CN110062458A - 一种无线信号指纹库优化更新方法和装置 - Google Patents
一种无线信号指纹库优化更新方法和装置 Download PDFInfo
- Publication number
- CN110062458A CN110062458A CN201910222348.8A CN201910222348A CN110062458A CN 110062458 A CN110062458 A CN 110062458A CN 201910222348 A CN201910222348 A CN 201910222348A CN 110062458 A CN110062458 A CN 110062458A
- Authority
- CN
- China
- Prior art keywords
- signal strength
- model
- weight
- unknown point
- fingerprint base
- 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
-
- 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
- G01S5/0278—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 involving statistical or probabilistic considerations
-
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开一种无线信号指纹库优化更新方法和装置,该方法本发明根据固定参考点实时接收到的信号强度自适应确定N个模型的归一化权重,进而通过N个模型自适应融合来实现无线信号强度的自适应更新。在单一指纹更新模型的基础上引入权重系数,可实现在不同环境下多个模型自适应加权融合,得到更加精确的指纹计算结果。同样,该装置可以提高信号强度计算精度,从而解决目前单一模型预测信号强度结果差和环境变化带来指纹定位精度差的问题。
Description
技术领域
本发明涉及数据处理恢复和定位技术领域,特别涉及一种无线信号指纹库优化更新方法和装置。
背景技术
由于无线设备,例如WiFi、蓝牙和Zigbee等,具有常用和方便安装等优点,已几乎布设在城市的每个角落。其散发的信号更是覆盖了室内大部分区域,室外部分地区,利用其信号特性进行定位,在室内导航定位领域中受到了广泛的重视和研究,并且已经获得了初步成效。指纹库定位技术主要是通过设备在不同空间点上具有不完全相同的信号强度序列,使得每一个空间位置点都有自己独特的特征。通过存储每一个点的信号强度序列,来构建定位区域的信号指纹库,并采用在线信号强度序列匹配的方法,达到定位的目的。指纹库中参考点信号强度的准确性是指纹定位技术中关键的一环,由于受温度、湿度、人流移动以及障碍物的出现消失等问题,使得指纹库时效性较差,每隔一段时间就需要进行更新指纹库,然而这将消耗大量的人力和时间,从而导致指纹库定位目前没有得到大规模的应用。如何实现指纹库能够快速更新,且更新结果可靠,来降低指纹库更新的繁琐程度,提升更新效率,直接决定指纹库定位技术的推广和应用。
发明内容
本发明提供了一种无线信号指纹库优化更新方法和装置,以解决目前无线信号指纹库更新速度较慢、步骤繁琐、精度不高和随时间变化而定位精度下降的问题。
第一方面,本发明提供了一种无线信号指纹库优化更新方法,包括:
根据固定参考点的已有信号强度,利用N个模型分别计算未知点的信号强度,并与所述未知点对应的指纹库中已有点信号强度进行对比,得到N个模型的权重;其中:N≥2;
根据固定参考点已有信号强度,确定所述N个模型的权重与固定参考点信号强度间的权重关系式;
根据固定参考点实时采集的信号强度在线计算未知点的信号强度,根据所述权重关系式在线自适应计算每个模型的权重,并对每个模型的权重进行归一化得到归一化权重;
根据每个模型的归一化权重,通过融合N个模型计算出的信号强度,在线计算出未知点的信号强度,并更新无线信号指纹库。
在一个实施例中,还包括:
根据固定参考点的已有信号强度,利用N个模型分别计算未知点的信号强度,并与未知点对应的指纹库中已有点信号强度进行对比,得到N个模型的权重,包括:
获取固定参考点的实时指纹信息,包括AP的名字、AP的MAC地址和AP在该点的信号强度RSS;
根据2k+1个时刻的固定参考点信号强度,利用N个模型分别计算2k+1个时刻的未知点信号强度;
以所述N个模型计算出的未知点信号强度作为输入,以指纹库中与未知点对应的已有点信号强度作为输出,根据最小二乘法计算N个模型权重,权重计算公式和权重约束条件分别为:
