CN108650626A - 一种基于泰森多边形的指纹定位算法 - Google Patents
一种基于泰森多边形的指纹定位算法 Download PDFInfo
- Publication number
- CN108650626A CN108650626A CN201810478586.0A CN201810478586A CN108650626A CN 108650626 A CN108650626 A CN 108650626A CN 201810478586 A CN201810478586 A CN 201810478586A CN 108650626 A CN108650626 A CN 108650626A
- Authority
- CN
- China
- Prior art keywords
- point
- fingerprint
- signal
- determined
- rssi
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于泰森多边形的指纹定位算法,其步骤包括:在定位区域中均匀部署多个AP,并按照一定间隔设置多个参考点,以在参考点测量到的信号强度值作为指纹建立指纹库,并以多个AP为离散点建立泰森三角形对定位区域进行区域划分;以待定位点测得的信号强度值作为依据对待定位点进行区域估计,同时利用动态KNN算法对待定位点的坐标进行估计,通过本发明中的技术方案,可以提高了指纹分类的运行效率和速度,对待定位点实现更精准的区域估计,大幅提高了定位的精度和速度。
Description
技术领域
本发明属于室内无线信号定位领域,主要涉及一种基于泰森多边形的指纹定位算法。
背景技术
目前,室内定位方法主要有两类:一类是通过测量信号的到达时间、到达时间差或到达角度,运用三边测量法、三角测量法或极大似然估计法对移动节点进行定位。该类算法要求信号源和接收信号的节点之间是视距链路,而且需要额外的硬件来测量信号传播的时间或方向,对室内定位系统的定位范围和成本提出了挑战;另一类是基于接收信号强度指示值(Received Signal Strength Indication,RSSI)定位。基于RSSI的定位方法包括基于信号传播模型定位算法和指纹定位算法。信号传播模型定位算法因信号在传播过程中严重受到多径效应、信号衰减和延迟失真等因素的影响及模型中的参数值依赖建筑物的结构和使用的材料而不能满足人们对定位系统高精确度和快速响应的要求。指纹定位算法自RADAR系统出现以来,已成为当今室内定位的主流算法。
指纹定位算法由离线训练和在线定位两个阶段组成。在离线阶段,通过在各个参考点处采集来自各接入点的接收信号强度值建立指纹库;在线阶段则使用确定性匹配算法、概率性匹配算法或者神经网络算法将待定位点处实时采集到的位置信息与指纹库中的所有指纹信息进行一一匹配以估计待测目标的位置。
在定位区域较大、指纹数量较多时,指纹定位算法的响应延时会很长,故使用聚类算法对指纹库进行处理,以减小在线定位阶段搜索参考点的数据规模显得尤为重要。K-Means就是一种最为常用的聚类算法。但由于在聚类过程中随机选取初始聚类中心及根据经验确定类别数量的原因,基于K-Means聚类的指纹定位算法的运行效率和定位精度有较强的随机性和不可靠性。
发明内容
本发明目的在于针对现有技术的缺陷,提供一种基于泰森多边形的指纹定位算法,通过本发明中的技术方案,可以大幅度提高室内无线定位的速度以及精度。
为了解决上述技术问题,本发明采用以下技术方案:
一种基于泰森多边形的指纹定位算法,包括以下步骤:
S1、在定位区域中均匀部署多个AP,并按照一定间隔设置多个参考点;使用无线信号测量设备在每一所述参考点测量其所能接收到的所述AP的信号强度值,并将所述参考点的坐标,在所述参考点测量得到的所述信号强度值及对应的所述AP的相关信息,每次测量的时间进行存储,建立指纹库;所述相关信息包括所述AP的名称,网络地址等信息;
S2、以所述多个AP为离散点生成泰森多边形,利用生成的泰森多边形对所述定位区域进行划分,得到多个子区域,利用所述多个子区域对所述指纹库中的指纹进行聚类,并根据聚类结果对所述指纹库进行更新;
S3、在待定位点使用无线信号测量设备测量接收到的来自所述AP的信号强度值,确定在所述待定位点所能接收得到的最大信号强度值对应的所述AP所对应的所述子区域为待定位点所属子区域;
