CN108521631B - 一种面向室内定位的移动ap识别方法 - Google Patents

Abstract

本发明公开了一种面向室内定位的移动AP识别方法。首先，在待定位区域内布置若干固定AP和移动AP，沿若干已知路径采集来自不同AP的RSS序列；其次，利用对数衰减传播模型，计算与AP一定距离范围内的信号衰减值，并依据此信号衰减值对采集到的来自每个AP的RSS数据进行筛选，同时得到筛选后的RSS信号的地理位置坐标；最后，对筛选后的RSS位置坐标进行基于密度的聚类，并求出簇的类内最大距离，以此判断AP是否是移动的。本发明基于指纹的室内定位算法，针对移动AP的存在而导致的室内定位干扰问题，提出了该种移动AP识别的方法。

Description

一种面向室内定位的移动AP识别方法

技术领域

本发明属于室内定位技术，具体涉及一种面向室内定位的移动AP识别方法。

背景技术

由于无线网络的快速发展及智能终端设备的普及，使得基于位置服务LBS(Location Based Service)的应用需求呈现大幅度增长的趋势，并且深深地影响着社会生产和生活的各个领域。在办公楼、大型商场等室内环境中，由于建筑物的遮挡，现有的室外定位系统，如GPS(Global Positioning System)定位系统很难进行精确地室内定位。而已有的室内定位系统中，大多需要布置的专用硬件设施，这就导致定位成本的提高和覆盖范围的受限，严重影响了LBS在室内环境中的应用与推广。而基于无线局域网WLAN(WirelessLocal Area Network)和接收信号强度(Received Signal Strength)的室内定位技术，无需布置额外的基础设施，直接利用现有的WLAN设施即可通过智能终端实现室内定位。

位置指纹的室内定位算法，作为经典的基于RSS的WLAN定位算法，分为离线和在线两个阶段。在离线阶段需要在待定位区域内标记若干参考点RP(Reference Point)，在每个RP处采集来自不同接入点AP(Access Point)的RSS值，以此构建位置指纹数据库；而在线阶段，用户需要实时采集来自不同AP的RSS信号，与位置指纹数据库进行匹配，以此实现对用户的定位。

然而，由于现有的智能终端大多有移动热点的功能，所以在待定位的区域中，这些来自移动热点的RSS数据也会被采集并加入到位置指纹数据库中。但是这些移动热点的位置具有极大的不确定性，可以视作是移动的AP，这就对在线阶段的用户定位造成极大的干扰，导致严重的定位误差。针对以上问题，亟需开发出一种面向室内定位的移动AP识别方法加以解决。

发明内容

本发明的目的是提供一种面向室内定位的移动AP识别方法，它只需通过采集若干已知路径上的RSS值，就能识别出待定位区域中的AP是固定的还是移动的，解决了传统定位中移动AP的干扰问题。

本发明所述的一种面向室内定位的移动AP识别方法，包括以下步骤：

步骤一、在待定位区域的环境中部署k个无线接入点AP_a，a＝1，…，k，这k个AP中包含k₁个移动AP和k₂个固定AP，但是每个AP是移动的还是固定的此时未知。

步骤二、在待定位区域中沿坐标已知的l条路径Path¹，Path²，…，Path^l行走，采集l条RSS序列，RSS¹，RSS²，…，RSSⁱ，其中Pathⁱ上信号的样本采样点所对应的地理位置坐标为

n_i为Pathⁱ上的样本采样点数，其中i＝1，…，l，由此所得RSS序列RSSⁱ内包含的RSS值为：

其中r_aj为第j个地理位置上采集到的来自第a个AP的RSS值，其中a＝1，…，k，j＝1，…，n_i。

步骤三、利用信号对数衰减传播模型，求出与AP相距d_r处的信号衰减值P_a。

步骤四、筛选关于AP_a，a＝1，…，k的最大功率值衰落P_a的RSS信号所对应的地理位置坐标。

步骤五、分别对筛选出的来自每个AP的RSS值对应的地理位置坐标

进行基于密度的聚类，得到k个物理坐标点聚类C_a，a＝1，…，k。

步骤六、计算所述步骤五中每个物理坐标点聚类C_a的类内最大距离dia_a。

步骤七、对每个AP进行判断，若dia_a＞2d_r，则判定AP_j为移动AP；反之，若dia_a≤2d_r，则判定AP_a为固定AP，其中d_r为信号采样点与AP之间的欧式距离。