式中,t-k和t+k分别为以t时刻为中心的长为2k+1时间段的起始和结束时刻;分别为指纹库对于第i个未知点在第t-k,t,t+k时刻接收到的第j个AP的信号强度;分别为第v个模型对于第i个未知点在第t-k,t,t+k时刻接收到的第j个AP的信号强度的计算结果;为第v个模型对于第i个未知点在[t-k,t+k]时间段里接收到的第j个AP的信号强度进行预测的权重。
在一个实施例中,根据固定参考点已有信号强度,确定所述N个模型的权重与固定参考点信号强度间的权重关系式,包括:
根据N个模型权重和已有固定参考点的信号强度,确定模型权重与固定参考点信号强度间的权重关系式,其中第v个模型的权重关系式确定方法为:
式中,为在[t+m-k,t+m+k]时间段里,第v个模型对于第i个未知点的第j个AP的信号强度进行预测的权重;log(*)为以10为底数的对数运算;为第v个模型的权重关系式系数;为[t+m-k,t+m+k]时间段里接收到的第n个固定参考点的第j个AP的信号强度的平均值,其平均值计算方法为:
在一个实施例中,根据固定参考点实时采集的信号强度在线计算未知点的信号强度,根据所述权重确定关系式在线自适应计算每个模型的权重,并对权重进行归一化得到归一化权重,包括:
根据每个模型的权重表达式,利用固定参考点新采集的信号强度在线自适应计算每个模型的权重,计算公式为:
式中,为在h时刻,第v个模型对于第i个未知点的第j个AP的信号强度进行预测的权重;其中h≥t+m+k;
在此基础上,为满足N个模型权重的和恒为1,对模型权重进行归一化得到归一化权重,计算公式为:
式中,为经过归一化处理后的第v个模型的归一化权重。
在一个实施例中,根据每个模型的归一化权重,通过融合N个模型计算出的信号强度,在线计算出未知点的信号强度,并更新无线信号指纹库,包括:
利用归一化权重和N个模型计算出的信号强度进行加权融合,计算公式为:
式中,为在h时刻第v个模型对于第i个未知点的第j个AP的信号强度进行预测的结果;为在h时刻第i个未知点的第j个AP的信号强度的最终融合结果;并将所述最终融合结果更新到指纹数据库。
第二方面,本发明实施例还提供了一种无线信号指纹库更新装置,包括:
采集模块,用于构建先验指纹库采集所有点的信号强度和实时采集固定参考点的信号强度;
统计模块,用于N个模型由固定参考点信号强度去预测未知点的信号强度;
分析模块,用于对比分析根据模型计算出的未知点信号强度与该未知点对应的指纹库中的信号强度间的差别,得到N个模型的权重;
确定模块,用于根据固定参考点已有信号强度,确定所述N个模型的权重与固定参考点信号强度间的权重关系式;
归一化模块,用于根据固定参考点实时采集的信号强度在线计算未知点的信号强度,根据所述权重关系式在线自适应计算每个模型的权重,并对每个模型的权重进行归一化得到归一化权重;
计算及更新模块,用于根据每个模型的归一化权重,通过融合N个模型计算出的信号强度,在线计算出未知点的信号强度,并更新无线信号指纹库。
第三方面,本发明又提供一种无线信号指纹库优化更新装置,包括:
处理器;
用于存储处理器可执行命令的存储器;
其中,所述处理器被配置为:
根据固定参考点的已有信号强度,利用N个模型分别计算未知点的信号强度,并与所述未知点对应的指纹库中已有点信号强度进行对比,得到N个模型的权重;其中:N≥2;
根据固定参考点已有信号强度,确定所述N个模型的权重与固定参考点信号强度间的权重关系式;
根据固定参考点实时采集的信号强度在线计算未知点的信号强度,根据所述权重关系式在线自适应计算每个模型的权重,并对每个模型的权重进行归一化得到归一化权重;
根据每个模型的归一化权重,通过融合N个模型计算出的信号强度,在线计算出未知点的信号强度,并更新无线信号指纹库。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的无线信号指纹库更新的优化方法,该方法在单一指纹更新模型的基础上引入权重系数,可实现在不同环境下,多个模型自适应的加权融合,得到更加精确的指纹计算结果。该方法可以提高信号强度更新精度,从而解决目前单一模型预测信号强度结果较差,无线信号指纹库自动更新难的问题。
本发明的其它特征和优点将在随后的说明书中阐述,而且部分关键技术细节从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明实施例提供的无线信号指纹库更新的优化方法的流程图。
图2为本发明实施例提供的未知点和固定参考点的示意图。
图3为本发明实时例提供的无线信号指纹库更新装置框图。
图4为本发明实施例提供的无线信号指纹库更新装置结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一:本发明实施例提供了一种无线信号指纹库优化更新方法,参照图1所示,包括以下步骤:
S101、根据固定参考点的已有信号强度,利用N个模型分别计算未知点的信号强度,并与所述未知点对应的指纹库中已有点信号强度进行对比,得到N个模型的权重;其中:N≥2;
S102、根据固定参考点已有信号强度,确定所述N个模型的权重与固定参考点信号强度间的权重关系式;
S103、根据固定参考点实时采集的信号强度在线计算未知点的信号强度,根据所述权重关系式在线自适应计算每个模型的权重,并对每个模型的权重进行归一化得到归一化权重;
S104、根据每个模型的归一化权重,通过融合N个模型计算出的信号强度,在线计算出未知点的信号强度,并更新无线信号指纹库。
该方法在单一指纹更新模型的基础上引入权重系数,可实现在不同环境下,多个模型自主的加权融合,得到更加精确的指纹还原结果。本发明可以提高信号强度还原精度,从而解决目前单一模型预测信号强度结果差和环境变化带来指纹定位精度差的问题。
在一个实施例中,步骤S101包括:
获取固定参考点的实时指纹信息,包括AP的名字、AP的MAC地址和AP在该点的信号强度RSS;
根据2k+1个时刻的固定参考点信号强度,利用N个模型分别计算2k+1个时刻的未知点信号强度;
以所述N个模型计算出的未知点信号强度作为输入,以指纹库中与未知点对应的已有点信号强度作为输出,根据最小二乘法计算N个模型权重,权重计算公式和权重约束条件分别为:
式中,t-k和t+k分别为以t时刻为中心的长为2k+1时间段的起始和结束时刻;分别为指纹库对于第i个未知点在第t-k,t,t+k时刻接收到的第j个AP的信号强度;分别为第v个模型对于第i个未知点在第t-k,t,t+k时刻接收到的第j个AP的信号强度的计算结果;为第v个模型对于第i个未知点在[t-k,t+k]时间段里接收到的第j个AP的信号强度进行预测的权重。
在一个实施例中,步骤S102包括:根据N个模型权重和已有固定参考点的信号强度,确定模型权重与固定参考点信号强度间的权重关系式,其中第v个模型的权重关系式确定方法为:
式中,为在[t+m-k,t+m+k]时间段里,第v个模型对于第i个未知点的第j个AP的信号强度进行预测的权重;log(*)为以10为底数的对数运算;为第v个模型的权重关系式系数;为[t+m-k,t+m+k]时间段里接收到的第n个固定参考点的第j个AP的信号强度的平均值,其平均值计算方法为:
在一个实施例中,步骤S103包括:根据每个模型的权重表达式,利用固定参考点新采集的信号强度在线自适应计算每个模型的权重,计算公式为:
式中,为在h时刻,第v个模型对于第i个未知点的第j个AP的信号强度进行预测的权重;其中h≥t+m+k;
在此基础上,为满足N个模型权重的和恒为1,对模型权重进行归一化得到归一化权重,计算公式为:
式中,为经过归一化处理后的第v个模型的归一化权重。
在一个实施例中,步骤S104,包括:利用归一化权重和N个模型计算出的信号强度进行加权融合,计算公式为:
式中,为在h时刻第v个模型对于第i个未知点的第j个AP的信号强度进行预测的结果;为在h时刻第i个未知点的第j个AP的信号强度的最终融合结果;并将所述最终融合结果更新到指纹数据库。
下面分别对上述步骤进行详细的说明。
不失一般性,该方法按2个模型给出下面的实例实现过程,并在具体实现过程中以WiFi无线信号为例进行实施。
本实施例中,根据固定参考点已有的信号强度,利用2个模型分别计算未知点的信号强度,并与未知点对应的指纹库中已有点的信号强度进行对比,得到两个模型的权重,具体过程包括:
模型1为:
式中,分别为n个固定参考点在第t时刻接收到的第j个AP的信号强度;为由模型1计算出的第i个未知点在第t时刻接收到的第j个AP的信号强度;d(i,1)、d(i,2)…d(i,n)分别为n个固定参考点到第i个未知点的物理距离,q为距离的权重值,q一般取-2或者-4,上述的物理距离公式为:
式中,(Xi,Yi,Zi)为第i个未知点的空间坐标;(Xn,Yn,Zn)为第n个固定参考点的空间坐标;
模型2为:
式中,为模型2对于第i个未知点处接收到的第j个AP信号强度表达式系数,根据已有指纹库的数据可以算出,计算公式为:
式中,下标t-p-k至t-k表示所有点(固定参考点和未知点)信号强度均已知的时刻;
为了更好地说明模型2中表达式系数确定的方法,给出如图2所示的未知点与固定参考点分布的示意图。在实验区域22内,所有点的信号强度均已知,人为选择至少3个固定参考点222,其余的点均为待求点221;通过t-p-k至t-k这一时间段内的信号强度,建立固定参考点信号强度和未知点信号强度间的等式,以t-p-k时刻为例,则该等式可表示为:
以每个模型计算出的未知点信号强度作为输入,以未知点对应的指纹库的已知点信号强度作为输出,来确定模型的权重,计算方法和约束条件如下:
约束条件为:
(13)-(14)式中,和为已有指纹库对于第i个未知点在第t-1、t和t+1时刻接收到的第j个AP的信号强度;为在[t-1,t+1]时间段内,模型v对于第i个未知点接收到的第j个AP的信号强度的权重。