S4、利用所述待定位点所属子区域内的指纹和动态KNN算法对所述待定位点的坐标进行估计。
进一步的,步骤S1的具体步骤为:
S11、在定位场景D内均匀部署N个发射无线信号的AP,分别记为AP1、AP2、...、APi、...、APN,按照一定间隔设置M个参考点,记录这些参考点在该场景内对应的坐标(x1,y1)、(x2,y2)、(x3,y3)、...、(xj,yj)、...、(xM,yM)。其中,(xj,yj)表示第j个参考点的坐标;
S12、在每个参考点处fpi测量m次接收到的来自APj的信号强度RSSIij,每次测量后,通过无线网络将参考点的坐标(xi,yi)、APj的名称、APj的MAC地址、信号强度值和测量时间作为一条记录存入数据库中。其中,RSSIij表示第i个参考点接收到的第j个AP的信号强度值;
S13、信号采集完成后,从数据库中读取参考点(xi,yi)的RSSIij序列值,去除m个数值中的最值再求均值作为该参考点最终的信号特征RSSIij;
S14、将参考点的坐标(xi,yi)和接收强度矢量(Rssii1,Rssii2,Rssii3,...,RssiiN)称为一个指纹。
进一步的,步骤S2的具体步骤为:
S21、以N个发射无线信号的AP的坐标为顶点生成德洛内三角网;
S22、将任一所述AP在所述德洛内三角网中的所有相邻三角形的外接圆圆心进行连接,即可得到任一所述AP对应的泰森多边形,记为集合VS,VS={VS1,VS2,...,VSN},VSj为第j个所述AP对应的泰森多边形;
S23、视每一个泰森多边形单元格VSj为一个子区域。若指纹fpi的物理位置位于VSj内,则将fpi聚类到VSj中;
S24、判断出指纹所属的子区域后,在指纹库中为指纹添加类簇属性,更新指纹库。
进一步的,所述步骤S21中德洛内三角网的生成采用Bowyer-Watson算法实现。
进一步的,步骤S3的具体步骤为:
S31、在待定位点使用无线信号测量设备测量接收到的来自AP的信号强度值,采集20次信号,去除最值后将多次测量值的均值作为待定位点的RSSI信息;
S32、假设所述定位区域满足信号传播特性,即接收点距离AP越近,则接收到的信号强度愈大,设RSSIk是所述待定位点的RSSI信息中的最大值,所述待定位点所属的定位子区域是以RSSIk所对应的APk为离散点的泰森多边形。
进一步的,步骤S4的具体步骤为:
S41、假设待定位点所属的定位子区域共有Z个指纹,利用以下公式计算出待定位点与这Z个指纹的距离序列D(D1,D2,...,Dz)。
其中,D(αi,β)表示子区域中第i个指纹αi与待定位点β的距离,D(αi,β)越小,二者相似性越强。αij、βj分别表示αi、β接收到的来自第j个AP的信号强度值;
S42、对D按升序排序,得到新序列E(E1,E2,...,EZ)以及E对应的指纹序列fp(fp1,fp2,...,fpZ);
S43、对序列E及其对应指纹序列fp进行筛选,将序列E中小于预设阈值T的值对应的指纹加入指纹选择集;
S44、使用以下公式估计出待定位点的位置:
其中,xi和yi分别表示指纹选择集中第i个指纹fpi的横纵坐标,xβ和yβ分别表示待定位点的横纵坐标。
进一步的,在步骤S3前还包括以下步骤:
验证所述定位区域的AP的信号传播是否符合信号传播特性,所述信号传播特性为接收点距离某一所述AP越近,则接收到的来自所述某一AP的信号强度值愈大。
进一步的,验证定位区域的AP的信号传播特性的具体步骤包括:
在定位区域中选取一系列测量点,在测量点采集多次信号,去除最值后将多次测量值的均值作为测量点的RSSI信息;
统计每个测量点所在位置与其接收到的信号强度的关系,将该关系与信号传播模型进行定性对比,验证由信号传播模型推出的信号传播特性:接收点距离某一所述AP越近,则接收到的来自所述某一所述AP的信号强度值愈大。
进一步的,信号传播模型为WAF模型:
其中,d是无线信号的接收节点与发射节点间的距离;P(d)表示接收节点收到的RSSI值;P(d0)表示在参考点d0处的信号强度,d0通常取1米;n为衰减因子;C是墙壁个数的阈值;μ是发射节点与接收节点之间的墙壁个数;WAF是信号穿过墙壁的衰减因子,取值与建筑物有关。
进一步的,步骤S43还包括以下步骤:
S431、若序列E中不存在小于T的值,将E1对应的指纹fp1加入指纹选择集。若多次定位后,在距离序列E中仍未出现小于T的值,则重复对T进行向上调整再定位的策略,直到距离序列E中存在小于T的值,且该T值能够使算法的平均定位误差达到最小为止;
S432、若序列E中的所有值均小于T,测量此时算法的定位误差,若定位误差较大,对T进行向下调整的策略,并重复对该T值确定的算法的定位误差进行测量,直到序列E中存在大于T的值,且该T值能够使算法的平均定位误差达到最小为止。
与现有技术相比,本发明的有益技术效果如下:
本发明提供了一种基于泰森多边形的指纹定位算法,对定位区域内的指纹进行泰森多边形聚类,提高了指纹分类的运行效率和速度,结合泰森多边形本身具有的特性,对待定位点实现更精准的区域估计,在对待定位点的坐标估计时使用动态KNN算法,大幅提高了定位的精度和速度。
附图说明
图1为本发明中所述的一种基于泰森多边形的指纹定位算法的步骤示意图;
图2为本发明中具体实施方式所述的指纹定位算法的步骤S2的举例示意图;
图3为本发明中具体实施方式所述的指纹定位算法的实验环境示意图;
图4为本发明中具体实施方式所述的指纹定位算法的信号强度与测量位置关系图。
具体实施方式
为了充分地了解本发明的目的、特征和效果,以下将结合附图与具体实施方式对本发明的构思、具体步骤及产生的技术效果作进一步说明。
如图1所示,本实施例公开了一种基于泰森多边形的指纹定位算法,包括以下步骤:
S1、在定位区域中均匀部署多个AP,并按照一定间隔设置多个参考点;使用无线信号测量设备在每一参考点测量其所能接收到的AP的信号强度值,并将参考点的坐标,在参考点测量得到的信号强度值及对应的AP的相关信息,每次测量的时间进行存储,建立指纹库;相关信息包括AP的名称,网络地址等信息;
具体的,步骤S1的具体步骤为:
S11、在定位场景D内均匀部署N个发射无线信号的AP,分别记为AP1、AP2、...、APi、...、APN,按照一定间隔设置M个参考点,记录这些参考点在该场景内对应的坐标(x1,y1)、(x2,y2)、(x3,y3)、...、(xj,yj)、...、(xM,yM)。其中,(xj,yj)表示第j个参考点的坐标;
S12、在每个参考点处fpi测量m次接收到的来自APj的信号强度RSSIij,每次测量后,通过无线网络将参考点的坐标(xi,yi)、APj的名称、APj的MAC地址、信号强度值和测量时间作为一条记录存入数据库中。其中,RSSIij表示第i个参考点接收到的第j个AP的信号强度值;
S13、信号采集完成后,从数据库中读取参考点(xi,yi)的RSSIij序列值,去除m个数值中的最值再求均值作为该参考点最终的信号特征RSSIij;
S14、将参考点的坐标(xi,yi)和接收强度矢量(Rssii1,Rssii2,Rssii3,...,RssiiN)称为一个指纹。
S2、以多个AP为离散点生成泰森多边形,利用生成的泰森多边形对定位区域进行划分,得到多个子区域,利用多个子区域对指纹库中的指纹进行聚类,并根据聚类结果对指纹库进行更新;
以区域内存在v1,v2,v3,v4四个AP为例,以四个AP为离散点生成的泰森多边形如图2所示。
具体的,步骤S2的具体步骤为:
S21、以N个发射无线信号的AP的坐标为顶点生成德洛内三角网;
具体的,步骤S21中德洛内三角网的生成采用Bowyer-Watson算法实现,其具体步骤如下:
S211、预设一个足够大的包含定位区域D的初始三角形t0,记初始三角网为DT0,此时DT0中只有一个元素t0。
S212、每向DT0中添加一个APi,首先在DT0中找到外接圆包含APi的三角形,并将这些三角形构成集合TSi;然后删除TSi中所有三角形的公共边,得到多边形Pi;最后连接APi与Pi的所有顶点得到三角网DTi。
S213、重复步骤S212直到所有AP都添加进DT0中,德洛内三角网的构建完成。
S22、将任一AP在德洛内三角网中的所有相邻三角形的外接圆圆心进行连接,即可得到任一AP对应的泰森多边形,记为集合VS,VS={VS1,VS2,...,VSN},VSj为第j个AP对应的泰森多边形;
S23、视每一个泰森多边形单元格VSj为一个子区域。若指纹fpi的物理位置位于VSj内,则将fpi聚类到VSj中;
