CN109951807A - 基于WiFi信号的融合RSS和CSI室内定位方法 - Google Patents

Abstract

基于WiFi信号的融合RSS和CSI室内定位方法，采集参考点的包括参考坐标、WiFi信号特征值指纹特征数据的CSI和RSS信息，对指纹特征数据进行预处理，建立指纹库；采集测试点的指纹特征，根据指纹库中的RSS信息基于kNN算法进行位置粗略估计；粗略估计测试点的测试坐标，根据粗略估计结果计算测试坐标与参考坐标的欧氏距离，将欧氏距离从小到大排列按照设定的半径选出筛选参考点；将根据粗略估计结果选出的筛选参考点构建成子指纹库；计算测试点指纹测量值与子指纹库之间相似度，根据测试点的指纹特征、子指纹库及相似度计算权重；通过加权平均法精确估计测试点的位置坐标。减小了定位误差，提高了定位精度。

Description

基于WiFi信号的融合RSS和CSI室内定位方法

技术领域

本发明实施例涉及室内定位技术领域，具体涉及一种基于WiFi信号的融合RSS和CSI室内定位方法。

背景技术

现阶段，通常利用蓝牙、红外、RFID(Radio Frequency Identification)、可见光、WiFi等技术进行室内定位研究。其中，基于蓝牙和红外的定位方法需要昂贵的设备，传输距离较小，不适合大规模商业应用；RFID受电力限制，只能用于近距离定位；当光源被遮挡后，可见光定位就会受到限制，从而让可见光定位变得不可能；WiFi定位技术是目前的研究热点，很多基于WiFi的定位方法逐渐被提出。WiFi定位主要采用的是指纹定位方法，该方法因其成本低廉、方法简易的优势逐渐成为室内定位的主流，WiFi定位主要包括两个阶段：离线训练阶段和在线定位阶段。离线阶段，主要收集和预处理目标区域参考点位置的指纹信息，然后建立指纹数据库，由于原始数据中可能存在冗余值产生定位误差，所以通常利用最近邻方法、神经网络和支持向量机等机器学习方法来提取和存储WiFi信号的主要特征，将原始数据进行处理得到更加准确的指纹信息，从而可以取得更好的定位效果；在线阶段，在测试点采集指纹信息，通过和指纹库中存储的指纹信息匹配，利用概率估计法或加权平均法来估计目标位置。

由于RSS易于测量，不需要额外硬件支持，成本效益高，并且可与多种技术结合使用，所以传统的基于WiFi指纹的定位系统大多采用RSS作为定位特征。Radar是第一个基于RSS的指纹定位系统，它利用K最近邻来估计移动用户的位置，采用的是具有确定性的位置估计方法。为了提高定位精度，Horus利用RSS值的室内定位概率方法，实现了比Radar更好的定位精度。在传统的基于RSS的室内定位方法中，使用来自不同AP(无线接入点)的RSS矢量作为指纹库来估计目标位置，或者采集待测点的RSS与至少三个参考点之间的绝对距离，然后对待测点应用基本的几何法或三角测量法来获得其位置。但是传统的基于RSS的方法有两个主要缺点，第一，由于阴影衰落和多径效应，RSS值是高度随机的，并且与传播距离的相关性是松散的；第二，RSS值是通过平均所有输入信号的幅度而获得的粗略信息，并不使用来自不同子载波的信道信息。

RSS的测量结果是信号多径传播的叠加效果，并没有逐一区分多径信号，这是制约RSS稳定性和可靠性的根本原因。为了刻画多径传播，通过修改设备驱动程序，从一些先进的WiFi网卡(如Intel WiFi Link 5300NIC)中使用正交频分复用(OFDM)和多输入多输出(MIMO)技术获取信道状态信息(CSI)。CSI是指特定频带中的信道特性，描述了信号如何从发射机传播到接收机，提供了子载波级别的信道测量，这对提高室内指纹定位精度有很大帮助，FIFS利用多个天线的加权平均CSI值来改善基于RSS的室内指纹识别方法的性能；DeepFi系统利用来自三个天线的大量CSI幅度数据进行室内定位。但在某些情况下，CSI比RSS更容易受到动态环境的影响，所以传统的基于CSI或RSS的室内定位系统很难在现实环境中取得比较高的定位精度，相对而言，现有技术中缺少融合CSI和RSS进行室内定位的方案。