在上述步骤S102中,根据固定参考点已有信号强度来确定模型权重与固定参考点信号强度间的权重关系式,模型v权重关系式确定方法为:
式中,为在[t+m-1,t+m+1]时间段里模型v对于第i个未知点的第j个AP的信号强度进行预测的权重;log(*)为以10为底数的对数运算;为模型v的权重关系式系数;为[t+m-1,t+m+1]时间段里第n个固定参考点接收到的第j个AP的信号强度的平均值为:
式中,和为第n个固定参考点在第t+m-1、t+m和t+m+1时刻接收到的第j个AP的信号强度。
上述步骤S103中,利用固定参考点实时采集的信号强度在线计算未知点的信号强度,根据权重确定关系式在线自适应计算每个模型的权重,并对权重进行归一化得到归一化权重,具体过程为:
将h(h≥t+m+k)时刻获得固定参考点新的信号强度代入权重关系式,确定此时两个模型的权重,并进一步对权重进行归一化处理,得到归一化权重为:
(5)式中,为在h时刻模型v对于第i个未知点处接收到的第j个AP信号强度进行预测的权重;(16)式中为经过归一化处理后的归一化权重。
上述步骤S104中,根据每个模型的归一化权重,通过融合N个模型计算出的信号强度在线计算未知点的信号强度,,并更新无线信号指纹库,具体处理过程如下:
利用归一化权重和每个模型计算出的信号强度进行加权融合,得到最终的融合信号强度为:
式中,为在h时刻模型v对于第i个未知点处所接收到的第j个AP信号强度计算结果,并将更新至无线信号指纹库。
实施例二:
本发明实施例提供了一种无线信号指纹库更新装置,参照图3所示,包括:
采集模块31,用于构建先验指纹库采集所有点的信号强度和实时采集固定参考点的信号强度;
统计模块32,用于N个模型由固定参考点信号强度去预测未知点的信号强度;
分析模块33,用于对比分析根据模型计算出的未知点信号强度与该未知点对应的指纹库中的信号强度间的差别,得到N个模型的权重;
确定模块34,用于根据固定参考点已有信号强度,确定所述N个模型的权重与固定参考点信号强度间的权重关系式;
归一化模块35,用于根据固定参考点实时采集的信号强度在线计算未知点的信号强度,根据所述权重关系式在线自适应计算每个模型的权重,并对每个模型的权重进行归一化得到归一化权重;
计算及更新模块36,用于根据每个模型的归一化权重,通过融合N个模型计算出的信号强度,在线计算出未知点的信号强度,并更新无线信号指纹库。
本公开实施例的无线信号指纹库优化更新装置,在单一指纹更新模型的基础上引入权重系数,可实现在不同环境下多个模型自适应加权融合,得到更加精确的指纹计算结果。同样,该装置可以提高信号强度计算精度,从而解决目前单一模型预测信号强度结果差和环境变化带来指纹定位精度差的问题。
实施例三:
一种无线信号指纹库优化更新装置,包括:
处理器;
用于存储处理器可执行命令的存储器;
其中,所述处理器被配置为:
根据固定参考点的已有信号强度,利用N个模型分别计算未知点的信号强度,并与所述未知点对应的指纹库中已有点信号强度进行对比,得到N个模型的权重;其中:N≥2;
根据固定参考点已有信号强度,确定所述N个模型的权重与固定参考点信号强度间的权重关系式;
根据固定参考点实时采集的信号强度在线计算未知点的信号强度,根据所述权重关系式在线自适应计算每个模型的权重,并对每个模型的权重进行归一化得到归一化权重;
根据每个模型的归一化权重,通过融合N个模型计算出的信号强度,在线计算出未知点的信号强度,并更新无线信号指纹库。
本实施例以具体的WiFi无线信号指纹库为描述对象进行实施例的介绍,具体内容如下:
可将无线信号指纹库优化更新方法通过编程实现,利用采集到的固定参考点信号强度,再利用计算机处理器实现权重自动解算,自动确定固定参考点信号强度与权重间的关系式,最终自适应算出融合算法下的信号强度,从而形成一种自动指纹库更新装置,运行软件的硬件可以是普通计算机,也可以是嵌入式处理器,还可以将其移植到便携式终端中形成便携式无线信号指纹库更新系统。
参照图4所示,主要包括场地模块1、模型先验权重计算模块2和模型融合预测指纹模块3;其中场地模块1,提供所有点的先验信息,包括WiFi的物理地址、WiFi的信号强度;权重关系式确定模块计算未知点的信号强度和确定权重关系式;模型先验权重计算模块2是本系统的核心,其主要包括权重关系式确定模块21、未知点信号强度22、传感器单元23和权重确定模块24;模型融合预测指纹模块3为最终的指纹信号强度计算输出模块。
权重关系式确定模块21,用于N个模型自动根据固定参考点的信号强度来计算未知点的信号强度,并确定权重表达式,输入参数由模块1和未知点信号强度22给出,输出参数提供给权重确定模块24。
