CN109547920B - 基于自适应噪声抵消的WiFi室内定位系统和方法 - Google Patents
基于自适应噪声抵消的WiFi室内定位系统和方法 Download PDFInfo
- Publication number
- CN109547920B CN109547920B CN201811159323.XA CN201811159323A CN109547920B CN 109547920 B CN109547920 B CN 109547920B CN 201811159323 A CN201811159323 A CN 201811159323A CN 109547920 B CN109547920 B CN 109547920B
- Authority
- CN
- China
- Prior art keywords
- signal
- wifi
- noise
- adaptive
- adaptive noise
- 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
Links
Images
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
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/06—Receivers
- H04B1/10—Means associated with receiver for limiting or suppressing noise or interference
- H04B1/12—Neutralising, balancing, or compensation arrangements
- H04B1/123—Neutralising, balancing, or compensation arrangements using adaptive balancing or compensation means
-
- 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
Abstract
本发明公开一种基于自适应噪声抵消的WiFi室内定位系统和方法,解决了噪声使WiFi信号发生幅值畸变影响室内定位准确度的问题。本发明在混合信号拾取单元和自适应噪声提取子系统、自适应噪声抵消器间分别增设延时器。离线阶段首先建立一维基础坐标系;构建位置指纹库;在线阶段首先提取与噪声相关、与WiFi无关的信号;抵消噪声,提取真实的WiFi信号;匹配数据完成定位。本发明同步调整两个延时器的延时值l,用k时刻的WiFi信号预测(k+l)时刻的WiFi信号,本发明输出信号与真实WiFi信号达到最大相关、迅速趋近真实WiFi信号,滤波器收敛性和稳定性较高,降低了噪声带来的WiFi误码率,提高了WiFi信号的信噪比,进而提高了室内定位的精确度,本发明用于WiFi室内定位。
Description
技术领域
本发明属于信号处理技术领域,主要涉及室内定位,具体是一种基于自适应噪声抵消的WiFi室内定位系统和方法,用在有WiFi环境的室内定位。
背景技术
随着移动互联网时代的到来,智能手机越来越普及,WiFi成了必备功能。定位服务市场同样发展迅速,定位需求量迅速增长,GPS可以较好地满足室外环境的定位需求,但是在相对封闭或者复杂的环境中,GPS定位通常不能获得很好效果甚至无法定位。而基于位置指纹的WiFi室内定位技术以其实现简便、成本较低、定位精度高、鲁棒性好、扩展性强等优势,减少了对室内难以精确定义的信号传播模型的依赖性,成为定位技术中的一个热点领域。通过WiFi网络进行定位,可以弥补卫星定位在建筑密集和室内应用的限制,扩大了定位服务的应用行业和范围,提高定位精度和速度,降低部署成本,增强应对突发事件的救援能力。
WiFi是基于IEEE802.11标准的一种无线局域网(WLAN),它工作在2.4GHzISM频段,具有高宽带、高速率、高覆盖度的特点,并且受非视距影响小,所以在中短距离的应用范围内,WiFi具有无可比拟的优势。基于WiFi的室内定位技术是利用接收无线信号强度(RSSI)获取目标位置信息,建立无线信号强度数据库和位置信息匹配的过程。其中应用最为广泛的是位置指纹法,它的工作模式通常分为两个阶段:(1)离线阶段,也可以称为训练阶段。在待定位区域不同位置布置一定数量的AP,系统在该区域内选取一些位置点作为参考点,然后通过信号接收设备收集这些位置点上的信号强度(相当于射频指纹),构建信号位置指纹数据库;(2)在线阶段,也可以称为匹配阶段,当手持信号接收器在待测位置点发出定位请求时,将移动设备收集到的信号强度与已有位置指纹数据库中的位置指纹进行比对,然后结合匹配算法估计移动设备的位置,从而完成定位。在传统的位置指纹定位法中,指纹库中保存的是噪声信号和WiFi信号叠加到一起的混合信号强度,采用K近邻法通过欧几里德距离比较测量值和位置指纹之间的差异,位置指纹库中差异最小的位置指纹对应的位置即为估计值。该类方法未对手持信号接收器的接收信号进行降噪处理,也没有提高WiFi信号的信噪比,各种噪声导致手持信号接收器接收到的是已发生畸变的WiFi信号,严重影响测量值与位置指纹之间的匹配,从而导致定位精度出现偏差、定位不及时。
发明内容
本发明的目的在于针对现有技术的不足,提供一种定位精度更高的基于自适应噪声抵消的WiFi室内定位系统和方法。
本发明首先是一种基于自适应噪声抵消的WiFi室内定位系统,由手持信号接收器参与室内定位,在手持信号接收器中根据信号处理方向,依次连接和包括有混合信号拾取单元、自适应噪声提取子系统、自适应噪声抵消器、MCU微处理器和屏幕,MCU微处理器和位置指纹数据库进行数据交互,自适应噪声提取子系统和自适应噪声抵消器均有各个的自适应滤波器,其特征在于,在混合信号拾取单元和自适应噪声提取子系统之间增设有第一延时器,在混合信号拾取单元和自适应噪声抵消器之间增设有第二延时器;自适应噪声提取子系统和自适应噪声抵消器均还有一个输入信号,即经过延时器延时后的信号输入。
本发明还是一种基于自适应噪声抵消的WiFi室内定位方法,在基于自适应噪声抵消的WiFi室内定位系统上实现,其特征在于,自适应噪声提取子系统的输出信号作为自适应噪声抵消器的一个输入信号,包括有如下步骤:
离线训练阶段:
(1)建立一维基础坐标系:在待定位室内的地面等间距地建立栅格坐标系,根据实际场地布置多个AP使得信号能够完全覆盖该待定位区域;
(2)构建位置指纹库:在无噪声干扰的环境下,在该区域内等间隔地选取物理位置作为参考点,采集每个参考点的坐标点(x,y)及该点处接收到来自所有AP的WiFi信号强度,WiFi信号强度分别为:rss1、rss2、rss3······rss n,n是待定位区域内的AP总个数,来自同一个AP的WiFi信号强度是多次接收并取均值作为该AP在此参考点处的WiFi信号强度,将每一个坐标点和对应的WiFi信号强度按照先坐标后WiFi信号强度的顺序存储成一组位置指纹数据,表示为(x,y,rss1,rss2…rssn),待定位区域内所有参考点的位置指纹数据构建位置指纹库;
