CN108989976B - 一种智慧教室内的指纹定位方法及系统 - Google Patents

一种智慧教室内的指纹定位方法及系统 Download PDF

Info

Publication number
CN108989976B
CN108989976B CN201810564419.8A CN201810564419A CN108989976B CN 108989976 B CN108989976 B CN 108989976B CN 201810564419 A CN201810564419 A CN 201810564419A CN 108989976 B CN108989976 B CN 108989976B
Authority
CN
China
Prior art keywords
anchor node
value
ibeacon
fingerprint
positioning
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.)
Active
Application number
CN201810564419.8A
Other languages
English (en)
Other versions
CN108989976A (zh
Inventor
戴志诚
刘三女牙
陈增照
何秀玲
李小年
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.)
Central China Normal University
Original Assignee
Central China Normal University
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 Central China Normal University filed Critical Central China Normal University
Priority to CN201810564419.8A priority Critical patent/CN108989976B/zh
Priority to PCT/CN2018/118078 priority patent/WO2019233054A1/zh
Priority to US16/626,571 priority patent/US10884112B2/en
Publication of CN108989976A publication Critical patent/CN108989976A/zh
Application granted granted Critical
Publication of CN108989976B publication Critical patent/CN108989976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H04W16/20—Network planning tools for indoor coverage or short range network deployment
    • 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
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • 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
    • 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
    • G01S5/02521—Radio frequency fingerprinting using a radio-map
    • 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
    • G01S5/02521—Radio frequency fingerprinting using a radio-map
    • G01S5/02524—Creating or updating the radio-map
    • G01S5/02525—Gathering the radio frequency fingerprints
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • 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
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • 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
    • 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
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/005—Discovery of network devices, e.g. terminals
    • 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
    • G01S2205/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S2205/01—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations specially adapted for specific applications
    • G01S2205/02—Indoor

Abstract

本发明公开了一种智慧教室内的指纹定位方法，具体为：首先对指纹库中的无线信号强度值RSSI进行高斯滤波和取均值；然后找到与待测点信号强度最近邻点；最后以欧氏距离为权值参考，对最近邻点求加权质心，引入权值指数作为该权值的指数，得出待测节点的坐标。本发明有较高的定位精度，较小的定位误差波动和较强的环境适应性。