步骤八、重复所述步骤五至所述步骤七，对每个AP进行判断，完成目标场景中的移动AP识别。

所述步骤三包括以下步骤：

步骤三(一)、基于对数衰减传播模型，构建与AP相距d_r处的信号衰减值计算表达式：

其中，P为所求位置点的RSS信号强度，β为表示路径衰减随距离增长速率的信号衰减指数，d_r为信号采样点与AP之间的欧式距离，d₀为参考距离，P_AP为AP的发射功率，χ_σ为服从高斯分布N～(μ，σ²)的随机噪声。

步骤三(二)、利用所述步骤三(一)中的公式，求出与AP相距d_r处的信号衰减值P_a。

所述步骤四包括以下步骤：

步骤四(一)、假设筛选关于AP_a，a＝1，…，k的最大功率值衰落P_a的RSS信号集分别为RSS′₁，RSS′₂，...，RSS′_k，其中

a＝1，2，…，k，

满足

且

其中i＝1，2，…，l，u＝1，2，…，n_i；

步骤四(二)、找到所述步骤四(一)筛选出的来自每个AP的RSS值

所对应的地理位置的坐标(x_av，y_av)，其中i＝1，2，…，l，a＝1，2，…，k，u＝1，2，…，n_i，v＝1，2，…，m_a，筛选出的来自AP_a的位置坐标为：

其中m_a表示筛选出的来自AP_a的坐标数也就是采集样本点数，a＝1，2，…，k。

所述步骤五包括以下步骤：

步骤五(一)、将

中的坐标作为样本集，并设置邻域参数(ε，MPt)。对于

中任意样本点p_w(某个位置点坐标)，其ε邻域包含的样本集

中与p_w距离不大于ε的样本，即

且p_w的ε邻域至少包含MPt个样本，即

步骤五(二)、将

中样本点的中值点作为聚类的起始点，设聚类起始点为p^st。

步骤五(三)、确定

中每个样本的ε邻域

的样本数

如果

将样本p_w加入核心对象集Ω，即Ω＝ΩU{p_w}。如果p^st不在核心对象集Ω中，就将p^st加入其中，即Ω＝Ω∪{p^st}。设Ω中的样本数为t。

步骤五(四)、构建核心对象集Ω中全部样本点的两两距离矩阵D：

步骤五(五)、初始化簇C_a为空集，a＝1，…，k。

步骤五(六)、首先将聚类起始点p^st加入到簇C_a中，即C_a＝C_a∪{p^st}。

步骤五(七)、判断Ω是否为空集，如果Ω不是空集，任意选取一个核心对象o∈Ω，并令Ω＝Ω\{o}，通过两两距离矩阵查找o与C_a中元素的距离。如果Ω是空集，执行步骤五(九)。

步骤五(八)、如果存在距离小于或等于ε，将此核心对象o加入到簇C_a中。返回步骤五(七)。

步骤五(九)、得到聚类后的簇C_a。

所述步骤六包括以下步骤：

步骤六(一)、构建聚类C_a中全部物理坐标点的两两距离矩阵

假设聚类C_a中含有c个物理坐标点：

步骤六(二)、找到

中的最大元素即为类内最大距离dia_a。

本发明具有以下优点：首先，本发明只需要在待定位区域中沿已知若干条路径，采集相应的RSS序列，即可完成对数据的采集，无需布置其他设备；其次，利用传播模型计算与AP一定距离范围内的信号衰减值，并以此对采集到来自每个AP的RSS数据进行筛选，找到筛选后RSS的位置坐标；最后，对筛选后的RSS位置坐标进行基于密度的聚类，求出聚类的类内最大距离，以此判断AP是否是移动的。本发明可以有效识别出环境中的移动AP，并且在室内定位中，将这些移动AP去除，减少移动AP对定位精度的影响。

