CN110557716A - 一种基于对数正态模型的室内定位方法 - Google Patents

Abstract

本发明公开了一种基于对数正态模型的室内定位方法，包括：定位初始阶段在定位区域中选取规格不同的AP，对定位区域等间隔划分，建立坐标系，并采集指纹信息；接着对RSSI值进行滤波处理，根据滤波后的RSSI值拟合对数正态模型对WiFi信号建模，筛选出最契合模型的AP，构建RSSI指纹库和高密度虚拟指纹库；在实时定位阶段，待定位节点在匹配RSSI指纹库的基础上，利用AP的契合度修正欧氏距离相似度，找出相似度更高的指纹点，初步确定待定位节点区域，接着二次匹配高密度虚拟指纹库进行精准定位。本发明能筛选出稳定的AP，且较好地解决了由于AP设备之间的差异造成定位精度不高的问题，也能够通过二次插值匹配，减少离线阶段指纹采集的工作量且提高定位精度。

Description

一种基于对数正态模型的室内定位方法

技术领域

本发明涉及一种室内定位方法，属于室内定位技术领域，主要涉及一种基于对数正态模型的室内定位方法。

背景技术

在移动设备和物联网高速发展的时代，用户对基于位置服务(Location-BasedService,LBS)的要求也越来越高。在室外环境中，GPS(Global Position System)定位系统、GNSS(Global Navigation Satellite System)定位系统可以很好地满足用户的需求，但是，室内环境复杂多变使得这些技术不能被用于精准定位。常用的室内定位技术包括红外、蓝牙、射频识别、超声波、超宽带、地磁、航位推算等，但这些技术都需要额外部署专门的硬件设备，成本较高且不易操作。

WiFi(Wireless Fidelity)室内定位技术随着WiFi覆盖面的增加，克服了上述技术存在的不足，被广泛地应用到室内定位中。WiFi指纹定位分为离线阶段和在线阶段，在离线阶段，通过无线测量设备采集指纹点处各个AP(Access Point)发送的信号强度构建指纹库；在线定位定位阶段，把待定位节点接收到的RSSI向量与指纹库中的RSSI向量逐一匹配，通过定位算法返回相似度较高的物理坐标进行定位。

常用的定位算法有近邻、支持向量机、深度学习等各种算法。其中近邻算法由于计算复杂度低、普适性强等优点被广泛地应用于WiFi指纹定位中。

近邻算法分为最近邻(Nearest Neighborhood,NN)、K近邻(K NearestNeighborhood,KNN)和加权K近邻(Weight K Nearest Neighborhood,WKNN)。应用近邻算法进行匹配时，主要计算待定位节点与指纹库中RSSI向量之间的欧式距离，并对该距离升序排序。NN算法将欧式距离最小的指纹坐标作为待定位节点坐标，KNN算法选择前k(k≥3)个指纹的物理坐标的均值作为待定位节点的估计位置，WKNN算法在KNN算法的基础上，采用欧氏距离相似度对k个指纹的物理坐标加权，修正定位误差。

但在指纹定位中，WiFi信号易受环境影响，直接使用信号强度创建的指纹库存在较大噪声且离线阶段指纹采集工作量较大。同时，在线定位阶段使用欧式距离计算待定位点与指纹点之间的差异时，忽略了WiFi信号非线性衰减的特征以及AP设备之间存在差异的问题。

因此，若能充分挖掘WiFi信号衰减的特征，同时充分利用AP设备之间的差异，并将其应用在AP选择、指纹库构建以及定位算法上则可以提高定位精度。

发明内容

针对以上问题，本发明提供了一种基于对数正态模型的室内定位方法，通过本发明的技术方案，在复杂的环境下，不仅能筛选出稳定的AP，而且较好地解决了由于AP设备之间的差异造成定位精度不高的问题，也能够通过二次插值匹配，减少离线阶段指纹采集的工作量，且可提高定位精度。

本发明所采用的技术方案如下：

一种基于对数正态模型的室内定位方法，包括以下步骤：

S1、定位初始化阶段，随机选取定位环境中多个规格不同的AP，对定位区域等间距进行网格划分，在网格点上设置指纹点，并在网格区域内随意选取互相垂直的网格线，建立直角坐标系；使用无线信号测量设备，采集每个指纹点在不同时刻接收到的多个AP发射的信号强度，然后将该指纹点的物理坐标，信号强度值、时间戳以及AP的MAC地址等信息存入后台数据库；