Description

一种智慧教室内的指纹定位方法及系统
技术领域
本发明属于定位技术领域，更具体地，涉及一种智慧教室内的指纹定 位方法及系统。
背景技术
在智慧教室中做好出勤考察与记录、教师与学生实时互动、教学相关 数据传输与记录和小组互动教学是非常重要的，但是这些工作都需要以学 生的教室空间位置为基础，因此迫切需要对教室空间定位进行研究。针对 复杂的室内环境，已经出现了多种室内定位技术，如基于无线局域网、RFID、 ZigBee和iBeacon等定位技术。基于iBeacon技术的室内定位具有成本与 功耗低的优点，因此出现了很多基于iBeacon技术进行室内定位算法的研究。
iBeacon是一项低耗能蓝牙技术，工作原理类似之前的蓝牙技术，由 iBeacon发射信号，蓝牙设备定位接受，反馈信号。当用户进入、退出或者 在区域内徘徊时，iBeacon的广播有能力进行传播，可计算用户和iBeacon 的距离(可通过接收信号强度RSSI计算)
常见的室内定位方法有基于到达方向(DOA)、到达时间差(TDOA)、 到达时间(TOA)和接收信号强度(RSSI)等。基于RSSI室内定位算法主 要分为两大类，分别是基于测距的几何定位方法和基于模式匹配模型的指 纹定位方法。
其中指纹定位用到的核心算法一般有KNN、SVM、神经网络、决策树等 机器学习算法。而KNN模型的算法，因为复杂度，硬件成本和计算开销低 而被广泛使用。因此KNN算法是室内指纹定位被主要用到的算法。而对基 于KNN的指纹定位算法权值的改进主要是在两个方面，第一是在计算欧式 距离进行匹配的时候引入权值。
如文献[1]陈顺明,李平.基于RSSI权值的环境适应型室内定位算法研 究[J].计算机工程与应用,2015,51(22):99-103在计算信号欧式距离进行 匹配时，引入了基于RSSI的权值，环境适应方面有所提高。第二是在找出 最临近点求解质心的时候引入权值即加权质心，质心的位置即为最终的位 置估计。该算法环境适应性和定位精度有所提高，但算法的使用比较复杂。
如文献[2]彭泓,赵阳,夏天鹏.基于优化RSSI精度的WSN加权质心定 位算法[J].计算机工程与应用,2015,51(21):88-91是采用了一种优化的 加权质心算法，它采用的是参考节点到待测节点之间的实际距离的倒数作 为权重，由于室内环境比较复杂，基于信号衰减模型确定的实际距离偏差 很大，而且权值固定，不具有环境的适应性，定位精度不高。
再如文献[3]吴泽泰,蔡仁钦,徐书燕,吴小思,傅予力.基于K近邻法的 WiFi定位研究与改进[J].计算机工程,2017,43(03):289-293.是基于待测 样本与训练样本之间相似度的权值，通过加权质心，得到估计坐标。该算 法虽然定位时间缩短了，但是精度没有提高，也不具有环境适应性。可以 发现上边没有基于欧氏距离权值的研究，而且对于复杂室内环境的适应性 不好。
发明内容
针对传统的室内指纹定位算法存在的定位精度不高、环境适应性差、 定位结果不稳定的问题，本发明提出一种智慧教室内的指纹定位方法，其 目的在于，提高室内定位精度、环境适应性和定位结果的稳定性。
一种室内指纹定位方法，包括离线建库阶段和在线定位阶段；
所述离线建库阶段具体为：
(S1)在室内布置P个作为无线信号发射端的iBeacon；将室内网格化， 网格交叉点作为锚节点,记录第n个锚节点的物理坐标Ln＝(xn,yn),n＝1,…,N；
(S2)在第n锚节点处，在第i个采样时刻采集第j个iBeacon发送的信 号强度值
Figure BDA0001684172730000035
(S3)对第n锚节点处采集到的第j个iBeacon发送的M个信号强度值 信号强度值进行高斯滤波和取均值,将均值结果作为第n锚节点处采集的第 j个iBeacon的标准信号强度值，记为原始指纹Fn＝(PRan1,…,PRanP),n＝1,…,N；
(S4)将第n个锚节点的物理坐标Ln＝(xn,yn)与对应的原始指纹 Fn＝(PRan1,…,PRanP)组成指纹数据库，n＝1,…,N；
所述在线定位阶段具体为：
(T1)在待测点采集第j个iBeacon发送的信号强度值RSSIj， j＝1,…,P；
(T2)依据信号强度值RSSIj，j＝1,…,P在指纹数据库搜索与其信号强 度值最接近的K个锚节点，作为参考锚节点；
(T3)依据参考锚节点计算待测点的坐标(X,Y)：，
Figure BDA0001684172730000031
(xk,yk)为第k个参考锚节点的坐标，ωk为权重系 数，k＝1,…,K；