在线匹配阶段:
(3)提取与噪声相关、与WiFi信号无关的信号:手持信号接收器在待测位置点发出定位请求,手持信号接收器中的混合信号拾取单元接收到噪声信号和WiFi信号叠加到一起的混合信号x1(k),并将该信号输入自适应噪声提取子系统,通过调整第一延时器的延时值l,使WiFi信号在k时刻和(k+l)时刻相关,但噪声信号在k时刻和(k+l)时刻不相关,用k时刻的WiFi信号s(k)的值去预测(k+l)时刻WiFi延时信号的值,噪声信号n(k)在k时刻的值不能预测其在(k+l)时刻的值,基于最小均方误差(LMS)算法不断迭代更新自适应滤波器权系数,使自适应噪声提取子系统从混合信号中提取出与干扰噪声相关、与WiFi信号不相关的信号,而且将该信号作为自适应噪声抵消器的一个输入信号,称为参考输入信号,该参考输入信号直接输入到自适应噪声抵消器的自适应滤波器中;自适应噪声抵消器还有一个输入信号称为主输入信号;
(4)抵消噪声,提取有用的WiFi信号:在自适应噪声抵消器中,基于最小均方误差(LMS)算法调节自适应噪声抵消器中滤波器系数H,具体是混合信号x2(k)经过第二延时器后的(k+l)时刻的噪声信号n(k+l)减去噪声信号的估计值通过两者之间的误差信号δ(k)控制自适应噪声抵消器中滤波器权系数H,不断更新迭代使误差信号的均方值达到最小,自适应噪声抵消器中的自适应滤波器的输出信号与自适应噪声抵消器的参考输入信号达到最大相关性,即使自适应噪声抵消器的输出信号与WiFi信号达到最大相关,与干扰噪声信号达到最大不相关,自适应噪声抵消器输出的信号迅速地趋近于真实的射频信号;
(5)匹配数据完成定位:将趋近于真实的射频信号的信号强度与已有位置指纹数据库中的位置指纹进行比对,结合K近邻匹配算法确定测量值与位置指纹数据库中哪些指纹数据最相近,位置指纹库中差异最小的位置指纹对应的坐标位置即为待定位处的真实物理位置。完成WiFi室内定位。
本发明目的是通过对手持信号接收器接收到的叠加有噪声的WiFi信号基于自适应噪声抵消进行降噪处理,使自适应抵消器的输出信号与WiFi信号达到最大相关,与噪声信号无关,从而提高基于WiFi的室内停车场定位的精确度。
与现有技术相比,本发明的技术优势:
本发明提供了一种WiFi室内定位系统的新结构:本发明增设了两个延时器,通过调整延时值l使得能够用k时刻的WiFi信号s(k)预测(k+l)时刻的WiFi信号使自适应噪声抵消器输出的信号迅速地趋近于真实的WiFi信号。
本发明把自适应噪声提取子系统和自适应噪声抵消器组合成一个新的自适应噪声抵消系统,用最小均方误差(LMS)算法不断迭代滤波器权系数,从而使整个系统输出的信号与期望信号的WiFi信号达到最大相关。
本发明第一延时器和第二延时器的延时值相同,同步调整两个延时器;通过调整延时值l使得k时刻的WiFi信号与(k+l)时刻的WiFi信号相关,而噪声信号在k时刻和(k+l)时刻不相关,从而用k时刻的WiFi信号预测(k+l)时刻的WiFi信号,使自适应噪声抵消器输出的信号趋近于真实的WiFi信号,达到从叠加噪声的WiFi信号中降噪的目的。
提高了WiFi信号的信噪比:本发明基于最小误差算法(LMS)收敛到最优解时,自适应噪声抵消器中的自适应滤波器输出信号为噪声信号n(k)的最佳估计值从混合信号中减去噪声信号的最佳估计值,从而提高滤波器收敛性和稳定性,提高了WiFi信号的信噪比,能有效地解决外界噪声致使WiFi信号发生幅值畸变的问题。
室内定位精度更加准确:本发明把基于LMS自适应降噪的算法应用到WiFi室内定位的信号采集中,能有效的解决位置指纹法定位中由于外界噪声干扰接收WiFi信号强度的问题,使得在线定位阶段基于WiFi的室内定位精度更加准确。
附图说明
图1为本发明的基于自适应噪声抵消的WiFi室内定位系统的整体结构图;
图2为本发明定位方法的流程图;
图3为本发明的室内定位方法的离线训练、在线匹配示意图;
图4为本实验停车场的室内定位的位置指纹分布图;
图5为自适应噪声提取子系统原理图;
图6为自适应噪声抵消器原理图;
图7为均方误差性能曲面;
图8为基于LMS自适应降噪算法实现原理图;
图9为混合信号、真实WiFi信号与本发明输出信号的波形仿真图;
图10为真实WiFi信号、本发明输出信号与误差信号比较图;
图11为误差信号的均方误差估计曲线图。
具体实施方式
下面结合附图和具体实施例对本发明详细描述。
实施例1
随着互联网时代的到来,室内定位需求也迅速扩大,目前常见的室内定位技术是位置指纹定位法,然而在大型商场、展览厅内、室内停车场内布局复杂多变,停车场内汽车频繁走停,外界各种噪声会导致WiFi信号发生幅度畸变、信噪比下降,在同一位置不同时刻接收到的信号值并不稳定。位置指纹法没有对接收到的叠加有噪声的WiFi信号进行处理,不能跟踪外界环境的变化,导致有定位精度不准确等问题。
在无线局域网室内定位中,WLAN覆盖的室内停车场环境大多数很复杂,如墙体和障碍物等都会对信号的传播过程产生影响,导致信号在室内传输过程中会发生多次反射、散射和衍射。在停车场里面,汽车噪声是不可避免的,在无线局域网室内定位中,由于WLAN覆盖的室内停车场环境大多数很复杂,如墙体和障碍物等都会对信号的传播过程产生影响,导致信号在室内传输过程中会发生多次反射、散射和衍射。当然,室内的汽车噪声带来的影响也不容忽视:(1)汽车的动力采用燃烧发动机,燃烧和惯性力所带来的震动将会带来扭曲震动和弯曲震动,从而带来噪声,还包括发动机运行过程中所出现的排气、进气噪声、启动噪声;(2)汽车轮胎在行驶的过程中和地面之间的摩擦会产生噪声,由车轮不平衡导致震动也会产生低频噪声,汽笛声会产生尖锐的高频噪声;(3)在汽车在停车场内行驶过程中会对周围空气造成严重扰动,形成空气扰动噪声;(4)室内布置的无线路由器、汽车由地面平整度低导致的噪声都真实存在。这些噪声的穿透力极强,而且停车场内汽车走动频繁,环境结构变化快,都会导致WiFi信号发生幅值畸变、出现误码率、信噪比下降,造成定位结果不可靠。因此对接收到的信号进行噪声抑制,提高有用信号的信噪比,是提高室内停车场定位精度的必要环节。
本发明经过研究,提出一种基于自适应噪声抵消的WiFi室内定位系统,由手持信号接收器参与室内定位,在手持信号接收器中根据信号处理方向,依次连接和包括有混合信号拾取单元、自适应噪声提取子系统、自适应噪声抵消器、MCU微处理器和屏幕,MCU微处理器和位置指纹数据库进行数据交互,自适应噪声提取子系统和自适应噪声抵消器均有各个的自适应滤波器,参见图1,本发明在混合信号拾取单元和自适应噪声提取子系统之间设有第一延时器,在混合信号拾取单元和自适应噪声抵消器之间设有第二延时器;自适应噪声提取子系统和自适应噪声抵消器均还有一个输入信号,即经过延时器延时后的信号输入。也就是说自适应噪声提取子系统和自适应噪声抵消器均有两个输入信号:自适应噪声提取子系统的第一输入信号是混合信号拾取单元直接采集到的噪声信号和WiFi信号叠加一起的混合信号,第二输入信号是混合信号经过第一延时器后的延时信号。自适应噪声抵消器的第一输入信号是自适应噪声提取子系统的输出信号,第二输入信号是经过信号混合第二延时器后的延时信号。