S2、在每个指纹点处对不同时刻接收到的信号强度进行滤波，根据RSSI值的分布情况，选择分布概率高的区间，把此区间内RSSI值的均值作为该指纹点的特征；

S3、把指纹点的物理坐标转换成距离AP节点之间的距离，根据距离与RSSI的关系，拟合每个AP的对数正态模型，计算AP的契合度，筛选出拟合效果好的AP；

S4、根据筛选出的AP，用经过滤波处理后的信号强度构建RSSI指纹库，并通过拟合的对数正态模型，构建高密度虚拟指纹库；

S5、在实时定位阶段，在待定位节点处使用无线信号测量设备接收来自不同时刻不同AP发射的信号强度，并采用与步骤S2一样的滤波方式得到待定位节点的RSSI向量，将该向量与RSSI指纹库进行匹配，计算两者AP契合度修正的欧氏距离相似度，找出相似度更高的指纹点，初步确定待定位节点的区域；

S6、在确定的区域内，利用对数正态模型，插入虚拟指纹点，构建高密度虚拟指纹库；待定位节点的RSSI向量再次匹配高密度虚拟指纹库，把AP契合度修正的欧氏距离相似度作为权重赋予筛选出的指纹坐标，估计待定位节点的位置。

进一步地，步骤S1的具体步骤包括：

S11、在定位区域内随机选取规格不同的n个AP，分别标记为AP₀、AP₁、...、AP_n。对定位区域等间距进行网格划分，在网格点上设置指纹点，并在网格区域内随意选取互相垂直的网格线，建立直角坐标系；

假设两垂线的交点坐标为原点(x₀,y₀)，区域内共设置i个指纹点，依次获得i个指纹点的物理坐标为(x₀,y₀)、(x₁,y₁)、...、(x_i-1,y_i-1)；

S12、使用装有无线信号测量软件的智能手机，在每个指纹点i处测量不同时刻t接收到来自n个AP发送的信号强度RSSI＝{R_i1,R_i2,...,R_in}，其中R_in＝[RSSI₁,RSSI₂,...,RSSI_t]，并将该指纹点的物理坐标，信号强度值、时间戳以及AP的MAC地址等信息存入后台数据库。

进一步地，步骤S2的具体步骤包括：

S21、根据每个指纹点在不同时刻接收到的信号强度分布情况，通过以下公式选择分布概率高的区间：

RSSI_t∈(μ-λσ,μ+λσ)；

其中μ为R_in＝[RSSI₁,RSSI₂,...,RSSI_t]的均值，σ为标准差，λ表示百分界值对应的参数，如百分界值设置为90％，λ＝1.645；百分界值设置为80％，λ＝1.282；RSSI_t表示任意指纹点在不同时刻t接收到的RSSI值；

S22、在此区间l内利用以下公式求m个RSSI值的均值作为该指纹点的特征。

进一步地，步骤S3的具体步骤包括：

S31、根据采集的指纹数据集，先将指纹坐标转化成距离AP节点的距离，再根据距离与滤波后RSSI值的关系拟合每个AP的对数正态模型，得到对应的环境系数n和X_dBm；其中对数正态模型为：

其中，P(d)表示指纹点到AP节点距离为d时接收的信号强度，P(d₀)表示间距为d₀时指纹点接收的信号强度，n为与环境相关的路径损耗指数，X_dBm是服从均值为零的正态分布随机变量；

S32、根据拟合对数正态模型的思路，采用基于对数正态模型的AP选择方法，通过对n个AP进行曲线拟合，筛选出最契合模型的前j个AP参与定位；AP模型的契合度用F表示，F_n为第n个AP的契合度且满足如下关系：

其中，RSSI_in表示在第i个指纹点接收到第n个AP发送的RSSI值，P(d_in)满足对数正态模型的条件，表示在第i个指纹点接收到第n个AP经过拟合对数正态模型后对应的RSSI值，F越小表示拟合效果越好，基于对数正态模型的AP选择方法具体步骤如下：