附图说明

图1为本发明流程图；

图2为室内待定位区域环境图；

图3为固定AP与移动AP布置图；

图4为已知路径图；

图5(a)～图5(e)为固定AP聚类结果图；

图6(a)～图6(b)为移动AP聚类结果图。

具体实施方式

下面结合附图对本发明作进一步说明。

本发明提供的一种面向室内定位的移动无线AP识别方法，该方法能够有效识别环境中的固定AP和移动AP，具体步骤如下：

步骤一、在待定位区域的环境中部署k个无线接入点AP_a，a＝1，…，k，这k个AP中包含k₁个移动AP和k₂个固定AP，但是每个AP是移动的还是固定的此时未知。本实验设置k＝7，其中，移动AP有2个，固定AP有5个。

步骤二、在待定位区域中沿坐标已知的l条路径Path¹，Path²，…，Path^l行走，采集l条RSS序列，RSS¹，RSS²，…，RSS^l，其中Pathⁱ上信号的样本采样点所对应的地理位置坐标为

n_i为Pathⁱ上的样本采样点数，其中i＝1，…，l，由此所得RSS序列RSSⁱ内包含的RSS值为：

其中r_aj为第j个地理位置上采集到的来自第a个AP的RSS值，其中a＝1，…，k，j＝1，…，n_i。本实验设置l＝5。

步骤三、利用信号对数衰减传播模型，求出与AP相距d_r处的信号衰减值P_a，具体包括以下步骤：

3a、基于对数衰减传播模型，构建与AP相距d_r处的信号衰减值计算表达式：

其中，P为所求位置点的RSS信号强度，β为表示路径衰减随距离增长速率的信号衰减指数，d_r为信号采样点与AP之间的欧式距离，d₀(＝1m)为参考距离，P_AP为AP的发射功率，χ_σ为服从高斯分布N～(μ，σ²)的随机噪声。本实验中，β＝2，μ＝0，σ²＝2，P_AP＝0dBm。

3b、利用所述步骤3a中的公式，求出与AP相距d_r处的信号衰减值P_a。本实验中，d_r＝10m。

步骤四、筛选关于AP_a，a＝1，…，k的最大功率值衰落P_a的RSS信号所对应的地理位置坐标。

4a、假设筛选关于AP_a，a＝1，…，k的最大功率值衰落P_a的RSS信号集分别为RSS′₁，RSS′₂，...，RSS′_k，其中

a＝1，2，…，k，

满足

且

其中i＝1，2，…，l，u＝1，2，…，n_i。

4b、找到所述步骤4a筛选出的来自每个AP的RSS值

所对应的地理位置的坐标(x_av，y_av)，其中i＝1，2，…，l，a＝1，2，…，k，u＝1，2，…，n_i，v＝1，2，…，m_a，筛选出的来自AP_a的位置坐标为：

其中m_a表示筛选出的来自AP_a的坐标数也就是采集样本点数，a＝1，2，…，k。

步骤五、分别对筛选出的来自每个AP的RSS值对应的地理位置坐标

进行基于密度的聚类，得到k个物理坐标点聚类C_a，a＝1，…，k。

5a、将

中的坐标作为样本集，并设置邻域参数(ε，MPt)。对于

中任意样本点p_w(某个位置点坐标)，其ε邻域包含的样本集

中与p_w距离不大于ε的样本，即

且p_w的ε邻域至少包含MPt个样本，即

5b、将

中样本点的中值点作为聚类的起始点，设聚类起始点为p^st。

5c、确定

中每个样本的ε邻域

的样本数

如果

将样本p_w加入核心对象集Ω，即Ω＝ΩU{p_w}。如果p^st不在核心对象集Ω中，就将p^st加入其中，即Ω＝Ω∪{p^st}。设Ω中的样本数为t。

5d、构建核心对象集Ω中全部样本点的两两距离矩阵D：

5e、初始化簇C_a为空集，a＝1，…，k。

5f、首先将聚类起始点p^st加入到簇C_a中，即C_a＝C_a∪{p^st}。

5g、判断Ω是否为空集，如果Ω不是空集，任意选取一个核心对象o∈Ω，并令Ω＝Ω\{o}，通过两两距离矩阵查找o与C_a中元素的距离。如果Ω是空集，执行步骤5i。

5h、如果存在距离小于或等于ε，将此核心对象o加入到簇C_a中。返回步骤5g。

5i、得到聚类后的簇C_a。

步骤六、计算所述步骤五中每个物理坐标点聚类C_a的类内最大距离dia_a。具体包括以下步骤：

6a、构建聚类C_a中全部物理坐标点的两两距离矩阵

假设聚类C_a中含有c个物理坐标点：

6b、找到

中的最大元素即为类内最大距离dia_a。

步骤七、对每个AP进行判断，若dia_a＞2d_r，则判定AP_j为移动AP；反之，若dia_a≤2d_r，则判定AP_a为固定AP，其中d_r为信号采样点与AP之间的欧式距离。