S24、判断出指纹所属的子区域后,在指纹库中为指纹添加类簇属性,更新指纹库。
S3、在待定位点使用无线信号测量设备测量接收到的来自AP的信号强度值,确定在待定位点所能接收得到的最大信号强度值对应的AP所对应的子区域为待定位点所属子区域;
具体的,步骤S3的具体步骤为:
S31、在待定位点使用无线信号测量设备测量接收到的来自AP的信号强度值,采集20次信号,去除最值后将多次测量值的均值作为待定位点的RSSI信息;
S32、假设定位区域满足信号传播特性,即接收点距离AP越近,则接收到的信号强度愈大,同时每个泰森多边形内的点到其相应AP的距离最近,故每个泰森多边形内的点具有共同的特征:
若X∈Vk,则Max{RSSIi,i=1,2,...,N}=RSSIk
其中,Vk表示第k个AP所对应的泰森多边形区域,X是区域Vk中的一个指纹或者待定位节点,RSSIi表示节点X接收到的来自第i个AP的信号强度。
设U为待定位点,RSSIk是其RSSI向量中的最大值,那么由上述泰森多边形内节点所具备的特征可知,APk是距离U最近的接入点,故待定位点U所在的定位子区域是以APk为离散点的泰森多边形VSk。
S4、利用待定位点所属子区域内的指纹和动态KNN算法对待定位点的坐标进行估计。
具体的,步骤S4的具体步骤为:
S41、假设待定位点所属的定位子区域共有Z个指纹,利用以下公式计算出待定位点与这Z个指纹的距离序列D(D1,D2,...,Dz)。
其中,D(αi,β)表示子区域中第i个指纹αi与待定位点β的距离,D(αi,β)越小,二者相似性越强。αij、βj分别表示αi、β接收到的来自第j个AP的信号强度值;
S42、对D按升序排序,得到新序列E(E1,E2,...,EZ)以及E对应的指纹序列fp(fp1,fp2,...,fpZ);
S43、对序列E及其对应指纹序列fp进行筛选,将序列E中小于预设阈值T的值对应的指纹加入指纹选择集;
具体的,步骤S43还包括以下步骤:
S431、若序列E中不存在小于T的值,将E1对应的指纹fp1加入指纹选择集。若多次定位后,在距离序列E中仍未出现小于T的值,则重复对T进行向上调整再定位的策略,直到距离序列E中存在小于T的值,且该T值能够使算法的平均定位误差达到最小为止;
S432、若序列E中的所有值均小于T,测量此时算法的定位误差,若定位误差较大,则对T进行向下调整的策略,并重复对该T值确定的算法的定位误差进行测量,直到序列E中存在大于T的值,且该T值能够使算法的平均定位误差达到最小为止。
S44、使用以下公式估计出待定位点的位置:
其中,xi和yi分别表示指纹选择集中第i个指纹fpi的横纵坐标,xβ和yβ分别表示待定位点的横纵坐标。
具体的,在步骤S3前还包括以下步骤:
验证定位区域的AP的信号传播是否符合信号传播特性,信号传播特性为接收点距离某一AP越近,则接收到的来自某一AP的信号强度值愈大。
具体的,验证定位区域的AP的信号传播特性的具体步骤包括:
在定位区域中选取一系列测量点,在测量点采集多次信号,去除最值后将多次测量值的均值作为测量点的RSSI信息;统计每个测量点所在位置与其接收到的信号强度的关系,将该关系与信号传播模型进行定性对比,验证由信号传播模型推出的信号传播特性:接收点距离某一AP越近,则接收到的来自该AP的信号强度值愈大。
以图3为例,在图中的实验环境中设置AP301,AP302,APShanman,并在过道中设置一系列测量点,从左至右由1至14进行编号,将在测量点1-14测量到的来自AP301,AP302,APShanman的信号强度值进行记录,制成图4所示的关系图,由图4可以看出,图3的实验环境中设置的AP的信号传播基本符合上述信号传播特性。
具体的,信号传播模型为WAF模型:
其中,d是无线信号的接收节点与发射节点间的距离;P(d)表示接收节点收到的RSSI值;P(d0)表示在参考点d0处的信号强度,d0通常取1米;n为衰减因子;C是墙壁个数的阈值;μ是发射节点与接收节点之间的墙壁个数;WAF是信号穿过墙壁的衰减因子,取值与建筑物有关。
通过实施本实施方式中公开的一种基于泰森多边形的指纹定位算法,对定位区域内的指纹进行泰森多边形聚类,可以提高了指纹分类的运行效率和速度,结合泰森多边形本身具有的特性,对待定位点实现更精准的区域估计,同时在对待定位点的坐标估计时使用动态KNN算法,大幅提高了定位的精度和速度。