所述权重系数
Figure BDA0001684172730000032
dk表示待测点与第k个参考锚节点的 欧氏距离，β为第二权值指数。
进一步地，所述步骤(T2)的具体实施方式为：依据信号强度计算待 测点与锚节点的欧式距离：
Figure BDA0001684172730000033
其中，
Figure BDA0001684172730000034
α为第一权值指数。
进一步地，所述步骤(S3)高斯滤波和取均值的具体实施方式为：
在第n，n＝1,…,N锚节点处，确定信号强度的置信区间
Figure RE-GDA0001828388600000041
其中，
Figure RE-GDA0001828388600000042
Figure RE-GDA0001828388600000043
在第n，n＝1,…,N锚节点处提取位于置信区间内的M′个信号强度
Figure BDA0001684172730000043
计算提取的M′个信号强度的平均值
Figure BDA0001684172730000044
一种室内指纹定位系统，包括P个iBeacon无线信号发射端、蓝牙设备 和数据处理中心；
iBeacon，用于发射无线信号；
蓝牙设备，用于采集无线信号；
数据处理中心，用于根据采集的无线信号定位待测点，具体为：
包括离线建库阶段和在线定位阶段；
所述离线建库阶段具体为：
(S1)将室内网格化，网格交叉点作为锚节点,记录第n个锚节点的物 理坐标Ln＝(xn,yn),n＝1,…,N；
(S2)在第n锚节点处，在第i个采样时刻采集第j个iBeacon发送的信 号强度值
Figure BDA0001684172730000045
(S3)对第n锚节点处采集到的第j个iBeacon发送的M个信号强度值 信号强度值进行高斯滤波和取均值,将均值结果作为第n锚节点处采集的第 j个iBeacon的标准信号强度值，记为原始指纹Fn＝(PRan1,…,PRanP),n＝1,…,N；
(S4)将第n个锚节点的物理坐标Ln＝(xn,yn)与对应的原始指纹 Fn＝(PRan1,…,PRanP)组成指纹数据库，n＝1,…,N；
所述在线定位阶段具体为：
(T1)在待测点采集第j个iBeacon发送的信号强度值RSSIj， j＝1,…,P；
(T2)依据信号强度值RSSIj，j＝1,…,P在指纹数据库搜索与其信号强 度值最接近的K个锚节点，作为参考锚节点；
(T3)依据参考锚节点计算待测点的坐标(X,Y)：，
Figure BDA0001684172730000051
(xk,yk)为第k个参考锚节点的坐标，ωk为权重系 数，k＝1,…,K；
所述权重系数
Figure BDA0001684172730000052
dk表示待测点与第k个参考锚节点的 欧氏距离，β为第二权值指数。
本发明的有益技术效果体现在：
本发明首先对指纹库中的无线信号强度值RSSI进行高斯滤波和取均值； 然后找到与待测点信号强度最近邻点；最后以欧氏距离为权值参考，对最 近邻点求加权质心，引入权值指数作为该权值的指数，得出待测节点的坐 标。本发明有较高的定位精度，较小的定位误差波动和较强的环境适应性。
附图说明
图1是室内指纹定位框图；
图2是实验环境实景图；
图3是待测节点与平均误差的关系图；
图4是各算法最近邻K值与误差的关系图；
图5是α与β取不同值时平均误差的情况图；
图6是α与平均误差的拟合曲线图；
图7是β与平均误差的拟合曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图 及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体 实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的 本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可 以相互组合。
图1为本发明方法流程框图，包括离线建库阶段和在线定位阶段；
所述离线建库阶段具体为：
(S1)在室内布置P个作为无线信号发射端的iBeacon；将室内网格化， 网格交叉点作为锚节点,记录第n个锚节点的物理坐标 Ln＝(xn,yn),n＝1,…,N。
对应用场景的实际地面进行网格化处理，采用最佳的网格化方案是将 地面分割成1m×1m＝1m2的正方形网格。在应用场地的天花板或者墙壁上 布设iBeacon设备，最佳布设方案是在每10m×10m＝100m2场地的四个顶角 布设4个iBeacon设备。
