通信介质包括诸如有线网络或直接有线连接的有线介质，以及诸如声、RF、红外和其他无线介质的无线介质。

参照图30，实施关于终端用户设备的、本文所描述的各个方面可包括计算机1200，计算机1200包括处理单元1204、系统存储器1206和系统总线1208。系统总线1208将包括但不限于系统存储器1206的系统组件联接至处理单元1204。处理单元1204可是各种商业上可用的处理器中的任何一种。双微处理器和其他多处理器体系结构也可用作处理单元 1204。

系统总线1208可是几种类型的总线结构中的任何一种，该总线结构还可使用各种商业可用总线体系结构中的任何一种来互连至存储器总线 (具有或不具有存储器控制器)、外围总线和本地总线。系统存储器1206 包括只读存储器(ROM)1227和随机存取存储器(RAM)1212。基本输入/输出系统(BIOS)存储在诸如ROM、EPROM、EEPROM之类的非易失性存储器1227中，BIOS包括有助于在诸如在启动期间的计算机1200 内的元件之间传输信息的基本例程。RAM1212还可包括用于缓存数据的诸如静态RAM的高速RAM。

计算机1200还包括内部硬盘驱动器(HDD)1214(例如，EIDE、 SATA)，该内部硬盘驱动器1214也可配置用于在合适的机箱(未示出)、磁软盘驱动器(FDD)1216(例如，读取或写入可移动软盘1218)以及光盘驱动器1220(例如，读取CD-ROM盘1222，或者读取或写入诸如DVD的其他高容量光学介质)等中的外部使用。硬盘驱动器1214、磁盘驱动器1216和光盘驱动器1220可分别通过硬盘驱动器接口1224、磁盘驱动器接口1226和光盘驱动器接口1228连接至系统总线1208。用于外部驱动器实施的接口1224包括通用串行总线(USB)和IEEE1294接口技术中的至少一个或两个。其他外部驱动器连接技术在本主题的创新范围之内。

这些驱动器及其相关联的计算机可读介质提供数据、数据结构、计算机可执行指令等的非易失性存储。对于计算机1200，驱动器和介质容纳以合适的数字格式存储的任何数据。虽然，以上对计算机可读介质的描述是指HDD、可移动磁盘、以及诸如CD或DVD的可移动光学介质，但是本领域技术人员应理解的是，可通过计算机1200读取的其他类型的诸如压缩驱动器、磁带盒、闪存卡、盒式磁带等的介质，也可在示例性操作环境中使用，以及此外，任何这样的介质可包括用于执行所公开的创新的方法的计算机可执行指令。

多个程序模块可存储在驱动器和RAM1212中，RAM1212中包括操作系统1230、一个或多个应用程序1232、其他程序模块1234和程序数据1236。操作系统、应用程序、模块和/或数据的全部或部分也可高速缓存在RAM1212中。应认识到的是，可用各种商业上可用的操作系统或操作系统的组合来实现创新。

用户可通过一个或多个有线/无线输入设备，例如，键盘1238和诸如鼠标1240的指示设备，将命令和信息输入到计算机1200中。其他输入设备(未示出)可包括麦克风、IR遥控器、操纵杆、游戏手柄、手写笔、触摸屏等。这些输入设备和其他输入设备通常通过联接至系统总线1208 的输入设备接口1242连接至处理单元1204，但也可通过诸如并行端口、 IEEE2394串行端口、游戏端口、USB端口、IR接口等的其他接口来连接。

监视器1244或其他类型的显示设备也通过诸如视频适配器1246的接口连接至系统总线1208。除了监视器1244之外，计算机1200通常还包括诸如扬声器、打印机等的其他外围输出设备(未示出)。

