CN109121083A - 一种基于ap序列的指纹相似度的室内定位方法 - Google Patents
一种基于ap序列的指纹相似度的室内定位方法 Download PDFInfo
- Publication number
- CN109121083A CN109121083A CN201811117060.6A CN201811117060A CN109121083A CN 109121083 A CN109121083 A CN 109121083A CN 201811117060 A CN201811117060 A CN 201811117060A CN 109121083 A CN109121083 A CN 109121083A
- Authority
- CN
- China
- Prior art keywords
- point
- fingerprint
- sequence
- tested
- tested point
- 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.)
- Granted
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
- H04W4/025—Services making use of location information using location based information parameters
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种基于AP序列的指纹相似度的室内定位方法,其特征在于,包括:分别计算N个参考点与NAP个AP之间的距离,得到距离序列;根据距离序列生成每个参考点的第一AP序列;根据第一AP序列对N个参考点进行分类,得到NC个参考点集;根据NC个参考点集获取NC个第一AP对集和NC个参考点集坐标;根据NC个参考点集、NC个第一AP对集和NC个参考点集坐标构建参考点指纹库;根据ND个待测点构建待测点指纹;将参考点指纹库和待测点指纹进行指纹相似度计算,获取待测点的坐标。本发明构建指纹库方法大幅度减少了离线阶段的开销;在线阶段设计的指纹相似度算法,为更强信号强度的AP设置较大的权重,更好地解决了环境动态问题,提高了定位精度。
Description
技术领域
本发明属于无线通信与室内定位技术领域,具体涉及一种基于AP序列的指纹相似度的室内定位方法。
背景技术
随着室内环境中WiFi基础设施的广泛部署,基于WiFi的指纹室内定位方法已成为最有前景的技术之一。
通常来说,基于WiFi的指纹室内定位方法可以分为两个阶段:离线阶段和在线阶段。离线阶段,在定位区域中不同的参考点(Reference Point,简称RP)处,收集所有接入点(Access Point,简称AP)的接收信号强度值以构建指纹库。在线阶段,采用合适的定位算法用以匹配待测点的指纹,根据构建的指纹库进而估计待测点的位置。现有大量基于WiFi的指纹室内定位的方法,例如,一种基于标准化位置指纹和加权K最近邻(Weighted K-Nearest Neighbor,简称WKNN)的室内定位方法,将接收信号强度值转换为一种新类型的标准化位置指纹;一种最长公共子序列(Longest Common Subsequences,简称LCS)的室内定位方法,采用接收信号强度相对值作为指纹,通过计算AP的基本服务集标识符(BasicService Set Identifier,简称BSSID)序列的最长公共子序列的长度来确定两个位置的指纹相似度。
然而,上述室内定位方法都是通过花费大量时间和人力收集接收信号强度值来构建离线指纹库,导致离线阶段存在巨大的开销。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于AP序列的指纹相似度的室内定位方法。
本发明实施例提供了一种基于AP序列的指纹相似度的室内定位方法,包括:
分别计算N个参考点与NAP个AP之间的距离,得到距离序列;
根据所述距离序列生成每个所述参考点的第一AP序列;
根据所述第一AP序列对N个所述参考点进行分类,得到NC个参考点集;
根据NC个所述参考点集获取NC个第一AP对集和NC个参考点集坐标;
根据NC个所述参考点集、NC个第一AP对集和NC个参考点集坐标构建参考点指纹库;
根据ND个待测点构建待测点指纹;
将所述参考点指纹库和所述待测点指纹进行指纹相似度计算,获取所述待测点的坐标。
在本发明的一个实施例中,根据所述第一AP序列对N个所述参考点进行分类,包括:
判断N个所述参考点是否存在相同的第一AP序列,若存在,则将所述第一AP序列相同的所述参考点分为同一类别。
在本发明的一个实施例中,根据NC个所述参考点集获取NC个所述第一AP对集,包括:
根据每个所述参考点集的第一AP序列中的AP排列顺序,将所述第一AP序列中的第a个所述AP与第a+1个所述AP至第NAP个所述AP进行两两组合,获取NC个第一AP对集,其中,每个所述第一AP对集中包括多个第一AP对,1≤a≤NAP-1,且a为正整数。
在本发明的一个实施例中,根据ND个所述待测点构建待所述待测点指纹,包括:
根据ND个所述待测点与NAP个所述AP之间接收信号强度的大小,获取ND个所述第二AP序列;
根据所述第二AP序列中的AP排列顺序,将所述第二AP序列中的第b个所述AP与第b+1个所述AP至第NAP个所述AP进行两两组合,获取ND个所述第二AP对集,其中,每个所述第二AP对集中包括多个第二AP对,1≤b≤NAP-1,且b为正整数;
根据ND个所述第二AP序列和ND个所述第二AP对集,构建所述待测点指纹。
在本发明的一个实施例中,将所述参考点指纹库和所述待测点指纹进行所述指纹相似度计算,获取所述待测点的坐标,包括:
根据所述参考点指纹库中的NC个所述第一AP对集和所述待测点指纹中的ND个所述第二AP对集,计算得到每个所述待测点的NC个第一指纹相似度;
根据所述参考点指纹库中的NC个所述参考点集和所述待测点指纹中的ND个所述第二AP序列,计算得到每个所述待测点的NC个第二指纹相似度;
将NC个所述第一指纹相似度分别与NC个所述第二指纹相似度进行求和,得到每个所述待测点的NC个指纹相似度;
根据NC个所述指纹相似度,获得所述待测点的坐标。
在本发明的一个实施例中,计算得到每个所述待测点的NC个所述第一指纹相似度,包括:
将每个所述待测点的第二AP对集分别与NC个所述参考点集的第一AP对集进行比较,获取所述第二AP对与所述第一AP对相同的数目,得到每个所述待测点的NC个所述第一指纹相似度。
在本发明的一个实施例中,计算得到每个所述待测点的NC个所述第二指纹相似度,包括:
根据每个所述待测点与NAP个所述AP之间的接收信号强度大小,为NAP个所述AP设置贡献度因子;
