CN110290490B

CN110290490B - 一种室内混合指纹地图的构建方法

Info

Publication number: CN110290490B
Application number: CN201910372409.9A
Authority: CN
Inventors: 刘震宇; 戴彬; 万祥; 魏林超; 孙泰; 洪绿旋
Original assignee: Guangdong University of Technology
Current assignee: Guangdong University of Technology
Priority date: 2019-05-06
Filing date: 2019-05-06
Publication date: 2020-12-08
Anticipated expiration: 2039-05-06
Also published as: CN110290490A

Abstract

本发明公开了一种室内混合指纹地图的构建方法，包括以下步骤：在室内环境设置数据采集点，对室内环境进行WiFi数据采集；统计室内所有采集点探测的无线接入点AP的集合，以所有采集点探测的AP构建初步的RSSI指纹数据库；利用得到的初步的RSSI指纹数据库构建离线Ratiomap序列，对离线Ratiomap序列进行分析，设置阈值过滤异常数据和规范化离线Ratiomap序列；利用得到的初步的RSSI指纹数据库构建离线Radiomap序列，并进行归一化处理；将上述步骤得到的离线Ratiomap序列与离线Radiomap序列合并，构建离线混合指纹地图hybrid map序列。本发明通过将离线Radiomap序列和离线Ratiomap序列进行合并构建离线混合指纹地图hybrid map序列，在构建过程加入比值特征构建的方法，提高指纹数据对室内环境时变的适应性。

Description

一种室内混合指纹地图的构建方法

技术领域

本发明涉及室内定位技术领域，更具体的，涉及一种室内混合指纹地图的构建方法。

背景技术

长期以来位置服务占据着重要地位，目前，北斗以及GPS等室外基于卫星的定位系统基本上满足了人们室外的位置服务需求，但是由于信号衰减建筑物对信号传播的阻碍等因素的影响，基于卫星定位的定位方法在室内位置服务中效果较差。由于人们一天之中在室内的情况远远多于在室外的情况，所以室内定位在日常生活、公共安全和商业服务中有着广阔的应用前景。

室内位置服务需求的增加，使得基于红外线，UWB以及视觉的室内定位方法相继的被提出，这些方法在室内定位中可以取得令人满意的效果，但是这些定位方法需要高成本的硬件基础设施且实施起来复杂的缺点，因而在室内位置服务中的应用受限。

近年来基于802.11协议的无线局域网技术的发展与普及，在人群聚集的公共室内场合WiFi成为了常见的必备基础设施。而基于WiFi的室内定位方法基于低成本的硬件设备布置成本受到众多研究者关注。

目前基于WiFi的室内定位方法主要可分为基于传播模型和基于指纹定位两种模式。基于传播模型的方法由于信号在室内环境衰减等容易造成定位结果不可靠。基于指纹定位的方法相对的在定位可靠性要好于基于传播模型的方法，但是由于室内环境会受到天气变化的影响，雨天相较于晴天室内湿度会相对较高，影响到AP信号的传输，使得室内的AP信号受到一定比值的衰减，在长期的定位中定位结果变得不可靠。

发明内容

本发明为了解决室内环境WiFi信号易受环境影响的问题，提供了一种室内混合指纹地图的构建方法，其基于原始指纹数据加入比值的数据处理方法以提升数据的时变适应性，解决了室内环境WiFi信号易受环境影响的问题。

为实现上述本发明目的，采用的技术方案如下：一种室内混合指纹地图的构建方法，所述构建方法包括以下步骤：

S1：在室内环境设置数据采集点，对室内环境进行WiFi数据采集；

S2：统计室内所有采集点探测的无线接入点AP的集合，以所有采集点探测的AP构建初步的接收的信号强度指示RSSI指纹数据库；

S3：利用得到的初步的RSSI指纹数据库构建离线室内比值地图Ratiomap序列，对离线Ratiomap序列进行分析，设置阈值过滤异常数据，并规范化离线Ratiomap序列；