实施例2
基于自适应噪声抵消的WiFi室内定位系统的总体构成,同实施例1,本发明中第一延时器和第二延时器同步调节混合信号拾取器采集到的混合信号值,使混合信号值延时相同时间即达到延时值l,并且该延时值l小于WiFi信号的相关长度cls而大于干扰噪声的相关长度cln,选取的该延时值l使WiFi信号在k时刻和(k+l)时刻相关,而噪声信号在k时刻和(k+l)时刻不相关。
本发明在混合信号拾取单元和自适应噪声提取子系统之间增设第一延时器,通过在k时刻第一延时器调整混合信号延时l,并且该延时值l小于WiFi信号的相关长度cls而大于干扰噪声的相关长度cln,使WiFi信号在k时刻和(k+l)时刻相关,但噪声信号在k时刻和(k+l)时刻不相关,从而可以用k时刻的WiFi信号s(k)的值去预测(k+l)时刻WiFi延时信号的值,使得自适应噪声提取子系统的输出信号是与WiFi信号无关,与噪声信号相关的信号,并将该信号作为自适应噪声抵消器的参考输入信号,为抵消噪声、提高WiFi信号信噪比做准备。
本发明在混合信号拾取单元和自适应噪声抵消器之间增设第二延时器,第二延时器与第一延时器同步调整混合信号,并且混合信号延时相同时间,使得自适应噪声抵消器的输出信号与WiFi信号达到最大相关,与噪声信号无关,从而从混合信号中提取出WiFi信号,达到主动降噪的目的,提高有用的WiFi信号的信噪比。
实施例3
本发明还是一种基于自适应噪声抵消的WiFi室内定位方法,在上述的基于自适应噪声抵消的WiFi室内定位系统上实现,基于自适应噪声抵消的WiFi室内定位系统同实施例1-2,基于自适应噪声抵消的WiFi室内定位方法,工作模式分为两个阶段:离线训练阶段和在线匹配阶段,参见图3,自适应噪声提取子系统的输出信号作为自适应噪声抵消器的一个输入信号,包括有如下步骤:
离线训练阶段:
(1)建立一维基础坐标系:在待定位室内的地面等间距地建立栅格坐标系,根据场地的实际情况,布置多个AP使得信号能够完全覆盖待定位区域;用手持信号接收器采集WiFi信号,相当于一个射频指纹,为构建位置指纹库做准备。
(2)构建位置指纹库:在无噪声干扰的环境下,在该区域内车流量密集处、车库门前、通道口处等间隔地选取物理位置作为参考点,采集每个参考点的坐标点(x,y)及该点处接收到来自所有AP的WiFi信号强度,WiFi信号强度分别为:rss1、rss2、rss3······rss n,n是待定位区域内的AP总个数,来自同一个AP的WiFi信号强度是多次接收并取均值作为该AP在此参考点处的WiFi信号强度,将每一个坐标点和对应的WiFi信号强度按照先坐标后WiFi信号强度的顺序存储成一组位置指纹数据,表示为(x、y、rss1、rss2、rss3······rss n),如第一个参考点的位置指纹表示为:(x1,y1,rss11,rss21,rss31…rssn1),其中x1,y1是第一个参考点在一维坐标系中的坐标值,rss11,rss21…rssn1分别为n个AP在第一个参考点处的WiFi信号强度值。本发明待定位区域内所有参考点的位置指纹数据构建位置指纹库,用于匹配数据完成定位。
在线匹配阶段:
(3)提取与噪声相关、与WiFi信号无关的信号:当用户有定位需求时,用户用手持信号接收器在待测位置点发出定位请求,手持信号接收器中的混合信号拾取单元接收到噪声信号和WiFi信号叠加到一起的混合信号x1(k),并将该信号输入自适应噪声提取子系统,通过调整第一延时器的延时值l,使WiFi信号在k时刻和(k+l)时刻相关,但噪声信号在k时刻和(k+l)时刻不相关,因为延时值l保证了在k时刻WiFi信号与其(k-l)时刻信号相关,噪声信号与其(k-l)时刻信号不相关。用k时刻的WiFi信号s(k)的值去预测(k+l)时刻WiFi延时信号的值,噪声信号n(k)在k时刻的值和其在(k+l)时刻的值不相关,所以不能预测。用最小均方误差算法不断迭代更新自适应滤波器权系数H,使自适应噪声提取子系统从混合信号中提取出与干扰噪声相关、与WiFi信号不相关的信号,而且将该信号作为自适应噪声抵消器的一个输入信号,称为参考输入信号,该参考输入信号直接输入到自适应噪声抵消器的自适应滤波器中;自适应噪声抵消器还有一个输入信号称为主输入信号。本发明中第一延时器调整混合信号的同时,第二延时器也在同步调整混合信号延时相同的时间即达到延时值l,该延时值l使WiFi信号在k时刻和(k+l)时刻相关,但噪声信号在k时刻和(k+l)时刻不相关。
(4)抵消噪声,提取有用的WiFi信号:在自适应噪声抵消器中,基于最小均方误差(LMS)算法的自适应噪声抵消器调节自适应噪声抵消器中滤波器系数H,具体是混合信号x2(k)经过第二延时器后的(k+l)时刻的噪声信号n(k+l)减去噪声信号的最佳估计值通过两者之间的误差信号δ(k)控制自适应噪声抵消器中滤波器权系数H,不断更新迭代使误差信号的均方值达到最小,自适应噪声抵消器中的自适应滤波器的输出信号与输入信号达到最大相关性,即自适应噪声抵消器中的自适应滤波器输出是噪声信号的最佳估计值;用自适应噪声抵消器的主输入信号减去自适应滤波器的输出信号,即自适应噪声抵消器的输出信号与WiFi信号达到最大相关,与干扰噪声信号达到最大不相关,加快自适应滤波器收敛速度,性能稳定,误差信号的均方误差达到最小,从而自适应噪声抵消器输出的信号迅速地趋近于真实的射频信号,在MCU微处理器中将自适应噪声抵消器输出的信号强度与位置指纹库进行数据匹配,完成定位。
本发明基于最小误差算法(LMS)收敛到最优解时,自适应噪声抵消器中的自适应滤波器输出信号为噪声信号n(k)的最佳估计值从混合信号中减去噪声信号的最佳估计值得到WiFi信号强度值,从而提高了WiFi信号的信噪比,能有效地解决外界噪声致使WiFi信号发生幅值畸变的问题。
(5)匹配数据完成定位:将步骤(4)得到的自适应噪声抵消器输出的趋近于真实的射频信号的信号强度与已有位置指纹数据库中的位置指纹进行比对,结合K近邻匹配算法确定测量值与数据库中哪些指纹数据最相近,位置指纹库中差异最小的位置指纹对应的坐标位置即为待定位处的真实物理位置,也就是寻找的定位目标,完成WiFi室内定位。
用户用本发明进行室内定位的时候,比如用户是停车定位,在大型室内停车场停车后,再次进入停车场寻找车辆时,用手持信号接收器接收混合信号,经过本发明对混合信号进行主动降噪处理,在手持信号接收器中的MCU微处理器将降噪后的WiFi信号与位置指纹库中的数据进行匹配,在屏幕上显示用户的坐标(x,y),用户看到后便知道自己和车辆在室内停车场的所在具体位置,方便直径寻车,从而达到提高WiFi信号信噪比、提高定位精度的目的,完成定位。本发明还可以用到大型展览会、医院、商场等定位。
本发明充分考虑汽车噪声的不稳定性从而采用自适应主动降噪系统衰减汽车噪声从而达到提高定位精确度以及定位实时性的目的。
本发明可以有效地解决外界噪声致使WiFi信号发生幅值畸变、信噪比降低等的问题,系统输出的信号与期望信号的WiFi信号达到最大相关,并且信号强度更加稳定,通过准确的位置坐标与信号强度的对应关系从而估计待测位置,使得定位精度显著提高。
