CN108519578A - 一种基于群智感知的室内定位指纹库构建方法 - Google Patents

Abstract

本发明涉及一种基于群智感知的室内定位指纹库构建方法，包括：在目标区域以群智感知方式采集一段时间内的指纹数据，建立指纹数据模型；初始化原型指纹数量，对原始指纹数据集F利用学习向量量化学得一组原型指纹对指纹空间聚类划分；计算原型指纹间的欧氏距离建立相异矩阵，利用多维标度算法匹配原型指纹和物理位置标签，最后生成指纹库数据模型。本发明具有构建效率高的优点。

Description

一种基于群智感知的室内定位指纹库构建方法

技术领域

本发明属于室内定位技术领域，涉及一种位置指纹库的构建方法。

背景技术

随着位置服务技术的不断发展，室内定位在各应用领域起到的作用也愈加重要。对于室内定位,现在已经提出了许多解决方案，例如时间到达(TOA)，到达角(AOA)，收到信号强度(Received Signal Strength，RSS)，到达相位差(PDOA)和混合方法。其中基于RSS的室内定位系统有广泛的应用。因为它们不需要额外的硬件部署。他们能由无线局域网(WLAN)，射频识别装置(RFID)，超宽带(UWB)，蓝牙，ZigBee等设备实现。大多数基于RSS的室内定位方法被分为两类：测距法和指纹法。前者使用观测到的接收信号强度(RSS)和信号传播模型来估计移动终端和无线接入点(access point，AP)之间的距离。但是其定位性能受到复杂的室内信号传播环境影响。在基于指纹法的室内定位中，移动终端的线上位置估计通过对比移动终端观测到的RSS和线下训练指纹库中的RSS来确定。

指纹法定位通常克服了基于信号传播模型方法的限制，但是对于指纹法定位来说，很多室内区域面积较大，构建指纹库的现场调查是非常耗时且耗费人力的，而且指纹库还会随着环境的不断变化而失效。但是对于指纹法定位，指纹库的构建是不可避免的步骤，所以目前减少线下训练阶段位置调查成本是一个重要问题。随着智能移动终端的普及，利用群智感知的思想(利用大量用户的移动智能终端提供传感器数据如RSS，方向，磁力计和加速度计等)建立指纹库非常有优势。因为群智感知可以利用集群协作的方式高效快速地完成单独个体无法完成或者单独完成比较困难的感知任务。

但是通过群智感知方式获取的RSS数据集也存在一些问题：指纹数据集冗余杂乱和指纹数据没有真实的物理位置标签(指纹注释问题)。所以需要对于同一区域获得的多个指纹进行融合处理，同时也能缩减指纹库数据量的大小。此外，由于室内环境多变的特点，构建好指纹库之后还要定期更新和优化。

发明内容

针对指纹法定位中的指纹库构建耗费大量人力和时间的问题，本发明的目的是提供一种效率高的指纹库构建方法。本发明采用群智感知方式提高指纹库的建立效率，对指纹库数据进行必要的优化，从而降低单次定位的计算量。技术方案如下：

一种基于群智感知的室内定位指纹库构建方法，包括下列步骤：

1)在目标区域以群智感知方式采集一段时间内的指纹数据，建立指纹数据模型，设待定位区域的无线接入点(AP)个数为n，则单次采样的指纹数据为：f＝{rss₁,rss₂,...,rss_i,...,rss_n}，rss_i为移动终端单次采样中第i个AP的接收信号强度值；一段时间内的指纹采样总数为m，则服务器得到一个原始指纹数据集合F＝{f_j,j＝1,2,…,m}，f_j为第j次采样的指纹数据；

2)初始化原型指纹数量，对原始指纹数据集F利用学习向量量化学得一组原型指纹{f₁,f₂,…,f_q}，每个原型指纹代表一个聚类簇，簇标记为{t_i,i＝1,2,…,q}，从而对指纹空间聚类划分，减少冗余数据；

3)计算原型指纹{f₁,f₂,…,f_q}间的欧氏距离建立相异矩阵[D_ij]，利用多维标度算法匹配原型指纹和物理位置标签，最后生成指纹库数据模型{(f_i,p_i)|i＝1,2,...,q}。

本发明利用群智感知的方式采集无线接入点的接收信号强度获取原始指纹数据集，提出一种基于非监督式学习的指纹库构建方法。该方法有效解决原始指纹库的数据冗余问题和指纹所对应的物理位置估计问题。最终提高了指纹库构建效率和降低了单次定位的计算量。

附图说明

图1是示出了本发明整体方法的流程框图。

图2是示出了最终指纹库的二维示意图。

图3是示出了使用本发明实施例中获得的指纹库性能效果图。

具体实施方式

下面结合附图对本发明所述的一种基于群智感知的室内定位指纹库构建方法做进一步的描述。

本发明首先利用群智感知的方式采集无线接入点的接收信号强度获取原始指纹数据集。群智感知利用大量普通用户使用手机，平板等移动设备作为基本感知单元。通过移动互联网进行协作，实现感知任务分发和感知数据利用，极大提高指纹库构建效率，也是实现指纹库的实时更新。同时解决群智感知所获取的指纹数据的两大问题-数据冗余杂乱和指纹注释，提出一种基于非监督式学习的指纹库构建方法。该方法有效解决原始指纹库的数据冗余问题和指纹所对应的物理位置估计问题。最终提高了指纹库构建效率和降低了单次定位的计算量。

