CN108540929B

CN108540929B - 基于rssi信号强度排序的室内指纹定位方法

Info

Publication number: CN108540929B
Application number: CN201810273366.4A
Authority: CN
Inventors: 马梓翔; 吴帮; 吴伟
Original assignee: Individual
Current assignee: Individual
Priority date: 2018-03-29
Filing date: 2018-03-29
Publication date: 2020-07-31
Anticipated expiration: 2038-03-29
Also published as: CN108540929A

Abstract

为了解决室内定位指纹算法中设备差异性对定位精度的影响，通过对指纹点上各无线接入点(Access Point，AP)利用概率比较方法进行基于信号强度的排序，可有效改善设备差异性对定位精度的影响。本发明公开了一种基于排序指纹改善设备差异性对定位精度影响的方法，通过对指纹点上的AP进行强度大小排序，利用有效子集个数进行AP选取，再根据设备计算资源，提出了两种可供选择的定位算法，一种是基于Kendall's tau相似程度(KTCC)结合加权k‑近邻的定位算法，另一种是基于卷积神经网络(CNN)结合加权k‑近邻的定位算法。

Description

基于RSSI信号强度排序的室内指纹定位方法

技术领域

本发明涉及室内定位技术领域，主要涉及室内指纹，用于改善不同设备间接收RSSI信号的偏差对精度的影响。

背景技术

随着技术的不断进步，物联网（Internet of Things (IoT))，一种通过智能传感器将物理世界智能化的技术，给社会带来了颠覆性变革，为智能社会开启了一个新纪元。智慧城市，智慧交通，智能家居，智慧工业等新兴技术开始改变人们的生活方式。作为物联网的引擎，位置服务已成为物联网发展至关重要的一环。

目前的位置服务技术主要分为两类：室外和室内定位技术。GPS作为主流的室外定位技术涵盖了社会生活的方方面面，成为了人们日常生活中不可或缺的重要技术。人们超过80%的时间都处于室内的特点使得室内位置服务带来了巨大的应用和商业潜能，商场，机场，展览馆等室内定位技术的应用为生活带来了极大的便捷，位置服务技术和产业开始从室外向室内发展。相比室外定位，室内定位技术因室内环境的复杂性面临了极大的挑战。为了解决室内位置服务的难题，多种室内定位技术方案已经被提出。不同的技术适应不同的应用场景，其中在以WiFi、蓝牙为代表的无线射频定位中，指纹定位因其不需要额外的基础设备且能实现一个相对更高的定位精度，因而它比直接测距的定位方式更加流行。

基于指纹的位置估计包括线下指纹库建立阶段和线上实时定位阶段。在线下建立指纹库阶段，在场景内选定的位置处采集各个Access Point(AP)的Received SignalStrength Indication(RSSI)值，同时将这些参考点的坐标也一同保存到指纹库中。在线定位阶段通过在未知点处获取的各AP的RSSI值与指纹库进行匹配，选取最匹配的点或点集以及它们所对应的权重来求取待定点的坐标。

室内指纹定位方法的影响因素有很多，其中，设备差异性是影响定位精度的一个重要因素。设备差异性是指不同设备在相同位置接收来自于同一个AP的RSSI之间的差异。设备差异性是客观存在的，由硬件本身的差异所决定。由于指纹库的构建都在离线阶段，而当新的移动设备在在线阶段发出定位需求时，需要利用新设备所接受的RSSI与指纹库进行匹配。因此，设备差异性势必会给室内定位精度带来一定的影响。目前的解决方法大多是基于模型的拟合，通过提前训练样本得到新增设备与指纹库的拟合关系，通过算法纠正来改善设备差异性的影响。但这些算法一般具有比较高的复杂性，会对降低定位的效率，而且需要提前训练样本也会影响实际应用。因此，如何提出一个简单有效改善设备差异性的方法显得尤为重要。此外，随着深度学习的发展和成熟，很多学者纷纷投入到与深度学习有关的研究中。深度学习在非监督分类领域中有算法优越性高，因此，如何结合深度学习学习方法来提高定位算法精度也是亟待解决的问题。

