CN109029429A - 基于WiFi和地磁指纹的多分类器全局动态融合定位方法 - Google Patents

Abstract

本发明提供一种基于WiFi和地磁指纹的多分类器全局动态融合定位方法，涉及室内融合定位技术领域。本发明的步骤分为离线阶段和在线定位阶段：离线阶段：建立WiFi和地磁混合指纹库分成两份；一份用于分类器训练；另一份用于训练分类器在每个格点上的权重，以获取权重矩阵；在线定位阶段：将线上数据进行预处理后输入到各分类器中获得分类结果；并利用线上数据与离线指纹匹配结果索引权重矩阵获取融合权重，将各分类器的分类结果进行加权融合，得到最终位置估计。本发明解决了分类器局部动态融合方法无法最大化各分类器的互补特性的问题，WiFi和地磁指纹的联合利用有效地提高了定位的精度。

Description

基于WiFi和地磁指纹的多分类器全局动态融合定位方法

技术领域

本发明涉及室内融合定位技术领域，尤其涉及基于WiFi和地磁指纹的多分类器全局动态融合定位方法。

背景技术

近年来，随着物联网技术的飞速发展，室内定位技术在军用及民用领域获得了大量的关注。由于室内环境的复杂性，单一利用WiFi信号强度、地磁、蓝牙以及惯导信息等定位体制无法有效对抗复杂室内环境的多径传播。联合利用以上定位信息进行复杂室内环境下的定位是室内定位领域的重要发展方向。比较而言，获取WiFi和地磁信息均无需部署额外定位设备，WiFi信号在大范围区分度高，而局部区分度低，地磁信号大范围区分度较低，而局部差异明显，将两者结合可以互相弥补各自缺点，有效提高定位效果。

在现有的WiFi和地磁联合定位方法中，大部分方法均为WiFi信号强度和地磁数据的直接拼接，这样无法最大化利用二者的互补特性。而利用分类器进行训练的方法可有效提高定位精度。现有基于多分类器融合定位的方法的具体步骤包括：在离线阶段，1)将移动终端放置在待定位区域规划好的格点位置上采集指纹信息，建立离线指纹库；2)利用指纹库训练多个分类器模型，同时并根据带标签的训练数据，训练每个分类器的离线权重；3)在在线阶段，将测试数据输入训练好的分类器获得分类结果，根据线下获得的信任权重来融合各分类器分类结果以获得最终的位置估计。文献S.H.Fang,Y.T.Hsu,and W.H.Kuo,“Dynamic fingerpr intingcombination for improved mobile local ization,”IEEETrans.Wirel.Commun.,vol.10,no.12,pp.4018–4022,2011.即为一种典型的局部动态加权融合(DFC)的定位方法，该方法利用分类器下的定位误差最小准则为每个分类器获取独立的融合权重，权重获取后再对所有的权重加以归一化的约束，该方法的融合权重的求取并不是在多分类器联合优化的代价函数下获取的，因此该算法无法最大化各分类的互补特性。同时，现有加权融合定位方法大都仅考虑WiFi信号强度指纹下的联合优化问题，这种单一信号强度指纹无法最大化利用移动端丰富传感器的信息获取功能，使得定位精度的提升效果有限。

发明内容

本发明的目的在于：为了解决分类器局部动态融合方法无法最大化各分类的互补特性的问题，同时为了解决仅依赖WiFi指纹无法最大化利用移动端丰富传感器的信息获取功能从而导致定位精度不高的问题，本发明提供一种基于WiFi和地磁指纹的多分类器全局动态融合定位方法。