发明内容

为此，本发明实施例提供一种基于WiFi信号的融合RSS和CSI室内定位方法，利用WiFi信号功能的互补优势，同时避免它们的缺点，融合WiFi信号中的CSI和RSS特征，同时利用二阶段定位方式，以减小定位误差，提高定位精度。

为了实现上述目的，本发明实施例提供如下技术方案：基于WiFi信号的融合RSS和CSI室内定位方法，包括以下步骤：

1)选取参考点，采集参考点的包括参考坐标、WiFi信号特征值指纹特征数据的CSI和RSS信息，对所述指纹特征数据进行预处理，根据参考点的指纹特征建立指纹库；

2)采集测试点的指纹特征，根据所述指纹库中的RSS信息基于kNN算法进行位置粗略估计；

3)粗略估计测试点的测试坐标，根据粗略估计结果计算所述测试坐标与所述参考坐标的欧氏距离，将欧氏距离从小到大排列按照设定的半径选出筛选参考点；

4)将根据粗略估计结果选出的筛选参考点构建成子指纹库；

5)确定RSS和CSI的融合权重；

6)计算测试点指纹测量值与所述子指纹库之间相似度，根据测试点的指纹特征、子指纹库及相似度计算权重；

7)通过加权平均法精确估计测试点的位置坐标。

作为基于WiFi信号的融合RSS和CSI室内定位方法优选方案，所述步骤1)中，在所述参考点处收集包含第一CSI和第一RSS信息的第一指纹特征数据，对所述第一指纹特征数据进行预处理，所述预处理中对第一CSI幅度进行卡尔曼滤波，预处理还对所述参考点采集的若干组第一RSS信息进行平均处理，对预处理后的第一指纹特征数据建立指纹库。

作为基于WiFi信号的融合RSS和CSI室内定位方法优选方案，所述步骤2)中，在所述测试点处收集包含第二CSI和第二RSS信息的第二指纹特征数据，对所述第二指纹特征数据进行预处理，利用所述指纹库的第一RSS信息和邻近算法进行粗略定位，根据粗略定位结果筛选所述参考点构建子指纹库。

作为基于WiFi信号的融合RSS和CSI室内定位方法优选方案，将第i个参考点位置的RSS平均值和CSI幅度值分别记为rss_i和csi_i，第i个参考点位置的指纹特征表示为ξ_i＝{csi_i,rss_i}，第i个参考点位置的指纹表示为f_i＝{(x_i,y_i),ξ_i}，其中(x_i,y_i)表示第i个参考点位置的参考坐标，所述指纹库建立为F＝{f₁,f₂,…,f_n}。

作为基于WiFi信号的融合RSS和CSI室内定位方法优选方案，所述卡尔曼滤波的步骤为：

11)根据第i个子载波的幅度值估计第i+1个子载波的幅度值；

12)根据第i个子载波的估计值和测量值分别计算估计值的高斯噪音和测量值的高斯噪音；

13)根据所述步骤12)中估计值和测量值的高斯噪音计算第i+1个子载波幅度的误差协方差，确定卡尔曼增益；

14)根据所述卡尔曼增益，对第i+1个子载波的幅度值进行矫正更新；

15)通过迭代操作估计时刻的最优值。

作为基于WiFi信号的融合RSS和CSI室内定位方法优选方案，所述kNN算法以样本数据方差的倒数作为系数，并对参考点的系数进行归一化处理，每个参考点的权重计算方式为：

所述欧氏距离的计算方式为：

所述粗略估计结果为：

其中，σ表示样本方差，rss_i表示参考点RSS平均值，rss_t表示测试点RSS平均值，w_i表示参考点的权重，d_i表示参考点到测试点的欧氏距离，表示粗略位置坐标，l_i表示参考点参考坐标。

作为基于WiFi信号的融合RSS和CSI室内定位方法优选方案，所述步骤4)中构建子指纹库的步骤为：

41)计算参考点RSS信息数据方差和权重；

42)计算每个参考点到测试点的欧式距离d_i，将d_i由小到大排列；

43)选取前k个参考点，将已知坐标加权相加，用位置估计法得到粗略位置坐标

44)分别计算粗略估计位置与参考点的欧式距离d：

45)将d由小到大排列，以粗略估计的位置坐标为圆心，按照半径R进行位置扩展，将处于半径为R的范围内的m个参考点筛选出来构建子指纹库F'。

作为基于WiFi信号的融合RSS和CSI室内定位方法优选方案，所述步骤5)确定RSS和CSI的融合权重中，定义混合内核函数：

φ＝μφ₁(rss_t,rss_i)+(1-μ)φ₂(csi_t,csi_i)