实施例4
基于自适应噪声抵消的WiFi室内定位系统和方法同实施例1-3,步骤(3)所述的提取与噪声相关、与WiFi信号无关的信号,包括有如下步骤:
(3.1)自适应噪声提取子系统的输入信号是k时刻混合信号拾取单元采集到的噪声信号n(k)叠加到WiFi信号s(k)后的混合信号x1(k),即在k时刻将自适应噪声提取子系统输入信号x1(k)作为自适应滤波器的输入信号:
x1(k)=s(k)+n(k)=s(k)+n1(k)
其中k时刻噪声信号表示为n(k),n1(k)是此刻噪声信号的另一种表示,在数值上完全等于n(k)。
(3.2)将k时刻的混合信号经过第一延时器,延时l后作为自适应噪声提取子系统的主输入信号x2(k),即:
x2(k)=x1(k+l)=s(k+l)+n(k+l)=d(k)+n2(k)
其中为了简化表示,令d(k)=s(k+l),n2(k)=n(k+l)。
(3.3)第一延时器的延时值l的选取范围:延时值l需小于WiFi信号的相关长度cls而大于干扰噪声的相关长度cln,则有用的WiFi信号在k时刻和(k+l)时刻相关,而噪声信号在k时刻和(k+l)时刻不相关,即可以用k时刻的WiFi信号预测(k+l)时刻的WiFi信号,而不能用k时刻的噪声信号预测(k+l)时刻的噪声信号,有用的WiFi信号在k时刻和(k+l)时刻的相关函数Rsd和噪声信号在k时刻和(k+l)时刻的相关函数分别表示为:
(3.4)预测WiFi延时信号提取仅与噪声相关的信号:自适应噪声提取系统的主输入信号和自适应滤波器输出信号yf(k)之间的误差信号为e(k),定义误差信号e(k)的均方误差E(e2(k))的多项式为代价函数J(H),用最小均方误差算法,通过不断迭代更新滤波器权系数H,当代价函数J(H)迭代到最小值时,滤波器权系数达到最优,并且用该权系数和k时刻的WiFi信号预测(k+l)时刻WiFi信号,从自适应噪声提取子系统的主输入信号减去WiFi的预测信号,使自适应噪声提取子系统的输出信号为不包含有用WiFi信号,仅与噪声相关的信号,并且将自适应噪声提取子系统的输出信号作为自适应噪声抵消器的参考输入信号。
本发明充分考虑到外界噪声导致WiFi信号幅值发生畸变,信噪比低,自适应噪声提取子系统的输出信号是与WiFi信号无关,与噪声信号相关的信号,并将该信号作为自适应噪声抵消器的参考输入信号,为抵消噪声、提取信噪比高的WiFi信号做准备。
实施例5
(3.4.1)自适应噪声提取系统的主输入信号和自适应滤波器输出信号yf(k)之间的误差信号为e(k):
e(k)=x2(k)-x1 TH(k)
定义该误差信号均方误差的多项式为代价函数J(H):
(3.4.2)选取代价函数中的系数η,用最小均方误差算法,不断迭代更新权系数H,当代价函数迭代到最小值时,滤波器权系数达到最优,本例中是当代价函数迭代到趋近于0时,并且用该权系数H和k时刻的WiFi信号预测(k+l)时刻WiFi信号预测信号表示为:
在上式中是k时刻的WiFi信号预测的(k+l)时刻WiFi信号,sT(k)=[s(k) s(k-1) s(k-2) … s(k-1+p)]是p阶k时刻WiFi信号矢量,HT=[h(1) h(2) … h(p)]T是p阶自适应滤波器的最佳权系数矢量,v(k+l)表示预测误差信号,与WiFi信号不相关。在本例中多次调整代价函数J(H)的系数η值,本发明经多次实验发现,在保证自适应噪声提取系统性能稳定的前提下η取值范围是|η|≤1,当时,代价函数收敛速度相对最快。
(3.4.3)自适应噪声提取子系统的主输入信号减去WiFi的预测信号使自适应噪声提取子系统的输出信号y(k)为不包含有用WiFi信号,仅与噪声相关的信号,并且将自适应噪声提取子系统的输出信号y(k)作为自适应噪声抵消器的参考输入信号。
本发明充分考虑到外界噪声对影响基于WiFi的室内定位的精确度,导致定位位置与实际物理位置存在偏差,在本实施例中,从噪声信号和WiFi信号叠加到一起的混合信号中提取出与WiFi信号无关,与噪声信号相关的信号,目的是提高WiFi信号信噪比,得到自适应噪声抵消器的参考输入信号。
实施例6
基于自适应噪声抵消的WiFi室内定位方法同实施例1-5,步骤(4)所述的抵消噪声、提取有用的WiFi信号,包括有如下步骤:
(4.1)自适应噪声抵消器与混合信号拾取单元之间设有第二延时器,且第二延时器的延时值l与第一延时器的延时值相同;将混合信号x1(k)经过第二延时器后的延时信号x2(k)作为自适应噪声抵消器的主输入信号,自适应噪声提取子系统的输出信号y(k)作为自适应噪声抵消器的参考输入信号。
(4.2)自适应噪声抵消器的参考输入信号y(k)是仅与噪声信号相关、与WiFi信号无关的信号,并且将该信号作为自适应噪声抵消器中的自适应滤波器H的输入,通过比较混合信号x2(k)经过第二延时器后的(k+l)时刻的噪声信号n(k+l)和噪声信号的估计值两者之间的误差信号δ(k),不断迭代更新权滤波器权系数H,用自适应滤波器的输出信号去不断趋近于(k+l)时刻的噪声信号,在基于最小误差算法(LMS)收敛到最优解时,自适应噪声抵消器中的自适应滤波器输出信号为噪声信号n(k)的最佳估计值即和自适应噪声抵消器的参考输入信号矢量之间达到最大相关性。
并将该误差信号ε(k)作为自适应噪声抵消器的输出信号,则自适应噪声抵消器输出的是对WiFi信号的时延信号s(k+l)的估计即自适应噪声抵消器输出的信号与噪声信号达到最大不相关,并且迅速地趋近于真实的射频信号。
自适应噪声抵消器的滤波器权系数是随着外部环境的变化而改变的,经过一段自动调节的收敛时间到达最佳滤波的要求。自适应滤波器自身有一个重要的自适应过程,使它本身能有效地跟踪外部环境的变化,自动调节自适应信号处理,使输出的信号与有用信号的均方误差最小。
实施例7
基于自适应噪声抵消的WiFi室内定位方法同实施例1-6,步骤(4.2)所述的滤波器自适应调整权系数H是基于最小均方误差(LMS)算法,是一种误差信号对横向自适应滤波器权系数进行更新控制的递归算法。误差信号e(k)的均方误差与自适应滤波器的收敛因子成正比,收敛因子减小,收敛时间增大,所以当权系数远离最佳权系数时,使用较大的收敛因子,加速收敛速度;当权系数接近最佳权系数时,使用较小的收敛因子,获取较小的均方误差。经多次实验,发现简单而有效的方法就是在不同迭代时间使用不同的收敛因子,即采用时变的收敛因子μ(n),令c是一个常数,本实验中取c=2.5,提高系统收敛速度和稳定性。
下面给出一个更加详尽的例子,结合具体实施例对本发明进一步描述。
实施例8
基于自适应噪声抵消的WiFi室内定位系统和方法同实施例1-7,具体实现包括有如下步骤:
离线训练阶段:
(1)建立一维基础坐标系:
基于自适应噪声抵消的WiFi室内定位系统的整体结构图参照图1,本发明定位方法的流程图参见图2,离线训练、在线匹配示意图参见图3,通常分为两个阶段进行:第一阶段为离线训练阶段,现在待定位区域布置6个AP使WiFi信号强度能够覆盖整个待定位区域,并且在待定位区域设置m个参考点,这m个参考点按等大的正方形网格分布。本实验停车场的室内定位的位置指纹分布图参见图4;