根据每个所述AP的贡献度因子,得到NC个参考点集的第一权重值;
根据每个所述待测点与NC个所述参考点集之间的距离波动情况,为NAP个所述AP设置距离波动因子;
根据每个所述AP的距离波动因子,得到NC个参考点集的第二权重值;
将NC个所述参考点集的第一权重值分别与NC个所述参考点集的第二权重值进行求和,得到每个所述待测点的NC个所述第二指纹相似度。
在本发明的一个实施例中,根据NC个所述指纹相似度,获得所述待测点的坐标,包括:
从NC个所述指纹相似度中,获取NS个相似度值最高的所述指纹相似度;
若NS等于1,则将相似度值最高的所述指纹相似度对应的所述参考点集坐标作为所述待测点的坐标;若NS大于1,则计算NS个相似度值最高的所述指纹相似度对应的所述参考点集坐标的平均值,将所述参考点集坐标的平均值作为所述待测点的坐标。
与现有技术相比,本发明的有益效果:
1、本发明在离线阶段,构建的参考点指纹库只需知道AP的位置,无需花费大量时间和人力收集AP的接收信号强度值,大幅度减少了离线阶段的开销。
2、本发明在线阶段设计了一种指纹相似度算法,为更强信号强度的AP设置较大的权重,可以容忍AP序列紊乱,从而更好地解决环境动态问题(例如无线信道的时变性),提高了定位精度。
3、本发明通过根据参考点第一AP序列是否相同,对参考点进行分类,将第一AP序列相同的参考点划分在同一个类中,避免了后续不必要的计算,减少了计算量。
4、本发明通过在线阶段的指纹相似度算法,解决了传统的直接采用AP序列进行定位的方法中的漏点(待测点与所有的类都不匹配,无法定位的点)问题,提高了定位精度。
5、本发明在线阶段,采用接收信号强度相对值构建待测点指纹,减轻了接收设备异构的影响。
附图说明
图1是本发明实施例提供的一种基于AP序列的指纹相似度的室内定位方法流程示意图;
图2是本发明实施例提供的3个AP和6个RP的实验场景示意图;
图3是本发明实施例提供的60m×40m实验场景示意图;
图4是本发明实施例提供的108m×8m实验场示意景图;
图5是本发明实施例提供的60m×40m实验场景的定位精度性能结果示意图;
图6是本发明实施例提供的108m×8m实验场景的定位精度性能结果示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
请参见图1,图1为本发明实施例提供的一种基于AP序列的指纹相似度的室内定位方法流程图。本发明实施例提供了一种基于AP序列的指纹相似度(AP-sequence BasedFingerprint Similarity,简称APFS)的室内定位方法,该室内定位方法包括离线阶段和在线阶段。
其中,离线阶段,包括分别计算N个参考点与NAP个AP之间的距离,得到距离序列;根据距离序列生成每个参考点的第一AP序列;根据第一AP序列对N个参考点进行分类,得到NC个参考点集;根据NC个参考点集获取NC个第一AP对集和NC个参考点集坐标;根据NC个参考点集、NC个第一AP对集和NC个参考点集坐标构建参考点指纹库。
其中,在线阶段,根据ND个待测点构建待测点指纹;将参考点指纹库和待测点指纹进行指纹相似度计算,获取待测点的坐标。
进一步地,离线阶段具体包括如下步骤:
步骤1、分别计算N个参考点与NAP个AP之间的距离,得到距离序列;
首先,将室内定位区域划分为一系列的网格,该网格具有N个网格点,选取每个网格点作为参考点,即有N个参考点,记录N个参考点的坐标信息,并记录该室内定位区域中的NAP个AP的坐标与BSSID。其中,N、NAP取值均为正整数。
例如,选取参考点起点位置,然后分别以横坐标和纵坐标每间隔0.5m的距离选取一个点作为参考点,将定位区域划分为一系列的网格,每个网格点即为一个参考点,记录定位区域中所有参考点的坐标信息,以及每个AP的坐标与BSSID。
进一步地,根据N个参考点的坐标与NAP个AP的坐标,计算定位区域中每个参考点与定位区域中NAP个AP之间的距离,根据每个参考点与NAP个AP之间距离的远近情况,将该距离按照升序方式排序,获得每个参考点的距离序列。在第i'个参考点处,距离序列记作其中,i'取值为1至N;NAP为定位区域中AP的数目。
步骤2、根据距离序列生成每个参考点的第一AP序列;
根据上述距离序列,得到每个参考点的第一AP序列。在第i'个参考点处,根据disi'得到相应的第一AP序列,记作其中,lk表示第k个AP的BSSID。
请参见图2,图2是本发明实施例提供的3个AP和6个RP的实验场景示意图。例如,在定位区域中有3个AP和6个RP。生成RP1的第一AP序列,首先计算RP1与3个AP的距离,分别记为d1,d2,d3,将3个AP对应的距离按照升序方式排序,记作dis1=(d1,d2,d3)1,然后根据距离序列可以获得对应的RP1的第一AP序列,记作level1=(AP1,AP2,AP3)1。类似地,可以生成其他5个RP的第一AP序列。
步骤3、根据第一AP序列对N个参考点进行分类,得到NC个参考点集;
在定位区域内,因为N个不同的参考点如果位置相邻,有可能具有相同的第一AP序列。相同的第一AP序列对后续可能会带来大量的重复计算。为了避免不必要的计算,本发明根据第一AP序列对N个参考点进行分类。
具体地,判断N个参考点是否存在相同的第一AP序列,若存在,则将第一AP序列相同的参考点分为同一类别,得到NC个参考点集,每个参考集的第一AP序列是分为同一类别的参考点的第一AP序列,记作其中,i的取值为1至NC。其中,NC取值为正整数。参考点集的数目高度依赖于定位区域中AP的数目与AP的位置,即定位区域中AP的数目与AP的位置影响参考点集的数目。
请再参见图2,例如,根据RP1与定位区域中3个AP的距离,得到RP1对应的第一AP序列,记作level1=(AP1,AP2,AP3)1;同样根据RP4与定位区域中3个AP的距离,得到RP4对应的第一AP序列,记作level4=(AP1,AP2,AP3)4。可见,RP1和RP4拥有相同的第一AP序列,表示为(AP1,AP2,AP3),因此,将RP1和RP4分为同一个参考集中,(AP1,AP2,AP3)为该参考集对应的第一AP序列。
步骤4、根据NC个参考点集获取NC个第一AP对集和NC个参考点集坐标;
首先,根据NC个参考点集获取NC个第一AP对集;
根据每个参考点集的第一AP序列中的AP排列顺序,将第一AP序列中的第a个AP与第a+1个AP至第NAP个AP进行两两组合,获取NC个第一AP对集,其中,每个第一AP对集中包括多个第一AP对,1≤a≤NAP-1,且a为正整数。比如a为1时,获取的是第一AP序列中第1个AP与第2个AP至第NAP个AP两两组合的NAP-1个第一AP对;a为2时,获取的是第一AP序列中第2个AP与第3个AP至第NAP个AP两两组合的NAP-2个第一AP对,依次类推,得到个第一AP对,该个第一AP对组成第一AP对集。其中,每个第一AP对中,第a个AP必须排在第a+1至NAP个AP之前。