以上详细描述了本发明的较佳具体实施例,应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明构思在现有技术基础上通过逻辑分析、推理或者根据有限的实验可以得到的技术方案,均应该在由本权利要求书所确定的保护范围之中。
Claims (10)
1.一种基于泰森多边形的指纹定位算法,其特征在于,该方法包括以下步骤:
S1、在定位区域中均匀部署多个AP,并按照一定间隔设置多个参考点;使用无线信号测量设备在每一所述参考点测量其所能接收到的所述AP的信号强度值,并将所述参考点的坐标,在所述参考点测量得到的所述信号强度值及对应的所述AP的相关信息,每次测量的时间进行存储,建立指纹库;所述相关信息包括所述AP的名称,网络地址等信息;
S2、以所述多个AP为离散点生成泰森多边形,利用生成的泰森多边形对所述定位区域进行划分,得到多个子区域,利用所述多个子区域对所述指纹库中的指纹进行聚类,并根据聚类结果对所述指纹库进行更新;
S3、在待定位点使用无线信号测量设备测量接收到的来自所述AP的信号强度值,确定在所述待定位点所能接收得到的最大信号强度值对应的所述AP所对应的所述子区域为待定位点所属子区域;
S4、利用所述待定位点所属子区域内的指纹和动态KNN算法对所述待定位点的坐标进行估计。
2.根据权利要求1所述的基于泰森多边形的指纹定位算法,其特征在于,所述步骤S1的具体步骤为:
S11、在定位场景D内均匀部署N个发射无线信号的AP,分别记为AP1、AP2、...、APi、...、APN,按照一定间隔设置M个参考点,记录这些参考点在该场景内对应的坐标(x1,y1)、(x2,y2)、(x3,y3)、...、(xj,yj)、...、(xM,yM)。其中,(xj,yj)表示第j个参考点的坐标;
S12、在每个参考点处fpi测量m次接收到的来自APj的信号强度RSSIij,每次测量后,通过无线网络将参考点的坐标(xi,yi)、APj的名称、APj的MAC地址、信号强度值和测量时间作为一条记录存入数据库中。其中,RSSIij表示第i个参考点接收到的第j个AP的信号强度值;
S13、信号采集完成后,从数据库中读取参考点(xi,yi)的RSSIij序列值,去除m个数值中的最值再求均值作为该参考点最终的信号特征RSSIij;
S14、将参考点的坐标(xi,yi)和接收强度矢量(Rssii1,Rssii2,Rssii3,...,RssiiN)称为一个指纹。
3.根据权利要求1所述的基于泰森多边形的指纹定位算法,其特征在于,所述步骤S2的具体步骤为:
S21、以所述N个发射无线信号的AP的坐标为顶点生成德洛内三角网;
S22、将任一所述AP在所述德洛内三角网中的所有相邻三角形的外接圆圆心进行连接,即可得到任一所述AP对应的泰森多边形,记为集合VS,VS={VS1,VS2,...,VSN},VSj为第j个所述AP对应的泰森多边形;
S23、视每一个泰森多边形单元格VSj为一个子区域。若指纹fpi的物理位置位于VSj内,则将fpi聚类到VSj中;
S24、判断出所述指纹所属的子区域后,在指纹库中为指纹添加类簇属性,更新指纹库。
4.根据权利要求3所述的基于泰森多边形的指纹定位算法,其特征在于,所述步骤S21中德洛内三角网的生成采用Bowyer-Watson算法实现。
5.根据权利要求1所述的基于泰森多边形的指纹定位算法,其特征在于,所述步骤S3的具体步骤为:
S31、在待定位点使用无线信号测量设备测量接收到的来自所述AP的信号强度值,采集20次信号,去除最值后将多次测量值的均值作为所述待定位点的RSSI信息;
S32、假设所述定位区域满足信号传播特性,即接收点距离AP越近,则接收到的信号强度愈大,设RSSIk是所述待定位点的RSSI信息中的最大值,所述待定位点所属的定位子区域是以RSSIk所对应的APk为离散点的泰森多边形。
6.根据权利要求1所述的基于泰森多边形的指纹定位算法,其特征在于,所述步骤S4的具体步骤为:
S41、假设所述待定位点所属的定位子区域共有Z个指纹,利用以下公式计算出所述待定位点与这Z个指纹的距离序列D(D1,D2,...,Dz)。
其中,D(αi,β)表示子区域中第i个指纹αi与所述待定位点β的距离,D(αi,β)越小,二者相似性越强。αij、βj分别表示αi、β接收到的来自第j个AP的信号强度值;
