CN110703189A - 基于无线信号rss子空间特征向量匹配的被动式定位方法 - Google Patents

Abstract

本发明涉及一种基于无线信号RSS子空间特征向量匹配的被动式定位方法，包括如下步骤：在室内墙壁上安装若干无线传感器节点；安装在室内的墙壁上的无线传感器节点设定为路由节点，路由节点每次互相通信检测到的无线信号强度统一传输到与中央服务器连接的节点；与中央服务器连接的节点，设定为协调器节点；接收信号强度向量设定；计算接收信号的协方差矩阵的特征值；在无人员进入室内的情况下，计算接收信号的协方差矩阵对应额特征向量作为指纹库；定位。

Description

基于无线信号RSS子空间特征向量匹配的被动式定位方法

技术领域

本发明涉及一种基于无线信号RSS子空间特征向量匹配的被动式定位方法，属于定位技术领域

背景技术

随着中国对智慧城市的建设规划，室内定位技术的重要性和广泛性越来越受到人们的关注。常见的定位技术需要用户自身携带诸如手机、运动手环等电子设备，因此基于自身携带定位设备的定位技术并不方便并有一定的局限性。本发明的目的是实现一种用户本身不需要携带任何电子通讯设备，并可以实现用户身份鉴别的被动式定位技术。本发明利用无线传感器节点之间进行多跳通信，获取相互通信的节点的接收信号强度。通过人体对无线信号的阴影作用，计算室内目标的位置信息。本发明中提出了一种利用信号 RSS子空间特征向量匹配的方法实现室内目标的定位可以有效降低环境干扰导致的定位误差，可以提高室内被动式定位的定位精度。

目前与文档图像处理有关的国内发明专利主要集中在基于信号强度变化的目标被动式定位方法，常见的有几何法、射频层析法和指纹法[1-3]。但是基于信号强度变化的被动式定位方法易受到环境的影响，产生较大的定位误差。本发明采用无线信号RSS子空间特征向量匹配的方法进行定位，可以有效消除环境噪声，多径噪声的影响，提高定位精度。

参考文献：

[1]Mager B,Lundrigan P,Patwari N.Fingerprint-BasedDevice-FreeLocalization Performance in Changing Environments[J].SelectedAreas inCommunications IEEE Journal on,2015,33(11):2429-2438.

[2]Wilson J,PatwariN.Radio Tomographic Imagingwith Wireless Networks[J].IEEE Transactions on Mobile Computing,2010,9(5):621-632.

[3]Zhou R,Hao M,Lu X,et al.Device-Free Localization Based on CSIFingerprints andDeep Neural Networks[C]//201815thAnnual IEEE InternationalConference on Sensing,Communication,andNetworking (SECON).IEEE,2018.

发明内容

本发明的目的在于：提出一种基于无线信号RSS子空间特征向量匹配的被动式定位方法。该方法利用人体对无线信号的遮挡作用计算目标位置，通过提取信号特征向量建立定位指纹库，并利用定位阶段的信号协方差矩阵的特征向量与指纹库中的特征向量进行匹配获取每个预定位置的权重。并计算目标的位置信息。本发明的技术方案是：

一种基于无线信号RSS子空间特征向量匹配的被动式定位方法，包括如下步骤：

步骤1：在室内墙壁上安装若干无线传感器节点。

步骤2：无线传感器节点采用多跳网络进行通信；

步骤3：安装在室内的墙壁上的无线传感器节点设定为路由节点，路由节点每次互相通信检测到的无线信号强度统一传输到与中央服务器连接的节点；

步骤4：与中央服务器连接的节点，设定为协调器节点；

步骤5：接收信号强度向量设定为r(t)＝s(t)+n(t)，s(t)＝[s₁(t),...,s_M(t)]^T，n(t)＝[n₁(t),....,n_M(t)]，其中s(t)代表信号在时刻t的信号强度向量，s_i(t),i＝1,...,M代表第i条通信链路的信号强度，n(t)代表t 时刻的加性高斯白噪声向量，n_i(t),i＝1,...,M代表第i条通信链路的加性高斯白噪声,M为总链路的条数；