(2)构建位置指纹库:
在每个参考点采集来自WiFi接入点(AP)在该点的接收信号强度,并将这些信号强度连同该点的位置坐标作为一组数据存入数据库,表示为L(x,y,rss1,rss2…rssn),如第一个参考点的位置指纹表示为:(x1,y1,rss11,rss21,rss31…rss61),其中x1,y1是第一个参考点在一维坐标系中的坐标值,rss11,rss21…rss61分别为6个AP在第一个参考点处的WiFi信号强度值,这组数据就是一个位置指纹,该参考点也称为一个位置指纹点。
在线定位阶段:
(3)匹配数据完成定位:
利用手持信号接收器检测在定位点处接收到的WiFi信号强度,然后采用K近邻匹配算法来确定经过降噪后的WiFi信号与数据库中哪些指纹数据最相近,然后利用最相近的一组或几组指纹数据对应坐标进行计算,由此得到定位用户的实际位置。
室内环境本身布局的复杂性使得AP发射信号在到达接收机的过程中会出现多径效应,位置指纹法不同于信号几何法,不依赖于信号到达接收机的时间、时间差、角度等物理量,能有效避免多径效应的影响。但是由于停车场内汽车频繁走停,汽车噪声会导致WiFi信号发生幅度畸变、信噪比下降,在同一位置不同时刻接收到的信号值并不稳定。本发明充分考虑汽车噪声的不稳定性从而采用基于自适应噪声抵消的WiFi室内定位系统和方法先衰减汽车噪声后定位从而达到提高定位精确度以及定位实时性的目的。
步骤(3)所述的匹配数据完成定位过程,包括有如下步骤:
(3.1)自适应噪声提取子系统提取与噪声相关、与WiFi信号无关的信号:
自适应噪声提取子系统的原理图参见图5,手持信号接收器在待测位置点发出定位请求,手持信号接收器中的混合信号拾取单元接收到噪声信号和WiFi信号叠加到一起的混合信号x1(k),将该混合信号x1(k)作为自适应噪声提取子系统的输入信号,并将该输入信号x1(k)作为自适应滤波器的输入信号:
x1(k)=s(k)+n(k)=s(k)+n1(k)………[1]
还将该输入信号x1(k)通过第一延时器,延时l后的信号值作为自适应噪声提取子系统的主输入信号x2(k):
x2(k)=x1(k+l)=s(k+l)+n(k+l)=d(k)+n2(k)………[2]
选取延时器的延时值l时使其小于WiFi信号的相关长度cls而大于干扰噪声的相关长度cln时,有
式[3]表明WiFi信号s(k)和其延时信号s(k+l)相关,但是噪声信号n(k)和其延时信号n(k+l)不相关,从而可以用s(k+l)的值预测s(k)的值,噪声信号n(k)在k时刻的值与其在(k+l)时刻的值不相关,无法进行l步线性预测。即可以用k时刻的WiFi信号s(k)预测(k+l)时刻的WiFi信号s(k+l),而不能用k时刻的噪声信号预测(k+l)时刻的噪声信号。
自适应滤波器的输出信号yf(k)为
yf(k)=x1 T(k)H(k)………[4]
则自适应噪声提取子系统的主输入信号和自适应滤波器输出信号yf(k)之间的误差信号e(k)为
e(k)=x2(k)-x1 TH(k)………[5]
其中sT(k)=[s(k) s(k-1) s(k-2) … s(k-1+p)]是p阶k时刻WiFi信号矢量,HT=[h(1) h(2) … h(p)]T是p阶自适应滤波器的最佳权系数矢量,v(k+l)表示预测误差信号,与WiFi信号不相关。
定义均方误差的多项式为代价函数:
则该自适应噪声提取器的输出信号y(k)则为:
其中是(l+p)阶噪声信号矢量,是(l+p)阶自适应滤波器权系数矢量。式[9]表明,自适应噪声提取子系统的输出信号y(k)不包含有用信号,仅与噪声信号相关,因此可以作为自适应噪声抵消器的参考输入信号。
(3.2)自适应噪声抵消器抵消噪声,提取有用的WiFi信号:
自适应噪声抵消器的原理图参见图6,自适应噪声抵消器的主输入信号为k时刻手持信号接收器接收到的混合信号x1(k)经过第二延时器后的延时信号x2(k),自适应噪声抵消器的参考输入信号为自适应噪声提取子系统的输出信号y(k),滤波器自适应调整权系数H,目的使其输出信号为噪声信号n(k)的最佳估计自适应噪声抵消器的主输入信号x2(k)减去自适应滤波器的输出信号得到噪声抵消后的误差信号ε(k),并将该误差信号ε(k)作为自适应噪声抵消器的输出信号,即:
自适应噪声抵消器的输出信号的均方误差为:
由式[13]易知当最小时,E[(ε(k)-s(k-l))2]也最小,即噪声抵消器的输出信号ε(k)是对WiFi延时信号s(k+l)的最小方差估计的。定义函数是代价函数,代价函数δ(k)是H(k)的二次函数,其图形是N+2维空间中一个中间下凹的超抛物面,参见图7,它有唯一的最低点,即最低点是最小均方值,该曲面称为均方误差性能曲面。为了寻找到最小点,其更新方向向量取第k次迭代的代价函数δ(k)的负梯度,令▽(k)表示k时刻的(N+1)×1维梯度矢量,则自适应滤波器权系数矢量的变化与梯度的关系为:
式中μ为第k次迭代的收敛因子,为正的实常数。对于最小均方误差(LMS)算法
所以有:
H(k+1)=H(k)+μδ(k)X(k)………[16]
当基于最小误差算法(LMS)收敛到最优解时,自适应噪声抵消器的参考输入信号y(k)和主输入信号x2(k)矢量之间达到最大不相关,即均方值近似满足以下关系式:
将式[5]带入式[17]可得:
式[18]表明自适应噪声抵消器的参考输入信号与WiFi信号s(k+l)不相关,即y(k)与s(k+l)不相关。这样,把x2(k)作为自适应噪声抵消器的主输入信号,y(k)作为参考输入信号,自适应滤波器输出信号为噪声信号n(k)的最佳估计自适应噪声抵消器的主输入信号x2(k)减去自适应滤波器的输出信号使系统输出的是对WiFi信号的时延信号s(k+l)的估计
(3.3)匹配数据完成定位
将基于自适应噪声抵消的WiFi室内定位系统的输出信号强度与已有位置指纹数据库中的位置指纹进行比对,结合K近邻匹配算法确定测量值与数据库中哪些指纹数据最相近,位置指纹库中差异最小的位置指纹对应的坐标位置即为待定位处的真实物理位置。也就是寻找的定位目标,完成WiFi室内定位。
实施例9
基于自适应噪声抵消的WiFi室内定位系统和方法同实施例1-8,用基于最小均方误差(LMS)的算法实现两个自适应滤波器权系数H自适应降噪迭代过程说明如下:
本发明用最小均方误差(LMS)的方法实现自适应噪声抵消,采用改进均方误差梯度的估计值计算方法,迭代逼近过程用式[4]、[5]、[18]联立表示:
由推导公式可知自适应滤波器的输出信号yf(k)等于输入信号转置和滤波器权系数向量H(k)的乘积,而且滤波器权系数向量不断根据误差信号e(k)更新,误差信号为延时信号x2(k)与自适应滤波器输出信号yf(k)的差。基于最小均方误差(LMS)的自适应噪声抵消的全并行结构图参见图8,图8为现有技术中基于LMS自适应算法实现原理图,图8中:①线框内为LMS权系数H更新模块,②虚线框内为自适应滤波器模块,在LMS自适应滤波器中权系数H更新模块以及自适应滤波器模块是相对独立的2个部分。在LMS自适应算法的多级结构中,需要对输入、输出以及误差信号进行分配处理,最终组合成为完整的自适应噪声抵消器。两个自适应滤波器中的权系数均由这种方法实现权系数H迭代寻优。