其中，

σ₁、σ₂表示用经验方式估计的平滑因子，μ₁、μ₁表示融合权重，rss_i表示参考点RSS平均值，rss_t表示测试点RSS平均值，csi_i表示参考点的CSI幅度值，csi_t表示测试点的CSI幅度值，φ₁、φ₂表示混合内核函数。

作为基于WiFi信号的融合RSS和CSI室内定位方法优选方案，所述步骤6)中，计算测试点指纹测量值与子指纹库之间相似度的方式为：

所述步骤7)中，通过加权平均法精确估计测试点的位置坐标的方式为：

其中，w_k表示根据混合内核函数计算的权重，Q(p)表示子指纹库中与测试点指纹最相似的参考点集合，p指Q(p)中的参考点的个数，φ(ξ_t,ξ_i)指计算参照指纹和查询指纹相似度的高斯核函数，表示测试点精确估计的位置坐标。

本发明实施例具有如下优点：离线阶段，在每一个参考点处收集指纹特征，为了减小定位误差，将每个参考点处的CSI幅度和RSS进行预处理，其中用卡尔曼滤波对CSI幅度进行处理以减少由于多径效应和噪声引起的动态变化，同时对每个参考点的RSS值做平均处理以减少冗余，然后构建指纹库；在线阶段，采集测试点的RSS和CSI并进行预处理，然后利用RSS和改进的k最近邻算法进行粗略定位，根据粗略定位结果筛选参考点构建子指纹库，最后，利用基于高斯核函数的改进加权k最近邻算法精确估计待测点位置；

本发明技术方案定位误差在1.5m内的概率达到了60％，相比DeepFi提高了约33.33％，相比Horus提高了51.24％。通过在人员较多、布满实验设备的实验室进行了相同的实验，传统技术方案在复杂的实验环境中，定位精度均有下降，但是本发明技术方案的定位准确率高于DeepFi和Horus方法，定位误差在1.5m以内的概率为50％，比DeepFi提高了约21.95％，比Horus提高了56.25％；

就定位平均误差而言，本发明技术方案在设备和人员比较密集的环境中约为1.81米，相比DeepFi提高了约22.32％，相比Horus提高约30.65％；在比较空旷的实验场景中，本发明技术方案约为1.54米，相比DeepFi和Horus分别提高了约28.71％和33.62％。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明实施例中提供的基于WiFi信号的融合RSS和CSI室内定位方法技术架构图；

图2为本发明实施例中提供的基于WiFi信号的融合RSS和CSI室内定位方法流程示意图；

图3为本发明实施例中提供的卡尔曼滤波前后数据对比示意图；

图4为验证本发明技术方案定位效果过程中采用的空旷实验场地布局；

图5空旷实验场地布局环境中本发明技术方案与传统技术方案的定位效果对比图；

图6为验证本发明技术方案定位效果过程中采用的复杂实验场地布局；

图7复杂实验场地布局环境中本发明技术方案与传统技术方案的定位效果对比图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1、图2和图3，提供一种基于WiFi信号的融合RSS和CSI室内定位方法，包括以下步骤：

S1：选取参考点，采集参考点的包括参考坐标、WiFi信号特征值指纹特征数据的CSI和RSS信息，对所述指纹特征数据进行预处理，根据参考点的指纹特征建立指纹库；

S2：采集测试点的指纹特征，根据所述指纹库中的RSS信息基于kNN算法进行位置粗略估计；

S3：粗略估计测试点的测试坐标，根据粗略估计结果计算所述测试坐标与所述参考坐标的欧氏距离，将欧氏距离从小到大排列按照设定的半径选出筛选参考点；

S4：将根据粗略估计结果选出的筛选参考点构建成子指纹库；

S5：确定RSS和CSI的融合权重；

S6：计算测试点指纹测量值与所述子指纹库之间相似度，根据测试点的指纹特征、子指纹库及相似度计算权重；

S7：通过加权平均法精确估计测试点的位置坐标。

具体的，所述S1中，在所述参考点处收集包含第一CSI和第一RSS信息的第一指纹特征数据，对所述第一指纹特征数据进行预处理，所述预处理中对第一CSI幅度进行卡尔曼滤波，预处理还对所述参考点采集的若干组第一RSS信息进行平均处理，对预处理后的第一指纹特征数据建立指纹库。所述S2)中，在所述测试点处收集包含第二CSI和第二RSS信息的第二指纹特征数据，对所述第二指纹特征数据进行预处理，利用所述指纹库的第一RSS信息和邻近算法进行粗略定位，根据粗略定位结果筛选所述参考点构建子指纹库。