发明内容

本发明针对设备差异性对室内指纹定位精度的影响，提出了基于排序指纹来改善设备差异性的方法。此外，根据用户设备本身所具有的计算资源，提供了两种定位方法，一种是基于Kendall Tau Correlation Coefficient(KTCC)并结合Weighted K NearestNeighbor (WKNN)的定位算法，适应于低计算资源的用户设备；另一种是基于卷积神经网络(CNN)并结合 WKNN的定位算法，适用于高计算资源的用户设备。

本发明所采用的技术方案为：基于RSSI信号强度排序的室内指纹定位方法

步骤一，在室内环境中选取若干参考点，采集参考点处（WiFi或蓝牙）AP的信号强度信息，将信号强度信息和参考点的位置信息关联起来组成位置指纹，得到位置指纹库；

步骤二，在离线阶段，首先将各指纹点上的AP集合汇总，得到指纹库中所有能检测到的AP列表，然后依据这个总AP列表依次对各指纹点上缺失的数据用-100进行填补。在单个指纹点上将所有接收到RSSI信号的AP利用概率比较公式进行大小比较。然后按照从大到小的顺序进行排列，所有指纹点都进行同样的比较和排序。

步骤三，将每个指纹点上排序的AP集合按照概率有序原则划分成多个只包含两个不同AP的子集。注意，子集内AP的顺序不可逆。

步骤四，定义子集

为

的有效子集，假如在一个指纹点处某个AP的信号被接收到，则定义这个指纹点为该AP的有效指纹点。依次统计每个AP在任意两个指纹点间相同的AP子集中该AP的有效子集个数，若没有有效子集则记为零。然后将每个AP所有的有效子集个数进行求和，最后将这个和除以对应AP的有效指纹点个数的组合数作为对应AP的最终次数。

步骤五，用户为AP选取的个数设置一个初值I。根据步骤四求得的每个AP的最终次数，选取最终次数最少的I个AP作为选取结果，并将选取的AP重复步骤三的操作。

步骤六，判断用户设备是否具有很高的计算资源，当用户设备的计算资源达到运行CNN时，即高时，可以选择利用CNN算法；当计算资源达不到，即低时，可以选择KTCC算法。

若步骤六的判断结果是低:

步骤七，假设步骤六的判断结果是低，则选择KTCC算法。然后利用不同的移动设备开始在同一待定点上采集各个AP的信号。

步骤八，按照步骤五AP选取的结果来删选待定点上采集到的AP，只留下步骤五选取步骤中包含的AP。然后将待定点上优选出来的AP按照步骤二和步骤三的操作，划分子集。

步骤九，用待定点上的AP子集依次与其他指纹点上的AP子集计算KTCC距离，然后将距离进行从大到小排序。

步骤十，设置WKNN算法的K值，根据参考现有的研究成果，K值一般设置成3-5。因此可在这个范围内进行微调。根据步骤九的结果，由于KTCC的值越大，说明两个序列之间的相似性越高，距离越近。而待定点位置的求解需要利用最近邻的K个指纹点，因此需要选择KTCC值最大对应的K个指纹点。然后按照距离加权算法，将K个指纹点的权重计算出来。

若步骤六的判断结果是高:

步骤七’，假设步骤六的判断结果是高，则选择CNN算法。然后利用移动设备开始在待定点上采集各个AP的信号。

步骤八’，按照步骤五AP选取的结果来删选待定点上采集到的AP，只留下步骤五选取步骤中包含的AP。然后将待定点上优选出来的AP按照步骤二进行AP排序。

步骤九’，将AP强度排序结果作为输入，输入到训练好的卷积神经网络中。

步骤十’，利用softmax层的输出，作为WKNN算法的权重。

步骤十一，根据指纹点的坐标信息和权重，利用WKNN算法结算处待定点的位置坐标。

步骤十二，判断结果是否满足预期要求，若不满足则通过改变AP选取数目的I值和WKNN算法的K值，转到步骤五循环。若满足要求则直接输出结果。当获取最优参数之后，此步骤可以省略。

