CN108519579A - 基于区间重叠度分析优选AP的WiFi指纹定位技术 - Google Patents

基于区间重叠度分析优选AP的WiFi指纹定位技术 Download PDF

Info

Publication number
CN108519579A
CN108519579A CN201810274184.9A CN201810274184A CN108519579A CN 108519579 A CN108519579 A CN 108519579A CN 201810274184 A CN201810274184 A CN 201810274184A CN 108519579 A CN108519579 A CN 108519579A
Authority
CN
China
Prior art keywords
rssi
fingerprint
numerical intervals
interval
point
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.)
Granted
Application number
CN201810274184.9A
Other languages
English (en)
Other versions
CN108519579B (zh
Inventor
吴帮
马梓翔
吴伟
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201810274184.9A priority Critical patent/CN108519579B/zh
Publication of CN108519579A publication Critical patent/CN108519579A/zh
Application granted granted Critical
Publication of CN108519579B publication Critical patent/CN108519579B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01S5/0252—Radio frequency fingerprinting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Collating Specific Patterns (AREA)

Abstract

基于WiFi的室内指纹定位系统因其定位所需的计算能力要求和时间成本随着AP数量的增加而升高，因此通过AP选取减少冗余信息，降低计算量以及提升定位效率对物联网低资源的终端设备变得非常重要。随着城市区域内的无线AP越来越密集，WiFi室内指纹定位的AP优选难度增大。本发明公开了一种利用RSSI区间重叠度来区分指纹点实现AP优选的方法，通过对环境进行训练获取参数最优解，使得定位精度最优。