具体的，离线阶段需要在每个参考点处收集信号数据，将第i个参考点位置的RSS平均值和CSI幅度值分别记为rss_i和csi_i，第i个参考点位置的指纹特征表示为ξ_i＝{csi_i,rss_i}，第i个参考点位置的指纹表示为f_i＝{(x_i,y_i),ξ_i}，其中(x_i,y_i)表示第i个参考点位置的参考坐标，所述指纹库建立为F＝{f₁,f₂,…,f_n}。

离线阶段采集参考点数据，通常包含很多噪音，这些噪音可能导致定位精度下降，所以在预处理阶段将CSI幅度进行卡尔曼滤波处理，同时为了减少数据冗余，在同一参考点取多组RSS值做平均处理。为了达到更高的定位精度，需要将这些异常值剔除，同时为了保留信号特征的完整性，采用滤波来检测并处理这些异常值，通过对常见滤波的比较分析，本发明实施例采用卡尔曼滤波算法对CSI原始数据中的异常值进行检测并处理。在处理过程中，卡尔曼滤波首先根据前一个子载波的值来估计后一个子载波的值，然后利用估计值和测量值来确定实际值，所述卡尔曼滤波的步骤为：

S11：根据第i个子载波的幅度值估计第i+1个子载波的幅度值；

S12：根据第i个子载波的估计值和测量值分别计算估计值的高斯噪音和测量值的高斯噪音；

S13：根据所述S12中估计值和测量值的高斯噪音计算第i+1个子载波幅度的误差协方差，确定卡尔曼增益；

S14：根据所述卡尔曼增益，对第i+1个子载波的幅度值进行矫正更新；

S15：通过迭代操作估计时刻的最优值。

参见图3，通过S11至S15五个步骤对每一个子载波的原始幅度进行滤波处理。经过卡尔曼滤波处理可以得到比较整齐的CSI数据，比较滤波前后的数据图像可以看出原始数据中的异常值已被改善。

基于WiFi信号的融合RSS和CSI室内定位方法一个实施例中，在线阶段首先在测试点处采集RSS和CSI数据，然后对原始数据进行和离线阶段一样的预处理，记为ξ_t＝{csi_t,rss_t}。为了更好地实现定位效果，本发明实施例将离线阶段分为两步进行：粗略定位和精确定位。在粗略定位阶段，根据改进的kNN算法和加权相加的定位方法筛选参考点构建子指纹库；在精确定位阶段，对子指纹库利用基于核函数的改进的kNN算法和求加权平均的定位方法实现精确位置估计。

传统的基于指纹的定位方法可以很容易地利用kNN来实现，选取n个参考点时测试点位置采集到的RSS与每个参考点的欧式距离可表示为：

将计算出来的距离按照大小进行递增排序，选出距离最小的k个参考点，然后将这k个点筛选出来作为子指纹库，这就是利用传统的kNN算法来实现子指纹库建立的过程。但是该方法容易受到样本分布不均匀的影响，样本分布密集或稀疏都容易导致分类结果的偏移。方差反映样本数据分布的离散程度，方差大则分散，方差小则密集，所以用RSS方差描述样本数据分布的离散程度。为了避免上述的kNN算法问题，本发明实施例引入方差计算每个参考点的权重来改进kNN算法，以方差的倒数作为系数，并对所有参考点的系数做归一化处理，每个参考点的权重计算方式如下：

所述欧氏距离的计算方式为：

然后按照传统的kNN算法的步骤进行，将所选取前k个参考点的已知坐标进行加权相加，得到位置粗估计结果，所述粗略估计结果为：

其中，σ表示样本方差，rss_i表示参考点RSS平均值，rss_t表示测试点RSS平均值，w_i表示参考点的权重，d_i表示参考点到测试点的欧氏距离，表示粗略位置坐标，l_i表示参考点参考坐标。

利用粗略定位结果确定待测点的大致范围，通过该范围可实现对原始指纹库的筛选，以粗估计位置坐标为圆心，设定一个半径R进行范围扩展，根据实验场地的大小和参考点布置的间隔，本发明实施例在实验过程中取R＝3m，并且用实验验证了该取值是最佳选择，然后将处于该范围内的m个参考点作为备选样本，构建子指纹库F'，减小了原始指纹库的规模，具体构建过程如下：