具体地,根据NC个参考点集的第一AP序列leveli,得到NC个参考点集的第一AP序列中的NAP个AP两两组成的第一AP对集,每个所述第一AP对集记为pairi,pairi为每个参考点集中第一AP序列两两组成的AP对集。其中,在pairi中,每一个AP对,第一个AP的BSSID排序必须在第二个AP的BSSID之前,例如,lm的排序在ln之前。
例如,表1为参考点集C1的第一AP对集情况。
表1
如表1所示,表1为参考点集C1的第一AP对集情况。具体地,定位区域存在6个AP,表中参考点集C1的第一AP序列为level1=(AP2,AP4,AP3,AP1,AP6,AP5)1,参考点集C1的第一AP序列中的所有AP两两组合,形成参考点集C1的第一AP对集,比如AP2分别与AP4、AP3、AP1、AP6、AP5两两组合,构成第一AP对,包括AP2,AP4;AP2,AP3;AP2,AP1;AP2,AP6;AP2,AP5;AP4分别与AP3、AP1、AP6、AP5,两组合,构成第一AP对,包括AP4,AP3;AP4,AP1;AP4,AP6;AP4,AP5,依次类推得到参考点集C1的第一AP序列中其他AP的第一AP对,所有第一AP对构成参考点集C1的第一AP对集,具体为{AP2,AP4;AP2,AP3;AP2,AP1;AP2,AP6;AP2,AP5;AP4,AP3;AP4,AP1;AP4,AP6;AP4,AP5;AP3,AP1;AP3,AP6;AP3,AP5;AP1,AP6;AP1,AP5;AP6,AP5},共包含15个第一AP对。其中,每个AP与AP之间构成第一AP对时,第一AP序列中靠前的AP的BSSID在第一AP对中只能靠前,例如level1中AP2在AP4之前,所以AP2与AP4只能组成AP2,AP4第一AP对,不能组成AP4,AP2第一AP对。
进一步地,根据NC个参考点集获取NC个参考点集坐标;
计算每个参考点集中所有参考点的坐标的平均值,将参考点集中所有参考点的坐标的平均值点作为该参考点集的坐标。每个参考点集的坐标记为pi,pi=(x,y)i表示第i个参考点集的坐标。
请再参见图2,例如该定位区域中RP1和RP4属于同一参考集,则对RP1和RP4的坐标求平均,将RP1和RP4的坐标的平均值作为该参考点集的坐标。
步骤5、根据NC个参考点集、NC个第一AP对集和NC个参考点集坐标构建参考点指纹库。
本发明根据分类后的参考点集,构建参考点指纹库。其中,参考点指纹库根据NC个参考点集、NC个第一AP对集和NC个参考点集坐标构建。
进一步地,通过参考点集的第一AP序列、第一AP对集和参考点集坐标,三者构建参考点指纹库,记作φi={leveli,pairi,pi,i=1,...,NC},其中,leveli表示第i个参考点集的第一AP序列,pairi表示第i个第一AP对集,leveli和pairi共同构成第i个参考点集指纹,记作pi表示第i个参考点集的坐标。其中,NC表示参考点集的个数。
本实施例在离线阶段,构建的参考点指纹库只需知道AP的位置,无需花费大量时间和人员收集AP的接收信号强度值,大幅度减少了离线阶段的开销。
进一步地,在线阶段具体包括如下步骤:
步骤1、根据ND个待测点构建待测点指纹;
首先,将室内定位区域划分为一系列的网格,该网格具有ND个网格点,选取每个网格点作为待测点,即有ND个待测点。其中,ND取值为正整数。
例如,选取待测点起点位置,然后分别以横坐标和纵坐标每间隔2m的距离选取一个点作为待测点,将定位区域划分为一系列的网格,每个网格点即为一个待测点。
进一步地,根据ND个待测点与NAP个AP之间接收信号强度的大小,获取ND个第二AP序列;
进一步地,根据第二AP序列中的AP排列顺序,将第二AP序列中的第b个AP与第b+1个AP至第NAP个所述AP进行两两组合,获取ND个第二AP对集,其中,每个第二AP对集中包括多个第二AP对,1≤b≤NAP-1,且b为正整数;
进一步地,根据ND个第二AP序列和ND个第二AP对集,构建所述待测点指纹。
其中,根据ND个待测点与NAP个AP之间接收信号强度的大小,获取ND个所述第二AP序列;
具体地,首先,对于定位区域ND个待测点,根据每个待测点与NAP个AP的接收信号强度值,按照降序方式排序,获得ND个待测点的第二AP序列。在第j个待测点处,根据接收信号强度值排序得到待测点的第二AP序列记作其中,j取值为1至ND;lk表示第k个AP的BSSID。每个待测点的接收信号强度值定义为:定位场景中,在每个待测点处,实验仿真产生一组待测点与NAP个AP的接收信号强度值,将NAP个AP的接收信号强度值作为一个样本,仿真产生M组这样的样本,分别计算这M个样本中NAP个AP的接收信号强度值的平均值,将该接收信号强度值的平均值作为每个待测点与NAP个AP的接收信号强度值,得到ND个待测点与NAP个AP的接收信号强度值。其中,M为正整数。
优选地,M为100。
本实施例通过计算每个AP的平均接收信号强度值,以获得接收信号强度值的相对值来构建待测点指纹,减轻了接收设备异构的影响。
其中,根据每个待测点的第二AP序列中的AP排列顺序,将第二AP序列中的第b个AP与第b+1个AP至第NAP个AP进行两两组合,获取ND个第二AP对集,其中,每个第二AP对集中包括多个第二AP对,1≤b≤NAP-1,且b为正整数。比如b为1时,获取的是第二AP序列中第1个AP与第2个AP至第NAP个AP两两组合的NAP-1个第二AP对;b为2时,获取的是第二AP序列中第2个AP与第3个AP至第NAP个AP两两组合的NAP-2个第二AP对,依次类推,得到个第二AP对,该个第二AP对组成第二AP对集。其中,每个第二AP对中,第b个AP必须排在第b+1至NAP个AP之前。
具体地,根据如上所述得到的ND个待测点的第二AP序列levelj得到ND个待测点的第二AP序列中的NAP个AP两两组成的第二AP对集,每个所述第二AP对集记为pairj,pairj包含待测点中第二AP序列两两组成的AP对。其中,其中,在pairi中,每一个AP对,第一个AP的BSSID排序必须在第二个AP的BSSID之前,例如,lm的排序必须在ln之前。
其中,根据ND个第二AP序列和ND个第二AP对集,构建所述待测点指纹;
通过ND个第二AP序列和ND个第二AP对集,二者构建待测点指纹,记作其中,levelj为第j个待测点的第二AP序列,pairj为第j个待测点的第二AP对集,levelj和pairj共同构成第j个待测点指纹;ND表示待测点数目。
步骤2、将参考点指纹库和待测点指纹进行指纹相似度计算,获取待测点的坐标;
首先,根据参考点指纹库中的NC个第一AP对集和待测点指纹中的ND个第二AP对集,计算得到每个待测点的NC个第一指纹相似度;
进一步地,根据参考点指纹库中的NC个参考点集第一AP序列和待测点指纹中的ND个第二AP序列,计算得到每个待测点的NC个第二指纹相似度;