Description

基于区间重叠度分析优选AP的WiFi指纹定位技术
技术领域
本发明涉及室内定位技术领域，主要涉及WiFi指纹室内定位的基于区间重叠度分析优选AP的方法。
背景技术
由于室内和室外空间变得更加复杂，尤其是在城市地区，室内定位和导航服务的需求变得至关重要。目前有很多提供增值服务的基于位置服务(LBS)应用，例如，位置感知能帮助商业广告变得更加个性化。由于室内环境的日益复杂以及全球定位系统无法在室内有效定位，低成本、高精度、实时性和高可靠性的LBS的研究和发展仍然面临着挑战。其中一个关键的挑战是电量消耗。越来越多的重叠的无线热点(比如WiFi)增加了手机等智能设备用于确定AP的扫描时间。比如，一些商场环境内有达到超过五十个可访问的AP。而这个扫描到连接阶段所消耗的电量是WiFi传输所需电量的五倍。因此，减少AP使用个数用于位置确定也成为一个重要的能源效率问题。
室内定位系统(IPS)是一种利用射频、磁场、声学信号和航位推算等方法将建筑物内的物体或人进行定位的一个系统。近年随着WiFi热点的广泛部署，基于WiFi的室内定位技术变得越来越流行。而在室内定位技术中基于接收信号强度指示器(RSSI)的方法因其不需要专门的设备而成为很多人的优选。基于RSSI的无线传感器网络一般包括两种方法，基于信号衰减模型和基于指纹的系统。路径损耗模型系统的一个优点是，它只需要现成的智能手机、平板电脑或笔记本电脑能根据信号衰减模型计算距离来获得设备的位置。但信号衰减模型基于射频信号在自由空间传播的，而目前几乎所有的物理空间都是非自由空间，因此，室内复杂的环境会导致射频信号衰减和反射，从而降低测距精度。相比之下，基于指纹的技术能提供了更精确的定位结果。它通常分两个阶段，首先在离线阶段采集射频信号并映射到已知坐标的位置构建指纹或电子地图；然后在线阶段，通过将当前位置的RSSI信息在当前存储的电子地图中匹配最近已知位置确定位置。
当前许多基于RSSI的定位系统采用的是基于客户端来触犯和驱动LBS服务的架构，这为客户端设备提供了一个基本的隐私过滤功能，这样能使用户可以决定是否使用定位服务。但这种基于移动客户端设备的定位应用对手机电量的消耗是比较高的，如果定位服务的使用对用户设备电量的消耗过高，促使用户设备无法长时间有效的使用，那么定位服务技术就会缺乏使用的动力。因此，节能是室内定位服务的一个核心问题。
WiFi室内指纹定位技术必须采集室内中的AP信号，虽然使用更多的AP可以改变定位精度，但密集的接入点会明显增加数据采集阶段的能量消耗，过多的AP同时也会增加了定位算法的计算量，降低计算效率。另外，一些AP受动态效应影响较大，使得它们的RSSI值出现比较大的波动，进而影响位置确定的准确性，而恰当的AP选取有助于去除定位精度较差的AP。因此，如何选择最优的AP以确定位置是一个关键的挑战。
目前已有的AP选取方法主要基于三类。第一类是基于统计分析的方法，这种方法使用某个统计特征值来评估RSSI的表现实现AP选取，比如最大均值方法，最小标准差方法等。第二类是基于信息理论的方法，该方法保留了信息的多样性。其中信息增益方法通过考查AP最大化区分指纹的能力，互信息方法是通过最小化AP之间的信息冗余。但这两种方法无法准确的区分AP之间的差异。第三类是基于整体表现的算法，这种算法考虑的是几个AP一起所具有的表现，但是这种方法需要额外的机器内存和较长的计算时间。因此，针对这些不足，本发明提出了一种新的方法，称为区间重叠度分析法。