S42、对D按升序排序,得到新序列E(E1,E2,...,EZ)以及E对应的指纹序列fp(fp1,fp2,...,fpZ);
S43、对所述序列E及其对应指纹序列fp进行筛选,将所述序列E中小于预设阈值T的值对应的指纹加入指纹选择集;
S44、使用以下公式估计出所述待定位点的位置:
其中,xi和yi分别表示所述指纹选择集中第i个指纹fpi的横纵坐标,xβ和yβ分别表示所述待定位点的横纵坐标。
7.根据权利要求1所述的基于泰森多边形的指纹定位算法,其特征在于,在所述步骤S3前还包括以下步骤:
验证所述定位区域的所述AP的信号传播是否符合信号传播特性,所述信号传播特性为接收点距离某一所述AP越近,则接收到的来自所述某一AP的信号强度值愈大。
8.根据权利要求7所述的基于泰森多边形的指纹定位算法,其特征在于,所述验证所述定位区域的所述AP的信号传播特性的具体步骤包括:
在定位区域中选取一系列测量点,在所述测量点采集多次信号,去除最值后将多次测量值的均值作为所述测量点的RSSI信息;
统计每个所述测量点所在位置与其接收到的信号强度的关系,将该关系与信号传播模型进行定性对比,验证由信号传播模型推出的所述信号传播特性。
9.根据权利要求8所述的基于泰森多边形的指纹定位算法,其特征在于,所述信号传播模型为WAF模型:
其中,d是无线信号的接收节点与发射节点间的距离;P(d)表示接收节点收到的RSSI值;P(d0)表示在参考点d0处的信号强度,d0通常取1米;n为衰减因子;C是墙壁个数的阈值;μ是发射节点与接收节点之间的墙壁个数;WAF是信号穿过墙壁的衰减因子,取值与建筑物有关。
10.根据权利要求5所述的基于泰森多边形的指纹定位算法,其特征在于,所述步骤S43还包括以下步骤:
S431、若所述序列E中不存在小于T的值,将E1对应的指纹fp1加入指纹选择集。若多次定位后,在距离序列E中仍未出现小于T的值,则重复对T进行向上调整再定位的策略,直到距离序列E中存在小于T的值,且该T值能够使算法的平均定位误差达到最小为止;
S432、若所述序列E中的所有值均小于T,测量此时算法的定位误差,若定位误差较大,则对T进行向下调整的策略,并重复对该T值确定的算法的定位误差进行测量,直到所述序列E中存在小于T的值,且该T值能够使算法的平均定位误差达到最小为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810478586.0A CN108650626A (zh) | 2018-05-18 | 2018-05-18 | 一种基于泰森多边形的指纹定位算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810478586.0A CN108650626A (zh) | 2018-05-18 | 2018-05-18 | 一种基于泰森多边形的指纹定位算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108650626A true CN108650626A (zh) | 2018-10-12 |
Family
ID=63756759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810478586.0A Pending CN108650626A (zh) | 2018-05-18 | 2018-05-18 | 一种基于泰森多边形的指纹定位算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108650626A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109387227A (zh) * | 2018-12-19 | 2019-02-26 | 成佳颖 | 一种定位点旋转多点验证方法 |
CN110012537A (zh) * | 2019-04-08 | 2019-07-12 | 重庆邮电大学 | 一种基于ap四边形组网的质心约束室内定位方法 |
CN110260863A (zh) * | 2019-05-22 | 2019-09-20 | 武汉大学 | 一种泛在定位信号动态数据采集及指纹库构建方法、匹配定位方法及系统 |