进一步地,将NC个第一指纹相似度分别与NC个第二指纹相似度进行求和,得到每个待测点的NC个指纹相似度;
进一步地,根据NC个指纹相似度,获得待测点的坐标。
其中,根据参考点指纹库中的NC个第一AP对集和待测点指纹中的ND个第二AP对集,计算得到每个待测点的NC个第一指纹相似度,具体地,包括:
将每个待测点的第二AP对集分别与NC个参考点集的第一AP对集进行比较,获取第二AP对与第一AP对相同的数目,得到每个待测点的NC个第一指纹相似度。
具体地,比较第j个待测点的第二AP对集pairj(TPj)与NC个参考点集第一AP对集pairi(Ci)中第二AP对与第一AP对相同的数目,记为 为每个待测点的NC个第一指纹相似度。其中,Ci表示定位区域中第i个参考点集,TPj表示定位区域中第j个待测点。
其中,根据参考点指纹库中的NC个参考点集第一AP序列和待测点指纹中的ND个第二AP序列,计算得到每个待测点的NC个第二指纹相似度,具体地,包括:
首先,根据每个待测点与NAP个AP之间的接收信号强度大小,为NAP个AP设置贡献度因子,根据每个AP的贡献度因子,得到NC个参考点集的第一权重值;
进一步地,根据每个待测点与NC个参考点集之间的距离波动情况,为NAP个AP设置距离波动因子,根据每个AP的距离波动因子,得到NC个参考点集的第二权重值;
进一步地,将NC个参考点集的第一权重值分别与NC个参考点集的第二权重值进行求和,得到每个待测点的NC个第二指纹相似度。
其中,根据每个待测点与NAP个AP之间的接收信号强度大小,为NAP个AP设置贡献度因子,根据每个AP的贡献度因子,得到NC个参考点集的第一权重值,具体地,包括:
每个所述待测点与NAP个AP之间的接收信号强度不同,接收信号强度越强的AP对待测点的定位贡献越大,因此,将每个待测点的第二AP序列中的NAP个AP分为不同的等级,即为NAP个AP设置贡献度因子。AP在第二AP序列排序的位置越靠前,对应的等级越高,设置的贡献度因子越大,反之,AP在第二AP序列排序的位置越靠后,对应的等级越低,设置的贡献度因子越小。
进一步地,为每个待测点的第二AP序列中的NAP个AP设置贡献度因子,其中贡献度因子赋值可相同,可不相同。如果AP在待测点第二AP序列中贡献度因子赋值为则该AP在参考点集第一AP序列中贡献度因子赋值也为比如待测点的第二AP序列中的AP1贡献度因子赋值为1,那么同一个定位区域中的参考点集的第一AP序列中AP1贡献度因子也赋值为1。其中,表示贡献度因子,衡量每个AP对待测点的定位贡献度,NL表示每个待测点的第二AP序列中NAP个AP的等级数目。贡献度因子与待测点AP的等级成正比,当AP的等级越高,贡献度因子赋值越大;反之,当AP的等级越低,贡献度因子赋值越小。
进一步地,根据每个AP的贡献度因子,得到NC个参考点集的第一权重值。每个参考点集第一AP序列中的NAP个AP都赋值了贡献度因子,将NAP个AP的贡献度因子求和,得到该参考点集的第一权重值,NC个参考点集对应有NC个参考点集的第一权重值。
其中,根据每个待测点与NC个参考点集之间的距离波动情况,为NAP个AP设置距离波动因子,根据每个AP的距离波动因子,得到NC个参考点集的第二权重值,具体地,包括:
计算每个待测点与NC个参考点集之间的距离波动情况,具体为计算每个待测点的第二AP序列与参考点集第一AP序列中同一AP的波动距离表示APk在Ci与TPj的波动距离。比如AP1在待测点的第二AP序列中第一个位置,AP1在第一个参考点集第一AP序列中第二个位置,则AP1在待测点与第一个参考点集的波动距离为1;如AP1在待测点的第二AP序列中第一个位置,AP1在第二个参考点集第一AP序列中第五个位置,则AP1在待测点与第二个参考点集的波动距离为4。
进一步地,根据波动距离的大小,赋值相应的距离波动因子其中,表示距离波动因子,衡量APk在Ci与TPj的波动的距离,f为APk在Ci与TPj的波动距离值,比如APk在Ci与TPj波动距离值为3,f=3,即距离波动因子为APk在Ci与TPj波动距离值为9,f=9,即距离波动因子为当波动距离越小时,距离波动因子赋值越大;反之,当波动距离越大,距离波动因子赋值越小。
因为无线信道的时变性,导致AP序列紊乱,本实施例根据波动距离的远近,赋值相应的距离波动因子允许AP在一定范围内波动,一定程度上减轻定位场景中AP序列紊乱的影响,从而更好解决环境动态问题(例如无线信道的时变性),提高了定位精度。
进一步地,根据每个AP的距离波动因子,得到NC个参考点集的第二权重值。每个参考点集第一AP序列中的NAP个AP都赋值了距离波动因子,将NAP个AP的距离波动因子求和,得到该参考点集的第二权重值,NC个参考点集对应有NC个参考点集的第二权重值。
其中,将NC个参考点集的第一权重值分别与NC个参考点集的第二权重值进行求和,得到每个待测点的NC个第二指纹相似度,具体地,包括:
每个待测点的NC个第二指纹相似度记为在待测点的第二指纹相似度计算之前,首先设定APk在参考点集Ci与待测点TPj之间的最大容忍波动距离δ。
进一步地,当波动距离时,APk在参考点集Ci与待测点TPj的波动的距离小于等于可以最大容忍波动距离,则按上述赋值距离波动因子和贡献度因子当波动距离时,APk在参考点集Ci与待测点TPj的波动距离大于可以容忍的最大的波动距离,则距离波动因子和贡献度因子均赋值为0,即距离波动因子和贡献度因子最终,根据NAP个AP的贡献度因子和距离波动因子赋值情况,得到NC个参考点集的第一权重值和NC个参考点集的第二权重值,将NC个参考点集的第一权重值分别与NC个参考点集的第二权重值进行求和,得到每个待测点的NC个第二指纹相似度。
其中,将NC个第一指纹相似度分别与NC个第二指纹相似度进行求和,得到每个待测点的NC个指纹相似度,具体地,包括:
每个待测点的NC个指纹相似度记为Si,j,上述分别计算得到了每个待测点的NC个第一指纹相似度每个待测点的NC个第二指纹相似度则每个待测点的NC个指纹相似度为Si,j越大,表示参考点集Ci与待测点TPj的指纹相似度越高。
进一步地,用表示所有待测点与NC个参考点集之间的指纹相似度,其中每个待测点与NC参考点集之间的相似度为分别计算,得到所有待测点的指纹相似度,每个待测点有NC个指纹相似度。
其中,根据NC个指纹相似度,获得待测点的坐标;
根据上述每个待测点得到的指纹相似度,判断待测点与哪个参考点集更接近,选择相似度最高的指纹相似度对应的参考点集的坐标作为待测点坐标。
进一步地,从NC个所述指纹相似度中,获取NS个相似度值最高的所述指纹相似度;
若NS等于1,则将相似度值最高的所述指纹相似度对应的所述参考点集坐标作为所述待测点的坐标;若NS大于1,则计算NS个相似度值最高的所述指纹相似度对应的所述参考点集坐标的平均值,将所述参考点集坐标的平均值作为所述待测点的坐标。