这个新算法用RSSI的数值区间作为样本特征值，利用AP区分指纹能力作为准则，通过计算不同指纹点处同一AP之间数值区间的重叠度，选取重叠度最低的AP进行定位。因为数值区间的重叠度是反映两个数值区间重叠程度的指标，重叠度越低，两个数值区间的重合程度越低，越容易将两者区分。因此，选取重叠度低的AP能更有效的区分不同指纹点。指纹点之间的区别越明显，在线阶段临近点匹配的精度相应会更高，能有效的提升定位精度。此外，由于本发明能通过选取少量的AP达到较优的定位精度，因而能有效降低计算量，提高定位效率。
发明内容
本发明针对目前WiFi指纹定位中的选取AP的问题，提出了一种利用RSSI区间重叠度来区分指纹点实现AP优选的方法。
本发明所采用的技术方案为：一种基于区间重叠度分析优选AP的WiFi指纹定位技术，包含以下步骤：
步骤一，根据室内环境布局特点，进行指纹点位置规划，如确定指纹点的个数，指纹格网的大小等。
步骤二，在步骤一规划好的指纹点处利用移动设备采集室内环境中各AP的RSSI信号值。
步骤三，利用AP是否在每个指纹点处都能被检测到的原则进行聚类分析，将AP分成两类：第一类能在所有指纹点处被检测到，第二类不能在所有指纹点处被检测到，并将第一类作为粗选AP。
步骤四，将步骤三粗选的AP的RSSI值用区间表示：提取出每个AP在不同指纹点处的RSSI信号序列的最大值和最小值，并用这个最大值和最小值构成的区间来表示该AP在当前指纹点处的RSSI信号特征。
步骤五，本发明将数值区间的最大值与最小值之差称为区间长度，将两个数值区间的交集称为重叠区间。同一AP在不同的指纹点处有各自的RSSI数值区间，计算同一AP在任意两个不同指纹点处的RSSI数值区间的重叠区间的长度。由于两个数值区间的范围不一定相同，因此，两个RSSI数值区间的重叠区间有多种不同的情况。
1)当数值区间A包含数值区间B，重叠区间就是数值区间B，其区间长度为数值区间B的区间长度；
2)当数值区间B包含数值区间A，重叠区间就是数值区间A，其区间长度为数值区间A的区间长度；
3)当数值区间A与数值区间B交集位于数值区间A(B)靠近区间下界(区间上界)位置时，重叠区间为数值区间B的上界和数值区间A的下界所组成的数值区间,其区间长度为数值区间B的上界减去数值区间A的下界；
4)当数值区间A与数值区间B交集位于数值区间A(B)靠近区间上界(区间下界)位置时，重叠区间为数值区间A的上界和数值区间B的下界所组成的数值区间，其区间长度为数值区间A的上界减去数值区间B的下界；
5)除以上四种情况之外的情况，都属于不存在重叠区间，其区间长度也为0.
步骤六，计算同一AP在当前两个指纹点之间的区间重叠度。
步骤七，不同的两个指纹点存在随机组合，因此需要将同一AP在所有不同指纹点对间的区间重叠度进行求和，求取一个总区间重叠度。
步骤八，按照步骤五到步骤七将每个AP的总区间重叠度计算出来后，选取总区间重叠度最小的M个AP作为优选AP。M是一个经验值，用户可以自己设置或者通过对环境进行训练得到M的最优解。
步骤九，在待定点上进行RSSI数据采集。
步骤十，利用欧氏距离算法计算待定点与各指纹点之间的距离，选取K个距离最小的指纹点作为最紧邻指纹点。利用WKNN算法进行位置解算。
步骤十一，此步骤属于环境训练用于获取当前环境中的参数(K值，M值)最优解，若已获得最优解，则此步骤可以省略，直接输出结果。此步骤的详细过程是：
1)在环境中均匀设置一些测试点，记录这些测试点的真实位置；
2)分别在这些测试点上进行RSSI信号采集；
