CN108882189B - 一种基于自适应杠杆抽样的WiFi室内定位方法 - Google Patents

Abstract

本发明涉及一种基于自适应采样的WiFi室内定位方法，包括以下步骤：步骤S1：采集室内感兴趣区域的WiFi数据；步骤S2：构造室内WiFi数据张量；步骤S3：根据所述WiFi数据张量，进行基于杠杆的自适应采样；步骤S4：通过恢复算法进行数据恢复,利用KNN算法实现WiFi数据的室内定位。本发明通过自适应杠杆采样的方式减少构建室内WiFi数据库的时间，人力花费，能够以较少的采样点，较高的精度重建WiFi数据库。

Description

一种基于自适应杠杆抽样的WiFi室内定位方法

技术领域

本发明涉及一种基于自适应杠杆采样的WiFi室内定位方法。

背景技术

随着经济的快速发展，人们对位置信息的需求越来越强，室内定位服务业因此成为业界和学术界关注的重点，许多室内定位技术应用而生，基于室内定位的动态追踪技术也被广泛研究。由于室内环境复杂且存在很多障碍物，GPS对室内定位存在很大偏差。室内位置服务随着互联网的普及以及智能设备的大众化也越来越流行，目前室内位置服务主要用于商品推送，社交应用，周边捜索，室内导航，用户签到等应用。常见的室内无线定位技术有：WiFi、蓝牙、红外线、超宽带、RFID(射频识别)、ZigBee和超声波。由于网络的普及，通过WiFi进行室内定位变得易于实施，从而使基于WiFi的定位技术成为主流室内定位技术，其独特优势在于WiFi无线网络己经在各类用户终端中得到广泛普及，并且运营商的发展加快了城市WiFi网络的铺设速度，基础设施建设已相对完备，额外投入较低。为WiFi定位技术的推广扫清了障碍。对WiFi信号进行采集构建室内WiFi数据库，用户通过移动设备提交当前位置的WiFi信号与数据库的WiFi 信号相匹配进而实现定位。

Wi-Fi指纹通常分两个阶段进行：离线阶段(现场调查)和在线阶段(位置查询)。在离线阶段进行现场调查，在参考点(RP)采集来自各个接入点(AP)检测到的WiFi信号。在线阶段，用户在当前位置测量记录WiFi信号，并提交给服务器，服务器将接收到的WiFi信号与数据库进行查询匹配，确定当前用户所在位置。本方法通过自适应杠杆采样的方式减少构建室内WiFi 数据库的时间，人力花费，能够以较少的采样点，较高的精度重建WiFi数据库。

发明内容

本发明的目的在于提供一种基于自适应杠杆采样的WiFi室内定位方法，以克服现有技术中存在的缺陷。

为实现上述目的，本发明采用以下技术方案：一种基于自适应杠杆抽样的WiFi室内定位方法，包括以下步骤：步骤S1：获取室内感兴趣区域的WiFi数据；步骤S2：建立WiFi数据张量；步骤S3：根据所述WiFi数据张量，进行基于杠杆分数的自适应采样；步骤S4：通过恢复算法进行数据恢复，利用K最近邻分类算法对恢复的WiFi数据进行室内定位。

在本发明一实施例中，在所述步骤S1，建立矩形室内感兴趣区域并将其划分为均匀网格，每个网格为一个参考点RP；在感兴趣区域内随机放置多个WiFi接入点AP产生WiFi，在每个接入点通过传感器采集WiFi数据。

在本发明一实施例中，在所述步骤S2中，根据所述步骤S1获取后的WiFi数据，将感兴趣区域的长、宽、接入点作为三阶张量的三个维度，建立所述WiFi数据张量。

在本发明一实施例中，在所述步骤S3中，还包括如下步骤：步骤S31：记参考点样本预算为m，分配率为β，0<β<1；随机选取感兴趣区域内βm个参考点沿第三维进行管道抽样，产生抽样张量；步骤S32：将所述抽样张量进行张量奇异值分解，分别得到左，右奇异值张量

步骤S33：将所述奇异值张量

和

分为水平切片和侧切片，并计算每个切片的杠杆分数

和

通过杠杆分数计算感兴趣区域内每个参考点的采样概率

步骤S34：设置循环次数为 L，每次不重复的选取采样概率最大的(1-β)m/L个参考点进行管道抽样，并将每次抽样的新样本并入样本集中，产生抽样张量；通过执行所述步骤S32、S33，直到最大循环次数或样本预算.