1)计算n个AP的F值，记所有AP对应的契合度为集合FD＝{F₁,F₂,...,F_n}；

2)对集合FD升序排列；

3)选出F值最小的前j个AP。

进一步地，步骤S4的具体步骤包括：

S41、根据选取的j个AP，在第i个指纹点处，把位置坐标和经过双重滤波处理的接收信号强度作为该指纹点的特征存入数据库，构建传统RSSI指纹库RF＝{RF₁,RF₂,...,RF_i}，其中RF_i是第i个指纹点的数据，记录该指纹点的位置坐标P(x_i,y_i)和j个AP双重滤波后的信号强度向量R＝[RSSI_i1,RSSI_i2,...,RSSI_ij]等数据；

S42、针对大范围指纹采集工作量大的问题，在稀疏指纹库RF区域内，通过对数正态模型在该区域内插入v个虚拟指纹点的虚拟信号强度；该插值方式先将虚拟指纹点坐标转化成距离，然后利用对数正态模型计算出虚拟信号强度RSSI'，构建虚拟指纹库VF＝{VF₁,VF₂,...,VF_v}，其中VF_v是第v个虚拟指纹点的数据，记录该虚拟指纹点的位置坐标P(x_v,y_v)和j个AP的虚拟信号强度向量R'＝[RSSI'_v1,RSSI'_v2,...,RSSI'_vj]等数据；接着，把VF加入到RF中得到高密度虚拟指纹库RF'＝{RF,VF}。

进一步地，步骤S5的具体步骤包括：

S51、与步骤S2数据滤波处理方式一样，在实时定位阶段，在待定位节点U处接收来自j个AP不同时刻发送的信号强度，通过双重滤波得到信号强度向量UR＝[RSSI_U1,RSSI_U2,...,RSSI_Uj]；

S52、传统的近邻算法用欧式距离最小的k个指纹坐标估计待定位节点的位置，但欧氏距离仅考虑指纹点与待定位节点RSSI值之间的相似度，忽略了不同AP设备之间的差异；

在实际环境中，如在商场，不同商家使用的AP设备不一致，或随着时间的推移，AP设备的性能会减弱；针对这一问题，对AP赋权，利用AP的契合度修正欧氏距离相似度：

其中，F_ij表示在第i个指纹点处第j个AP的契合度；

S53、假设指纹库共有i个指纹，将UR向量与离线阶段构建的RSSI指纹库RF进行匹配，计算两者AP契合度修正的欧式距离相似度得到UR与RF的距离序列D'(D₁',D₂',...,D_i')，对D'升序排列形成新序列E(E₁,E₂,...,E_i),选取前k个指纹的坐标(x_k,y_k)，并以此得到当前指纹坐标的最大和最小值：

在求得min(x，y)和max(x，y)后，以这两个点为对角坐标点得到一个矩形，则待定位节点必然在该矩形之内。

进一步地，步骤S6的具体步骤包括：

S61、在该矩形区域内，利用对数正态模型，插入v个虚拟指纹点，形成高密度虚拟指纹库RF'；

S62、将UR向量与RF'虚拟指纹库进行匹配，计算两者AP契合度修正的欧式距离相似度得到UR与RF'的距离序列D”(D₁”,D₂”,...,D_k+v”)，对D”升序排列形成新序列E'(E₁',E₂',...,E_k+v')，选取前k个指纹按以下公式估计待定位节点的位置U(x_u,y_u)。

借由上述技术方案，本发明具有如下优点和有益技术效果：

1)本发明提供了一种基于对数正态模型的室内定位方法，在定位初始阶段，根据滤波后的RSSI值拟合对数正态模型，计算AP的契合度，筛选出最契合模型的AP，构建RSSI指纹库和虚拟指纹库。

2)在实时定位阶段，在匹配RSSI指纹库的基础上，利用AP的契合度修正欧氏距离相似度，找出相似度更高的指纹点确定待定位节点的区域，接着再次匹配虚拟指纹库实现二次精准定位。