步骤八、重复所述步骤五至所述步骤七，对每个AP进行判断，完成目标场景中的移动AP识别。

Claims (1)

1.一种面向室内定位的移动AP识别方法，其特征在于，包括以下步骤：

步骤一、在待定位区域的环境中部署k个无线接入点AP_a，a＝1,…,k，这k个AP中包含k₁个移动AP和k₂个固定AP，但是每个AP是移动的还是固定的此时未知；

步骤二、在待定位区域中沿坐标已知的l条路径Path¹,Path²,…,Path^l行走，采集l条RSS序列，RSS¹,RSS²,…,RSS^l，其中Pathⁱ上信号的样本采样点所对应的地理位置坐标为

n_i为Pathⁱ上的样本采样点数，其中i＝1,…,l，由此所得RSS序列RSSⁱ内包含的RSS值为：

其中r_aj为第j个地理位置上采集到的来自第a个AP的RSS值，其中a＝1,…,k,j＝1,…,n_i；

步骤三、利用信号对数衰减传播模型，求出与AP相距d_r处的信号衰减值P_a；

步骤四、筛选关于AP_a,a＝1,…,k的最大功率值衰落P_a的RSS信号所对应的地理位置坐标；

步骤四(一)、假设筛选关于AP_a,a＝1,…,k的最大功率值衰落P_a的RSS信号集分别为RSS'₁,RSS'₂,…,RSS'_k，其中

满足

且

其中i＝1,2,…,l，u＝1,2,…,n_i；

步骤四(二)、找到所述步骤四(一)筛选出的来自每个AP的RSS值

所对应的地理位置的坐标(x_av,y_av)，其中i＝1,2,…,l，a＝1,2,…,k，u＝1,2,…,n_i，v＝1,2,…,m_a，筛选出的来自AP_a的位置坐标为：

其中m_a表示筛选出的来自AP_a的坐标数也就是采集样本点数，a＝1,2,…,k；

步骤五、分别对筛选出的来自每个AP的RSS值对应的地理位置坐标

进行基于密度的聚类，得到k个物理坐标点聚类C_a，a＝1,…,k；

步骤五(一)、将

中的坐标作为样本集，并设置邻域参数(ε,MPt)；对于

中任意样本点p_w，即某个位置点坐标，其ε邻域包含的样本集

中与p_w距离不大于ε的样本，即

且p_w的ε邻域至少包含MPt个样本，即

步骤五(二)、将

中样本点的中值点作为聚类的起始点，设聚类起始点为p^st；

步骤五(三)、确定

中每个样本的ε邻域

的样本数

如果

将样本p_w加入核心对象集Ω，即Ω＝Ω∪{p_w}；如果p^st不在核心对象集Ω中，就将p^st加入其中，即Ω＝Ω∪{p^st}；设Ω中的样本数为t；

步骤五(四)、构建核心对象集Ω中全部样本点的两两距离矩阵D：

步骤五(五)、初始化簇C_a为空集，a＝1,…,k；

步骤五(六)、首先将聚类起始点p^st加入到簇C_a中，即C_a＝C_a∪{p^st}；

步骤五(七)、判断Ω是否为空集，如果Ω不是空集，任意选取一个核心对象o∈Ω，并令Ω＝Ω\{o}，通过两两距离矩阵查找o与C_a中元素的距离；如果Ω是空集，执行步骤五(九)；

步骤五(八)、如果存在距离小于或等于ε，将此核心对象o加入到簇C_a中；返回步骤五(七)；

步骤五(九)、得到聚类后的簇C_a；

步骤六、计算所述步骤五中每个物理坐标点聚类C_a的类内最大距离dia_a；

步骤七、对每个AP进行判断，若dia_a＞2d_r，则判定AP_j为移动AP；反之，若dia_a≤2d_r，则判定AP_a为固定AP，其中d_r为信号采样点与AP之间的欧式距离；

步骤八、重复所述步骤五至所述步骤七，对每个AP进行判断，完成目标场景中的移动AP识别。

Images