S41：计算参考点RSS信息数据方差和权重；

S42：计算每个参考点到测试点的欧式距离d_i，将d_i由小到大排列；

S43：选取前k个参考点，将已知坐标加权相加，用位置估计法得到粗略位置坐标

S44：分别计算粗略估计位置与参考点的欧式距离d：

S45：将d由小到大排列，以粗略估计的位置坐标为圆心，按照半径R进行位置扩展，将处于半径为R的范围内的m个参考点筛选出来构建子指纹库F'。

建立子指纹库后，使用核方法进行精确定位。虽然kNN计算复杂度通常较低并且易于实现，但是kNN容易受到多种多样的特征的影响，为了克服这个问题，在精确定位阶段使用改进的基于核方法的加权kNN算法，内核方法最常见的高斯核。在CSI和RSS特征融合的情况下，将内核与每个WiFi信号特征相关联，具体的，定义混合内核函数：

φ＝μφ₁(rss_t,rss_i)+(1-μ)φ₂(csi_t,csi_i)

其中，

σ₁、σ₂表示用经验方式估计的平滑因子，μ₁、μ₁表示融合权重，rss_i表示参考点RSS平均值，rss_t表示测试点RSS平均值，csi_i表示参考点的CSI幅度值，csi_t表示测试点的CSI幅度值，φ₁、φ₂表示混合内核函数。

所述S6中，计算测试点指纹测量值与子指纹库之间相似度的方式为：

所述S7中，通过加权平均法精确估计测试点的位置坐标的方式为：

其中，w_k表示根据混合内核函数计算的权重，Q(p)表示子指纹库中与测试点指纹最相似的参考点集合，p指Q(p)中的参考点的个数，φ(ξ_t,ξ_i)指计算参照指纹和查询指纹相似度的高斯核函数，表示测试点精确估计的位置坐标。

参见图4、图5、图6和图7，为了验证本发明技术方案的技术效果，将本发明实施技术方案命名为KNN+核函数，对比传统的DeepFi和Horus，实验设备包含一个路由器和一台电脑，分别作为发射机和接收机，型号为TL-WR740N的路由器作为发射机，安装了Intel 5300网卡的联想台式机作为接收机，其操作系统为Ubuntu10.04LTS。分别在两个实验场地进行了实验，一个实验场地是9×8m²的会议室，布局比较空旷；另一个试验场地是12×8m²的实验室，相比会议室，该场地内有较多的实验设备，容易产生多径效应。采用1x3链路，即一根发射天线和三根接收天线，每根天线可以接收30个子载波的值和1个RSS值。本发明技术方案定位误差在1.5m内的概率达到了60％，相比DeepFi提高了约33.33％，相比Horus提高了51.24％。通过在人员较多、布满实验设备的实验室进行了相同的实验，传统技术方案在复杂的实验环境中，定位精度均有下降，但是本发明技术方案的定位准确率高于DeepFi和Horus方法，定位误差在1.5m以内的概率为50％，比DeepFi提高了约21.95％，比Horus提高了56.25％。就定位平均误差而言，本发明技术方案在设备和人员比较密集的环境中约为1.81米，相比DeepFi提高了约22.32％，相比Horus提高约30.65％；在比较空旷的实验场景中，本发明技术方案约为1.54米，相比DeepFi和Horus分别提高了约28.71％和33.62％。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (9)

1.基于WiFi信号的融合RSS和CSI室内定位方法，其特征在于，包括以下步骤：

1)选取参考点，采集参考点的包括参考坐标、WiFi信号特征值指纹特征数据的CSI和RSS信息，对所述指纹特征数据进行预处理，根据参考点的指纹特征建立指纹库；

2)采集测试点的指纹特征，根据所述指纹库中的RSS信息基于kNN算法进行位置粗略估计；

3)粗略估计测试点的测试坐标，根据粗略估计结果计算所述测试坐标与所述参考坐标的欧氏距离，将欧氏距离从小到大排列按照设定的半径选出筛选参考点；

4)将根据粗略估计结果选出的筛选参考点构建成子指纹库；

5)确定RSS和CSI的融合权重；

6)计算测试点指纹测量值与所述子指纹库之间相似度，根据测试点的指纹特征、子指纹库及相似度计算权重；

7)通过加权平均法精确估计测试点的位置坐标。

2.根据权利要求1所述的基于WiFi信号的融合RSS和CSI室内定位方法，其特征在于，所述步骤1)中，在所述参考点处收集包含第一CSI和第一RSS信息的第一指纹特征数据，对所述第一指纹特征数据进行预处理，所述预处理中对第一CSI幅度进行卡尔曼滤波，预处理还对所述参考点采集的若干组第一RSS信息进行平均处理，对预处理后的第一指纹特征数据建立指纹库。