3)根据步骤八优选的AP进行如步骤十所示的位置解算；
4)依次更改最紧邻指纹点个数和优选的AP个数，将所有不同取值组合下的所有测试点的平均定位精度计算出来，综合考量计算效率和定位精度的条件下确定最紧邻指纹点个数和优选的AP个数的最优解。
步骤十二，当步骤十一的训练过程结束后，可直接将步骤十的结果进行输出。
与现有技术相比，本发明具有的特点：
本发明的创新之处在于，第一方面，基于数值区间重叠度分析的优选AP方法能有效减少冗余信息，降低计算量，提升定位效率，降低能量消耗。第二方面，跟已有算法相比，如信息增益算法，互信息算法，最小标准差算法等，本发明有如下特点：1)本发明使用数值区间来分析RSSI的特征而不是利用单个统计特征值；2)本发明的算法虽继承了AP区分指纹能力的规则来进行AP选取，但算法更简单，鲁棒性更好；3)在提升计算效率的同时能实现一个更高的定位精度。
附图说明
图1是本发明实施例的基于区间重叠度分析优选AP的WiFi指纹定位技术的流程图；
图2是本发明实施例的实验方案分布示意图；
图3是本发明实施例的实验测试点整体平均定位精度图；
图4是本发明实施例的实验测试点整体平均定位精度的累计密度函数图；
图5是本发明实施例的实验测试点全部格网平均定位精度图。
具体实施方式
为了使本发明的目的、技术方案和有益效果更加清楚明白，下面结合附图及具体实施方式，进一步说明本发明。应当理解，以下描述的实施方式仅用于解释本发明，并不用于限定本发明。
详见图1，本发明提供的一种基于区间重叠度分析优选AP的WiFi指纹定位技术，包含以下步骤：
步骤一，为了说明模型对于环境的适应性，本发明在一个典型的室内环境中进行实验(存在人员活动的动态环境)。在选择环境中选取若干参考点(图中的四角星号都代表参考点，点位详见图2)，假设N表示指纹点的个数。设置参考点之间的间距为3米。
步骤二，为了消除手机差异性所带来的误差影响，本实验用同一个移动设备在各参考点处采集WiFi信号强度信息，信号采集频率为2s,采集的次数为120次。将各AP的RSSI序列和参考点的位置信息关联起来组成位置指纹。
步骤三，利用AP是否在每个指纹点处都能被检测到的原则进行聚类，将AP分成两类：第一类能在所有指纹点处被检测到，第二类不能在所有指纹点处被检测到，并将第一类作为粗选AP。本实施例中未聚类前的AP个数为40多个，聚类之后粗选出24个。假设粗选之后的指纹点个数用S表示。
步骤四，将步骤三粗选的AP的RSSI信号序列用数值区间表示。以APa为例，若将第i个指纹点处来自于APa的RSSI信号序列用表示。将第j个指纹点处来自于APa的RSSI信号序列用表示。则APa的RSSI信号序列用数值区间分别表示为[min(RSSIja)，max(RSSIja)]和[min(RSSIia)，max(RSSIia)]。同理，其他AP也同样按照此步骤操作。
步骤五，计算两个数值区间的重叠区间长度。用表示APa在指纹点i和j处的重叠区间长度，则重叠区间长度可能的取值有如下几种情况：
1)假如min(RSSIja)＜min(RSSIia)，max(RSSIja)＞max(RSSIia)；则
2)假如min(RSSIja)＞min(RSSIia)，max(RSSIja)＜max(RSSIia)；则
3)假如min(RSSIja)＞min(RSSIia)，max(RSSIja)＞max(RSSIia)；则
4)假如min(RSSIja)＜min(RSSIia)，max(RSSIja)＜max(RSSIia)；则
