CN110012428B - 一种基于WiFi的室内定位方法 - Google Patents

Abstract

本发明涉及一种基于WiFi的室内定位方法，包括：离线阶段，采集室内定位区域N个参考点位置的指纹向量，将这N个参考点指纹信息存入指纹库DB；在线阶段粗定位，即确定目标楼层；利用K‑均值算法对相应楼层的子指纹库DB_jk作聚类分析，进一步划分定位子区域；实时定位阶段，首先进行AP选择，然后，利用KNN分类算法确定目标所在子区域；最后，找出K个最近邻居，以加权平均的方式估算目标的位置(x，y)。本发明是针对大范围室内定位场景，保留了所有AP的强度信息；针对室内楼层定位，使用了SVM分类器，并且在分类器模型上加入了编码器，编码器的引入降低了数据维度，有效地减少了冗余信息和噪声干扰，提高了分类精度。

Description

一种基于WiFi的室内定位方法

技术领域

本发明涉及室内环境下的位置服务技术领域，尤其是基于WiFi的室内定位方法。

背景技术

随着城市化的发展，城市建筑密度不断提高，各种高楼大厦林立，而像地下停车场、大型购物中心、医院大楼等建筑规模的扩大，人们对提供LBS服务的需求日益增强。GPS等技术虽然可以很好的解决室外定位导航、路线查询等问题，却很难将其延伸至室内环境。而随着无线局域网的迅猛发展、公共网络基础设施的不断建设、各种智能终端设备的迅速普及，使得基于WiFi的室内定位系统在成本、精度、覆盖范围等方面的优势更为明显，为广泛室内定位服务的实现提供了可能。室内定位技术仍面临着许多考验，但随着技术的发展，室内定位系统必然有着广阔的应用市场。

最初的室内定位解决方案，主要是基于无线电、红外线、超声波这几种传播介质来实现的，比如MITOxygen项目开发的基于超声波和射频信号的Cricket系统；微软开发的基于WiFi指纹匹配的RADAR系统。近年来，为了更好的解决室内复杂环境下的定位需求，涌现了更多的室内定位技术，如无线射频标签定位、UWB定位、ZigBee定位、地磁定位、计算机视觉定位等。但大多定位系统的组建需要部署大量的专属设备，极大地提高了定位成本，限制了定位服务的大范围覆盖。

发明内容

本发明的目的在于提供一种通过室内楼层定位和聚类分块技术不断划分定位子区域，缩小定位范围，减小指纹搜索空间，从而达到降低复杂度、提高定位精度的效果的基于WiFi的室内定位方法。

为实现上述目的，本发明采用了以下技术方案：一种基于WiFi的室内定位方法，该方法包括以下顺序的步骤：

(1)离线阶段，采集室内定位区域N个参考点位置的指纹向量FP_i＝{RSS_i1，RSS_i2，...，RSS_in，x_i，y_i，B_i，F_i}，i＝1，2，...，N，n为AP集合的大小，x、y为参考点坐标，B、F为参考点楼层；将这N个参考点指纹信息存入指纹库DB；RSS_in表示参考点i处的第n个AP的信号强度，x_i、y_i为参考点i的横纵坐标，B_i为参考点i的楼号，F_i为参考点i的楼层；

(2)在线阶段粗定位，即确定目标楼层；首先，建立自编码器神经网络，即“Encoder”+“Decoder”模型，对原始指纹数据降维，编码器Encoder的输出即为降维数据，假设维度为E；其次，去除解码网络部分，将Encoder的输出作为SVM分类器输入，训练分类器模型；最后，实时强度向量在训练完成的分类器模型中经过前向计算即可得到目标楼层；

(3)在第(2)步确定目标楼层的基础上，利用K-均值算法对相应楼层的子指纹库OB_jk作聚类分析，进一步划分定位子区域；其中，超参数K的选取，需要从多次试验结果中确定；

(4)实时定位阶段，首先进行AP选择，选取实时强度向量中RSS最大的M个AP,构成集合set_ap＝{AP_i|i∈(1，n)，count(i)＜M}，取该集合中AP对应信号强度作为目标此处的强度向量；然后，利用KNN分类算法确定目标所在子区域，其中距离的计算用到子指纹库OB_jk中与集合set_ap中相同AP的强度信息；最后，找出K个最近邻居，以加权平均的方式估算目标的位置(x，y)。

所述步骤(1)具体包括以下步骤：

(1a)确定室内定位区域，按建筑物和楼层编号；确定定位区域中所有固定位置的AP集合，分别编号；在每个楼层随机均匀的划分参考点，按楼层记录各参考点处接收到的各AP的RSS以及参考点经纬度，共若干组；