3)在复杂的环境下，不仅能筛选出稳定的AP，而且较好地解决了由于AP设备之间的差异造成定位精度不高的问题，也能够通过二次插值匹配，减少离线阶段指纹采集的工作量且可提高定位精度，具有较好的应用与推广价值。

附图说明

图1是本发明的一种基于对数正态模型的室内定位方法的步骤示意图；

图2是本发明中具体实施例所述的实验环境平面图；

图3是本发明中具体实施例所述的指纹采集的详细信息图；

图4是本发明中具体实施例所述的8个AP拟合的对数正态模型示意图；

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

下面结合具体实施例和附图对本发明的构思、技术方案进行清楚、完整的描述。

如图1所示，一种基于对数正态模型的室内定位方法，包括以下步骤：

S1、定位初始化阶段，随机选取定位环境中多个规格不同的AP，对定位区域等间距进行网格划分，在网格点上设置指纹点，并在网格区域内随意选取互相垂直的网格线，建立直角坐标系；使用无线信号测量设备，采集每个指纹点在不同时刻接收到的多个AP发射的信号强度，然后将该指纹点的物理坐标，信号强度值、时间戳以及AP的MAC地址等信息存入后台数据库；

S2、在每个指纹点处对不同时刻接收到的信号强度进行滤波，根据RSSI值的分布情况，选择分布概率高的区间，把此区间内RSSI值的均值作为该指纹点的特征；

S3、把指纹点的物理坐标转换成距离AP节点之间的距离，根据距离与RSSI的关系，拟合每个AP的对数正态模型，计算AP的契合度，筛选出拟合效果好的AP；

S4、根据筛选出的AP，用经过滤波处理后的信号强度构建RSSI指纹库，并通过拟合的对数正态模型，构建高密度虚拟指纹库；

S5、在实时定位阶段，在待定位节点处使用无线信号测量设备接收来自不同时刻不同AP发射的信号强度，并采用与步骤S2一样的滤波方式得到待定位节点的RSSI向量，将该向量与RSSI指纹库进行匹配，计算两者AP契合度修正的欧氏距离相似度，找出相似度更高的指纹点，初步确定待定位节点的区域；

S6、在确定的区域内，利用对数正态模型，插入虚拟指纹点，构建高密度虚拟指纹库；待定位节点的RSSI向量再次匹配高密度虚拟指纹库，把AP契合度修正的欧氏距离相似度作为权重赋予筛选出的指纹坐标，估计待定位节点的位置。

本发明提供了一种基于对数正态模型的室内定位方法，以提升定位精度为目标，在指纹定位算法思想的基础之上，设计出一种室内定位方法来降低其缺陷对定位性能所造成的影响，为普通用户提供便利、快捷、准确的定位服务。

本发明公开的技术方案，在复杂的环境下，不仅能筛选出稳定的AP，而且较好地解决了由于AP设备之间的差异造成定位精度不高的问题，也能够通过二次插值匹配，减少离线阶段指纹采集的工作量且可提高定位精度。

实施例1

一种基于对数正态模型的室内定位方法，包括以下步骤：

S1、定位初始化阶段，需要完成实验区域环境的布置和该区域指纹信息的采集。

实验环境为某学院某研究中心，总面积约为260m²，实验环境平面示意图如图2所示。图中大方格代表学生工位，拐角的小方格为实验物品摆放处，圆点为每隔1.5米部署的指纹点，三角形代表在实验环境中随意选取的8个规格不同的路由器。

该实验环境较为复杂，含有各种日常办公设备，WiFi需要穿越多道墙、书架等，易产生多径效应，并在整个实验过程中，十几个实验室成员在该区域内正常活动办公。

本实例采用三台型号为华为nova2、华为COL-AL10和ONEPLUSA5010的Android智能移动手机完成数据的采集工作。

上述步骤S1具体包括的步骤如下：

S11、在定位区域内随机选取规格不同的8个AP，分别标记为AP₀、AP₁、...、AP₇。对定位区域等间距进行网格划分，在网格点上设置指纹点。设定实验区域最左上角的网格线交点为坐标原点(0,0)，建立直角坐标系。实验区域内共部署80个指纹点，依次获得80个指纹点的物理坐标；