5)其余情况，
步骤六，计算同一AP在当前两个指纹点之间的区间重叠度。以APa为例，若用表示APa的重叠度，则计算公式为同理，其他AP也同样按照此步骤操作。
步骤七，在N个指纹点中，不同的两个指纹点存在随机组合，一共有种组合方式。用IODf-2表示APa在所有不同指纹点组合中的区间重叠度之和--总区间重叠度。则总区间重叠度的公式为：同理，其他AP也同样按照此步骤操作。
步骤八，按照步骤五到步骤七将每个AP的总区间重叠度计算出来后，选取总区间重叠度最小的M个AP作为优选AP。M是一个经验值，用户可以自己设置或者通过对环境进行训练得到M的最优解。本实施例训练了M从2到24的取值。
步骤九，在选择环境中选取若干测试点(图中的黑圆圈都代表测试点，点位详见图2)，在所有测试点上进行RSSI数据采集，同样，测试点上也只采用步骤八中优选出来的AP。
步骤十，利用欧氏距离算法计算待定点与各指纹点之间的距离。以APa为例，假设表示APa在测试点t上RSSI信号序列的均值，假设表示APa在指纹点j上RSSI信号序列的均值。那么测试点t与指纹点j的欧氏距离为：计算完测试点与所有指纹点之间的欧氏距离之后选取K个距离最小的指纹点作为最近邻指纹点。然后将这个K个最近邻指纹点用以下公式进行重新加权。最后用位置计算公式进行位置解算。
步骤十一，为了更好的体现本发明的特征，此实施例展示了整个环境训练过程，通过将K值设置为4(最优取值为3-5之间)，将M值依次设置成2-24。通过以下的数据分析方法来获取参数最优解。(而用户若完成了环境训练阶段，则可以直接设置参数的最优解，跳过此步骤。)
1)按照以上的位置解算步骤，分别计算出M取值从2-24时，K值从3-5时所有测试点的平均定位精度值。此实施例主要为展示本发明的实施过程以及最显著的体现算法的优越性，因此，只给出了K值取4时的平均定位精度结果；同时，将对比算法--信息增益，互信息和最小标准差方法的定位结果都展示在一起，它们的平均定位精度虽M值变化的曲线如图3所示。而表1详细列出了M不同取值时对应的平均定位精度(ME)。
表1整体平均定位精度详细表
结合图3和表1可以看出，在综合考量计算效率和定位精度的条件下本发明的方法在K值为4，M为6时能取得一个最佳的定位表现。因此，将本环境中的K设置成4，M设置成6.
2)为了体现本发明所示的算法在精度上的优越性，本实施例结合了一些其他的性能考量指标将本发明与其他已有算法进行比较。如图4给出了本发明所示算法与其余算法的累计密度函数图。同时表2也给出了平均定位精度在1m，2m，3m时的概率。
表2四种方法累计密度函数明细表
结合图3，表1和表2从得出本发明比本实施例中所提及的算法在定位精度表现上要更加优越。
3)由于鲁棒性强的方法不仅能在大场景有好的定位表现，同时在小场景下也同样有好的定位表现。为了体现本发明所示的算法在性能上的鲁棒性，本实施例还考虑了本发明与其他已有方法在预设的小格网中的平均定位精度的对比。通过将实验场景内的指纹点按照如图2所示的虚线黑框，将整个实验场景划分成14个小场景，按照本发明所示的步骤对小场景重新进行计算并得到14个小场景的总平均定位精度。从图5可以明显看出，本发明所示方法在小场景下的定位表现要明显优于别的算法，有力的证明了本发明所示方法的鲁棒性。
步骤十二，当步骤十一的训练过程结束后，可直接将步骤十的结果进行输出。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (6)