(S2)在第n锚节点处，在第i个采样时刻采集第j个iBeacon发送的信 号强度值
Figure BDA0001684172730000061
(S3)对第n锚节点处采集到的第j个iBeacon发送的M个信号强度值 信号强度值进行高斯滤波和取均值,将均值结果作为第n锚节点处采集的第 j个iBeacon的标准信号强度值，记为原始指纹Fn＝(PRan1,…,PRanP),n＝1,…,N。
按照一种较佳的实施方式，高斯滤波和取均值的具体实施方式为：
在第n，n＝1,…,N锚节点处，确定信号强度的置信区间
Figure RE-GDA0001828388600000062
其中，
Figure RE-GDA0001828388600000063
Figure RE-GDA0001828388600000064
在第n，n＝1,…,N锚节点处提取位于置信区间内的M′个信号强度
Figure BDA0001684172730000071
计算提取的M′个信号强度的平均值
Figure BDA0001684172730000072
(S4)将第n个锚节点的物理坐标Ln＝(xn,yn)与对应的原始指纹 Fn＝(PRan1,…,PRanP)组成指纹数据库，n＝1,…,N；
所述在线定位阶段具体为：
(T1)在待测点采集第j个iBeacon发送的信号强度值RSSIj， j＝1,…,P。
(T2)依据信号强度值RSSIj，j＝1,…,P在指纹数据库搜索与其信号强 度值最接近的K个锚节点，作为参考锚节点。
按照一种较佳的实施方式：依据信号强度计算待测点与锚节点的欧式 距离：
Figure BDA0001684172730000073
其中，
Figure BDA0001684172730000074
α为权 值指数。
(T3)依据参考锚节点计算待测点的坐标(X,Y)：，
Figure BDA0001684172730000075
(xk,yk)为第k个参考锚节点的坐标，ωk为权重系 数，k＝1,…,K；
所述权重系数
Figure BDA0001684172730000076
dk表示待测点与第k个参考锚节点的欧氏 距离，权值指数β可通过实验确定，或者由于其改变会引起平均误差的改 变，所以β与平均误差之间存在函数关系，根据权值指数和平均定位误差 的散点图进行曲线拟合，平均定位误差取最小值时的β值即为最优值。
α同计算β一样，通过实验确定或曲线拟合确定α与平均定位误差的 函数关系式，求解该函数的极值，以确定最优的α值。
下面结合图2所示的实验场地实例详细说明。
教室总面积11.8m×7.3m＝85.78m2，取其中7m×7m＝49m2作为实验区域。 本次实验需要在该智慧教室天花板部署4个iBeacon设备，实验采用的 iBeacon设备为SENSORO公司生产广播频率100ms-1285ms可分档调节，图 中箭头所指的圆圈为iBeacon设备的安装位置。感知无线接入点的设备选 用基于Android系统的智能手机，型号为Redmi Note 4X，作为无线接入点 与RSSI值获取工具。
离线建库阶段：
步骤1：将实验所需4个iBeacon设备安装在教室天花板上。
步骤2：将教室的试验区域以一米为间隔网格化，网格交叉点作为锚节 点，并通过手机采集锚节点的RSSI值，本次实验在25个待测节点和64个 锚节点处，采集来自4个iBeacon设备的四维RSSI样本，共采集21360个 RSSI样本。
步骤3：将采集的RSSI值通过高斯滤波处理，再求几何平均值，然后 与实际物理坐标构成位置指纹信息，建立指纹库。
在线定位阶段：
步骤4：采集待测点的RSSI数据，计算每一个待测点到所有锚节点的 加权欧式距离，通过映射关系F，利用加权KNN匹配算法与位置指纹空间的 数据匹配，这里采用RSSI作为权值参考，找出K个最近邻点，对该权值指 数变量与平均定位误差进行曲线拟合，如图6所示即为该拟合曲线，取平 均误差最小时的权值指数参量为最优值，本次实验环境权值指数α取值为 4.3时为最优值。
步骤5：以步骤4计算的加权欧式距离倒数为权值，以权值指数β为指 数变量，对该权值指数参量与平均定位误差进行曲线拟合，拟合曲线如图7 所示，取平均误差最小时的权值指数参量为最优值，计算最近邻点的加权 质心，对最近邻的K个锚节点求解加权质心，作为待测点的坐标。
步骤6：计算定位误差，误差方差和最小误差等性能指标，对该方法进 行评价，并与其它算法进行性能对比。