3.根据权利要求1所述的基于WiFi信号的融合RSS和CSI室内定位方法，其特征在于，所述步骤2)中，在所述测试点处收集包含第二CSI和第二RSS信息的第二指纹特征数据，对所述第二指纹特征数据进行预处理，利用所述指纹库的第一RSS信息和邻近算法进行粗略定位，根据粗略定位结果筛选所述参考点构建子指纹库。

4.根据权利要求1所述的基于WiFi信号的融合RSS和CSI室内定位方法，其特征在于，将第i个参考点位置的RSS平均值和CSI幅度值分别记为rss_i和csi_i，第i个参考点位置的指纹特征表示为ξ_i＝{csi_i,rss_i}，第i个参考点位置的指纹表示为f_i＝{(x_i,y_i),ξ_i}，其中(x_i,y_i)表示第i个参考点位置的参考坐标，所述指纹库建立为F＝{f₁,f₂,…,f_n}。

5.根据权利要求2所述的基于WiFi信号的融合RSS和CSI室内定位方法，其特征在于，所述卡尔曼滤波的步骤为：

11)根据第i个子载波的幅度值估计第i+1个子载波的幅度值；

12)根据第i个子载波的估计值和测量值分别计算估计值的高斯噪音和测量值的高斯噪音；

13)根据所述步骤12)中估计值和测量值的高斯噪音计算第i+1个子载波幅度的误差协方差，确定卡尔曼增益；

14)根据所述卡尔曼增益，对第i+1个子载波的幅度值进行矫正更新；

15)通过迭代操作估计时刻的最优值。

6.根据权利要求1所述的基于WiFi信号的融合RSS和CSI室内定位方法，其特征在于，所述kNN算法以样本数据方差的倒数作为系数，并对参考点的系数进行归一化处理，每个参考点的权重计算方式为：

所述欧氏距离的计算方式为：

所述粗略估计结果为：

其中，σ表示样本方差，rss_i表示参考点RSS平均值，rss_t表示测试点RSS平均值，w_i表示参考点的权重，d_i表示参考点到测试点的欧氏距离，表示粗略位置坐标，l_i表示参考点参考坐标。

7.根据权利要求1所述的基于WiFi信号的融合RSS和CSI室内定位方法，其特征在于，所述步骤4)中构建子指纹库的步骤为：

41)计算参考点RSS信息数据方差和权重；

42)计算每个参考点到测试点的欧式距离d_i，将d_i由小到大排列；

43)选取前k个参考点，将已知坐标加权相加，用位置估计法得到粗略位置坐标

44)分别计算粗略估计位置与参考点的欧式距离d：

45)将d由小到大排列，以粗略估计的位置坐标为圆心，按照半径R进行位置扩展，将处于半径为R的范围内的m个参考点筛选出来构建子指纹库F'。

8.根据权利要求1所述的基于WiFi信号的融合RSS和CSI室内定位方法，其特征在于，所述步骤5)确定RSS和CSI的融合权重中，定义混合内核函数：

φ＝μφ₁(rss_t,rss_i)+(1-μ)φ₂(csi_t,csi_i)

其中，σ₁、σ₂表示用经验方式估计的平滑因子，μ₁、μ₁表示融合权重，rss_i表示参考点RSS平均值，rss_t表示测试点RSS平均值，csi_i表示参考点的CSI幅度值，csi_t表示测试点的CSI幅度值，φ₁、φ₂表示混合内核函数。

9.根据权利要求8所述的基于WiFi信号的融合RSS和CSI室内定位方法，其特征在于，所述步骤6)中，计算测试点指纹测量值与子指纹库之间相似度的方式为：

所述步骤7)中，通过加权平均法精确估计测试点的位置坐标的方式为：

其中，w_k表示根据混合内核函数计算的权重，Q(p)表示子指纹库中与测试点指纹最相似的参考点集合，p指Q(p)中的参考点的个数，φ(ξ_t,ξ_i)指计算参照指纹和查询指纹相似度的高斯核函数，表示测试点精确估计的位置坐标。