进一步的，在所述步骤S32中所述左，右奇异值张量

和核心张量S通过张量奇异值分解(t-SVD)不断进行更新，张量奇异值分解即对三维矩阵进行奇异值分解：

[u^l,s^l,v^l]＝t-SVD(x)

在所述步骤S33中，所述

和

分别采用水平切片和侧切片的范数交替不断进行更新两个参数和抽样概率：

其中，l为当前杠杆抽样的标记，N₁，N₂分别为张量第一，二维的标记，r为张量管道秩，的标记，

为抽样概率的标记，x为抽样张量的标记。

在本发明一实施例中，通过交替方向乘子法ADMM对所述的抽样张量进行填充恢复。

在本发明一实施例中，还包括步骤S4：通过张量核范数最小化对抽样张量进行优化，

min||x||_TNN s.t.x_Ω＝m_Ω

其中Ω为抽样参考点的标记，m为参考点样本预算的标记，x为抽样张量的标记， ||·||_TNN为张量核范数的标记。

相较于现有技术，本发明具有以下有益效果：本发明所提出的一种基于自适应杠杆采样的 WiFi室内定位方法，利用室内WiFi数据构建张量模型，通过自适应杠杆采样的方法实现了以较少的样本预算重建WiFi数据张量，克服了样本选择和WiFi重建准确度不佳的缺陷，提高了室内WiFi定位的精度。

附图说明

图1是本发明一实施例中指纹张量示意图。

图2是本发明一实施例中张量管道抽样示意图。

图3是本发明以实施例中张量奇异值分解示意图。

图4是本发明一实施例提供的方法与随机抽样方法重建准确率的对比。

图5是本发明一实施例提供的方法与随机抽样方法定位精度的对比。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明提供一种基于自适应杠杆采样的WiFi室内定位方法，包括以下步骤：

步骤S1：获取室内感兴趣区域的WiFi数据；

步骤S2：建立WiFi数据张量；

步骤S3：根据所述WiFi数据张量，进行基于杠杆分数的自适应采样；

步骤S4：通过恢复算法进行数据的恢复重建，并利用K最近邻(KNN)分类算法对恢复的 WiFi数据进行室内定位。

进一步的，在本实施例中，建立矩形室内感兴趣区域并划分为均匀网格，每个网格为一个参考点。在感兴趣区域内随机放置多个WiFi接入点产生无线网络，在每个接入点通过传感器采集获取室内WiFi数据。

进一步的，在本实施例中，在步骤S2中，WiFi数据的三个维度包括：感兴趣区域的长、宽、接入点。通过服务器对收集的WiFi数据采取上述方法进行处理，每个接入点产生的WiFi 是二维数据。通过各个接入点的叠加构建三维张量模型。参照图1所示，完成WiFi数据张量模型的构建。

进一步的，在本实施例中，在步骤S3中，还包括如下具体内容：

步骤S31：记n₁，n₂，n₃，分别为感兴趣区域的长，宽，接入点个数，参考点样本预算为m(m<n₁*n₂)，分配率为β(0<β<1)。随机选取感兴趣区域内βm个参考点沿第三维进行管道抽样，产生抽样张量，管道抽样模型如图2所示；

步骤S32：估计张量的管道秩，将步骤S31产生的抽样张量进行张量奇异值分解，参照图3 所示，分别得到左，右奇异值张量

和核心张量S，管道秩即为S中非零管道的个数；

步骤S33：将所述奇异值张量

和

分为N₁个水平切片和N₂个侧切片，并计算每个切片的杠杆分数

和

通过杠杆分数计算感兴趣区域内每个参考点的采样概率

步骤S34：设置循环次数为L，每次不重复的选取采样概率最大的(1-β)m/L个参考点进行管道抽样，并将每次抽样的新样本并入样本集中，产生抽样张量。通过执行所述步骤S32，S33，直到最大循环次数或最大样本预算。进一步的，在本实施例中，左，右奇异值张量

和核心张量S通过张量奇异值分解(t-SVD)不断进行更新，张量奇异值分解即对三维矩阵进行奇异值分解：

[u^l,s^l,v^l]＝t-SVD(x)