S12、使用这三台智能手机，在每个指纹点i处测量不同时刻t接收到来自n个AP发送的信号强度RSSI＝{R_i1,R_i2,...,R_in}，其中R_in＝[RSSI₁,RSSI₂,...,RSSI_t]，为保证实验数据的可靠性，在每个指纹点上以1秒为时间间隔，采集200次RSSI值，并将该指纹点的物理坐标，信号强度值、时间戳以及AP的MAC地址等信息存入后台数据库。图3为实验中采集的指纹详细信息。

S2、在每个指纹点处对不同时刻接收到的信号强度进行滤波，根据RSSI值的分布情况，选择分布概率高的区间，把此区间内RSSI值的均值作为该指纹点的特征。

上述步骤S2具体包括的步骤如下：

S21、根据每个指纹点在不同时刻接收到的信号强度分布情况，通过以下公式选择分布概率高的区间：

RSSI_t∈(μ-λσ,μ+λσ)；

其中μ为R_in＝[RSSI₁,RSSI₂,...,RSSI_t]的均值，σ为标准差，λ表示百分界值对应的参数，本实例中百分界值设置为80％，λ＝1.282。RSSI_t表示任意指纹点在不同时刻t接收到的RSSI值；

S22、在此区间l内利用以下公式求m个RSSI值的均值作为该指纹点的特征。

S3、把指纹点的物理坐标转换成距离AP节点之间的距离，根据距离与RSSI的关系，拟合每个AP的对数正态模型，计算AP的契合度，筛选出拟合效果好的AP。

上述步骤S3具体包括的步骤如下：

S31、根据采集的指纹数据集，先将指纹坐标转化成距离AP节点的距离，再根据距离与滤波后RSSI值的关系拟合每个AP的对数正态模型，得到对应的环境系数n和X_dBm。其中对数正态模型为：

其中，P(d)表示指纹点到AP节点距离为d时接收的信号强度，P(d₀)表示间距为d₀时指纹点接收的信号强度，n为与环境相关的路径损耗指数，X_dBm是服从均值为零的正态分布随机变量。如图4所示，本实施例中拟合了8个AP的对数正态模型；

S32、根据拟合对数正态模型的思路，采用基于对数正态模型的AP选择方法，通过对8个AP进行曲线拟合，筛选出最契合模型的前4个AP参与定位。AP模型的契合度用F表示，F_n为第n个AP的契合度且满足如下关系：

其中，RSSI_in表示在第i个指纹点接收到第n个AP发送的RSSI值，P(d_in)满足对数正态模型的条件，表示在第i个指纹点接收到第n个AP经过拟合对数正态模型后对应的RSSI值，F越小表示拟合效果越好，基于对数正态模型的AP选择方法具体步骤如下：

1)计算8个AP的F值，记所有AP对应的契合度为集合FD＝{F₁,F₂,...,F₈}；

2)对集合FD升序排列；

3)选出F值最小的前4个AP。

表1为8个AP的契合度，根据基于对数正态模型的AP选择方法，对8个AP的契合度升序排列得到集合AP＝{AP1,AP3,AP0,AP6,AP4,AP5,AP7,AP2}。因此，本实例选取的4个AP分别是AP1、AP3、AP0、AP6。

表1 AP模型的契合度

S4、根据筛选出的AP，用经过滤波处理后的信号强度构建RSSI指纹库，并通过拟合的对数正态模型，构建高密度虚拟指纹库。

上述步骤S4具体包括的步骤如下：

S41、根据选取的4个AP，在第i个指纹点处，把位置坐标和经过双重滤波处理的接收信号强度作为该指纹点的特征存入数据库，构建传统RSSI指纹库RF＝{RF₁,RF₂,...,RF_i}，其中RF_i是第i个指纹点的数据，记录该指纹点的位置坐标P(x_i,y_i)和4个AP双重滤波后的信号强度向量R＝[RSSI_i1,RSSI_i2,RSSI_i3,RSSI_i4]等数据；