具体地,计算最高相似度参考点集的数目,记作NS,计算NS个参考点集中的坐标的平均值,将该平均值作为待测点的坐标,即当只有一个相似度最高的类时,选择该参考点集的坐标作为待测点的坐标。
例如,表2为待测点TPj与参考点集Ci(i=1,2,3)之间的相似度计算情况。
表2
如表2所示,表2为待测点TPj与参考点集Ci(i=1,2,3)之间的相似度计算情况。具体地,定位场景中存在一个待测点(即TPj)和三个参考点集(Ci(i=1,2,3)),计算待测点TPj与参考点集Ci(i=1,2,3)之间的指纹相似度,定位待测点TPj。首先计算参考点集Ci(i=1,2,3)的第一AP对集与待测点TPj的第二AP对集中的第一AP对和第二AP对相同对数目,即计算因为,参考点集C1的第一AP对集有{AP2,AP4;AP2,AP3;AP2,AP1;AP2,AP6;AP2,AP5;AP4,AP3;AP4,AP1;AP4,AP6;AP4,AP5;AP3,AP1;AP3,AP6;AP3,AP5;AP1,AP6;AP1,AP5;AP6,AP5}1,参考点集C2的第一AP对集有{AP4,AP2;AP4,AP1;AP4,AP3;AP4,AP5;AP4,AP6;AP2,AP1;AP2,AP3;AP2,AP5;AP2,AP6;AP1,AP3;AP1,AP5;AP1,AP6;AP3,AP5;AP3,AP6;AP5,AP6}2,参考点集C3的第一AP对集有{AP5,AP6;AP5,AP1;AP5,AP3;AP5,AP2;AP5,AP4;AP6,AP1;AP6,AP3;AP6,AP2;AP6,AP4;AP1,AP3;AP1,AP2;AP1,AP4;AP3,AP2;AP3,AP4;AP2,AP4}3,待测点TPj的第二AP对集有{AP2,AP3;AP2,AP4;AP2,AP1;AP2,AP5;AP2,AP6;AP3,AP4;AP3,AP1;AP3,AP5;AP3,AP6;AP4,AP1;AP4,AP5;AP4,AP6;AP1,AP5;AP1,AP6;AP5,AP6};计算参考点集C1的第一AP对集与待测点TPj的第二AP对集中相同的AP对,相同的AP对有{AP2,AP3;AP2,AP4;AP2,AP1;AP2,AP5;AP2,AP6;AP3,AP1;AP3,AP5;AP3,AP6;AP4,AP1;AP4,AP5;AP4,AP6;AP1,AP5;AP1,AP6},则参考点集C1的第一AP对集与待测点TPj的第二AP对集的相同AP对数目,即第一指纹相似度为13;同理计算参考点集C2的第一AP对集与待测点TPj的第二AP对集中相同的AP对,相同的AP对有{AP2,AP3;AP2,AP4;AP2,AP1;AP2,AP5;AP2,AP6;AP3,AP5;AP3,AP6;AP4,AP5;AP4,AP6;AP1,AP5;AP1,AP6;AP5,AP6},则参考点集C2的第一AP对集与待测点TPj的第二AP对集的相同AP对数目,即第一指纹相似度为12;同理计算参考点集C3的第一AP对集与待测点TPj的第二AP对集中相同的AP对,相同的AP有{AP2,AP4;AP3,AP4;AP5,AP6},则参考点集C3的第一AP对集与待测点TPj的第二AP对集的相同AP对数目,即第一指纹相似度为3。
然后分别计算待测点贡献度因子和待测点波动因子设置待测点TPj的对应的参考点集Ci(i=1,2,3)的第一权重值和参考点集Ci(i=1,2,3)的第二权重值。将待测点TPj的第二AP序列中的AP分为两个等级,待测点TPj中的AP2和AP3为第一等级,将AP2和AP3贡献度因子赋值为2,其余待测点TPj的第二AP序列中的AP为第二等级,将待测点TPj中AP4、AP1、AP5和AP6的贡献度因子赋值为1。将最大可容忍波动距离δ设置为1,则当时,如等。对于参考点集C1的第一AP序列:因为AP2在待测点TPj的第一AP序列和参考点集C1的第一AP序列中都位于第一位,则AP2在参考点集C1与待测点TPj的波动距离为0,即因为则参考点集C1中AP2的距离波动因子再根据AP2在待测点TPj为第一等级,则参考点集C1中AP2的贡献度因子参考点集C1中AP2距离波动因子和贡献度因子记为{2,2};AP3位于待测点TPj的第二AP序列中的第二位,AP3位于参考点集C1第一AP序列中的第三位,则AP3在参考点集C1与待测点TPj的波动距离为1,即因为则参考点集C1中AP3的距离波动因子再根据AP3在待测点TPj为第一等级,则参考点集C1中AP3的贡献度因子参考点集C1第一AP序列中AP3距离波动因子和贡献度因子记为{1,2};依次类推参考点集C1第一AP序列中其他AP的距离波动因子和贡献度因子分别记为{1,1}、{2,1}、{1,1}、{1,1},参考点集C1的第一权重值为参考点集C1第一AP序列中所有AP贡献度因子的求和,即参考点集C1的第一权重值为8,参考点集C1的第二权重值为参考点集C1第一AP序列中所有AP距离波动因子的求和,即参考点集C1的第二权重值为8,则参考点集C1的第二相似度为参考点集C1的第一权重值与参考点集C1的第二权重值求和,即参考点集C1的第二指纹相似度同理可以得到参考点集C2的第一AP序列中所有AP的距离波动因子和贡献度因子,分别记为{1,2}、{0,2}、{0,1}、{1,1}、{2,1}、{2,1},则参考点集C2的第二指纹相似度同理可以得到参考点集C3的第一AP序列中的所有AP的距离波动因子和贡献度因子分别记为{0,2}、{0,2}、{0,1}、{1,1}、{0,1}、{0,1},则参考点集C3的第二指纹相似度
因此,最终计算得到待测点TPj与三个参考点集Ci(i=1,2,3)的指纹相似度,待测点TPj与三个参考点集Ci(i=1,2,3)的指纹相似度分别为Ci(i=1,2,3)第一指纹相似度与Ci(i=1,2,3)第二指纹相似度求和,则待测点TPj的3个指纹相似度分别为和最后,选取相似度最高的参考点集的坐标作为待测点的坐标,S1,j>S2,j>S3,j,则选取参考点集C1的坐标为待测点(即TPj)的坐标。
本实施例根据构建的参考点指纹库与待测点指纹,通过上述在线阶段的指纹相似度算法,即将参考点指纹库和待测点指纹进行指纹相似度计算,获取待测点的坐标的方法,解决了传统的直接采用AP序列进行定位的方法中的漏点(待测点与所有的类都不匹配,无法定位的点)问题,提高了定位精度。