为达到上述目的，本发明的技术方案如下：

本发明提供的基于WiFi和地磁指纹的多分类器全局动态融合定位方法，包括如下步骤：

步骤1：在待定位的室内环境中，规划好定位格点，确定路由器位置及数量。

步骤2：采集WiFi和地磁指纹库数据，建立由WiFi和地磁指纹库数据组成的混合指纹库。

步骤3：将混合指纹库分成两份。

步骤4：取一份混合指纹输入到多个分类器中，进行分类器训练。

步骤5：取另一份混合指纹输入到步骤4中训练好的分类器中，获取各个分类器的结果；通过均方误差最小化准则联合优化获取各分类在每个格点上的权重，并保存在权重矩阵中。

步骤1-步骤5为线下训练过程。

步骤6：进行线上定位；步骤6包括：

步骤6.1：将线上实测数据进行预处理后输入到步骤4训练得到的各分类器中获得分类结果。

步骤6.2：将线上实测数据与各个格点的离线指纹通过匹配函数进行匹配，获得格点的匹配结果。

步骤6.3：根据步骤6.2得到的匹配结果索引步骤5得到的权重矩阵得到对应的权重，根据此权重将步骤6.1获得的各分类器的分类结果进行加权融合，得到最终位置估计。

具体地，所述步骤2的具体步骤包括：

步骤2.1：手持手机设备在规划好的格点位置上，静止采集地磁信号的三个维度数据，与此同时，手机检测周围AP的信号强度。

步骤2.2：将格点位置、WiFi信号强度和WiFi信号时间戳保存，形成原始WiFi指纹数据库；将格点位置、地磁信号、地磁信号时间戳保存，形成原始地磁指纹数据库。

步骤2.3：对原始地磁指纹库的数据进行校准，消减其对方向的敏感性。

步骤2.4：将步骤2.3中校准后的地磁指纹库的数据与步骤2.2中的WiFi指纹库数据按照地磁数据时间戳合并及归一化，形成最终混合指纹库。

具体地，所述步骤5的具体步骤包括：

步骤5.1：将所述步骤3中另一份混合指纹库数据输入到所述步骤4中训练好的分类器中获得各分类器的分类结果。

步骤5.2：通过联合最小化多个分类器在每个格点上的均方定位误差，获得每个格点上每个分类器的全局融合权重，并保存在权重矩阵中。

具体地，所述步骤6中预处理的步骤具体包括：

步骤6.1.1：手持手机采集地磁信号三个维度数据，同时手机采集周围AP的信号强度。

步骤6.1.2：对地磁指纹的数据进行校准，消减其对方向的敏感性。

步骤6.1.3：将步骤6.1.2中校准后的地磁数据与WiFi数据按照地磁数据时间戳合并及归一化。

采用上述方案后，本发明的有益效果如下：

(1)本发明针对两种指纹利用多种分类器全局动态融合方式获得目标的最终位置，提高定位的准确性与稳健性。具体而言，本发明同时考虑了数据源与结果两方面的融合，一是数据源的融合，此融合综合了室内更多的信息，地磁指纹的高频率刷新速度满足实时定位的需求；二是结果的融合，它采用多分类器全局动态融合算法，这种全局动态融合算法能够正确反映分类器性能，使得性能较低的分类器仍然有利于最终的位置估计。

(2)本发明无需额外的设备，仅基于智能手机设备即可，是一种定位实时性好、低成本、精度高的定位方法。

附图说明

图1为本发明的流程图；

图2为本发明的实验场地图；

图3为本发明的具体实施中地磁三维数据方向与手机方向关系说明图；

图4为本发明的方法、技术背景中提到的方法、传统融合方法MMSE以及单分类器算法在仅使用WiFi和同时使用WiFi和地磁融合指纹两种情况下的平均均方根(Mean RMSE)对比图；

图5为本发明的方法、技术背景中提到的方法以及传统融合方法MMSE基于WiFi和地磁指纹的累积函数分布图。

具体实施方式

为了解决分类器局部动态融合方法无法最大化各分类的互补特性的问题，同时为了解决仅依赖WiFi无法最大化利用移动端丰富传感器的信息获取功能从而导致定位精度不高的问题，本发明提供一种基于WiFi和地磁指纹的多分类器全局动态融合定位方法，本发明的方法利用移动终端快速获取地磁指纹和室内的WiFi信号强度，构建WiFi信号强度和地磁混合指纹库，并利用混合指纹库进行多分类器训练，实测时对多种分类器的预测结果进行全局动态融合获得最终位置估计。本方法可充分挖掘多分类器的互补特性，同时也可结合多指纹的优势，是一种高效的、高精度的、实时的室内定位方法。

下面，将以本发明最优选的实施例对本发明进行更加清楚、完整的说明。

本发明的基于WiFi和地磁指纹的多分类器全局动态融合定位方法，如图1所示，包括如下步骤：

步骤1：在待定位的室内环境中，规划好定位格点，确定路由器位置及数量；具体地，本发明的实验场地如图2所示，黑色星点代表AP(Access Point)位置，白色圆点为采集的样本格点，楼层尺寸长为58.2米，宽为18.6米，划分格点与格点之间距离为1.6米。手机端地磁场强度测量，每200毫秒刷新一次测量值，同时手机扫描周围AP设备WiFi信号接收强度RSS，扫描频率为1秒一次(可根据实际情况进行具体设置)。