本发明具有的特点是第一方面，本发明重点考虑了设备差异性，提出了一种基于排序指纹改善设备差异性的方法。因为设备差异造成的影响主要是同一个AP的RSSI绝对值，而不同设备所接收到的AP之间的大小排序是与设备差异性基本无关或者相关性比较低的，因此这种方式能够有效的改善设备差异性所带来的误差。第二方面，基于排序指纹的特点，提出了一种与设备差异性无关的AP选取算法，能有效降低计算量，提升算法效率。第三方面，基于排序指纹方法，本发明提出了两种新的定位算法，适应于不同计算能力的用户设备。第一种是基于KTCC结合WKNN的定位算法，该算法对移动设备的计算资源要求不是很高，适用于手机等移动设备。第二种是基于CNN结合WKNN的定位算法，该算法能实现更优的定位精度，但是对移动设备计算能力的要求很高。

附图说明

图1是本发明实施例的基于排序指纹有效改善设备差异性的WiFi室内指纹定位方法流程图；

图2是本发明实施例的实验方案分布示意图；

图3是基于排序指纹的AP选取算法示意图；

图4是KTCC算法示意图；

图5是CNN算法示意图。

图6是手机1和手机2分别基于欧式距离的WKNN定位精度图

图7是手机2基于欧式距离的WKNN与基于排序指纹的KTCC和CNN的定位精度图

图8是手机1和手机2分别基于排序指纹的KTCC和CNN的定位精度图

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，本发明能提供一个基于排序指纹与设备差异性无关的AP选取算法和一个有效改善设备差异性的方法，同时也考虑了用户设备的计算能力，提出了两种不同的定位算法，主要包含以下步骤：

步骤一，为了进一步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（环境中存在人员活动）。在环境中选取若干参考点（图中的星号都代表参考点，点位详见图2），用设备1在各参考点处采集WiFi信号强度信息，信号采集次数为120次。将RSSI特征值和参考点的位置信息关联起来组成位置指纹，得到位置指纹库。

步骤二，在离线阶段，首先将各指纹点上的AP集合汇总，得到指纹库中所有能检测到的AP列表，然后依据这个总AP列表依次对各指纹点上缺失的数据用-100进行填补。在单个指纹点上将所有接收到RSSI信号的AP利用概率比较公式进行大小比较。如图3第二步所示，概率比较过程为：假设在某个指纹点上接收到的

的RSSI序列集合为

，

表示

中可能的取值。同样，所接收到的

的RSSI序列集合为

，

表示

中可能的取值。则当

的值大于1/2时，则认为

要大于

。依据此公式，对该指纹点的所有AP都进行两两概率比较，最后按照从大到小的顺序排列（如图3第三步所示）。同样，对其余指纹点也进行同样的操作。

步骤三，将每个指纹点上排序的AP集合按照有序原则划分成多个只包含两个不同AP的子集。假设某个指纹点上一共收集到

个AP的信号，那么这N个AP的集合可以划分成

个子集。如图3第四步所示，当N为5时，可以分成10个子集。注意有序原则是指：经过概率比较，

要大于

，则

和

组成的子集为

，而不是

，两者不相同。

步骤四，定义子集

为

的有效子集，假如在一个指纹点处某个AP的信号未被接收到，则定义这个指纹点为该AP的无效指纹点，反之，在一个指纹点处某个AP的信号被接收到了，则定义这个指纹点为该AP的有效指纹点。如图3第五步所示，依次统计每个AP在两个有效指纹点间相同的AP子集中该AP的有效子集个数，若没有有效子集则记为零。如图3第六步所示，若

的有效指纹点个数为S,那么这S个指纹点的组合数为

，即可以组成

个指纹对，依次将所有指纹对中

的有效子集个数进行统计，然后求和。为了补偿每个AP的有效指纹点个数可能不一致，这样产生的指纹对的数目也不一致，因此将

的有效子集个数之和除以

得到它最终的有效次数，即

;