图1是示出了本发明整体方法的流程框图，图2是示出了最终指纹库的二维示意图，信号包络中心黑点为原型指纹位置标签，信号包络表示簇划分区域。在本实施例的具体应用如下：

1.群智感知的指纹数据模型的建立

群智感知采用非固定参考点采集方式，相当于在待定位区域的物理空间对来自各个AP的RSS信号的大量随机采样。假设带定位区域的无线接入点(AP)个数为n，一段时间内的指纹采样总数为m，则单次采样的指纹数据为：

f＝{rss₁,rss₂,...,rss_i,...,rss_n}

式中rss_i为移动终端单次采样中第i个AP的接收信号强度值。

服务器获取到足够数量的指纹数据后，得到一个指纹数据集合F＝{f_j,j＝1,2,…,m}(m为指纹采样总数)，与之对应的指纹矩阵F_ij为：

我们最终的目的是对这个指纹矩阵进行优化，同时为指纹数据集合打上位置标签。

2.学习向量量化聚类(LVQ)

由于群智感知获取的指纹数据集存在冗余问题，我们通过非监督式学习中的学习向量量化来对数据进行聚类。

给定一段时间内采样到的指纹数据集：

R＝{(f₁,y₁),(f₂,y₂),…,f_m,y_m)}

式中每个指纹f对应于单次采样的指纹数据，数据集合的类别标记为{y_i,i＝1,2,…,m}。

LVQ的目标是学得一组n维原型指纹集合{f₁,f₂,…,f_q}，每个原型指纹代表一个聚类簇，簇标记为{t_i,i＝1,2,…,q}。

算法过程是首先初始化一组原型指纹向量然后通过最小化目标函数：

找出与f_k距离最近的原型指纹向量最后根据两者的类别标记是否一致对原型指纹向量进行相应的更新，更新的目标函数为：

式中λ为学习效率，取值范围(0,1)。

在不断地迭代优化学得一组原型指纹向量后，即可实现对指纹样本空间的簇划分来聚类。

3.多维标度法(MDS)降维

在上一步中我们已经对群智感知方式获取的指纹数据集进行聚类分区学得一组原型指纹向量，接下来是对这些原型指纹向量打上位置标签，也就是为每一个原型指纹向量匹配一个真实的定位区域的位置坐标。本方案利用物理空间和指纹空间的相似性提出利用多维标度法将n维的原型指纹向量降维到二维来匹配位置，。首先，我们获取指纹向量的欧式距离矩阵，第i个原型指纹和第j个原型指纹之间的欧氏距离定义为：

其中q为原型指纹数量，我们认为原型指纹的欧式距离和真实距离是正相关的，原型指纹越近，欧式距离越小。然后使用欧式距离d_ij建立相异矩阵[D_ij]。

MDS算法的目标就是根据这个相异矩阵找到一个子空间p＝{p₁,p₂,...,p_q∈R^N}(这里N＝2，子空间为相对位置坐标空间),使得这两个空间的相似度尽可能保留。数学模型就是通过这个相异矩阵计算出指纹点的相对位置矩阵p，使得通过p反过来计算距离矩阵与原距离矩阵D的代价函数最小。其中优化的函数是最小化代价函数：

求解此函数的最优解即为位置坐标，最终为原型指纹打上位置标签，如图2的指纹库的二维示意图，得到最终指纹库数据集{(f_i,p_i)|i＝1,2,...,q}。

Claims (1)

1.一种基于群智感知的室内定位指纹库构建方法，包括下列步骤：

1)在目标区域以群智感知方式采集一段时间内的指纹数据，建立指纹数据模型。设待定位区域的无线接入点(AP)个数为n，则单次采样的指纹数据为：f＝{rss₁,rss₂,...,rss_i,...,rss_n}，rss_i为移动终端单次采样中第i个AP的接收信号强度值；一段时间内的指纹采样总数为m，则服务器得到一个原始指纹数据集合F＝{f_j,j＝1,2,…,m}，f_j为第j次采样的指纹数据；

2)初始化原型指纹数量，对原始指纹数据集F利用学习向量量化学得一组原型指纹{f₁,f₂,…,f_q}，每个原型指纹代表一个聚类簇，簇标记为{t_i,i＝1,2,…,q}，从而对指纹空间聚类划分，减少冗余数据；

3)计算原型指纹{f₁,f₂,…,f_q}间的欧氏距离建立相异矩阵[D_ij]，利用多维标度算法匹配原型指纹和物理位置标签，最后生成指纹库数据模型{(f_i,p_i)|i＝1,2,...,q}。