S42、针对大范围指纹采集工作量大的问题，在稀疏指纹库RF区域内，通过对数正态模型在该区域内插入v个虚拟指纹点的虚拟信号强度；该插值方式先将虚拟指纹点坐标转化成距离，然后利用对数正态模型计算出虚拟信号强度RSSI'，构建虚拟指纹库VF＝{VF₁,VF₂,...,VF_v}，其中VF_v是第v个虚拟指纹点的数据，记录该虚拟指纹点的位置坐标P(x_v,y_v)和4个AP的虚拟信号强度向量R'＝[RSSI'_v1,RSSI'_v2,RSSI'_v3,RSSI'_v4]等数据。接着，把VF加入到RF中得到高密度虚拟指纹库RF'＝{RF,VF}。

S5、在实时定位阶段，随机选取实验区域中的36个停留点作为待定位节点，在待定位节点处使用无线信号测量设备接收来自不同时刻不同AP发射的信号强度，并采用与步骤S2一样的滤波方式得到待定位节点的RSSI向量，将该向量与RSSI指纹库进行匹配，计算两者AP契合度修正的欧氏距离相似度，找出相似度更高的指纹点，初步确定待定位节点的区域。

上述步骤S5具体包括的步骤如下：

S51、与步骤S2数据滤波处理方式一样，在实时定位阶段，在待定位节点U处接收来自4个AP不同时刻发送的信号强度，通过双重滤波得到信号强度向量UR＝[RSSI_U1,RSSI_U2,RSSI_U3,RSSI_U4]；

S52、传统的近邻算法用欧式距离最小的k个指纹坐标估计待定位节点的位置，但欧氏距离仅考虑指纹点与待定位节点RSSI值之间的相似度，忽略了不同AP设备之间的差异。

在实际环境中，如在商场，不同商家使用的AP设备不一致，或随着时间的推移，AP设备的性能会减弱；针对这一问题，对AP赋权，利用AP的契合度修正欧氏距离相似度：

其中，F_ij表示在第i个指纹点处第j个AP的契合度；

S53、假设指纹库共有i个指纹，将UR向量与离线阶段构建的RSSI指纹库RF进行匹配，计算两者AP契合度修正的欧式距离相似度得到UR与RF的距离序列D'(D₁',D₂',...,D_i')，对D'升序排列形成新序列E(E₁,E₂,...,E_i),选取前4个指纹的坐标(x_k,y_k)，并以此得到当前指纹坐标的最大和最小值：

在求得min(x，y)和max(x，y)后，以这两个点为对角坐标点得到一个矩形，则待定位节点必然在该矩形之内。

S6、在确定的区域内，利用对数正态模型，插入虚拟指纹点，构建高密度虚拟指纹库；待定位节点的RSSI向量再次匹配高密度虚拟指纹库，把AP契合度修正的欧氏距离相似度作为权重赋予筛选出的指纹坐标，估计待定位节点的位置。

上述步骤S6具体包括的步骤如下：

S61、在该矩形区域内，利用对数正态模型，插入v个虚拟指纹点，形成高密度虚拟指纹库RF'；

S62、将UR向量与RF'虚拟指纹库进行匹配，计算两者AP契合度修正的欧式距离相似度得到UR与RF'的距离序列D”(D₁”,D₂”,...,D_k+v”)，对D”升序排列形成新序列E'(E₁',E₂',...,E_k+v')，选取前4个指纹按以下公式估计待定位节点的位置U(x_u,y_u)。

本实例的定位结果如表2所示，利用本实例中的测试数据完成同WKNN算法的对比测试，得出结果：

表2定位误差比较

由表2可知，本发明的定位精度更高，定位稳定性更好。

通过实施本实施方式中公开的一种基于对数正态模型的室内定位方法，在定位初始阶段，通过拟合对数正态模型对WiFi信号建模，筛选出最契合模型的AP，并构建RSSI指纹库和虚拟指纹库。

在实时定位阶段，待定位节点在匹配RSSI指纹库的基础上，利用AP的契合度修正欧氏距离相似度，找出相似度更高的指纹点，初步确定待定位节点区域，接着二次匹配虚拟指纹库进行精准定位。实际环境实验结果表明，该方法突出了不同AP设备对定位造成的影响，能减少离线阶段指纹采集的工作量，有效的提高了定位精度。

以上所述，仅是本发明的较佳具体实施例而已，并非对本发明作任何形式上的限制，故凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。

Claims (7)