CN111194004A (zh) * | 2018-11-15 | 2020-05-22 | 中国电信股份有限公司 | 基站指纹定位方法、装置和系统、计算机可读存储介质 |
CN111741430A (zh) * | 2020-06-28 | 2020-10-02 | 北京航空航天大学 | 一种基于最优参考点和接入点选取的指纹定位方法和系统 |
CN111918208A (zh) * | 2020-08-13 | 2020-11-10 | 中国工商银行股份有限公司 | 销售终端机监控方法及系统 |
CN113050033A (zh) * | 2019-12-26 | 2021-06-29 | 聚众联合科技股份有限公司 | 功率定位方法及其功率定位装置 |
CN118072029A (zh) * | 2024-04-24 | 2024-05-24 | 山东科技大学 | 一种改进泰森多边形约束的车载点云单木分割方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106840163A (zh) * | 2016-12-29 | 2017-06-13 | 上海斐讯数据通信技术有限公司 | 一种室内定位方法及系统 |
CN107179525A (zh) * | 2017-07-21 | 2017-09-19 | 南京邮电大学 | 一种基于泰森多边形的克里金插值的位置指纹构建方法 |
CN107635207A (zh) * | 2017-09-29 | 2018-01-26 | 华南师范大学 | 一种障碍物环境下移动节点定位方法 |
CN107948930A (zh) * | 2017-12-31 | 2018-04-20 | 电子科技大学 | 基于位置指纹算法的室内定位优化方法 |
-
2018
- 2018-05-18 CN CN201810478586.0A patent/CN108650626A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106840163A (zh) * | 2016-12-29 | 2017-06-13 | 上海斐讯数据通信技术有限公司 | 一种室内定位方法及系统 |
CN107179525A (zh) * | 2017-07-21 | 2017-09-19 | 南京邮电大学 | 一种基于泰森多边形的克里金插值的位置指纹构建方法 |
CN107635207A (zh) * | 2017-09-29 | 2018-01-26 | 华南师范大学 | 一种障碍物环境下移动节点定位方法 |
CN107948930A (zh) * | 2017-12-31 | 2018-04-20 | 电子科技大学 | 基于位置指纹算法的室内定位优化方法 |
Non-Patent Citations (1)
Title |
---|
吕娜: "基于接入点的泰森多边形指纹聚类定位算法", 《万方数据库》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111194004A (zh) * | 2018-11-15 | 2020-05-22 | 中国电信股份有限公司 | 基站指纹定位方法、装置和系统、计算机可读存储介质 |
CN111194004B (zh) * | 2018-11-15 | 2021-04-06 | 中国电信股份有限公司 | 基站指纹定位方法、装置和系统、计算机可读存储介质 |
CN109387227A (zh) * | 2018-12-19 | 2019-02-26 | 成佳颖 | 一种定位点旋转多点验证方法 |
CN110012537A (zh) * | 2019-04-08 | 2019-07-12 | 重庆邮电大学 | 一种基于ap四边形组网的质心约束室内定位方法 |
CN110260863A (zh) * | 2019-05-22 | 2019-09-20 | 武汉大学 | 一种泛在定位信号动态数据采集及指纹库构建方法、匹配定位方法及系统 |
CN113050033A (zh) * | 2019-12-26 | 2021-06-29 | 聚众联合科技股份有限公司 | 功率定位方法及其功率定位装置 |