请参见图3,图3是本发明实施例提供的60m×40m实验场景示意图。图3所示实验场景是一个60m(长)×40m(宽)的房间,其中部署了7个AP。在这个实验场景:离线阶段,将实验场景中定位区域划分为一系列的网格,分别以横坐标和纵坐标每间隔0.5m距离选取一个网格点作为参考点,并记录所有参考点对应的坐标。同时,分别记录定位区域中7个AP的位置与BSSID。对该实验场景中生成的参考点,首先根据每个参考点与实验场景中7个AP的距离,生成每个参考点的第一AP序列;然后对每个参考点的第一AP序列进行分类,将第一AP序列相同的参考点归为一类,得到参考点集;通过参考点集获得第一AP对集、参考点集坐标;再构建参考点指纹库,其中参考点指纹库包括参考点集、第一AP对集和参考点集坐标。在线阶段,将实验场景中定位区域划分为一系列的网格,分别以横坐标和纵坐标每间隔2m选取一个待测点。在每个待测点处,实验仿真产生一组该待测点与7个AP的接收信号强度值,将7个AP的接收信号强度值作为一个样本,仿真产生100组这样的样本,分别计算这100个样本中7个AP的接收信号强度值的平均值,将该接收信号强度值的平均值作为每个待测点与7个AP的接收信号强度值。根据每个待测点与7个AP的接收信号强度值降序排列,获得待测点的第二AP序列;通过待测点的第二AP序列获得第二AP对集;然后构建待测点指纹,其中待测点指纹包括待测点的第二AP序列、待测点的第二AP对集;将参考点指纹库和待测点指纹进行指纹相似度计算,获取待测点的坐标。
请参见图4,图4是本发明实施例提供的108m×8m实验场景示意图。图4所示实验场景是一个108m(长)×8m(宽)的走廊,其中部署了11个AP。在这个实验场景:离线阶段,将实验场景中定位区域划分为一系列的网格,分别以横坐标和纵坐标每间隔0.5m距离选取一个网格点作为参考点,并记录所有参考点对应的坐标。同时,分别记录定位区域中11个AP的位置与BSSID。对该实验场景中生成的参考点,首先根据每个参考点与实验场景中11个AP的距离,生成每个参考点的第一AP序列;然后对每个参考点的第一AP序列进行分类,将第一AP序列相同的参考点归为一类,得到参考点集;通过参考点集第一AP序列获得第一AP对集、参考点集坐标;再构建参考点指纹库,其中参考点指纹库包括参考点集、第一AP对集和参考点集坐标。在线阶段,将实验场景中定位区域划分为一系列的网格,分别以横坐标和纵坐标每间隔2m选取一个待测点。在每个待测点处,实验仿真产生一组该待测点与11个AP的接收信号强度值,将11个AP的接收信号强度值作为一个样本,仿真产生100组这样的样本,分别计算这100个样本中11个AP的接收信号强度值的平均值,将该接收信号强度值的平均值作为每个待测点与11个AP的接收信号强度值。根据每个待测点与11个AP的接收信号强度值降序排列,获得待测点的第二AP序列;通过待测点的第二AP序列获得第二AP对集;然后构建待测点指纹,其中待测点指纹包括待测点的第二AP序列、待测点的第二AP对集;将参考点指纹库和待测点指纹进行指纹相似度计算,获取待测点的坐标。
请参见图5和图6,图5是本发明实施例提供的60m×40m实验场景的定位精度性能结果示意图,图6是本发明实施例提供的108m×8m实验场景的定位精度性能结果示意图。在两种不同的定位场景中,本发明APFS的性能均优于selective AP-sequence方法。具体来说,在60m(长)×40m(宽)、108m(长)×8m(宽)的定位场景中,本发明APFS的定位误差比分别采用3个、4个或5个AP构建指纹库的selective AP-sequence方法定位误差均低。其中,采用4或5个AP构建指纹库的selective AP-sequence方法存在漏点,而且构建指纹库采用的AP数目越多,selective AP-sequence方法存在更多的漏点(无法定位的点);而本发明APFS方法即使采用定位区域中所有的AP建库,也不存在漏点问题,定位精度大幅度提高。其中,selective AP-sequence室内定位方法为依据AP的位置,将定位区域划分为多个小区域以构建指纹库,然后进行室内定位,该方法虽然解决了离线建库的开销问题,但存在漏点问题,以及环境动态问题;本发明的APFS方法,不只解决了离线建库开销问题,还解决了selective AP-sequence室内定位方法存在的漏点问题,同时也解决了环境动态问题,整体上提高了室内定位精度。
例如,在60m(长)×40m(宽)的定位场景中,与采用5个AP建立指纹库的selectiveAP-sequence方法相比,本发明APFS的平均定位误差和中值误差分别下降了39.86%和40.11%;在108m(长)×8m(宽)的定位场景中,与使用5个AP建立指纹库的selective AP-sequence方法相比,本发明APFS的平均定位误差和中值误差分别下降了17.79%和29.39%。其中,中值误差指所有误差值由小到大排序,取正中间值的作为中值误差。
本实施例的有益效果:
1、本实施例在离线阶段,构建的参考点指纹库只需知道AP的位置,无需花费大量时间和人力收集AP的接收信号强度值,大幅度减少了离线阶段的开销。
2、本实施例在线阶段设计了一种指纹相似度算法,为更强信号强度的AP设置较大的权重,可以容忍AP序列紊乱,从而更好地解决了环境动态问题(例如无线信道的时变性),提高了定位精度。
3、本实施例通过根据参考点第一AP序列是否相同,对参考点进行分类,将第一AP序列相同的参考点划分在同一个类中,避免了后续不必要的计算,减少了计算量。
4、本实施例通过在线阶段的指纹相似度算法,解决了传统的直接采用AP序列进行定位的方法中的漏点(待测点与所有的类都不匹配,无法定位的点)问题,提高了定位精度。
5、本实施例在线阶段,采用接收信号强度相对值构建待测点指纹,减轻了接收设备异构的影响。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种基于AP序列的指纹相似度的室内定位方法,其特征在于,包括:
分别计算N个参考点与NAP个AP之间的距离,得到距离序列;
根据所述距离序列生成每个所述参考点的第一AP序列;
根据所述第一AP序列对N个所述参考点进行分类,得到NC个参考点集;
根据NC个所述参考点集获取NC个第一AP对集和NC个参考点集坐标;
根据NC个所述参考点集、NC个第一AP对集和NC个参考点集坐标构建参考点指纹库;
根据ND个待测点构建待测点指纹;
将所述参考点指纹库和所述待测点指纹进行指纹相似度计算,获取所述待测点的坐标。
2.根据权利要求1所述的方法,其特征在于,根据所述第一AP序列对N个所述参考点进行分类,包括:
判断N个所述参考点是否存在相同的第一AP序列,若存在,则将所述第一AP序列相同的所述参考点分为同一类别。
3.根据权利要求1所述的方法,其特征在于,根据NC个所述参考点集获取NC个所述第一AP对集,包括:
根据每个所述参考点集的第一AP序列,将所述第一AP序列中的第a个所述AP与第a+1个所述AP至第NAP个所述AP进行两两组合,获取NC个第一AP对集,其中,每个所述第一AP对集中包括多个第一AP对,其中,1≤a≤NAP-1,且a为正整数。
4.根据权利要求1所述的方法,其特征在于,根据ND个所述待测点构建所述待测点指纹,包括:
根据ND个所述待测点与NAP个所述AP之间接收信号强度的大小,获取ND个所述第二AP序列;