权重确定模块24,利用N个模型和权重表达式,根据23输入的固定参考点实时的信号强度,输出预测权重,计算最终的融合信号强度,并将该最终的融合信号强度,更新至指纹数据库。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种无线信号指纹库优化更新方法,其特征在于,包括:
根据固定参考点的已有信号强度,利用N个模型分别计算未知点的信号强度,并与所述未知点对应的指纹库中已有点信号强度进行对比,得到N个模型的权重;其中:N≥2;
根据固定参考点已有信号强度,确定所述N个模型的权重与固定参考点信号强度间的权重关系式;
根据固定参考点实时采集的信号强度在线计算未知点的信号强度,根据所述权重关系式在线自适应计算每个模型的权重,并对每个模型的权重进行归一化得到归一化权重;
根据每个模型的归一化权重,通过融合N个模型计算出的信号强度,在线计算出未知点的信号强度,并更新无线信号指纹库。
2.如权利要求1所述的一种无线信号指纹库优化更新方法,其特征在于,根据固定参考点的已有信号强度,利用N个模型分别计算未知点的信号强度,并与未知点对应的指纹库中已有点信号强度进行对比,得到N个模型的权重,包括:
获取固定参考点的实时指纹信息,包括AP的名字、AP的MAC地址和AP在该点的信号强度RSS;
根据2k+1个时刻的固定参考点信号强度,利用N个模型分别计算2k+1个时刻的未知点信号强度;
以所述N个模型计算出的未知点信号强度作为输入,以指纹库中与未知点对应的已有点信号强度作为输出,根据最小二乘法计算N个模型权重,权重计算公式和权重约束条件分别为:
式中,t-k和t+k分别为以t时刻为中心的长为2k+1时间段的起始和结束时刻;分别为指纹库对于第i个未知点在第t-k,t,t+k时刻接收到的第j个AP的信号强度;分别为第v个模型对于第i个未知点在第t-k,t,t+k时刻接收到的第j个AP的信号强度的计算结果;为第v个模型对于第i个未知点在[t-k,t+k]时间段里接收到的第j个AP的信号强度进行预测的权重。
3.如权利要求1所述的一种无线信号指纹库优化更新方法,其特征在于,根据固定参考点已有信号强度,确定所述N个模型的权重与固定参考点信号强度间的权重关系式,包括:
根据N个模型权重和已有固定参考点的信号强度,确定模型权重与固定参考点信号强度间的权重关系式,其中第v个模型的权重关系式确定方法为:
式中,为在[t+m-k,t+m+k]时间段里,第v个模型对于第i个未知点的第j个AP的信号强度进行预测的权重;log(*)为以10为底数的对数运算;为第v个模型的权重关系式系数;为[t+m-k,t+m+k]时间段里接收到的第n个固定参考点的第j个AP的信号强度的平均值,其平均值计算方法为:
4.如权利要求1所述的一种无线信号指纹库优化更新方法,其特征在于,根据固定参考点实时采集的信号强度在线计算未知点的信号强度,根据所述权重确定关系式在线自适应计算每个模型的权重,并对权重进行归一化得到归一化权重,包括:
根据每个模型的权重表达式,利用固定参考点新采集的信号强度在线自适应计算每个模型的权重,计算公式为:
式中,为在h时刻,第v个模型对于第i个未知点的第j个AP的信号强度进行预测的权重;其中h≥t+m+k;
在此基础上,为满足N个模型权重的和恒为1,对模型权重进行归一化得到归一化权重,计算公式为:
式中,为经过归一化处理后的第v个模型的归一化权重。
5.如权利要求1所述的一种无线信号指纹库优化更新方法,其特征在于,根据每个模型的归一化权重,通过融合N个模型计算出的信号强度,在线计算出未知点的信号强度,并更新无线信号指纹库,包括:
利用归一化权重和N个模型计算出的信号强度进行加权融合,计算公式为:
式中,为在h时刻第v个模型对于第i个未知点的第j个AP的信号强度进行预测的结果;为在h时刻第i个未知点的第j个AP的信号强度的最终融合结果;并将所述最终融合结果更新到指纹数据库。
6.一种无线信号指纹库更新装置,其特征在于,包括:
采集模块,用于构建先验指纹库采集所有点的信号强度和实时采集固定参考点的信号强度;
统计模块,用于N个模型由固定参考点信号强度去预测未知点的信号强度;
分析模块,用于对比分析根据模型计算出的未知点信号强度与该未知点对应的指纹库中的信号强度间的差别,得到N个模型的权重;
确定模块,用于根据固定参考点已有信号强度,确定所述N个模型的权重与固定参考点信号强度间的权重关系式;
归一化模块,用于根据固定参考点实时采集的信号强度在线计算未知点的信号强度,根据所述权重关系式在线自适应计算每个模型的权重,并对每个模型的权重进行归一化得到归一化权重;
计算及更新模块,用于根据每个模型的归一化权重,通过融合N个模型计算出的信号强度,在线计算出未知点的信号强度,并更新无线信号指纹库。
7.一种无线信号指纹库优化更新装置,其特征在于,包括:
处理器;
用于存储处理器可执行命令的存储器;
其中,所述处理器被配置为:
根据固定参考点的已有信号强度,利用N个模型分别计算未知点的信号强度,并与所述未知点对应的指纹库中已有点信号强度进行对比,得到N个模型的权重;其中:N≥2;
根据固定参考点已有信号强度,确定所述N个模型的权重与固定参考点信号强度间的权重关系式;
根据固定参考点实时采集的信号强度在线计算未知点的信号强度,根据所述权重关系式在线自适应计算每个模型的权重,并对每个模型的权重进行归一化得到归一化权重;
根据每个模型的归一化权重,通过融合N个模型计算出的信号强度,在线计算出未知点的信号强度,并更新无线信号指纹库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910222348.8A CN110062458B (zh) | 2019-03-22 | 2019-03-22 | 一种无线信号指纹库优化更新方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910222348.8A CN110062458B (zh) | 2019-03-22 | 2019-03-22 | 一种无线信号指纹库优化更新方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110062458A true CN110062458A (zh) | 2019-07-26 |
CN110062458B CN110062458B (zh) | 2020-05-29 |
Family
ID=67317127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910222348.8A Active CN110062458B (zh) | 2019-03-22 | 2019-03-22 | 一种无线信号指纹库优化更新方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110062458B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110557829A (zh) * | 2019-09-17 | 2019-12-10 | 北京东方国信科技股份有限公司 | 一种融合指纹库的定位方法及定位装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103905994A (zh) * | 2014-03-14 | 2014-07-02 | 北京师范大学 | 一种基于容错思想的室内Wi-Fi指纹定位方法 |
CN105636201A (zh) * | 2016-03-14 | 2016-06-01 | 中国人民解放军国防科学技术大学 | 基于稀疏信号指纹数据库的室内定位方法 |
US20160371394A1 (en) * | 2015-06-22 | 2016-12-22 | The Governing Council Of The University Of Toronto | Indoor localization using crowdsourced data |
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 |
CN106851573A (zh) * | 2017-01-22 | 2017-06-13 | 西安交通大学 | 基于对数路径损耗模型的联合加权k近邻室内定位方法 |
CN106840163A (zh) * | 2016-12-29 | 2017-06-13 | 上海斐讯数据通信技术有限公司 | 一种室内定位方法及系统 |
CN107333276A (zh) * | 2017-05-27 | 2017-11-07 | 南京邮电大学 | 基于加权卡方距离的WiFi位置指纹定位方法 |
-
2019
- 2019-03-22 CN CN201910222348.8A patent/CN110062458B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103905994A (zh) * | 2014-03-14 | 2014-07-02 | 北京师范大学 | 一种基于容错思想的室内Wi-Fi指纹定位方法 |
US20160371394A1 (en) * | 2015-06-22 | 2016-12-22 | The Governing Council Of The University Of Toronto | Indoor localization using crowdsourced data |
CN105636201A (zh) * | 2016-03-14 | 2016-06-01 | 中国人民解放军国防科学技术大学 | 基于稀疏信号指纹数据库的室内定位方法 |