和

分别采用水平切片和侧切片的范数交替不断进行更新两个参数和抽样概率：

其中，l为当前杠杆抽样的标记，N₁，N₂为张量第一，二维的标记，r为张量管道秩的标记，

为第l次抽样的抽样概率的标记。

和

分别为第l次张量奇异值分解后杠杆分数的标记，x为抽样张量的标记；

和

分别通过

和

的第i个水平切片和第j个侧切片的二范数的平方得到。

进一步的，在本实施例中，在步骤S4中，通过交替方向乘子法(ADMM)对所述的抽样张量进行恢复重建。并利用K最近邻分类算法对恢复的WiFi数据进行室内定位。通过张量核范数最小化对抽样张量进行优化；

min||x||_TNN s.t.x_Ω＝m_Ω

其中Ω为抽样参考点的标记，m为参考点样本预算的标记，x为抽样张量的标记， ||·||_TNN为张量核范数的标记。

进一步的，在本实施例中，为了让本领域技术人员进一步了解发明的技术方案以及技术效果，下面将本方法与随机管道抽样方法做比较，通过交替方法乘子法进行张量重建，本实验在二层小楼内进行，室内感兴趣区域为13m×18m。主要比较在不同采样率下的重建效果和和定位误差，如图4，图5所示，相比之下本方法在不同采样率下拥有更低的相对平方误差，且具有更小的定位误差。说明本方法改善了WiFi张量重建的准确度和提高了定位精度，本方法具有一定的实际经济价值。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种基于自适应杠杆抽样的WiFi室内定位方法，其特征在于：包括以下步骤：

步骤S1：获取室内感兴趣区域的WiFi数据；

步骤S2：建立WiFi数据张量；

步骤S3：根据所述WiFi数据张量，进行基于杠杆分数的自适应采样；

步骤S4：通过恢复算法进行数据恢复，利用K最近邻分类算法对恢复的WiFi数据进行室内定位；

在步骤S1中，建立矩形室内感兴趣区域并划分为均匀网格，每个网格为一个参考点；在感兴趣区域内随机放置多个WiFi接入点产生无线网络，在每个接入点通过传感器采集获取室内WiFi数据；

在步骤S2中，WIFi数据的三个维度包括：感兴趣区域的长、宽、接入点；通过服务器对收集的WIFi数据采取上述方法进行处理，每个接入点产生的WIFi是二维数据；通过各个接入点的叠加构建三维张量模型，完成WIFi数据张量模型的构建；

步骤S4中，通过恢复算法进行数据恢复的具体方式为通过交替方向乘子法(ADMM)对所述的抽样张量进行恢复重建；

在所述步骤S3中，还包括如下步骤：

步骤S31：记参考点样本预算为m，分配率为β；随机选取感兴趣区域内βm个参考点沿第三维进行管道抽样，产生抽样张量；参考点样本预算为m＜n₁*n₂，记n₁，n₂，n₃，分别为感兴趣区域的长，宽，接入点个数，0＜β＜1；

步骤S32：将所述抽样张量进行张量奇异值分解(t-SVD)，分别得到左，右奇异值张量

步骤S33：将所述奇异值张量

和

分为水平切片和侧切片，并计算每个切片的杠杆分数

和

通过杠杆分数计算感兴趣区域内每个参考点的采样概率

步骤S34：设置循环次数为L，每次不重复的选取采样概率最大的(1-β)m/L个参考点进行管道抽样，并将每次抽样的新样本并入样本集中，产生抽样张量；通过执行所述步骤S32、S33，直到最大循环次数或样本预算。

2.根据权利要求1所述的一种基于自适应杠杆抽样的WiFi室内定位方法，其特征在于：在所述步骤S32中所述左，右奇异值张量

和核心张量S通过张量奇异值分解(t-SVD)不断进行更新，张量奇异值分解即对三维矩阵进行奇异值分解：

[u^l，s^l，v^l]＝t-SVD(x)

在所述步骤S33中，所述

和

分别采用水平切片和侧切片的范数交替不断进行更新两个参数和抽样概率：

其中，l为当前杠杆抽样的标记，N₁，N₂分别为张量第一，二维的标记，r为张量管道秩的标记，

为抽样概率的标记，x为抽样张量的标记。

3.根据权利要求1所述的一种基于自适应杠杆抽样的WiFi室内定位方法，其特征在于：通过交替方向乘子法ADMM对所述的抽样张量进行填充恢复。

4.根据权利要求1所述的一种基于自适应杠杆抽样的WiFi室内定位方法，其特征在于：还包括步骤S4：通过张量核范数最小化对抽样张量进行优化，

min||x||_TNN s.t.x_Ω＝m_Ω

其中Ω为抽样参考点的标记，m为参考点样本预算的标记，x为抽样张量的标记，||·||_TNN为张量核范数的标记。

Images