S4：利用得到的初步的RSSI指纹数据库构建离线无线地图Radiomap序列，并进行归一化处理；

S5：将上述步骤得到的离线Ratiomap序列与离线Radiomap序列合并，构建离线混合指纹地图hybrid map序列。

优选地，步骤S1，具体地，将室内环境划分为L*L的小方块，其中1m≤L≤3m，在小方块的中心位置设置数据采集点，采集点序列为RP＝{RP₁，RP₂，...，RP_n，...，RP_N}；

式中，n表示室内环境第n个采集点；N表示室内环境采集点的个数；

每个RP转化为独立的数值标签作为采集数据的类标签，对所有采集点进行WiFi数据采集。

进一步地，步骤S2，所述构建初步的RSSI指纹数据库，具体地，

步骤S2.1：统计所有采集点测到的AP后进行并集处理，得到对应的室内环境所有采集点探测AP的MAC地址序列，其形式为MAC＝{MAC₁，MAC₂，...，MAC_m，...，MAC_M}，MAC_m表示室内环境中第m个AP点的MAC地址序列；MAC_M表示室内环境中第M个AP点的MAC地址序列；

步骤S2.2：对所有采集点做标签以及根据所有采集点测得AP的MAC地址序列匹配关于室内区域的RSSI指纹数据库，指纹序列形式为RSSI_i,j＝{RSSI₁，RSSI₂，...，RSSI_m，...，RSSI_M}，其中，i表示室内区域第i个采集点，j表示采集点i采集的第j条样本，RSSI_m对应于第MAC_m的强度值，对于某些RP点无法测得的AP，其AP的RSSI值为0。

再进一步地，步骤S3，所述构建离线Ratiomap序列，具体地：

步骤S3.1：对于M个AP获得M个权重值，其形式为W＝{W₁，W₂，...，W_m，...，W_M}，W_m对应于第m个AP的权重，W取值在0-1的区间；设阈值W_r，取出大于Wr的AP，得到其对应的MAC地址，其形式为MAC_import＝{MAC₃，MAC₅，...，MAC_v}；对MAC_import序列重新排序为MAC_import＝{MAC₁，MAC₂，...，MAC_V}，其中，V<M；

步骤S3.2：根据得到的AP的MAC_import＝{MAC₁，MAC₂，...，MAC_V}，取出MAC_import对应的RSSI数据，得到的RSSI数据，其形式为RSSI_import＝{RSSI₁，RSSI₂，...RSSI_V}，构建离线Ratiomap序列，其构建方法为：

其中：

再进一步地，步骤S3，获得所述离线Ratiomap序列后，设置阈值过滤异常数据，具体的：

屏蔽AP的RSSI值为0的单元，AP的RSSI值为0不计入总数；对离线Ratiomap序列进行数据分布分析，获取离线Ratiomap序列中的四分位数值，离线Ratiomap序列中异常值定义为：

式中：Q_u，Q_l分别为上下四分位数，IQL为上下四分位数间距。

再进一步地，步骤S3，所述规范化离线Ratiomap序列，具体如下；

根据式(2)得到的最大比值为Ratio_MAX，最小比值为Ratio_MIN；则对于比值Ratio，其归一化公式为：

式中：

最后获得归一化的Ratiomap序列矩阵

Ratio_RT＝{Ratio₁，Ratio₂，...，Ratio_p，...，Ratio_Q} (4)

式中，

更新离线Ratiomap序列。

再进一步地，步骤S4，构建离线Radiomap序列，具体如下：

忽略步骤2的初步的RSSI指纹数据库中RSSI值为0的数据，得到新的RSSI值的取值区间；

设新的RSSI值的取值区间中最大的RSSI值为RSSI_MAX，最小的RSSI值为RSSI_MIN，则对于比值RSSI规范化公式为：

其中1≤o≤M；

更新离线Radiomap序列，得到离线Radiomap序列RSSI'_i,j＝{RSSI'₁，RSSI'₂，...，RSSI'_m，...，RSSI'_M}。

进一步地，所述构建离线混合指纹地图hybrid map序列：

合并Radiomap序列RSSI'_i,j＝{RSSI'₁，RSSI'₂，...，RSSI'_m，...，RSSI'_M}，1≤m≤M以及其对应构建的Ratiomap序列Ratio_RT＝{Ratio₁，Ratio₂，...，Ratio_p，...，Ratio_Q}，其中