根据所述第二AP序列中的AP排列顺序,将所述第二AP序列中的第b个所述AP与第b+1个所述AP至第NAP个所述AP进行两两组合,获取ND个所述第二AP对集,其中,每个所述第二AP对集中包括多个第二AP对,其中,1≤b≤NAP-1,且b为正整数;
根据ND个所述第二AP序列和ND个所述第二AP对集,构建所述待测点指纹。
5.根据权利要求1所述的方法,其特征在于,将所述参考点指纹库和所述待测点指纹进行所述指纹相似度计算,获取所述待测点的坐标,包括:
根据所述参考点指纹库中的NC个所述第一AP对集和所述待测点指纹中的ND个所述第二AP对集,计算得到每个所述待测点的NC个第一指纹相似度;
根据所述参考点指纹库中的NC个所述参考点集和所述待测点指纹中的ND个所述第二AP序列,计算得到每个所述待测点的NC个第二指纹相似度;
将NC个所述第一指纹相似度分别与NC个所述第二指纹相似度进行求和,得到每个所述待测点的NC个指纹相似度;
根据NC个所述指纹相似度,获得所述待测点的坐标。
6.根据权利要求5所述的方法,其特征在于,计算得到每个所述待测点的NC个所述第一指纹相似度,包括:
将每个所述待测点的第二AP对集分别与NC个所述参考点集的第一AP对集进行比较,获取所述第二AP对与所述第一AP对相同的数目,得到每个所述待测点的NC个所述第一指纹相似度。
7.根据权利要求5所述的方法,其特征在于,计算得到每个所述待测点的NC个所述第二指纹相似度,包括:
根据每个所述待测点与NAP个所述AP之间的接收信号强度大小,为NAP个所述AP设置贡献度因子;
根据每个所述AP的贡献度因子,得到NC个参考点集的第一权重值;
根据每个所述待测点与NC个所述参考点集之间的距离波动情况,为NAP个所述AP设置距离波动因子;
根据每个所述AP的距离波动因子,得到NC个参考点集的第二权重值;
将NC个所述参考点集的第一权重值分别与NC个所述参考点集的第二权重值进行求和,得到每个所述待测点的NC个所述第二指纹相似度。
8.根据权利要求5所述的方法,其特征在于,根据NC个所述指纹相似度,获得所述待测点的坐标,包括:
从NC个所述指纹相似度中,获取NS个相似度值最高的所述指纹相似度;
若NS等于1,则将相似度值最高的所述指纹相似度对应的所述参考点集坐标作为所述待测点的坐标;若NS大于1,则计算NS个相似度值最高的所述指纹相似度对应的所述参考点集坐标的平均值,将所述参考点集坐标的平均值作为所述待测点的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811117060.6A CN109121083B (zh) | 2018-09-25 | 2018-09-25 | 一种基于ap序列的指纹相似度的室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811117060.6A CN109121083B (zh) | 2018-09-25 | 2018-09-25 | 一种基于ap序列的指纹相似度的室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109121083A true CN109121083A (zh) | 2019-01-01 |
CN109121083B CN109121083B (zh) | 2020-06-19 |
Family
ID=64856186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811117060.6A Active CN109121083B (zh) | 2018-09-25 | 2018-09-25 | 一种基于ap序列的指纹相似度的室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109121083B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110856255A (zh) * | 2019-11-25 | 2020-02-28 | 北京眸星科技有限公司 | 一种抗差位置指纹定位方法 |
CN111601380A (zh) * | 2020-05-15 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 基于位置指纹的位置定位方法、装置、设备及存储介质 |
CN112188385A (zh) * | 2019-07-02 | 2021-01-05 | 天津工业大学 | 一种基于ap序列的缩小定位区域的室内定位方法 |
CN112946567A (zh) * | 2021-01-26 | 2021-06-11 | 西安电子科技大学 | 基于域对抗神经网络的运动目标指纹室内定位方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103476115A (zh) * | 2013-09-22 | 2013-12-25 | 中国地质大学(武汉) | 一种基于AP集相似度的Wi-Fi指纹定位方法 |
CN103596267A (zh) * | 2013-11-29 | 2014-02-19 | 哈尔滨工业大学 | 一种基于欧氏距离的指纹图匹配方法 |
CN103901398A (zh) * | 2014-04-16 | 2014-07-02 | 山东大学 | 一种基于组合排序分类的位置指纹定位方法 |
EP2932295A1 (en) * | 2012-12-12 | 2015-10-21 | Ahmad Al-Najjar | System and method for determining a position of a mobile unit |
CN105960021A (zh) * | 2016-07-07 | 2016-09-21 | 济南东朔微电子有限公司 | 一种改进的位置指纹室内定位方法 |
CN106304331A (zh) * | 2016-08-19 | 2017-01-04 | 青岛海尔智能技术研发有限公司 | 一种WiFi指纹室内定位方法 |
CN107484123A (zh) * | 2017-07-21 | 2017-12-15 | 中山大学 | 一种基于集成HWKNN的WiFi室内定位方法 |
CN107949052A (zh) * | 2017-10-09 | 2018-04-20 | 北京航空航天大学 | 基于空间特征分区和前点约束的wknn室内定位方法 |
CN108540929A (zh) * | 2018-03-29 | 2018-09-14 | 马梓翔 | 基于rssi信号强度排序的室内指纹定位系统 |
-
2018