1.一种基于区间重叠度分析优选AP的WiFi指纹定位技术，其特征在于，包括以下步骤：
步骤一，根据室内环境布局特点，进行指纹点位置规划，如确定指纹点的个数，指纹格网的大小等；
步骤二，在步骤一规划好的指纹点处利用移动设备采集室内环境中各AP的RSSI信号值；
步骤三，利用AP是否在每个指纹点处都能被检测到的原则进行聚类分析，将AP分成两类：第一类能在所有指纹点处被检测到，第二类不能在所有指纹点处被检测到，并将第一类作为粗选AP；
步骤四，将步骤三粗选的AP的RSSI值用区间表示：提取出每个AP在不同指纹点处的RSSI信号序列的最大值和最小值，并用这个最大值和最小值构成的区间来表示该AP在当前指纹点处的RSSI信号特征；
步骤五，本发明将数值区间的最大值与最小值之差称为区间长度，将两个数值区间的交集称为重叠区间，同一AP在不同的指纹点处有各自的RSSI数值区间，计算同一AP在任意两个不同指纹点处的RSSI数值区间的重叠区间的长度，由于两个数值区间的范围不一定相同，因此，两个RSSI数值区间的重叠区间有多种不同的情况：
1)当数值区间A包含数值区间B，重叠区间就是数值区间B，其区间长度为数值区间B的区间长度；
2)当数值区间B包含数值区间A，重叠区间就是数值区间A，其区间长度为数值区间A的区间长度；
3)当数值区间A与数值区间B交集位于数值区间A(B)靠近区间下界(区间上界)位置时，重叠区间为数值区间B的上界和数值区间A的下界所组成的数值区间,其区间长度为数值区间B的上界减去数值区间A的下界；
4)当数值区间A与数值区间B交集位于数值区间A(B)靠近区间上界(区间下界)位置时，重叠区间为数值区间A的上界和数值区间B的下界所组成的数值区间，其区间长度为数值区间A的上界减去数值区间B的下界；
5)除以上四种情况之外的情况，都属于不存在重叠区间，其区间长度也为0；
步骤六，计算同一AP在当前两个指纹点之间的区间重叠度；
步骤七，不同的两个指纹点存在随机组合，因此需要将同一AP在所有不同指纹点对间的区间重叠度进行求和，求取一个总区间重叠度；
步骤八，按照步骤五到步骤七将每个AP的总区间重叠度计算出来后，选取总区间重叠度最小的M个AP作为优选AP，M是一个经验值，用户可以自己设置或者通过对环境进行训练得到M的最优解；
步骤九，在待定点上进行RSSI数据采集；
步骤十，利用欧氏距离算法计算待定点与各指纹点之间的距离，选取K个距离最小的指纹点作为最紧邻指纹点，利用WKNN算法进行位置解算；
步骤十一，此步骤属于环境训练用于获取当前环境中的参数(K值，M值)最优解，若已获得最优解，则此步骤可以省略，直接输出结果，此步骤的详细过程是：
1)在环境中均匀设置一些测试点，记录这些测试点的真实位置；
2)分别在这些测试点上进行RSSI信号采集；
3)根据步骤八优选的AP进行如步骤十所示的位置解算；
4)依次更改最紧邻指纹点个数和优选的AP个数，将所有不同取值组合下的所有测试点的平均定位精度计算出来，综合考量计算效率和定位精度的条件下确定最紧邻指纹点个数和优选的AP个数的最优解；
步骤十二，当步骤十一的训练过程结束后，可直接将步骤十的结果进行输出。
2.根据权利要求书1所述的基于区间重叠度分析优选AP的WiFi指纹定位技术，其特征在于，步骤四中所述的将每个AP的RSSI信号序列用数值区间表示，以APa为例，若将第i个指纹点处来自于APa的RSSI信号序列用 表示，将第j个指纹点处来自于APa的RSSI信号序列用表示，则APa的RSSI信号序列用数值区间分别表示为[min(RSSIja)，max(RSSIja)]和[min(RSSIia)，max(RSSIia)]，同理，其他AP也同样按照此步骤操作。
3.根据权利要求书1所述的基于区间重叠度分析优选AP的WiFi指纹定位技术，其特征在于，步骤五中所述的两个数值区间的重叠区间长度计算方法，用表示APa在指纹点i和j处的重叠区间长度，则重叠区间长度可能的取值有如下几种情况：
1)假如min(RSSIja)＜min(RSSIia)，max(RSSIja)＞max(RSSIia)；则
2)假如min(RSSIja)＞min(RSSIia)，max(RSSIja)＜max(RSSIia)；则
3)假如min(RSSIja)＞min(RSSIia)，max(RSSIja)＞max(RSSIia)；则
4)假如min(RSSIja)＜min(RSSIia)，max(RSSIja)＜max(RSSIia)；则
5)其余情况，
4.根据权利要求书1所述的基于区间重叠度分析优选AP的WiFi指纹定位技术，其特征在于，步骤六中所述的同一AP在两个指纹点之间的区间重叠度计算方法，以APa为例，若用表示APa的重叠度，则计算公式为下所示。
5.根据权利要求书1所述的基于区间重叠度分析优选AP的WiFi指纹定位技术，其特征在于，步骤七中所述的AP总区间重叠度的计算方法，在N个指纹点中，不同的两个指纹点存在随机组合，一共有种组合方式，用IODf-a表示APa在所有不同指纹点组合中的区间重叠度之和--总区间重叠度，则总区间重叠度的公式为：同理，其他AP也同样按照此步骤操作。
6.根据权利要求书1所述的基于区间重叠度分析优选AP的WiFi指纹定位技术，其特征在于，步骤八中选取总区间重叠度最小的M个AP作为优选AP，因为数值区间的重叠度是反映两个数值区间重叠程度的指标，重叠度越低，两个数值区间的重合程度越低，越容易将两者区分，因此，选取重叠度低的AP能更有效的区分不同指纹点，指纹点之间的区别越明显，在线阶段临近点匹配的精度相应会更高，能有效的提升定位精度。
CN201810274184.9A 2018-03-29 2018-03-29 基于区间重叠度分析优选AP的WiFi指纹定位方法 Expired - Fee Related CN108519579B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810274184.9A CN108519579B (zh) 2018-03-29 2018-03-29 基于区间重叠度分析优选AP的WiFi指纹定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810274184.9A CN108519579B (zh) 2018-03-29 2018-03-29 基于区间重叠度分析优选AP的WiFi指纹定位方法