1≤m≤M；得到离线混合指纹地图hybrid map序列为

HM_RT＝{Ratio₁，Ratio₂，...，Ratio_p，...，Ratio_Q，RSSI'₁，RSSI'₂，...，RSSI'_m，...，RSSI'_M}。

本发明的有益效果如下：

1.本发明通过将离线Radiomap序列和离线Ratiomap序列进行合并构建离线混合指纹地图hybrid map序列，在构建过程加入比值特征构建的方法，提高指纹数据对室内环境时变的适应性。

2.本发明基于传统的指纹数据库构建方法，加入比值特征构建的方法，无需额外的硬件成本，并且提高原始数据数据中不同位置节点数据样本差异性和提高指纹数据对室内环境变化的表达性。

附图说明

图1是本实施例数据库构建方法的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明做详细描述。

实施例1

如图1所述，一种室内混合指纹地图的构建方法，所述构建方法包括以下步骤：

具体地，将室内环境划分为L*L的小方块，其中1m≤L≤3m，在小方块的中心位置设置数据采集点，采集点序列为RP＝{RP₁，RP₂，...，RP_n，...，RP_N}；

S2：统计室内所有采集点探测的无线接入点AP的集合，以所有采集点探测的AP构建初步的RSSI指纹数据库；

步骤S2.2：对所有采集点做标签以及根据所有采集点测得AP的MAC地址序列匹配关于室内区域的RSSI指纹数据库，指纹序列形式为RSSI_i,j＝{RSSI₁，RSSI₂，...，RSSI_m，...，RSSI_M}，其中，i表示室内区域第i个采集点，j表示采集点i采集的第j条样本，RSSI_m对应于第MAC_m的强度值，对于某些RP点无法测得的AP，其AP的RSSI值为0。如表1所示

表1

采集点	MAC<sub>1</sub>	MAC<sub>2</sub>	MAC<sub>3</sub>	MAC<sub>4</sub>	MAC<sub>5</sub>
						RP<sub>1</sub>	-50	-60	0	-40	-90
RP<sub>2</sub>	0	-30	-55	-35	-45
						...	...	...	...	...	...
RP<sub>N</sub>	-90	0	-45	-80	-60

步骤S3.1：对得到初步的RSSI指纹数据库进行主成分分析，所述的主成分分析包括频率法、主成分分析(PCA)。

本实施例以频率法为例如下：对于得到初步的RSSI指纹数据库分析其每一列的实测值次数占RSSI指纹数据样本比列。

对于M个AP获得M个权重值，其形式为W＝{0.5₁，0.7₂，...，0.3_m，...，0.1_M}，m对应于第m个AP其具实测值次数占RSSI指纹数据样本比列，W取值在0-1的区间。

本实施例设置阈值W_r为0.5，取出大于0.5，得到其对应的MAC地址，排序为新的MAC地址序列，其形式为MAC_import＝{MAC₂，MAC₅，...，MAC_v}，其中，v取值在1～M范围之内。

对MAC_import序列排序重新为MAC_import＝{MAC₁，MAC₂，...，MAC_V}，其中V<M

其中：

实施例过程如下令表1中的MAC₂，MAC₄，MAC₅为具有重要贡献的AP，其构建离线Ratiomap如表2所示：

表2

采集点	MAC<sub>2</sub>/MAC<sub>4</sub>	MAC<sub>2</sub>/MAC<sub>5</sub>	MAC<sub>4</sub>/MAC<sub>5</sub>
				RP<sub>1</sub>	1.5	0.66	0.44
RP<sub>2</sub>	0.85	0.66	0.77
				...	...	...	...
RP<sub>N</sub>	0	0	1.33