- 2018-09-25 CN CN201811117060.6A patent/CN109121083B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2932295A1 (en) * | 2012-12-12 | 2015-10-21 | Ahmad Al-Najjar | System and method for determining a position of a mobile unit |
CN103476115A (zh) * | 2013-09-22 | 2013-12-25 | 中国地质大学(武汉) | 一种基于AP集相似度的Wi-Fi指纹定位方法 |
CN103596267A (zh) * | 2013-11-29 | 2014-02-19 | 哈尔滨工业大学 | 一种基于欧氏距离的指纹图匹配方法 |
CN103901398A (zh) * | 2014-04-16 | 2014-07-02 | 山东大学 | 一种基于组合排序分类的位置指纹定位方法 |
CN105960021A (zh) * | 2016-07-07 | 2016-09-21 | 济南东朔微电子有限公司 | 一种改进的位置指纹室内定位方法 |
CN106304331A (zh) * | 2016-08-19 | 2017-01-04 | 青岛海尔智能技术研发有限公司 | 一种WiFi指纹室内定位方法 |
CN107484123A (zh) * | 2017-07-21 | 2017-12-15 | 中山大学 | 一种基于集成HWKNN的WiFi室内定位方法 |
CN107949052A (zh) * | 2017-10-09 | 2018-04-20 | 北京航空航天大学 | 基于空间特征分区和前点约束的wknn室内定位方法 |
CN108540929A (zh) * | 2018-03-29 | 2018-09-14 | 马梓翔 | 基于rssi信号强度排序的室内指纹定位系统 |
Non-Patent Citations (3)
Title |
---|
FUGUI HE等: "Robust and Fast Similarity Search for Fingerprint Calibrations-Free Indoor Localization", 《 2017 3RD INTERNATIONAL CONFERENCE ON BIG DATA COMPUTING AND COMMUNICATIONS (BIGCOM)》 * |
刘腾飞: "WIFI网络下的室内定位算法研究", 《中国优秀硕士学问论文全文数据库》 * |
陈思敏: "基于位置指纹识别的WiFi室内定位算法研究与实现", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112188385A (zh) * | 2019-07-02 | 2021-01-05 | 天津工业大学 | 一种基于ap序列的缩小定位区域的室内定位方法 |
CN110856255A (zh) * | 2019-11-25 | 2020-02-28 | 北京眸星科技有限公司 | 一种抗差位置指纹定位方法 |
CN111601380A (zh) * | 2020-05-15 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 基于位置指纹的位置定位方法、装置、设备及存储介质 |
CN111601380B (zh) * | 2020-05-15 | 2021-03-23 | 腾讯科技(深圳)有限公司 | 基于位置指纹的位置定位方法、装置、设备及存储介质 |
CN112946567A (zh) * | 2021-01-26 | 2021-06-11 | 西安电子科技大学 | 基于域对抗神经网络的运动目标指纹室内定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109121083B (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109121083A (zh) | 一种基于ap序列的指纹相似度的室内定位方法 | |
CN110596492B (zh) | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 | |
CN112041693B (zh) | 一种基于混合录波的配电网故障定位系统 | |
CN106131959A (zh) | 一种基于Wi‑Fi信号空间划分的两级定位方法 | |
CN102821465A (zh) | 基于分区信息熵增益的wlan室内定位方法 | |
CN106408939A (zh) | 基于密度峰值聚类的交通流量序列划分方法 | |
CN102760444B (zh) | 基于支撑向量机的基带时域音频信号分类方法 | |
CN106304331A (zh) | 一种WiFi指纹室内定位方法 | |
CN105606966A (zh) | 基于混合神经网络算法的局部放电模式识别方法 | |
CN103916820A (zh) | 基于接入点稳定度的无线室内定位方法 | |
CN106093852A (zh) | 一种提高WiFi指纹定位精度与效率的方法 | |
CN107807346A (zh) | 基于ott与mr数据的自适应wknn室外定位方法 | |
CN106804059A (zh) | 基于信号强度的室内定位技术中的终端差异消除方法 | |
CN109873501A (zh) | 一种低压配电网拓扑自动识别方法 | |
CN103997783B (zh) | 一种室外聚类匹配定位方法和装置 | |
CN101477172A (zh) | 一种基于神经网络的模拟电路故障诊断方法 | |
CN106851571A (zh) | 一种基于决策树的快速KNN室内WiFi定位方法 | |
CN109640269A (zh) | 基于csi与时域融合算法的指纹定位方法 | |
CN106970379B (zh) | 基于泰勒级数展开对室内目标的测距定位方法 | |
CN109348416B (zh) | 基于二分k均值的指纹室内定位方法 | |
CN111832462A (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN104578053A (zh) | 基于受扰电压轨迹簇特征的电力系统暂态稳定性预测方法 | |
CN109526021A (zh) | 一种高速铁路无线信道场景的分类方法及识别方法 | |
CN112288015A (zh) | 基于边缘计算改进knn的配网电气拓扑识别方法及系统 |
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 |