1.一种基于对数正态模型的室内定位方法，其特征在于，包括如下步骤：

S1、定位初始化阶段，随机选取定位环境中多个规格不同的AP，对定位区域等间距进行网格划分，在网格点上设置指纹点，并在网格区域内随意选取互相垂直的网格线，建立直角坐标系；使用无线信号测量设备，采集每个指纹点在不同时刻接收到的多个AP发射的信号强度，然后将该指纹点的物理坐标，信号强度值、时间戳以及AP的MAC地址等信息存入后台数据库；

S2、在每个指纹点处对不同时刻接收到的信号强度进行滤波，根据RSSI值的分布情况，选择分布概率高的区间，把此区间内RSSI值的均值作为该指纹点的特征；

S3、把指纹点的物理坐标转换成距离AP节点之间的距离，根据距离与RSSI的关系，拟合每个AP的对数正态模型，计算AP的契合度，筛选出拟合效果好的AP；

S4、根据筛选出的AP，用经过滤波处理后的信号强度构建RSSI指纹库，并通过拟合的对数正态模型，构建高密度虚拟指纹库；

S5、在实时定位阶段，在待定位节点处使用无线信号测量设备接收来自不同时刻不同AP发射的信号强度，并采用与步骤S2一样的滤波方式得到待定位节点的RSSI向量，将该向量与RSSI指纹库进行匹配，计算两者AP契合度修正的欧氏距离相似度，找出相似度更高的指纹点，初步确定待定位节点的区域；

S6、在确定的区域内，利用对数正态模型，插入虚拟指纹点，构建高密度虚拟指纹库；待定位节点的RSSI向量再次匹配高密度虚拟指纹库，把AP契合度修正的欧氏距离相似度作为权重赋予筛选出的指纹坐标，估计待定位节点的位置。

2.如权利要求1所述的基于对数正态模型的室内定位方法，其特征在于，所述步骤S1的具体步骤包括：

S11、在定位区域内随机选取规格不同的n个AP，分别标记为AP₀、AP₁、...、AP_n；对定位区域等间距进行网格划分，在网格点上设置指纹点，并在网格区域内随意选取互相垂直的网格线，建立直角坐标系；

假设两垂线的交点坐标为原点(x₀,y₀)，区域内共设置i个指纹点，依次获得i个指纹点的物理坐标为(x₀,y₀)、(x₁,y₁)、...、(x_i-1,y_i-1)；

S12、使用装有无线信号测量软件的智能手机，在每个指纹点i处测量不同时刻t接收到来自n个AP发送的信号强度RSSI＝{R_i1,R_i2,...,R_in}，其中R_in＝[RSSI₁,RSSI₂,...,RSSI_t]，并将该指纹点的物理坐标，信号强度值、时间戳以及AP的MAC地址等信息存入后台数据库。

3.如权利要求1所述的基于对数正态模型的室内定位方法，其特征在于，所述步骤S2的具体步骤包括：

S21、根据每个指纹点在不同时刻接收到的信号强度分布情况，通过以下公式选择分布概率高的区间：

RSSI_t∈(μ-λσ,μ+λσ)；

其中μ为R_in＝[RSSI₁,RSSI₂,...,RSSI_t]的均值，σ为标准差，λ表示百分界值对应的参数，如百分界值设置为90％，λ＝1.645；百分界值设置为80％，λ＝1.282；RSSI_t表示任意指纹点在不同时刻t接收到的RSSI值；

S22、在此区间l内利用以下公式求m个RSSI值的均值作为该指纹点的特征。

4.如权利要求1所述的基于对数正态模型的室内定位方法，其特征在于，所述步骤S3的具体步骤包括：

S31、根据采集的指纹数据集，先将指纹坐标转化成距离AP节点的距离，再根据距离与滤波后RSSI值的关系拟合每个AP的对数正态模型，得到对应的环境系数n和X_dBm；其中对数正态模型为：

其中，P(d)表示指纹点到AP节点距离为d时接收的信号强度，P(d₀)表示间距为d₀时指纹点接收的信号强度，n为与环境相关的路径损耗指数，X_dBm是服从均值为零的正态分布随机变量；