图3为分别使用EDW算法与文献[1]中的RW算法定位，待测节点定位 误差的对比，EDW算法为本专利中提出的算法代称，图中可以看出：对于多 数待测节点，改进后的EDW算法比RW算法平均误差更小，图像波动也小。 表明EDW算法比RW算法定位精度有明显的提升，定位结果也更稳定。
图4是随着最近邻点个数K值增大，KNN、GKNN(Gauss k-NearestNeighbor)和EDW算法平均误差发生变化的曲线图，图中GKNN 算法为经过高斯滤波处理后的KNN算法。可以看出：随着K的增大，平均 误差先开始降低，在经过一个最低点后，随着K的增大，平均误差逐渐增 大，表明：最近邻点个数K取值不同会对定位结果产生较大影响，且通过 选取合适的K值，以上算法都可以取到最小误差；EDM算法取K值为3时误 差最小，比以上算法取的最小误差值都要小，表明：当K取不同值时，EDM 算法与GKNN算法、RW算法相比定位精度更高，同时EDM图像波动小较稳定。
如图5所示：α为定值时，随着β的增大平均误差先降低，然后趋于 平缓；当β取3.8，α取4.3时，定位精度最高。说明权值指数α与β对 定位误差有较大影响，且α和β取适当值可以得到最小平均定位误差。
在同一台计算机上运行KNN、GKNN、RW和EDW算法，分别从平均误差、 最大误差、最小误差和误差方差4个指标对以上4种算法进行评价，结果 如表1所示。
从表1中看出，未经过高斯滤波处理的KNN算法比经过高斯滤波处理 的GKNN算法的平均误差大0.187m，误差方差大0.2489，表明：室内环境 中的噪声对数据产生较大影响，通过高斯滤波处理后，定位结果稳定性和 定位精度都有较明显的提升。
Figure BDA0001684172730000101
表1
对比EDM算法和其他三种算法的性能，EDW算法的平均误差比KNN、 GKNN、RW算法分别下降0.384m、0.197m和0.255m，定位精度提升明显， 最大误差和最小误差的差距与误差方差均比其他算法小，说明EDW算法随 环境的影响较小，定位性能比较稳定。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已， 并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等 同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种智慧教室内的指纹定位方法，其特征在于，包括离线建库阶段和在线定位阶段；
所述离线建库阶段具体为：
(S1)在室内布置P个作为无线信号发射端的iBeacon；将室内网格化，网格交叉点作为锚节点，记录第n个锚节点的物理坐标Ln＝(xn,yn),n＝1,…,N；
(S2)在第n锚节点处，在第i个采样时刻采集第j个iBeacon发送的信号强度值
Figure FDA0002592205000000013
(S3)对第n锚节点处采集到的第j个iBeacon发送的M个信号强度值进行高斯滤波和取均值，将均值结果作为第n锚节点处采集的第j个iBeacon的标准信号强度值，记为原始指纹Fn＝(PRan1,…,PRanP),n＝1,…,N；
(S4)将第n个锚节点的物理坐标Ln＝(xn,yn)与对应的原始指纹Fn＝(PRan1,…,PRanP)组成指纹数据库，n＝1,…,N；
所述在线定位阶段具体为：
(T1)在待测点采集第j个iBeacon发送的信号强度值RSSIj，j＝1,…,P；
(T2)依据信号强度值RSSIj，j＝1,…,P在指纹数据库搜索与其信号强度值最接近的K个锚节点，作为参考锚节点；依据信号强度计算待测点与锚节点的欧式距离：
Figure FDA0002592205000000011
其中，
Figure FDA0002592205000000012
α为第一权值指数；
(T3)依据参考锚节点计算待测点的坐标(X,Y)，
Figure FDA0002592205000000021
(xk,yk)为第k个参考锚节点的坐标，ωk为权重系数，k＝1,…,K；
所述权重系数
Figure FDA0002592205000000022
dk表示待测点与第k个参考锚节点的欧氏距离，β为第二权值指数；
其中α的选取方式为：根据权值指数α和平均定位误差的散点图进行曲线拟合，选取平均定位误差取最小值时的α值作为最优值；
其中β的选取方式为：根据权值指数β和平均定位误差的散点图进行曲线拟合，选取平均定位误差取最小值时的β值作为最优值。