，过程如图3第六步所示。

步骤五，如图3第七步所示，本方法预设一个AP选取数目的初值I（用户可自定义）。根据步骤四求得的每个AP的最终次数，选取最终次数最少的I个AP作为选取结果，并将选取的AP重复步骤三的操作。

步骤六，判断用户设备是否具有很高的计算资源，一般来说能运行CNN的设备配置一般都需要有很好的运行内存以及优性能的GPU，因此一般都适应于高配置的台式电脑；而对于一般移动设备如手机而言，无法进行高计算量的运算，因此一般选择KTCC方法。本发明同时用这种算法进行了解算，为用户设备提供了实例参考。

若选择的是KTCC方法（实施步骤七-步骤十）:

步骤七，为了验证本发明提出的模型能有效改善设备差异性对精度的影响，在线阶段，本发明使用两个移动设备（手机1和手机2）开始在待定点上采集各个AP的信号。注意，指纹库的采集是由手机1完成的，所以手机1和手机2如果利用同一套指纹库进行定位，就可以反映出设备差异性对定位精度的影响。同时通过运用本发明的模型检验是否提升定位精度。

步骤八，按照步骤五AP选取的结果来删选步骤七在待定点上采集到的AP。然后将待定点上优选出来的AP按照步骤二和步骤三的操作，划分子集。

步骤九，用待定点上的AP子集依次与其他指纹点上的AP子集计算KTCC距离，然后将距离进行从大到小排序。计算过程为：

1）如图4第一步所示，假设待定点用

表示，指纹点用

表示。对待定点和指纹点上的子集数目进行分类统计:两者相同的子集称为Concordant pairs，两者不相同的子集成为Discordant pairs,统计出两类子集的个数

2）如图4第二步所示，用

表示待定点与指纹点之间的距离，M表示指纹点的总个数，而

表示选取的AP总数目。

表示待定点x与指纹点y之间的距离。然后依次计算待定点x与其他指纹点之间的距离—KTCC距离。

步骤十，设置WKNN算法的K值，K值设置成3-5，因此可在这个范围内进行微调，本实施例将K值设置成4。根据步骤九的结果，由于KTCC的值越大，说明两个序列之间的相似性越高，距离越近。而待定点位置的求解需要利用最近邻的K个指纹点，因此需要选择KTCC值最大对应的K个指纹点(如图4第二步所示)。然后按照距离加权算法，将K个指纹点的权重计算出来。

若选择的是CNN方法（实施步骤七’-步骤十’）:

步骤七’，按照步骤五AP选取的结果来删选步骤七在待定点上采集到的AP，利用同上步骤对处理指纹数据，得到指纹排名

步骤八’，利用步骤二得到的基于强度指纹排名，用排名的序号作为卷积神经网络的输入。例如，假设在指纹点

原始的AP集合为

，通过利用步骤二所示的概率比较方式进行重新排序之后为

，所对应的排名序号为3，2，4，1，5作为输入值。如图5所示，其由输入层，两个卷积层，一个池化层，一个全连接层及softmax层组成.

步骤九’，由于本算法的基本原理是通过分类方法来选取最优目标，因此通过神经网络的运算之后，softmax层会输出个数与原始输入个数相同的分类结果，这个结果代表的是每个输入的分类概率。得到的概率越高，则这个输入与目标之间的相似性越高，在空间距离上可理解为该指纹点与待定点间的距离越近。

步骤十’，将softmax层输出的结果按照从大小排序，选取出分类概率最大的K个值所对应的指纹点作为最邻近参考指纹点。

步骤十一，根据步骤十选出的K个指纹点，利用距离加权公式对每个指纹点进行重新加权，然后分别乘以对应指纹点的坐标，即可计算出待定点的位置坐标。公式如下：

步骤十二，属于最优参数训练阶段，通过改变AP选取数目的I值和WKNN算法的K值，循环计算具有已知位置坐标的待定点的定位误差求取的平均定位精度作为判断条件，将平均定位精度不再提高时的I值和K值作为当前环境中的最优参数用于后续的定位。当获取最优参数之后，此步骤可以省略。若未获取最优精度，则转到步骤五重新开始计算。