(1b)对原始采样数据处理，首先取某参考位置坐标建立新的本地坐标系；其次，过滤掉所有不在AP集合中的RSS，对于在AP集合中缺失的RSS填入RSS最小值；最后，滤波平均化处理，建立指纹库DB。

所述步骤(2)中训练SVM分类器模型具体包括以下步骤：

(2a)确定分类器输出，将指纹库按楼层顺序编码，根据SVM分类器输出类别即可得到相应的楼层；

(2b)将采样数据按一定比例划分为两部分训练集T_Data1和T_Data2，T_Data1用于训练自编码器，T_Data2用于训练SVM分类器；

(2c)将T_Data1中指纹的强度向量

输入自编码神经网络，输出为重构的强度向量

该过程包含四个部分，两次数据降维和两次数据升维，最终输出和输入维度都为n；

(2d)在步骤(2c)中自编码网络训练完毕，去除Decoder网络部分，保留Encoder网络参数，把Encoder网络输出接到SVM分类器上；将T_Data2中指纹的强度向量输入由“Encoder”+“SVM”构成的分类器模型，输出为楼层的类别；其中，SVM的核函数取高斯核

式中,x,z均为训练样本的特征向量，参数σ为人工设定的参数。

所述步骤(3)中利用K-均值算法对子指纹库作聚类分析具体包括以下步骤：

(3a)以目标楼层子指纹库DB_jk为聚类对象，将子指纹库DB_jk中指纹位置信息提取出来，即{(x_i，y_i)|i∈[1，N_BF]}，其中N_BF为对应楼层指纹个数；

(3b)选取K个初始聚类中心后，运行标准K-means聚类算法，通过不断迭代更新聚类中心，直至聚类中心不再变化；通过递增K值的方式，找到最合适的超参数K取值。

所述步骤(4)的具体步骤如下：

(4a)选择实时测量强度向量中RSS最大的M个AP，由这M个AP构成的子集合用于实际指纹匹配过程；

(4b)步骤(3)确定的聚类中心是位置坐标，实时目标的位置未知，因此，采用KNN方法以投票的方式确定目标所属聚类；

(4c)在确定的子区域中找到K个最近邻居，以WKNN算法估算目标坐标。

所述步骤(3b)的具体步骤如下：

(3b1)在{(x_i，y_i)|i∈[1，N_BF]}中随机选择一个样本作为第一个初始中心点；

(3b2)计算所有样本与初始中心点的距离，选择距离最小的值，记作D(x),分别保存在一个数组中，并求和得Sum(D(x))；

(3b3)取一随机数Random，满足Random∈(0，Sum(D(x)))，随后用该随机数Random顺序减去D(x)数组，直到Random＜0，此时D(x)数组下标对应的样本即为下一个初始中心点；

(3b4)重复步骤(3b2)、(3b3)直到找到K个初始中心点。

由上述技术方案可知，本发明的优点在于：第一，本发明是针对大范围室内定位场景，保留了所有AP的强度信息；第二，针对室内楼层定位，使用了SVM分类器，并且在分类器模型上加入了编码器，编码器的引入降低了数据维度，有效地减少了冗余信息和噪声干扰，提高了分类精度；第三，针对子指纹库聚类分块，采用了基于参考点位置的方式，聚类结果更加稳定，分块更加吻合建筑格局。

附图说明

图1为本发明的方法流程图。

具体实施方式

如图1所示，一种基于WiFi的室内定位方法，该方法包括以下顺序的步骤：

(1)离线阶段，采集室内定位区域N个参考点位置的指纹向量FP_i＝{RSS_i1，RSS_i2，...，RSS_in，x_i，y_i，B_i，F_i}，i＝1，2，...，N，n为AP集合的大小，x、y为参考点坐标，B、F为参考点楼层；将这N个参考点指纹信息存入指纹库DB；RSS_in表示参考点i处的第n个AP的信号强度，x_i、y_i为参考点i的横纵坐标，B_i为参考点i的楼号，F_i为参考点i的楼层；

(2)在线阶段粗定位，即确定目标楼层；首先，建立自编码器神经网络，即“Encoder”+“Decoder”模型，对原始指纹数据降维，编码器Encoder的输出即为降维数据，假设维度为E；其次，去除解码网络部分，将Encoder的输出作为SVM分类器输入，训练分类器模型；最后，实时强度向量在训练完成的分类器模型中经过前向计算即可得到目标楼层；

(3)在第(2)步确定目标楼层的基础上，利用K-均值算法对相应楼层的子指纹库DB_jk作聚类分析，进一步划分定位子区域；其中，超参数K的选取，需要从多次试验结果中确定；