2.根据权利要求1所述的智慧教室内的指纹定位方法，其特征在于，所述步骤(S3)高斯滤波和取均值的具体实施方式为：
在第n，n＝1,…,N锚节点处，确定信号强度的置信区间
Figure FDA0002592205000000023
其中，
Figure FDA0002592205000000024
Figure FDA0002592205000000025
在第n，n＝1,…,N锚节点处提取位于置信区间内的M′个信号强度
Figure FDA0002592205000000026
计算提取的M′个信号强度的平均值
Figure FDA0002592205000000027
3.一种智慧教室内的指纹定位系统，其特征在于，包括P个iBeacon无线信号发射端、蓝牙设备和数据处理中心；
iBeacon，用于发射无线信号；
蓝牙设备，用于采集无线信号；
数据处理中心，用于根据采集的无线信号定位待测点，具体为：
包括离线建库阶段和在线定位阶段；
所述离线建库阶段具体为：
(S1)将室内网格化，网格交叉点作为锚节点,记录第n个锚节点的物理坐标Ln＝(xn,yn),n＝1,…,N；
(S2)在第n锚节点处，在第i个采样时刻采集第j个iBeacon发送的信号强度值
Figure FDA0002592205000000034
(S3)对第n锚节点处采集到的第j个iBeacon发送的M个信号强度值信号强度值进行高斯滤波和取均值,将均值结果作为第n锚节点处采集的第j个iBeacon的标准信号强度值，记为原始指纹Fn＝(PRan1,…,PRanP),n＝1,…,N；
(S4)将第n个锚节点的物理坐标Ln＝(xn,yn)与对应的原始指纹Fn＝(PRan1,…,PRanP)组成指纹数据库，n＝1,…,N；
所述在线定位阶段具体为：
(T1)在待测点采集第j个iBeacon发送的信号强度值RSSIj，j＝1,…,P；
(T2)依据信号强度值RSSIj，j＝1,…,P在指纹数据库搜索与其信号强度值最接近的K个锚节点，作为参考锚节点；依据信号强度计算待测点与锚节点的欧式距离：
Figure FDA0002592205000000031
其中，
Figure FDA0002592205000000032
α为第一权值指数；
(T3)依据参考锚节点计算待测点的坐标(X,Y)，
Figure FDA0002592205000000033
(xk,yk)为第k个参考锚节点的坐标，ωk为权重系数，k＝1,…,K；
所述权重系数
Figure FDA0002592205000000041
dk表示待测点与第k个参考锚节点的欧氏距离，β为第二权值指数；
其中α的选取方式为：根据权值指数α和平均定位误差的散点图进行曲线拟合，选取平均定位误差取最小值时的α值作为最优值；
其中β的选取方式为：根据权值指数β和平均定位误差的散点图进行曲线拟合，选取平均定位误差取最小值时的β值作为最优值。
4.根据权利要求3所述的智慧教室内的指纹定位系统，其特征在于，所述步骤(S3)高斯滤波和取均值的具体实施方式为：
在第n，n＝1,…,N锚节点处，确定信号强度的置信区间
Figure FDA0002592205000000042
其中，
Figure FDA0002592205000000043
Figure FDA0002592205000000044
在第n，n＝1,…,N锚节点处提取位于置信区间内的M′个信号强度
Figure FDA0002592205000000046
计算提取的M′个信号强度的平均值
Figure FDA0002592205000000045
CN201810564419.8A 2018-06-04 2018-06-04 一种智慧教室内的指纹定位方法及系统 Active CN108989976B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810564419.8A CN108989976B (zh) 2018-06-04 2018-06-04 一种智慧教室内的指纹定位方法及系统
PCT/CN2018/118078 WO2019233054A1 (zh) 2018-06-04 2018-11-29 一种智慧教室内的指纹定位方法及系统
US16/626,571 US10884112B2 (en) 2018-06-04 2018-11-29 Fingerprint positioning method and system in smart classroom