步骤2：采集WiFi和地磁指纹库数据，建立由WiFi和地磁指纹库数据组成的混合指纹库；具体地，在手机测量地磁数据的程序中设定好室内环境中的采样数量(N＝150)和格点数(K＝50)，手持手机设备在规划好的格点处，静待采样结束。在采样期间，手持手机设备在规划好的格点位置上，静止采集地磁信号三个维度数据，与此同时手机检测周围AP(个数为M＝10-的WiFi信号强度；两种数据采集时均带有时间戳以及记录相应坐标位置和标签。然后，将格点位置、WiFi信号强度和WiFi信号时间戳保存，形成原始WiFi指纹数据库，将格点位置、地磁信号、地磁信号时间戳保存，分别形成原始地磁指纹数据库。

步骤2.3：如图3所示第k(k＝1,…,K)个格点第n(n＝1,…,N)个样本的原始地磁数据为其中，x、y和z分别表示手机的三个方向；同时，通过手机内置的加速度计以及陀螺仪获得对应手机姿态的角度信息这三个角度分别表示绕手机的绕x、y轴的旋转角以及与磁场北极的偏角。

在这里，需要对原始地磁指纹库的数据进行校准，消减其对方向的敏感性，校准具体是通过坐标转换进行校准，将其投射在大地坐标系下：

m_k(n)为手机地磁样本数据。

步骤2.4：将步骤2.3中校准后的地磁数据与WiFi数据按照地磁数据时间戳合并及归一化，形成最终混合指纹库，具体为：

根据手机地磁样本数据m_k(n)的时间戳寻找与之最相近的WiFi信号强度样本数据两者匹配形成一条完整的样本数据所有样本数据可以表示为：

对于d的第l(l＝1,…,M+3)行数据d^l，均值和方差分别为：

令：

将规范化处理后的数据d＝[d¹,…,d^M+3]^T作为指纹存入数据库。

步骤3：将混合指纹库分成两份D和D′，每份数据不同格点具有相同样本数，指纹数据集D占总数据的2/3，用来训练分类器，剩下的数据集D′占总数据的1/3,用来获得融合权重；具体地，D和D′表示如下：

其中，Q和P分别为数据D和D′中格点样本数，P＝N-Q，D_k(q)表示数据D中第k个格点的第q(q＝1,…,Q)个样本指纹，D_k′(p)表示数据D′中第k个格点的第p(p＝1,…,P)个样本指纹。

步骤4：取指纹数据集D输入到多个分类器中，进行分类器训练；具体为：将数据集D输入到K-近邻(KNN)、支持向量机(SVM)、线性判别分析(Linear Discriminant Analysis,LDA)和随机森林(Random Forest)分类器中，得到训练好的分类器f_h(D)(h＝1,2,…,H)，本实施例中，分类器个数H＝4。

步骤5：所述步骤5的具体步骤包括：

步骤5.1：将所述步骤3中数据集D′输入到所述步骤4中训练好的分类器中获得各分类器的分类结果。

步骤5.2：通过联合最小化多个分类器在每个格点上的均方定位误差，获得每个格点上每个分类器的全局融合权重，并保存在权重矩阵中。步骤5.2具体为：

将数据集D′分别输入到训练好的分类器f_h(D)中，第k个格点样本的分类结果为：

其中，对于样本p的所有分类器分类结果表示为：

最后，求下式最优化问题获得第k个格点的权重向量：

w_k,h＞0,h＝1,…,H

其中，表示第p个指纹在权重w_k下的定位误差，g(·):表示从格点标签到其真实二维坐标的映射，1为H×1的全1列向量。求得第k个格点的权重向量可以表示为：w_k＝[w_k,1,w_k,2,…,w_k,H]^T，对所有格点数据进行相同操作，可以获取权重矩阵如下：