计算机1200可使用通过有线和/或无线通信至诸如一个或多个远程计算机1248的一个或多个远程计算机的逻辑连接在联网环境中操作。远程计算机1248可是工作站、服务器计算机、路由器、个人计算机、便携式计算机、基于微处理器的娱乐设备、对等设备或其他公共网络节点，以及通常包括相对于计算机描述的许多或全部元件，尽管，为了简洁起见，仅示出了存储器/存储设备1250。所描述的逻辑连接包括连通至局域网(LAN)1252和/或更大的网络的有线/无线连接，其中,更大的网络例如为广域网(WAN)1254。这种LAN和WAN网络环境在办公室和公司中是常见的，以及促进诸如内联网的企业范围的计算机网络，所有这些计算机网络都可连接至诸如因特网的全球通信网络。

当在LAN联网环境中使用时，计算机1200通过有线和/或无线通信网络接口或适配器1256连接至本地网络1252。适配器1256可促进与LAN 1252的有线或无线通信，LAN 1252还可包括设置在LAN 1252上的、用于与无线适配器1256通信的无线接入点。

当在WAN联网环境中使用时，计算机1200可包括调制解调器1258，或可连接至WAN1254上的通信服务器，或可具有用于通过诸如由因特网的WAN 1254建立通信的其他器件。可为内部或外部以及有线或无线设备的调制解调器1258通过输入设备接口1242连接至系统总线1208。在联网环境中，相对于计算机，所描述的程序模块或部分程序模块可存储在远程存储器/存储设备1250中。应理解的是，示出的网络连接为示例性的，以及可使用在计算机之间建立通信链路的其他器件。

计算机可操作以与任何无线设备或可操作地设置在无线通信中的实体进行通信，该设备或实体例如为打印机、扫描仪、台式计算机和/或便携式计算机、便携式数据助理、通信卫星、与无线可检测标签相关的任何设备或位置(例如，售货亭、报摊、洗手间)、以及电话。这至少包括Wi-Fi和蓝牙^TM无线技术。因而，通信可为与传统网络一样的预定义结构，或仅仅是至少两个设备之间的自组织通信。

Wi-Fi或无线保真允许从家里的沙发上、酒店房间的床上或工作中的会议室中无线连接至网络。Wi-Fi是一种类似于在手机中使用的无线技术，使得诸如计算机之类的设备能够在室内和室外以及在基站范围内的任何地方发送和接收数据。Wi-Fi网络使用称为IEEE 802.11(a、b、g等) 的无线电技术来提供安全、可靠、快速的无线连接。Wi-Fi网络可用于将计算机彼此连接，连接至互联网以及连接至使用IEEE 802.3或以太网的有线网络。Wi-Fi网络以未经许可的2.4GHz和5GHz无线电频段运行，例如以11Mbps(802.11a)或54Mbps(802.11b)数据速率运行，或使用包括两个频段(双频段)的产品运行，因此网络可提供类似于许多办公室中使用的基本10BaseT有线以太网网络的实际性能。

包括在摘要中描述的内容的本公开的示例性实施方式的以上描述并非旨在穷举或将所公开的实施方式限定为所公开的精确形式。虽然，本文出于示例性的目的描述了具体实施方式和示例，但是如本领域技术人员可想到的是，可在这些实施方式和示例的范围内进行各种修改。

就这一点而言，虽然，本文结合各种实施方式和对应的附图描述了主题，但在可应用的情况下，应理解的是，可使用其他类似的实施方式，或可对所描述的实施方式进行修改和添加以用于执行与所公开的主题的相同、相似、替换或替代功能而不偏离本发明。因此，所公开的主题不应局限于本文所描述的任何单个实施方式，而是应根据本文所附权利要求在宽度和范围上进行解释。

Claims (19)