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810564419.8A CN108989976B (zh) 2018-06-04 2018-06-04 一种智慧教室内的指纹定位方法及系统

Publications (2)

Publication Number Publication Date
CN108989976A CN108989976A (zh) 2018-12-11
CN108989976B true CN108989976B (zh) 2020-09-11

Family

ID=64540018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810564419.8A Active CN108989976B (zh) 2018-06-04 2018-06-04 一种智慧教室内的指纹定位方法及系统

Country Status (3)

Country Link
US (1) US10884112B2 (zh)
CN (1) CN108989976B (zh)
WO (1) WO2019233054A1 (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109640253B (zh) * 2018-12-26 2020-09-29 东阳市维创工业产品设计有限公司 一种移动机器人定位方法
CN109862505A (zh) * 2019-01-08 2019-06-07 北京交通大学 基于车路协同的隧道内车辆追踪定位系统及追踪定位方法
CN110082715A (zh) * 2019-04-28 2019-08-02 苏州博联科技有限公司 环境自适应的加权质心定位方法
CN110677828B (zh) * 2019-09-30 2021-08-13 东北大学 一种专用于建筑工程施工现场的无线通信组网及定位方法
CN111885700B (zh) * 2020-06-08 2022-04-12 广州杰赛科技股份有限公司 一种结合支撑向量机的移动终端定位方法及装置
CN111836196B (zh) * 2020-06-11 2022-10-21 成都市灵奇空间软件有限公司 一种室内定位的方法和系统
CN111866742B (zh) * 2020-07-15 2022-12-20 南京信息工程大学 一种基于WiFi的室内被动式定位方法
CN112040438A (zh) * 2020-07-22 2020-12-04 广州杰赛科技股份有限公司 一种智能网联车辆定位方法及装置
CN112020137A (zh) * 2020-08-10 2020-12-01 广州杰赛科技股份有限公司 一种面向室内终端的智能工厂定位方法及装置
CN111965600A (zh) * 2020-08-14 2020-11-20 长安大学 一种强遮挡环境下基于声音指纹的室内定位方法
CN112051545B (zh) * 2020-09-10 2023-12-12 重庆大学 基于蓝牙测距的地下矿井校正定位方法
CN112188614B (zh) * 2020-09-14 2022-03-29 山东亚华电子股份有限公司 一种室内定位方法及设备
CN112040405A (zh) * 2020-09-15 2020-12-04 河南工业大学 一种基于核极限学习机与粒子滤波的室内定位方法
CN112261578B (zh) * 2020-10-21 2023-04-14 南京工业大学 基于众值滤波的室内指纹定位方法
CN112135249A (zh) * 2020-10-23 2020-12-25 辽宁工程技术大学 一种基于rssi的加权质心定位算法的改进方法
CN112423387A (zh) * 2020-11-23 2021-02-26 刘秀萍 多种传感器融合的终端设备室内定位方法
CN112738712B (zh) * 2020-12-28 2022-03-11 燕山大学 一种基于区域划分的室内定位方法
CN112995902B (zh) * 2021-01-26 2022-05-10 浙江吉利控股集团有限公司 一种远距离广域网定位方法、装置、设备及存储介质
CN112911509A (zh) * 2021-03-03 2021-06-04 深圳市富临通实业股份有限公司 物联网的室内定位方法、装置、终端设备和存储介质
US20220286805A1 (en) * 2021-03-05 2022-09-08 Comcast Cable Communications, Llc Locating devices within a premises
KR102656500B1 (ko) * 2021-05-04 2024-04-12 한국전자통신연구원 무선 통신 인프라 매칭 특징점을 활용한 기계 학습 기반 미수집 지점의 측위 데이터베이스 생성 및 측위 방법
CN113640740B (zh) * 2021-08-04 2023-09-29 成都诚骏科技有限公司 一种智能仓储管理系统室内高精度定位方法
CN115002657A (zh) * 2022-05-23 2022-09-02 浙江大学医学院附属第一医院 一种基于多维信息采集与智能处理的药品监控方法及系统
CN114845242B (zh) * 2022-06-08 2023-12-19 中国电信股份有限公司 终端设备定位方法、装置、存储介质及电子设备
CN115580926B (zh) * 2022-11-17 2023-04-14 杭州明启数智科技有限公司 一种基于wifi指纹和改进knn算法的住宅楼宇室内定位方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105933975A (zh) * 2016-04-11 2016-09-07 南京邮电大学 一种基于WiFi指纹的精度改善的室内定位方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9121924B2 (en) * 2011-01-13 2015-09-01 Panasonic Intellectual Property Corporation Of America Method for determination of wireless terminals positions and associated system and apparatus thereof
CN103458369B (zh) * 2013-08-09 2016-08-10 南京信息工程大学 一种基于锚点和位置指纹的WiFi室内定位方法
CN105338489B (zh) * 2015-11-17 2018-08-14 中国电子科技集团公司第五十四研究所 一种用于室内定位的智能终端及蓝牙室内定位系统
CN106211079A (zh) * 2016-09-23 2016-12-07 武汉创驰蓝天信息科技有限公司 基于 iBeacons 节点的RSSI 测距的室内定位方法及系统
CN106646338B (zh) * 2016-12-07 2019-07-16 华南理工大学 一种快速精确的室内定位方法
US10262255B2 (en) * 2016-12-14 2019-04-16 Trackonomy Systems, Inc. Multifunction adhesive product for ubiquitous realtime tracking
CN110447277B (zh) * 2017-03-28 2021-09-14 华为技术有限公司 一种指纹定位方法及相关设备
CN107333276A (zh) * 2017-05-27 2017-11-07 南京邮电大学 基于加权卡方距离的WiFi位置指纹定位方法
US10477609B2 (en) * 2017-06-02 2019-11-12 Apple Inc. Healing a radio map