CN113050033B (zh) * | 2019-12-26 | 2024-05-31 | 聚众联合科技股份有限公司 | 功率定位方法及其功率定位装置 |
CN111741430A (zh) * | 2020-06-28 | 2020-10-02 | 北京航空航天大学 | 一种基于最优参考点和接入点选取的指纹定位方法和系统 |
CN111741430B (zh) * | 2020-06-28 | 2021-06-15 | 北京航空航天大学 | 一种基于最优参考点和接入点选取的指纹定位方法和系统 |
CN111918208A (zh) * | 2020-08-13 | 2020-11-10 | 中国工商银行股份有限公司 | 销售终端机监控方法及系统 |
CN118072029A (zh) * | 2024-04-24 | 2024-05-24 | 山东科技大学 | 一种改进泰森多边形约束的车载点云单木分割方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108650626A (zh) | 一种基于泰森多边形的指纹定位算法 | |
CN108536851B (zh) | 一种基于移动轨迹相似度比较的用户身份识别方法 | |
CN108696932B (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
CN109275095B (zh) | 一种基于蓝牙的室内定位系统、定位设备和定位方法 | |
He et al. | Tilejunction: Mitigating signal noise for fingerprint-based indoor localization | |
CN108919177B (zh) | 一种基于虚拟信源估计与轨迹校正的定位地图构建方法 | |
CN106646338A (zh) | 一种快速精确的室内定位方法 | |
CN105636201B (zh) | 基于稀疏信号指纹数据库的室内定位方法 | |
CN104635203B (zh) | 一种基于粒子滤波算法的无线电干扰源测向定位方法 | |
CN106102163B (zh) | 基于rss线性相关与二次加权质心算法的wlan指纹定位方法 | |
CN107517446A (zh) | 基于Wi‑Fi热点的室内定位方法及装置 | |
CN110049549B (zh) | 基于WiFi指纹的多融合室内定位方法及其系统 | |
CN103533647A (zh) | 一种基于分簇机制及稳健回归的射频地图自适应定位方法 | |
CN107968987B (zh) | 基于定积分结合环境参数的rssi加权质心定位方法 | |
CN109348416B (zh) | 基于二分k均值的指纹室内定位方法 | |
CN105491661A (zh) | 基于改进的Kalman滤波算法的室内定位系统及方法 | |
CN103889051A (zh) | 基于ap id过滤和卡尔曼滤波的室内wlan指纹定位方法 | |
CN111148030A (zh) | 指纹数据库的更新方法、装置、服务器及存储介质 | |
CN109842935A (zh) | 一种基于混合smpso优化的加权dv-hop定位方法 | |
CN106793085A (zh) | 基于正态假设检验的指纹定位方法 | |
CN111263295B (zh) | 一种wlan室内定位方法和装置 | |
Badawy et al. | Decision tree approach to estimate user location in WLAN based on location fingerprinting | |
CN105898711A (zh) | 一种基于地磁基准线的定位方法及装置 | |
CN107526058A (zh) | 室内定位方法、装置及系统 | |
CN104821854B (zh) | 一种基于随机集的多主用户多维频谱感知方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181012 |