下面通过仿真及其结果对本发明的技术效果再做说明。
实施例10
基于自适应噪声抵消的WiFi室内定位方法同实施例1-9,参见图4,图4为本发明实验中停车场的室内定位的位置指纹分布图。室内定位的位置指纹分布图中,先对待定位区域划分建立一维基础坐标系,虚线的交汇点为构建位置指纹库时的参考点,图中一共显示有22个车库,并且为了能在停车场内各处均能接收到有效的WiFi信号强度,在待定位区域内布置6个WiFi接入点(AP)。此刻汽车乙正驶入车库(2),汽车丙准备驶出车库,停在(14)号车库的汽车丁正在启动,而刚进入停车场汽车甲寻找空车位,利用手持信号接收器进行定位。但由于其他汽车的发动机运行带来的震动、进气噪声、启动噪声、轮胎与地面摩擦带来的噪声都真实存在,导致定位系统接收到的WiFi信号强度发生畸变,借助与MALTAB软件进行仿真,参见图9,图9为混合信号、WiFi信号与本发明输出信号的波形仿真图。其中最上面一行是叠加噪声、WiFi信号的混合信号波形仿真图,中间一行是真实的WiFi信号波形仿真图,最下面一行是本发明输出的WiFi信号波形仿真图。对照图9中三种信号的波形仿真图,可以明显看出带噪声的混合信号与真实的WiFi信号在幅值、频率等各方面均存在着差值。如果将接收到的WiFi信号强度直接与位置指纹数据库中的数据进行匹配,得到的位置很显然是不准确的,本发明对接收到混合信号先进行处理再匹配位置,提高WiFi信噪比也提高了定位精度。
为了验证本发明基于自适应噪声抵消的WiFi室内定位系统和方法的有效性,借助于自适应抵消器中滤波器的代价函数δ(k)的均方值是否不断地向0逼近的趋势进行判断。具体做法是通过最小均方误差方法的不断迭代实现滤波器自适应降噪,将基于最小均方误差(LMS)的自适应噪声抵消的WiFi室内定位系统的输出信号的时域波形与WiFi信号的时域波形进行比较,并将迭代的均方误差值显示出来,当均方误差值变化稳定且趋近于0时,表明基于自适应噪声抵消的WiFi室内定位系统的输出信号与WiFi信号达到最大相关。
借助于MALTAB软件产生1个15000点的正弦序列,作为WiFi信号s(k)。用另一个随机序列作为噪声序列n(k)并且叠加到WiFi信号s(k),作为叠加噪声和WiFi的混合信号x1(k)。用基于自适应噪声抵消的WiFi室内定位方法对混合信号x1(k)进行噪声抑制。
参见图9,三幅信号波形仿真图中,与带噪声的混合信号相比较,本发明的输出信号与真实的WiFi信号在幅值、频率、波形、误码率等各个方面均有了明显的改善。为了能更加直观地验证基于自适应噪声抵消的WiFi室内定位系统和方法的有效性,参见图10,图10为真实WiFi信号、本发明输出信号与误差信号比较图。图中带圆圈o的绿色波形表示真实的WiFi信号,带星号*的蓝色波形表示本发明的输出信号,带叉号X的红色波形表示以上这两个信号的误差信号,误差信号波形的幅值越稳定且越接近于0值表明降噪效果越好。
实施例11
基于自适应噪声抵消的WiFi室内定位方法同实施例1-10,将本发明的输出信号的时域波形与真实的WiFi信号的时域波形进行迭代的代价函数的均方误差值显示出来参见图11,其中图11(a)为自适应滤波器权系数进行1次迭代后代价函数δ(k)均方值,图11(b)是自适应滤波器权系数进行200次迭代后代价函数δ(k)均方值。参见图11(b)代价函数δ(k)均方值在自适应滤波器权系数迭代不到100次就逐渐趋近于0值,表明自适应噪声抵消器中的滤波器权系数H已迭代到最优权系数此时噪声信号已被抵消掉,本发明的输出信号波形越来越逼近真实的WiFi信号,达到了滤除噪声和干扰以提取WiFi信号信息的目的,同时提高了WiFi信号的信噪比,使定位精度更加准确。
本发明解决了噪声使WiFi信号发生幅值畸变影响室内定位准确度的问题。在混合信号拾取单元和自适应噪声提取子系统、自适应噪声抵消器间分别增设延时器。离线阶段首先建立一维基础坐标系;构建位置指纹库;在线阶段首先提取与噪声相关、与WiFi无关的信号;抵消噪声,提取真实的WiFi信号;匹配数据完成定位。本发明同步调整两个延时器的延时值l用k时刻的WiFi信号预测(k+l)时刻的WiFi信号,本发明输出信号与真实WiFi信号达到最大相关、迅速趋近真实WiFi信号,滤波器收敛性和稳定性较高,降低了噪声带来的WiFi误码率,提高了WiFi信号的信噪比,进而提高了室内定位的精确度,本发明用于WiFi室内定位。
综上所述,本发明的一种基于自适应噪声抵消的WiFi室内定位系统和方法,主要涉及有WiFi的室内定位,解决了室内汽车噪声使WiFi信号发生幅值畸变、信噪比降低,影响室内定位准确度的问题。基于自适应噪声抵消的WiFi室内定位系统由手持信号接收器参与室内定位,在手持信号接收器中根据信号处理方向,依次连接和包括有混合信号拾取单元、自适应噪声提取子系统、自适应噪声抵消器、MCU微处理器和屏幕,MCU微处理器和位置指纹数据库进行数据交互,并且在混合信号拾取单元和自适应噪声提取子系统之间增设第一延时器,在混合信号拾取单元和自适应噪声抵消器之间增设第二延时器,正是因为在基于自适应噪声抵消的WiFi室内定位系统的新结构中增设了两个延时器,通过调整延时值l使得能够用k时刻的WiFi信号s(k)预测(k+l)时刻的WiFi信号使自适应噪声抵消器输出的信号迅速地趋近于真实的WiFi信号。基于自适应噪声抵消的WiFi室内定位方法的实质是从叠加有噪声的WiFi信号中提取出WiFi信号,提高滤波器收敛性和稳定性,提高了WiFi信号的信噪比,能有效地解决外界噪声致使WiFi信号发生幅值畸变、信噪比降低的问题,使得在线定位阶段基于WiFi的室内定位精度更加准确。最后通过实验仿真,证明本发明中的基于自适应噪声抵消的WiFi室内定位系统输出的信号与WiFi信号达到最大相关,系统稳定且收敛速度增快,达到了提高WiFi信噪比、降噪的目的,从而提高了WiFi室内定位的精确度。
Claims (4)
1.一种基于自适应噪声抵消的WiFi室内定位方法,其特征在于,在基于自适应噪声抵消的WiFi室内定位系统上实现,该系统在手持信号接收器中根据信号处理方向,依次连接和包括有混合信号拾取单元、自适应噪声提取子系统、自适应噪声抵消器、MCU微处理器和屏幕,MCU微处理器和位置指纹数据库进行数据交互,自适应噪声提取子系统和自适应噪声抵消器均有各个的自适应滤波器,而且在混合信号拾取单元和自适应噪声提取子系统之间增设有第一延时器,在混合信号拾取单元和自适应噪声抵消器之间增设有第二延时器;自适应噪声提取子系统和自适应噪声抵消器均还有一个输入信号,即经过延时器延时后的信号输入;第一延时器和第二延时器同步调节混合信号拾取器采集到的混合信号值,使混合信号值延时相同时间即达到延时值l,并且该延时值l小于WiFi信号的相关长度cls而大于干扰噪声的相关长度cln;选取的该延时值l使WiFi信号在k时刻和(k+l)时刻相关,而噪声信号在k时刻和(k+l)时刻不相关;工作模式分为两个阶段:离线训练阶段和在线匹配阶段,自适应噪声提取子系统的输出信号作为自适应噪声抵消器的一个输入信号,包括有如下步骤:
离线训练阶段:
(1)建立一维基础坐标系:在待定位室内的地面等间距地建立栅格坐标系,根据实际场地布置多个AP使得信号能够完全覆盖待定位区域;
(2)构建位置指纹库:在无噪声干扰的环境下,在该区域内等间隔地选取物理位置作为参考点,采集每个参考点的坐标点(x,y)及该参考点处接收到来自所有AP的WiFi信号强度,WiFi信号强度分别为:rss1、rss2、rss3······rss n,n是待定位区域内的AP总个数,来自同一个AP的WiFi信号强度是多次接收并取均值作为该AP在此参考点处的WiFi信号强度,将每一个坐标点和对应的WiFi信号强度按照先坐标后WiFi信号强度的顺序存储成一组位置指纹数据,表示为L(x,y,rss1,rss2…rssn);待定位区域内所有参考点的位置指纹数据构建位置指纹库;
在线匹配阶段:
(3)提取与噪声相关、与WiFi信号无关的信号:手持信号接收器在待测位置点发出定位请求,手持信号接收器中的混合信号拾取单元接收到噪声信号和WiFi信号叠加到一起的混合信号x1(k),并将该信号输入自适应噪声提取子系统,通过调整第一延时器的延时值l,使WiFi信号在k时刻和(k+l)时刻相关,但噪声信号在k时刻和(k+l)时刻不相关,用k时刻的WiFi信号s(k)的值去预测(k+l)时刻WiFi延时信号的值,噪声信号n(k)在k时刻的值不能预测其在(k+l)时刻的值,用最小均方误差(LMS)算法不断迭代更新自适应滤波器权系数,使自适应噪声提取子系统从混合信号中提取出与干扰噪声相关、与WiFi信号不相关的信号,而且将该信号作为自适应噪声抵消器的一个输入信号,称为参考输入信号,该参考输入信号直接输入到自适应噪声抵消器的自适应滤波器中;自适应噪声抵消器还有一个输入信号称为主输入信号;
(4)抵消噪声,提取有用的WiFi信号:在自适应噪声抵消器中,基于最小均方误差(LMS)算法调节自适应噪声抵消器中滤波器的权系数H,具体是混合信号x2(k)经过第二延时器后的(k+l)时刻的噪声信号n(k+l)减去噪声信号的估计值通过两者之间的误差信号δ(k)控制自适应噪声抵消器中滤波器权系数H,不断更新迭代使误差信号的均方值达到最小,自适应噪声抵消器中的自适应滤波器的输出信号与输入信号达到最大相关性,即自适应噪声抵消器中的自适应滤波器输出的是噪声信号的最佳估计;用自适应噪声抵消器的主输入信号减去自适应滤波器的输出信号,使自适应噪声抵消器的输出信号与WiFi信号达到最大相关,与干扰噪声信号达到最大不相关,自适应噪声抵消器输出的信号迅速地趋近于真实的射频信号;
(5)匹配数据完成定位:将趋近于真实的射频信号的信号强度与已有位置指纹数据库中的位置指纹进行比对,结合K近邻匹配算法确定测量值与数据库中哪些指纹数据最相近,位置指纹库中差异最小的位置指纹对应的坐标位置即为待定位处的真实物理位置。
2.如权利要求1所述的基于自适应噪声抵消的WiFi室内定位方法,其特征在于,步骤(3)所述的提取与噪声相关、与WiFi信号无关的信号,包括有如下步骤:
(3.1)自适应噪声提取子系统的主输入信号是k时刻混合信号拾取单元采集到的噪声信号n(k)叠加到WiFi信号s(k)后的混合信号x1(k),即在k时刻将混合信号x1(k)作为自适应噪声提取子系统中的自适应滤波器的输入信号:
x1(k)=s(k)+n(k)=s(k)+n1(k);
其中k时刻噪声信号表示为n(k),n1(k)是此刻噪声信号的另一种表示,在数值上完全等于n(k);
(3.2)将k时刻的混合信号拾取单元采集到的混合信号经过第一延时器,延时l后作为自适应噪声提取子系统的主输入信号x2(k),即:
x2(k)=x1(k+l)=s(k+l)+n(k+l)=d(k)+n2(k);
其中为了简化表示,令d(k)=s(k+l),n2(k)=n(k+l);
(3.3)第一延时器的延时值l的选取范围:延时值l需小于WiFi信号的相关长度cls而大于干扰噪声的相关长度cln,则可以用k时刻的WiFi信号预测(k+l)时刻的WiFi信号,而不能用k时刻的噪声信号预测(k+l)时刻的噪声信号,有用的WiFi信号在k时刻和(k+l)时刻的相关函数Rsd和噪声信号在k时刻和(k+l)时刻的相关函数分别表示为:
(3.4.1)自适应噪声提取子系统的主输入信号和自适应滤波器输出信号yf(k)之间的误差信号为e(k):
e(k)=x2(k)-x1 TH(k)
定义该误差信号均方误差的多项式为代价函数J(H):
(3.4.2)选取代价函数中的系数η,不断迭代更新权系数,当代价函数迭代到最小值时,滤波器权系数达到最优,并且用该权系数和k时刻的WiFi信号预测(k+l)时刻WiFi信号:
在上式中是k时刻的WiFi信号预测的(k+l)时刻WiFi信号,sT(k)=[s(k) s(k-1) s(k-2) … s(k-1+p)]是p阶k时刻WiFi信号矢量,HT=[hT(1) hT(2) … hT(p)]是p阶自适应滤波器的最佳权系数矢量,v(k+l)表示预测误差信号,与WiFi信号不相关;
4.如权利要求1所述的基于自适应噪声抵消的WiFi室内定位方法,其特征在于,步骤(4)所述的抵消噪声,提取有用的WiFi信号,包括有如下步骤:
(4.1)将k时刻混合信号拾取单元采集到的混合信号x1(k)经过第二延时器后的延时信号x2(k)作为自适应噪声抵消器的主输入信号,自适应噪声提取子系统的输出信号y(k)作为自适应噪声抵消器的参考输入信号;
(4.2)自适应噪声抵消器的参考输入信号y(k)作为自适应噪声抵消器中的自适应滤波器的输入,通过比较混合信号x2(k)经过第二延时器后的(k+l)时刻的噪声信号n(k+l)和噪声信号的估计值两者之间的误差信号δ(k),不断迭代更新权滤波器权系数H,在基于最小误差算法(LMS)收敛到最优解时,噪声信号n(k)的最佳估计值和自适应噪声抵消器的参考输入信号矢量之间达到最大相关性;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159323.XA CN109547920B (zh) | 2018-09-30 | 2018-09-30 | 基于自适应噪声抵消的WiFi室内定位系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159323.XA CN109547920B (zh) | 2018-09-30 | 2018-09-30 | 基于自适应噪声抵消的WiFi室内定位系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109547920A CN109547920A (zh) | 2019-03-29 |
CN109547920B true CN109547920B (zh) | 2020-09-08 |
Family