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105933975A (zh) * 2016-04-11 2016-09-07 南京邮电大学 一种基于WiFi指纹的精度改善的室内定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
wifi网络下的室内定位算法研究;刘腾飞;《中国优秀硕士学位论文全文数据库信息科技辑》;20160115(第1期);全文 *
智能手机室内定位技术的研究与实现;刘志达;《中国优秀硕士学位论文全文数据库信息科技辑》;20160215(第2期);正文第4章 *

Also Published As

Publication number Publication date
US20200142045A1 (en) 2020-05-07
CN108989976A (zh) 2018-12-11
WO2019233054A1 (zh) 2019-12-12
US10884112B2 (en) 2021-01-05

Similar Documents

Publication Publication Date Title
CN108989976B (zh) 一种智慧教室内的指纹定位方法及系统
CN109444813B (zh) 一种基于bp和dnn双神经网络的rfid室内定位方法
CN106851573B (zh) 基于对数路径损耗模型的联合加权k近邻室内定位方法
CN106793086B (zh) 一种室内定位方法
CN103889051B (zh) 基于ap id过滤和卡尔曼滤波的室内wlan指纹定位方法
CN106412839B (zh) 基于二级分区与指纹梯度匹配的室内定位与跟踪方法
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
CN104394588B (zh) 基于Wi‑Fi指纹和多维尺度分析的室内定位方法
CN110856112A (zh) 一种群智感知的多源信息融合室内定位方法及系统
CN109115205A (zh) 一种基于地磁传感器阵列的室内指纹定位方法及系统
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
CN110536257B (zh) 一种基于深度自适应网络的室内定位方法
CN102253365B (zh) 基于无线信号源参数估计的室内定位方法
CN109151750A (zh) 一种基于循环神经网络模型的lte室内定位楼层判别方法
Zhong et al. WiFi indoor localization based on K-means
CN108810799A (zh) 一种基于线性判别分析的多楼层室内定位方法及系统
Puckdeevongs Indoor Localization using RSSI and artificial neural network
CN109541537A (zh) 一种基于测距的普适室内定位方法
CN107071897B (zh) 一种基于环型的Wi-Fi室内定位方法
CN105704676A (zh) 利用信号时间相关性提高指纹室内定位精度的方法
CN111918211B (zh) 一种基于kd树和改进加权knn的室内指纹定位方法
CN111194000B (zh) 基于蓝牙融合混合滤波与神经网络的测距方法与系统
Chen et al. An efficient indoor location system in WLAN based on database partition and Euclidean distance-weighted Pearson correlation coefficient
Wang et al. An advanced algorithm for Fingerprint Localization based on Kalman Filter
CN110891241A (zh) 一种基于长短时间记忆网络模型与接入点选择策略的指纹定位方法

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
GR01 Patent grant
GR01 Patent grant