步骤十三，输出定位结果。此实施例的定位结果展示如下：

1）手机1和手机2分别基于欧式距离的WKNN定位精度如图6所示。位于图上方带星号的线表示手机2利用现有指纹库，基于欧氏距离的定位精度图，随着AP个数的增加精度线由提高到稳定。而位于图下方的实线表示手机1利用现有指纹库，基于欧氏距离的定位精度图，随着AP个数的增加精度线也由提高到稳定。表1列出了两者取得最优定位精度时的临近指纹点个数（K值），选取的AP个数（I值）以及最优精度值。

表1取得最优定位精度明细表

	K值	I值	最优精度值
				手机1	4	17，19	2.34m
手机2	4	29	3.46m

从表1对比可以得出，设备差异性对定位精度的影响非常显著，因此，必须对设备差异性进行校正。

2）手机2基于欧式距离的WKNN与基于排序指纹的KTCC和CNN的定位精度如图7所示。图7最上方带星号的线表示手机2基于欧氏距离的定位精度曲线，黑实线表示手机2基于排序指纹的KTCC定位精度曲线，位于图下方的短而带星号的线表示手机2基于排序指纹的KTCC定位精度曲线。表2列出了三种算法取得最优定位精度时的临近指纹点个数（K值），选取的AP个数（I值），最优精度值以及某种算法精度优于其余算法精度时I值区间。

表2取得最优定位精度明细表

	K值	I值	最优精度值
				欧氏距离算法	4	29	3.46
KTCC算法	4	48	2.87
				CNN算法	4	35	2.9

从表2可以得出，基于排序指纹的KTCC算法和CNN算法对设备差异性对定位精度影响有明显的改善，也验证本发明所提出的两种方法是真实有效的。

3）手机1和手机2分别基于排序指纹的KTCC和CNN的定位精度如图8所示，位于图最上方黑实线表示手机2基于排序指纹的KTCC定位精度曲线；位于其下方带星号的实线表示手机2基于排序指纹的CNN定位精度曲线；而带圆圈的短线表示手机1基于排序指纹的KTCC定位精度曲线，位于其下方的带星号和斜杠的短线表示手机1基于排序指纹的CNN定位精度曲线。分别从手机1和手机2的两种定位方法的对比中可以看出，CNN算法的定位精度整体要优于KTCC算法的定位精度。因此，用户在进行方法选择上，如果硬件设备要求能达到时，选择CNN算法能获得一个更优的定位结果。

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

1.基于RSSI信号强度排序的室内指纹定位方法，其特征在于，包含以下步骤：

步骤一，在室内环境中选取若干参考点，采集参考点处的信号强度信息，将信号强度信息和参考点的位置信息关联起来组成位置指纹，得到位置指纹库；

步骤二，在离线阶段，首先将各指纹点上的AP集合汇总，得到指纹库中所有能检测到的AP列表，然后依据这个总AP列表依次对各指纹点上缺失的数据用-100进行填补，在单个指纹点上将所有接收到RSSI信号的AP利用概率比较公式进行大小比较，然后按照从大到小的顺序进行排列，所有指纹点都进行同样的比较和排序；

步骤三，将每个指纹点上排序的AP集合按照概率有序原则划分成多个只包含两个不同AP的子集，注意，子集内AP的顺序不可逆；

步骤四，将子集内

排在

前面的情况定义为

的有效子集，假如在一个指纹点处某个AP的信号被接收到，则定义这个指纹点为该AP的有效指纹点，依次统计每个AP在任意两个指纹点间相同的AP子集中该AP的有效子集个数，若没有有效子集则记为零，然后将每个AP所有的有效子集个数进行求和，最后将这个和除以对应AP的有效指纹点个数的组合数作为对应AP的最终次数；