ID=65843452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811159323.XA Active CN109547920B (zh) | 2018-09-30 | 2018-09-30 | 基于自适应噪声抵消的WiFi室内定位系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109547920B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110418283B (zh) * | 2019-06-25 | 2023-02-24 | 北京航空航天大学 | 基于WiFi数据的位置指纹库创建方法 |
CN112398494B (zh) * | 2019-08-16 | 2023-07-04 | 中兴通讯股份有限公司 | 路由器及其干扰消除装置、方法、及存储介质 |
CN110657807B (zh) * | 2019-09-30 | 2022-09-23 | 西安电子科技大学 | 基于小波变换检测不连续性的室内定位位移测量方法 |
CN111862925B (zh) * | 2020-07-03 | 2024-04-12 | 天津大学 | 一种基于惰性学习的自适应有源噪声控制系统及其方法 |
CN113655468B (zh) * | 2021-07-16 | 2023-05-23 | 广州大学 | 一种无人机辅助定位方法、系统、存储介质及终端设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101237252A (zh) * | 2007-11-20 | 2008-08-06 | 西安电子科技大学 | 一种基于自适应抵消器的改进相关性能的方法 |
CN101320996A (zh) * | 2008-05-27 | 2008-12-10 | 中山大学 | 一种自适应噪声消除装置及方法 |
CN104380294A (zh) * | 2012-06-01 | 2015-02-25 | 韩国科学技术院 | Wi-Fi信号地图构建装置及方法 |
CN104619020A (zh) * | 2015-02-06 | 2015-05-13 | 合肥工业大学 | 基于rssi和toa测距的wifi室内定位方法 |
CN105338498A (zh) * | 2015-09-29 | 2016-02-17 | 北京航空航天大学 | 一种WiFi室内定位系统中指纹库的构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9026144B2 (en) * | 2011-01-26 | 2015-05-05 | Mobio Oy | Location tagging |
-
2018
- 2018-09-30 CN CN201811159323.XA patent/CN109547920B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101237252A (zh) * | 2007-11-20 | 2008-08-06 | 西安电子科技大学 | 一种基于自适应抵消器的改进相关性能的方法 |
CN101320996A (zh) * | 2008-05-27 | 2008-12-10 | 中山大学 | 一种自适应噪声消除装置及方法 |
CN104380294A (zh) * | 2012-06-01 | 2015-02-25 | 韩国科学技术院 | Wi-Fi信号地图构建装置及方法 |
CN104619020A (zh) * | 2015-02-06 | 2015-05-13 | 合肥工业大学 | 基于rssi和toa测距的wifi室内定位方法 |
CN105338498A (zh) * | 2015-09-29 | 2016-02-17 | 北京航空航天大学 | 一种WiFi室内定位系统中指纹库的构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109547920A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109547920B (zh) | 基于自适应噪声抵消的WiFi室内定位系统和方法 | |
CN102131290B (zh) | 基于自相关滤波的wlan室内邻近匹配定位方法 | |
CN107801195B (zh) | 一种车联网定位中的路边单元优化部署方法 | |
CN103197280B (zh) | 一种基于射频信号强度的ap位置估计方法 | |
CN104619020A (zh) | 基于rssi和toa测距的wifi室内定位方法 | |
CN110261819B (zh) | 基于时延补偿的多无人机协同定位方法 | |
CN103308889A (zh) | 复杂环境下被动声源二维doa估计方法 | |
CN104991573A (zh) | 一种基于声源阵列的定位跟踪方法及其装置 | |
CN110062326B (zh) | 一种车用蓝牙智能钥匙的定位与内外部辨识方法 | |
CN106092093A (zh) | 一种基于地磁指纹匹配算法的室内定位方法 | |
CN111182459A (zh) | 一种基于信道状态信息室内无线定位方法、无线通信系统 | |
US20170133001A1 (en) | Apparatus and method for controlling noise in vehicle | |
CN110351660B (zh) | 一种基于双步指纹匹配架构的蓝牙室内定位方法 | |
CN101895867A (zh) | 基于滑动时间窗的wlan室内wknn跟踪方法 | |
CN103901427B (zh) | 一种测速雷达多目标跟踪的方法和装置 | |
CN106792554A (zh) | 一种基于双重匹配指纹定位技术的定位方法 | |
CN103680512B (zh) | 车用阵列话筒的语音识别水平提升系统及其方法 | |
CN110850363B (zh) | 一种基于实时定位轨迹数据进行动态滤波优化的方法 | |
CN109633523B (zh) | 用于室内定位的采用方向图叠加天线估计来波角度的方法 | |
CN106028446A (zh) | 室内停车场定位方法 | |
Nguyen et al. | Low speed vehicle localization using wifi fingerprinting | |
CN114171041A (zh) | 基于环境检测的语音降噪方法、装置、设备及存储介质 | |
CN104410762B (zh) | 免提通话系统中的稳健回声抵消方法 | |
CN112738709B (zh) | 一种基于uwb信号的粒子群搜索室内定位方法及系统 | |
Tan et al. | UAV localization with multipath fingerprints and machine learning in urban NLOS scenario |
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 |