(4)实时定位阶段，首先进行AP选择，选取实时强度向量中RSS最大的M个AP,构成集合set_ap＝{AP_i|i∈(1，n)，count(i)＜M}，取该集合中AP对应信号强度作为目标此处的强度向量；然后，利用KNN分类算法确定目标所在子区域，其中距离的计算用到子指纹库DB_jk中与集合set_ap中相同AP的强度信息；最后，找出K个最近邻居，以加权平均的方式估算目标的位置(x，y)。

所述步骤(1)具体包括以下步骤：

(1a)确定室内定位区域，按建筑物和楼层编号；确定定位区域中所有固定位置的AP集合，分别编号；在每个楼层随机均匀的划分参考点，按楼层记录各参考点处接收到的各AP的RSS以及参考点经纬度，共若干组；

(1b)对原始采样数据处理，首先取某参考位置坐标建立新的本地坐标系；其次，过滤掉所有不在AP集合中的RSS，对于在AP集合中缺失的RSS填入RSS最小值，如-127；最后，滤波平均化处理，建立指纹库DB。

观察指纹库参考点位置，查看是否存在因建筑物障碍影响导致的参考点不均，可采取插值的方式，人为的插入参考点。

所述步骤(2)中训练SVM分类器模型具体包括以下步骤：

(2a)确定分类器输出，将指纹库按楼层顺序编码，根据SVM分类器输出类别即可得到相应的楼层；

(2b)将采样数据按一定比例划分为两部分训练集T_Data1和T_Data2，T_Data1用于训练自编码器，T_Data2用于训练SVM分类器；

(2c)将T_Data1中指纹的强度向量

输入自编码神经网络，输出为重构的强度向量

该过程包含四个部分，两次数据降维和两次数据升维，最终输出和输入维度都为n；

(2d)在步骤(2c)中自编码网络训练完毕，去除Decoder网络部分，保留Encoder网络参数，把Encoder网络输出接到SVM分类器上；将T_Data2中指纹的强度向量输入由“Encoder”+“SVM”构成的分类器模型，输出为楼层的类别；其中，SVM的核函数取高斯核

式中,x,z均为训练样本的特征向量，参数σ为人工设定的参数。

所述步骤(3)中利用K-均值算法对子指纹库作聚类分析具体包括以下步骤：

(3a)以目标楼层子指纹库DB_jk为聚类对象，将子指纹库DB_jk中指纹位置信息提取出来，即{(x_i，y_i)|i∈[1，N_BF]}，其中N_BF为对应楼层指纹个数；

(3b)选取K个初始聚类中心后，运行标准K-means聚类算法，通过不断迭代更新聚类中心，直至聚类中心不再变化；通过递增K值的方式，找到最合适的超参数K取值。

所述步骤(4)的具体步骤如下：

(4a)选择实时测量强度向量中RSS最大的M个AP，由这M个AP构成的子集合用于实际指纹匹配过程；

(4b)步骤(3)确定的聚类中心是位置坐标，实时目标的位置未知，因此，采用KNN方法以投票的方式确定目标所属聚类；

(4c)在确定的子区域中找到K个最近邻居，以WKNN算法估算目标坐标。

所述步骤(3b)的具体步骤如下：

(3b1)在{(x_i，y_i)|i∈[1，N_BF]}中随机选择一个样本作为第一个初始中心点；

(3b2)计算所有样本与初始中心点的距离，选择距离最小的值，记作D(x),分别保存在一个数组中，并求和得Sum(D(x))；

(3b3)取一随机数Random，满足Random∈(0，Sum(D(x)))，随后用该随机数Random顺序减去D(x)数组，直到Random＜0，此时D(x)数组下标对应的样本即为下一个初始中心点；

(3b4)重复步骤(3b2)、(3b3)直到找到K个初始中心点。

综上所述，本发明基于对室内定位场景的区域分割，首先进行楼层定位以确定子指纹库，其中用到了自编码器进行指纹数据处理，依靠神经网络强大的学习能力，有效的降低了数据维度，去除了高维数据中过多的冗余信息和噪声干扰，提高了分类效果；其次，基于位置聚类的方式也提高了聚类的可靠性，子区域的划分有效的提高了最终的定位精度。

Claims (5)

1.一种基于WiFi的室内定位方法，其特征在于：该方法包括以下顺序的步骤：

(1)离线阶段，采集室内定位区域N个参考点位置的指纹向量FP_i＝{RSS_i1，RSS_i2，...，RSS_in，x_i，y_i，B_i，F_i}，i＝1，2，...，N，n为AP集合的大小，x、y为参考点坐标，B、F为参考点楼层；将这N个参考点指纹信息存入指纹库DB；RSS_in表示参考点i处的第n个AP的信号强度，x_i、y_i为参考点i的横纵坐标，B_i为参考点i的楼号，F_i为参考点i的楼层；