Publications (2)

Publication Number Publication Date
CN108519579A true CN108519579A (zh) 2018-09-11
CN108519579B CN108519579B (zh) 2021-11-16

Family

ID=63431361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810274184.9A Expired - Fee Related CN108519579B (zh) 2018-03-29 2018-03-29 基于区间重叠度分析优选AP的WiFi指纹定位方法

Country Status (1)

Country Link
CN (1) CN108519579B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109672973A (zh) * 2018-09-21 2019-04-23 云南大学 一种基于最强ap法的室内定位融合算法
CN111405461A (zh) * 2020-03-16 2020-07-10 南京邮电大学 一种优化等间隔指纹采样个数的无线室内定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090005064A1 (en) * 2007-06-28 2009-01-01 Symbol Technologies, Inc. Methods and apparatus for locationing in a wireless network using statistical weighting
KR20130016912A (ko) * 2011-08-09 2013-02-19 주식회사 안랩 단말 장치 및 상기 단말 장치의 액세스 포인트 접속 방법
CN107820314A (zh) * 2017-11-14 2018-03-20 江南大学 基于AP选择的Dwknn位置指纹定位算法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090005064A1 (en) * 2007-06-28 2009-01-01 Symbol Technologies, Inc. Methods and apparatus for locationing in a wireless network using statistical weighting
KR20130016912A (ko) * 2011-08-09 2013-02-19 주식회사 안랩 단말 장치 및 상기 단말 장치의 액세스 포인트 접속 방법
CN107820314A (zh) * 2017-11-14 2018-03-20 江南大学 基于AP选择的Dwknn位置指纹定位算法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAN ZOU: "A mutual information based online access point selection strategy for WiFi indoor localization", 《2015 IEEE INTERNATIONAL CONFERENCE ON AUTOMATION SCIENCE AND ENGINEERING (CASE)》 *
刘少伟: "WiFi指纹定位中AP个数对定位精度的影响", 《测绘工程》 *
张天琦: "基于WiFi的室内定位关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
葛柳飞: "分布式 AP 选择策略在室内定位中的应用", 《传感器与微系统》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109672973A (zh) * 2018-09-21 2019-04-23 云南大学 一种基于最强ap法的室内定位融合算法
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
CN111405461A (zh) * 2020-03-16 2020-07-10 南京邮电大学 一种优化等间隔指纹采样个数的无线室内定位方法
CN111405461B (zh) * 2020-03-16 2021-10-08 南京邮电大学 一种优化等间隔指纹采样个数的无线室内定位方法

Also Published As

Publication number Publication date
CN108519579B (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
Lee et al. Random forest and WiFi fingerprint-based indoor location recognition system using smart watch
CN103747524B (zh) 一种基于云平台的Android终端室内定位方法
CN102932911B (zh) 位置指纹定位方法及定位系统
Elbakly et al. A robust zero-calibration RF-based localization system for realistic environments
CN108540929B (zh) 基于rssi信号强度排序的室内指纹定位方法
Chen et al. Finccm: Fingerprint crowdsourcing, clustering and matching for indoor subarea localization
CN107302793B (zh) 一种基于无线信号的定位方法、服务器、终端和系统
CN104540168B (zh) 一种测量人群拥挤度的方法、装置与系统
CN103068035A (zh) 一种无线网络定位方法、装置及系统
KR20180087150A (ko) 라디오 맵 구축 방법
Li et al. Location estimation in large indoor multi-floor buildings using hybrid networks
CN109068272A (zh) 相似用户识别方法、装置、设备及可读存储介质
CN110213710A (zh) 一种基于随机森林的高性能室内定位方法、室内定位系统
Wang et al. Adaptive rfid positioning system using signal level matrix
He et al. Rapid deployment of APs in WLAN indoor positioning system
CN109059919B (zh) 一种基于众包样本加权曲面拟合的室内定位方法
CN108519579A (zh) 基于区间重叠度分析优选AP的WiFi指纹定位技术
CN106358233B (zh) 一种基于多维尺度分析算法的rss数据平滑方法
CN107526058A (zh) 室内定位方法、装置及系统
Xie et al. An improved indoor location algorithm based on backpropagation neural network
CN108521631A (zh) 一种面向室内定位的移动ap识别方法
CN108882165B (zh) 一种导航方法和装置
CN110320493A (zh) 室内定位方法、装置、电子设备和计算机存储介质
Golenbiewski et al. Implementation of an indoor positioning system using the WKNN Algorithm
Urwan et al. Position estimation in mixed indoor-outdoor environment using signals of opportunity and deep learning approach

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

Granted publication date: 20211116