步骤五，用户为AP选取的个数设置一个初值I，根据步骤四求得的每个AP的最终次数，选取最终次数最少的I个AP作为选取结果，并将选取的AP重复步骤三的操作；

步骤六，判断用户设备是否具有很高的计算资源，当用户设备的计算资源达到运行CNN时，即高时，可以选择利用CNN算法；当计算资源达不到，即低时，可以选择KTCC算法，若步骤六的判断结果是低:

步骤七，假设步骤六的判断结果是低，则选择KTCC算法，然后利用不同的移动设备开始在同一待定点上采集各个AP的信号；

步骤八，按照步骤五AP选取的结果来删选待定点上采集到的AP，只留下步骤五选取步骤中包含的AP，然后将待定点上优选出来的AP按照步骤二和步骤三的操作，划分子集；

步骤九，用待定点上的AP子集依次与其他指纹点上的AP子集计算KTCC距离，然后将距离进行从大到小排序；

步骤十，设置WKNN算法的K值，K值设置为3-5，因此可在这个范围内进行微调，根据步骤九的结果，由于KTCC的值越大，说明两个序列之间的相似性越高，距离越近，而待定点位置的求解需要利用最近邻的K个指纹点，因此需要选择KTCC值最大对应的K个指纹点，然后按照距离加权算法，将K个指纹点的权重计算出来；

若步骤六的判断结果是高:

步骤七’，假设步骤六的判断结果是高，则选择CNN算法，然后利用移动设备开始在待定点上采集各个AP的信号；

步骤八’，按照步骤五AP选取的结果来删选待定点上采集到的AP，只留下步骤五选取步骤中包含的AP，然后将待定点上优选出来的AP按照步骤二进行AP排序；

步骤九’，将AP强度排序结果作为输入，输入到训练好的卷积神经网络中；

步骤十’，利用softmax层的输出，作为WKNN算法的权重；

步骤十一，根据指纹点的坐标信息和权重，利用WKNN算法结算处待定点的位置坐标；

步骤十二，判断结果是否满足预期要求，若不满足则通过改变AP选取数目的I值和WKNN算法的K值，转到步骤五循环，若满足要求则直接输出结果，当获取最优参数之后，此步骤可以省略。

2.如权利要求1所述的方法，其特征在于：在步骤二中，概率比较过程为，假设在某个指纹点上接收到的

的RSSI序列集合为

，

表示

中可能的取值，同样，在某个指纹点上所接收到的

的RSSI序列集合为

，

表示

中可能的取值，则当

的值大于1/2时，则认为

要大于

，依据此公式，对该指纹点的所有AP都进行两两概率比较，最后按照从大到小的顺序排列，同样，对其余指纹点也进行同样的操作。

3.如权利要求1所述的方法，其特征在于：在步骤九中，用待定点上的AP子集依次与其他指纹点上的AP子集计算KTCC距离的过程为：假设待定点用

表示，指纹点用

表示，对待定点和指纹点上的子集数目进行分类统计:两者相同的子集称为Concordant pairs，两者不相同的子集成为Discordant pairs,统计出两类子集的个数，用

表示待定点与指纹点之间的距离，M表示指纹点的总个数，而

表示选取的AP总数目，

表示待定点x与指纹点y之间的距离，然后依次计算待定点x与其他指纹点之间的距离—KTCC距离。

4.如权利要求1所述的方法，其特征在于：在步骤九’中，卷积神经网络需要进行训练，利用各个指纹点AP信号强度作为输入，利用卷积神经网络进行分类训练，各个指纹点作为分类结果，利用AP信号强度输入强度及分类个数进行超参数调参，该卷积神经网络的第一个卷积层为200神经节点和步长为15的过滤器，配合一个步长为2长度为3的池化层，第二层卷积层步长为7配合20个神经节点，最后一层全连接1000个神经节点，分类结果为不同的指纹点个数，训练好的卷积神经网络，softmax层的结果可以看作对不同指纹点的分类概率，此概率可以作为wknn算法中的权重。