S32、根据拟合对数正态模型的思路，采用基于对数正态模型的AP选择方法，通过对n个AP进行曲线拟合，筛选出最契合模型的前j个AP参与定位；AP模型的契合度用F表示，F_n为第n个AP的契合度且满足如下关系：

其中，RSSI_in表示在第i个指纹点接收到第n个AP发送的RSSI值，P(d_in)满足对数正态模型的条件，表示在第i个指纹点接收到第n个AP经过拟合对数正态模型后对应的RSSI值，F越小表示拟合效果越好，基于对数正态模型的AP选择方法具体步骤如下：

1)计算n个AP的F值，记所有AP对应的契合度为集合FD＝{F₁,F₂,...,F_n}；

2)对集合FD升序排列；

3)选出F值最小的前j个AP。

5.如权利要求1所述的基于对数正态模型的室内定位方法，其特征在于，所述步骤S4的具体步骤包括：

S41、根据选取的j个AP，在第i个指纹点处，把位置坐标和经过双重滤波处理的接收信号强度作为该指纹点的特征存入数据库，构建传统RSSI指纹库RF＝{RF₁,RF₂,...,RF_i}，其中RF_i是第i个指纹点的数据，记录该指纹点的位置坐标P(x_i,y_i)和j个AP双重滤波后的信号强度向量R＝[RSSI_i1,RSSI_i2,...,RSSI_ij]等数据；

S42、针对大范围指纹采集工作量大的问题，在稀疏指纹库RF区域内，通过对数正态模型在该区域内插入v个虚拟指纹点的虚拟信号强度；该插值方式先将虚拟指纹点坐标转化成距离，然后利用对数正态模型计算出虚拟信号强度RSSI'，构建虚拟指纹库VF＝{VF₁,VF₂,...,VF_v}，其中VF_v是第v个虚拟指纹点的数据，记录该虚拟指纹点的位置坐标P(x_v,y_v)和j个AP的虚拟信号强度向量R'＝[RSSI'_v1,RSSI'_v2,...,RSSI'_vj]等数据；接着，把VF加入到RF中得到高密度虚拟指纹库RF'＝{RF,VF}。

6.如权利要求1所述的基于对数正态模型的室内定位方法，其特征在于，所述步骤S5的具体步骤包括：

S51、与步骤S2数据滤波处理方式一样，在实时定位阶段，在待定位节点U处接收来自j个AP不同时刻发送的信号强度，通过双重滤波得到信号强度向量UR＝[RSSI_U1,RSSI_U2,...,RSSI_Uj]；

S52、传统的近邻算法用欧式距离最小的k个指纹坐标估计待定位节点的位置，但欧氏距离仅考虑指纹点与待定位节点RSSI值之间的相似度，忽略了不同AP设备之间的差异；

在实际环境中，如在商场，不同商家使用的AP设备不一致，或随着时间的推移，AP设备的性能会减弱；针对这一问题，对AP赋权，利用AP的契合度修正欧氏距离相似度：

其中，F_ij表示在第i个指纹点处第j个AP的契合度；

S53、假设指纹库共有i个指纹，将UR向量与离线阶段构建的RSSI指纹库RF进行匹配，计算两者AP契合度修正的欧式距离相似度得到UR与RF的距离序列D'(D₁',D₂',...,D_i')，对D'升序排列形成新序列E(E₁,E₂,...,E_i),选取前k个指纹的坐标(x_k,y_k)，并以此得到当前指纹坐标的最大和最小值：

在求得min(x，y)和max(x，y)后，以这两个点为对角坐标点得到一个矩形，则待定位节点必然在该矩形之内。

7.如权利要求1所述的基于对数正态模型的室内定位方法，其特征在于，所述步骤S6的具体步骤包括：

S61、在该矩形区域内，利用对数正态模型，插入v个虚拟指纹点，形成高密度虚拟指纹库RF'；

S62、将UR向量与RF'虚拟指纹库进行匹配，计算两者AP契合度修正的欧式距离相似度得到UR与RF'的距离序列D”(D₁”,D₂”,...,D_k+v”)，对D”升序排列形成新序列E'(E₁',E₂',...,E_k+v')，选取前k个指纹按以下公式估计待定位节点的位置U(x_u,y_u)。