以上的步骤1-步骤5为本发明的线下训练过程。

步骤6：进行线上定位；所述步骤6的具体步骤包括：

步骤6.1：将线上实测数据进行预处理后输入到步骤4训练得到的各分类器中获得分类结果；其中，预处理的步骤具体包括：

步骤6.1.1：手持手机采集地磁信号三个维度数据，与此同时手机检测周围AP的WiFi信号强度。

步骤6.1.2：对地磁指纹的数据进行校准，消减其对方向的敏感性。

步骤6.1.3：将步骤6.1.2中校准后的地磁数据与WiFi数据按照地磁数据时间戳合并及归一化。

步骤6.2：将线上实测数据与各个格点的离线指纹均值进行匹配，根据欧氏距离最小准则获得格点的匹配结果。

步骤6.3：根据步骤6.2得到的匹配结果索引步骤5得到的权重矩阵获取融合权重，根据此权重将步骤6.1获得的各分类器的分类结果进行加权融合，得到最终位置估计。

步骤6.2-6.3的具体过程如下：

对于线上测试样本计算其与离线阶段指纹D的欧式距离：

其中，表示第k个格点所有样本均值。然后再根据下式求得最优匹配结果

根据结果在权重矩阵中找到对应的权重向量

然后将测试样本输入分类器中，获得各分类器的匹配格点：

最后，由和确定最终定位坐标：

最终，本发明对实验场地中7500个实测样本进行定位测试，参见图4和图5，技术背景中所提DFC方法定位精度1.023米，单个分类器的定位误差分别为：RF为1.159米，LDA为1.241米，SVM为0.947米，而KNN为1.023米。仅利用WiFi指纹的情况为：RF为1.493米，LDA为1.537米，SVM为1.487米，而KNN为1.558米。本专利方法的均方根误差为0.824米，小于1米的占70％，从图4和图5中可以明显看出，采用本发明的方法得到的结果明显优于其他的现有技术。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (4)

1.基于WiFi和地磁指纹的多分类器全局动态融合定位方法，其特征在于，包括如下步骤：

步骤1：在待定位的室内环境中，规划好定位格点，确定路由器位置及数量；

步骤2：采集WiFi和地磁指纹库数据，建立由WiFi和地磁指纹库数据组成的混合指纹库；

步骤3：将混合指纹库分成两份；

步骤4：取一份混合指纹输入到多个分类器中，进行分类器训练；

步骤5：取另一份混合指纹输入到步骤4中训练好的分类器中，获取各个分类器的分类结果；通过均方误差最小化准则联合优化获取各分类在每个格点上的权重，并保存在权重矩阵中；

步骤1-步骤5为线下训练过程；

步骤6：进行线上定位；步骤6包括：

步骤6.1：将线上实测数据进行预处理后输入到步骤4训练得到的各分类器中获得分类结果；

步骤6.2：将线上实测数据与各个格点的离线指纹通过匹配函数进行匹配，获得格点的匹配结果；

步骤6.3：根据步骤6.2得到的匹配结果索引步骤5得到的权重矩阵获取融合权重，根据此权重将步骤6.1获得的各分类器的分类结果进行加权融合，得到最终位置估计。

2.根据权利要求1所述的基于WiFi和地磁指纹的多分类器全局动态融合定位方法，其特征在于，所述步骤2的具体步骤包括：

步骤2.1：手持手机设备在规划好的格点位置上，静止采集地磁信号的三个维度数据，与此同时，手机同时检测周围AP的信号强度；

步骤2.2：将格点位置、WiFi信号强度和WiFi信号时间戳保存，形成原始WiFi指纹数据库；将格点位置、地磁信号、地磁信号时间戳保存，形成原始地磁指纹数据库；

步骤2.3：对原始地磁指纹库的数据进行校准，消减其对方向的敏感性；

步骤2.4：将步骤2.3中校准后的地磁指纹库的数据与步骤2.2中的WiFi指纹库数据按照地磁数据时间戳合并及归一化，形成最终混合指纹库。

3.根据权利要求1所述的基于WiFi和地磁指纹的多分类器全局动态融合定位方法，其特征在于，所述步骤5的具体步骤包括：

步骤5.1：将所述步骤3中另一份混合指纹库数据输入到所述步骤4中训练好的分类器中获得各分类器的分类结果；

步骤5.2：通过联合最小化多个分类器在每个格点上的均方定位误差，获得每个格点上每个分类器的全局融合权重，并保存在权重矩阵中。

4.根据权利要求1所述的基于WiFi和地磁指纹的多分类器全局动态融合定位方法，其特征在于，所述步骤6中预处理的步骤具体包括：

步骤6.1.1：手持手机采集地磁信号三个维度数据，同时手机采集周围AP的信号强度；

步骤6.1.2：对地磁指纹的数据进行校准，消减其对方向的敏感性；

步骤6.1.3：将步骤6.1.2中校准后的地磁数据与WiFi数据按照地磁数据时间戳合并及归一化。