步骤S3.3：获得所述离线Ratiomap序列后，采用箱型图分析法对离线Ratiomap序列进行分析，设置阈值过滤异常数据，具体的：

首先屏蔽值为0的单元，值为0的单元不计入总数。对离线Ratiomap进行数据分布分析，采用箱型图分析法获取离线Ratiomap数据中的四分位数值；

离线Ratiomap序列中异常值定义为：

根据以上公式滤除异常值，对异常值进行补0。

步骤S3.4：规范化离线Ratiomap，具体如下：

式中：

最后获得归一化的离线Ratiomap序列矩阵

Ratio_RT＝{Ratio₁，Ratio₂，...，Ratio_p，...，Ratio_Q} (4)

式中，

更新Ratiomap序列。

S4：利用得到的初步的RSSI指纹数据库构建离线Radiomap序列，并进行归一化处理，具体如下：

忽略步骤S2的初步的RSSI指纹数据库中RSSI值为0的数据，得到RSSI值的取值区间。

设得到RSSI值的取值区间中最大的RSSI值为RSSI_MAX，最小的RSSI值为RSSI_MIN，则对于比值RSSI规范化公式为：

其中1≤o≤M；

S5：将上述步骤得到的室内离线Ratiomap序列与离线Radiomap序列合并，构建离线混合指纹地图hybrid map序列；具体如下：

合并离线Radiomap序列RSSI'_i,j＝{RSSI'₁，RSSI'₂，...，RSSI'_m，...，RSSI'_M}，1≤m≤M以及其对应构建的离线Ratiomap序列Ratio_RT＝{Ratio₁，Ratio₂，...，Ratio_p，...，Ratio_Q}，其中

1≤m≤M；得到离线混合指纹地图hybrid map序列为

完成本实施例所述的离线混合指纹地图的构建。

例如在具体应用过程中对本实施例得到的室内混合指纹地图hybrid map序列采用深度学习的方法进行训练学习得到一个定位模型，用户通过智能手机发送一条测得的关于周围的AP信号到服务器，服务器通过定位模型判断AP信号的位置，进而得到用户所在的位置。

具体地，获取在线请求WiFi数据，结合步骤S2.1室内环境所有AP的MAC地址序列MAC＝{MAC₁，MAC₂，...，MAC_m，...，MAC_M}，匹配通过智能手机获取的在线请求WIFI数据，得到在线RSSI序列RSSI_RT＝{RSSI₁，RSSI₂，...RSSI_m，...，RSSI_M}。

根据步骤S2.2的RSSI指纹数据库中非0的RSSI值中取值最大RSSI值为RSSI_MAX，最小RSSI值为RSSI_MIN则对于比值RSSI规范化公式为：

更新在线Radiomap序列，得到在线RSSI序列RSSI_OL＝{RSSI₁，RSSI₂，...RSSI_m，...，RSSI_M}。

获取步骤S3.1中的重要AP的MAC_import地址序列，匹配其对应的RSSI数据，根据步骤S3.2构建Ratiomap的方法构建在线Ratiomap序列。并根据S3.3以及S3.4获取的相关阈值滤除异常值以及归一化Ratiomap序列，最后获取在线Ratiomap序列，其表达为Ratio_OL＝{Ratio₁，Ratio₂，...，Ratio_p，...，Ratio_Q}。

构建在线混合指纹地图hybrid map序列：

合并在线Radiomap序列RSSI_OL＝{RSSI₁，RSSI₂，...RSSI_m，...，RSSI_M}，1≤m≤M以及在线Ratiomap序列Ratio_OL＝{Ratio₁，Ratio₂，...，Ratio_p，...，Ratio_Q}，得到在线混合指纹地图hybrid map序列为HM_OL＝{Ratio₁，Ratio₂，...，Ratio_p，...，Ratio_Q，RSSI₁，RSSI₂，...RSSI_m，...，RSSI_M}。

根据在线混合指纹地图hybrid map序列输入学习好的机器或深度学习模型判断智能手机的位置，即得到用户的定位。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。