1.一种改善接入点信号的室内定位的方法，包括：

通过包括处理器的无线网络设备识别与接入点设备中的一个接入点设备相关联的第一位置；

响应于识别与所述接入点设备相关联并且与所述第一位置不同的第二位置，通过所述无线网络设备确定所述接入点设备已变为变更的接入点设备；

通过所述无线网络设备，获得与所述变更的接入点设备相关联的参考位置；

通过所述无线网络设备，从所述接入点设备过滤所述变更的接入点设备；以及

响应于所述过滤，通过所述无线网络设备，更新与所述变更的接入点设备相关联的所述参考位置，

其中，所述过滤包括将接收信号强度划分为多组接收信号强度。

2.如权利要求1所述的方法，还包括：

通过所述无线网络设备，根据所述多组接收信号强度的信号强度相似性，对所述多组接收信号强度进行加权。

3.如权利要求2所述的方法，还包括：

通过所述无线网络设备，对所述接收信号强度进行回归，以反映与所述接入点设备相关联的接入点环境。

4.如权利要求3所述的方法，其中，所述回归包括应用高斯回归。

5.如权利要求3所述的方法，还包括：

响应于所述回归，通过所述无线网络设备，更新与所述接入点设备相关联的数据结构。

6.如权利要求5所述的方法，其中，所述更新包括基于从用户输入接收的反馈来进行更新。

7.一种促进接入点信号的室内定位的系统，包括：

处理器；以及

存储器，存储在通过所述处理器执行时改善操作的执行的可执行指令，所述可执行指令包括：

识别与接入点设备中的一个接入点设备相关联的第一功率；

响应于识别与所述接入点设备相关联并且不同于所述第一功率的第二功率，确定所述接入点设备已变为变更的接入点设备；

估计与所述变更的接入点设备相关联的变更的接入点信号的可能性；

从所述接入点设备过滤所述变更的接入点设备，其中所述过滤包括将与所述接入点设备相关联的接收信号强度划分为多组接收信号强度，以生成分组信号强度；

基于所述分组信号强度，估计与所述接入点设备相关联的相应位置，从而生成估计的对应位置；

响应于确定移动设备的第一位置，识别与所述变更的接入点设备相关联的第二位置；以及

使用与所述变更的接入点设备相关联的接收信号强度相对于所述移动设备的第一位置来更新数据存储。

8.如权利要求7所述的系统，其中，识别所述第二位置与确定所述分组信号强度的密度相关联。

9.如权利要求8所述的系统，其中，所述操作还包括：

响应于识别与所述变更的接入点设备相关联的所述第二位置，识别所述变更的接入点设备。

10.如权利要求8所述的系统，其中，所述操作还包括：

使所述接收信号强度与所述估计的对应位置相关联。

11.如权利要求10所述的系统，其中，所述关联包括采用高斯过程回归。

12.一种机器可读存储介质，包括可执行指令，所述可执行指令在通过处理器执行时改善操作的执行，所述可执行指令包括：

识别与接入点设备中的一个接入点设备相关联的第一功率；

响应于识别与所述接入点设备相关联的不同于所述第一功率的第二功率，确定所述接入点设备已变为变更的接入点设备；

测量来自接入点设备的接收信号强度；

从所述接入点设备过滤所述变更的接入点设备，所述过滤包括将与所述接入点设备相关联的接收信号强度划分为多组接收信号强度，以生成分组信号强度，以对所述接入点设备进行分组，从而生成分组的接入点设备；以及

响应于所述接入点设备的分组，估计所述变更的接入点设备的位置以生成估计位置。

13.如权利要求12所述的机器可读存储介质，其中，所述操作还包括：

将回归分析应用于所述变更的接入点设备的所述估计位置。

14.如权利要求13所述的机器可读存储介质，其中，所述回归分析包括高斯回归分析。

15.如权利要求14所述的机器可读存储介质，其中，所述操作还包括：

响应于应用所述回归分析，验证所述变更的接入点设备的所述估计位置。

16.如权利要求15所述的机器可读存储介质，其中，所述验证包括将所述估计位置与先前存储的、与所述变更的接入点设备相关联的位置进行比较。

17.如权利要求16所述的机器可读存储介质，其中，所述操作还包括：

响应于将所述估计位置与先前存储的、与所述变更的接入点设备相关联的位置进行比较，更新数据结构。

18.如权利要求12所述的机器可读存储介质，其中，所述位置是第一位置，其中，所述操作还包括：

确定与移动设备相关联的第二位置，以及其中，所述第二位置用于确定所述估计位置。

19.如权利要求12所述的机器可读存储介质，其中，所述位置是第一位置，其中，所述操作还包括：

估计与所述分组的接入点设备相关联的第二位置，以及其中，所述第二位置用于确定所述估计位置。

Images