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 |
CN106840163A (zh) * | 2016-12-29 | 2017-06-13 | 上海斐讯数据通信技术有限公司 | 一种室内定位方法及系统 |
CN106851573A (zh) * | 2017-01-22 | 2017-06-13 | 西安交通大学 | 基于对数路径损耗模型的联合加权k近邻室内定位方法 |
CN107333276A (zh) * | 2017-05-27 | 2017-11-07 | 南京邮电大学 | 基于加权卡方距离的WiFi位置指纹定位方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110557829A (zh) * | 2019-09-17 | 2019-12-10 | 北京东方国信科技股份有限公司 | 一种融合指纹库的定位方法及定位装置 |
CN110557829B (zh) * | 2019-09-17 | 2020-12-11 | 北京东方国信科技股份有限公司 | 一种融合指纹库的定位方法及定位装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110062458B (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111836358B (zh) | 定位方法、电子设备和计算机可读存储介质 | |
Velaga et al. | Developing an enhanced weight-based topological map-matching algorithm for intelligent transport systems | |
CA3080184C (en) | Deployment of trained neural network based rss fingerprint dataset | |
CN108984785B (zh) | 一种基于历史数据和增量的指纹库的更新方法及装置 | |
CN104270816A (zh) | Led可见光室内定位系统的自适应动态指纹库构建方法 | |
CN108141837A (zh) | 用于跟踪的装置和方法 | |
CN108133619A (zh) | 停车场停车预测的方法、装置、存储介质及终端设备 | |
CN105120433A (zh) | 基于连续采样及模糊聚类处理的wlan室内定位方法 | |
CN109756842B (zh) | 基于注意力机制的无线室内定位方法及系统 | |
CN109379711B (zh) | 一种定位方法 | |
CN106507406A (zh) | 一种无线网络的设备接入数的预测方法及设备 | |
Cui et al. | Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network | |
CN108106624A (zh) | 一种多人预约调度路径规划方法及相关装置 | |
CN111311748A (zh) | 室内立体图构建方法及装置、终端设备和存储介质 | |
CN103889053B (zh) | 一种自生长式的指纹图自主建立方法 | |
CN108985488A (zh) | 个体出行目的地预测的方法 | |
CN110062458A (zh) | 一种无线信号指纹库优化更新方法和装置 | |
CN108111976B (zh) | 一种WiFi信号指纹数据优化方法及装置 | |
CN113310490B (zh) | Grnn结合遗传算法的室内定位方法及系统 | |
CN110276387A (zh) | 一种模型的生成方法及装置 | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
Hosseini et al. | NSGA-II based optimal Wi-Fi access point placement for indoor positioning: A BIM-based RSS prediction | |
CN105636102A (zh) | 一种基于贝叶斯后验概率的定位方法及装置 | |
CN109612458A (zh) | 利用手机气压和加速度传感器在山区环境实现用户位置追踪的方法 | |
CN113570899B (zh) | 停车场列表生成方法、装置、服务设备及存储介质 |
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 |