(2)在线阶段粗定位，即确定目标楼层；首先，建立自编码器神经网络，即“Encoder”+“Decoder”模型，对原始指纹数据降维，编码器Encoder的输出即为降维数据，假设维度为E；其次，去除解码网络部分，将Encoder的输出作为SVM分类器输入，训练分类器模型；最后，实时强度向量在训练完成的分类器模型中经过前向计算即可得到目标楼层；

(3)在第(2)步确定目标楼层的基础上，利用K-均值算法对相应楼层的子指纹库DB_jk作聚类分析，进一步划分定位子区域；其中，超参数K的选取，需要从多次试验结果中确定；

(4)实时定位阶段，首先进行AP选择，选取实时强度向量中RSS最大的M个AP，构成集合set_ap＝{AP_i|i∈(1，n)，count(i)＜M}，取该集合中AP对应信号强度作为目标此处的强度向量；然后，利用KNN分类算法确定目标所在子区域，其中距离的计算用到子指纹库DB_jk中与集合set_ap中相同AP的强度信息；最后，找出K个最近邻居，以加权平均的方式估算目标的位置(x，y)；

所述步骤(2)中训练SVM分类器模型具体包括以下步骤：

(2a)确定分类器输出，将指纹库按楼层顺序编码，根据SVM分类器输出类别即可得到相应的楼层；

(2b)将采样数据按一定比例划分为两部分训练集T_Datal和T_Data2，T_Datal用于训练自编码器，T_Data2用于训练SVM分类器；

(2c)将T_Datal中指纹的强度向量

输入自编码神经网络，输出为重构的强度向量

该过程包含四个部分，两次数据降维和两次数据升维，最终输出和输入维度都为n；

(2d)在步骤(2c)中自编码网络训练完毕，去除Decoder网络部分，保留Encoder网络参数，把Encoder网络输出接到SVM分类器上；将T_Data2中指纹的强度向量输入由“Encoder”+“SVM”构成的分类器模型，输出为楼层的类别；其中，SVM的核函数取高斯核

式中，x，z均为训练样本的特征向量，参数σ为人工设定的参数。

2.根据权利要求1所述的基于WiFi的室内定位方法，其特征在于：所述步骤(1)具体包括以下步骤：

(1a)确定室内定位区域，按建筑物和楼层编号；确定定位区域中所有固定位置的AP集合，分别编号；在每个楼层随机均匀的划分参考点，按楼层记录各参考点处接收到的各AP的RSS以及参考点经纬度，共若干组；

(1b)对原始采样数据处理，首先取某参考位置坐标建立新的本地坐标系；其次，过滤掉所有不在AP集合中的RSS，对于在AP集合中缺失的RSS填入RSS最小值；最后，滤波平均化处理，建立指纹库DB。

3.根据权利要求1所述的基于WiFi的室内定位方法，其特征在于：所述步骤(3)中利用K-均值算法对子指纹库作聚类分析具体包括以下步骤：

(3a)以目标楼层子指纹库DB_jk为聚类对象，将子指纹库DB_jk中指纹位置信息提取出来，即{(x_i，y_i)|i∈[1，N_BF]}，其中N_BF为对应楼层指纹个数；

(3b)选取K个初始聚类中心后，运行标准K-means聚类算法，通过不断迭代更新聚类中心，直至聚类中心不再变化；通过递增K值的方式，找到最合适的超参数K取值。

4.根据权利要求1所述的基于WiFi的室内定位方法，其特征在于：所述步骤(4)的具体步骤如下：

(4a)选择实时测量强度向量中RSS最大的M个AP，由这M个AP构成的子集合用于实际指纹匹配过程；

(4b)步骤(3)确定的聚类中心是位置坐标，实时目标的位置未知，因此，采用KNN方法以投票的方式确定目标所属聚类；

(4c)在确定的子区域中找到K个最近邻居，以WKNN算法估算目标坐标。

5.根据权利要求3所述的基于WiFi的室内定位方法，其特征在于：所述步骤(3b)的具体步骤如下：

(3b1)在{(x_i，y_i)|i∈[1，N_BF]}中随机选择一个样本作为第一个初始中心点；

(3b2)计算所有样本与初始中心点的距离，选择距离最小的值，记作D(x)，分别保存在一个数组中，并求和得Sum(D(x))；

(3b3)取一随机数Random，满足Random∈(0，Sum(D(x)))，随后用该随机数Random顺序减去D(x)数组，直到Random＜0，此时D(x)数组下标对应的样本即为下一个初始中心点；

(3b4)重复步骤(3b2)、(3b3)直到找到K个初始中心点。

Images