步骤6：接收信号的协方差矩阵为R_rr＝E[r(t)*r(t)^H]，H代表共轭逆转置，E[]代表求均值运算；

步骤7：接收信号的协方差矩阵计为

其中令S＝E[s(t)*s(t)^H],σ²I＝E[n(t)*n(t)^H],I为单位矩阵，σ为白噪声项；

步骤8：计算R_rr的特征值Λ＝diag{λ₁,...,λ_M}和对应的特征向量V＝[v₁,...,v_M]；其中信号特征向量矩阵V_s为V_s＝[v₁,...,v_K]_s,噪声的特征向量矩阵为V_n＝[v_K+1,...,v_M]，K为阴影链路的数目；

步骤9：在无人员进入室内的情况下，计算接收信号的协方差矩阵对应额特征向量v_ab作为指纹库；

步骤10：在定位阶段，计算收信号的协方差矩阵对应额特征向量v_in；

步骤11：计算v_in与数据库内每个目标位置x_i对应的v_ab的相关性cor＝|v_ab ^Hv_in|，其中x_i为获取目标指纹阶段，目标站在的第i个预定位置的坐标；

步骤12：计算目标位置

其中cor_i为待定位时的信号特征向量与第i个位置的信号特征向量的相关性，N为指纹获取阶段预设位置数目。

本专利采用无线信号RSS子空间特征向量匹配的方法进行定位，可以有效消除环境噪声，多径噪声的影响，提高定位精度。

附图说明

图1为本发明的基于无线传感器网络被动式定位的场景示意图。

图2为本发明提供的无线被动式定位算法的流程框图。

具体实施方式

下面结合说明书附图对本发明创造做进一步的详细说明，本实例仅限于说明本发明的一种实施方法，不代表对本发明覆盖范围的限制。

如图1所示，为本发明的基于无线传感器网络被动式定位的场景示意图，在室内墙壁上安装若干无线传感器节点。

步骤1：无线传感器节点采用多跳网络进行通信。

步骤2：安装在室内的墙壁上的无线传感器节点设定为路由节点，路由节点每次互相通信检测到的无线信号强度统一传输到与中央服务器连接的节点，由中央服务器进行定位计算。

步骤3：与中央服务器连接的节点，设定为协调器节点。

步骤4：接收信号强度向量设定为r(t)＝s(t)+n(t)，s(t)＝[s₁(t),...,s_M(t)]^T，n(t)＝[n₁(t),....,n_M(t)]，其中s(t)代表信号在时刻t的信号强度向量，s_i(t),i＝1,...,M代表第i条通信链路的信号强度，n(t)代表t 时刻的加性高斯白噪声向量，n_i(t),i＝1,...,M代表第i条通信链路的加性高斯白噪声,M为总链路的条数。

步骤5：接收信号的协方差矩阵可以写为R_rr＝E[r(t)*r(t)^H]，H代表共轭逆转置，E[]代表求均值运算。

步骤6：根据步骤4,5所述，接收信号的协方差矩阵可以写为 R_rr＝E[s(t)*s(t)^H]+E[n(t)*n(t)^H]+2E[s(t)*n(t)^H]

≈E[s(t)*s(t)^H]+E[n(t)*n(t)^H]

＝S+σ²I

其中令S＝E[s(t)*s(t)^H],σ²I＝E[n(t)*n(t)^H],I为单位矩阵，σ为白噪声项。

步骤7：计算R_rr的特征值Λ＝diag{λ₁,...,λ_M}和对应的特征向量V＝[v₁,...,v_M]。其中信号特征向量矩阵V_s为V_s＝[v₁,...,v_K]_s,噪声的特征向量矩阵为V_n＝[v_K+1,...,v_M]，K为阴影链路的数目。

步骤8：在无人员进入室内的情况下，计算接收信号的协方差矩阵对应额特征向量v_ab作为指纹库。

步骤9：在定位阶段，计算收信号的协方差矩阵对应额特征向量v_in。

步骤10：计算v_in与数据库内每个目标位置x_i对应的v_ab的相关性cor＝|v_ab ^Hv_in|，其中x_i为获取目标指纹阶段，目标站在的第i个预定位置的坐标。

步骤11：计算目标位置其中cor_i为待定位时的信号特征向量与第i个位置的信号特征向量的相关性，N为指纹获取阶段预设位置数目。

Claims (1)

1.一种基于无线信号RSS子空间特征向量匹配的被动式定位方法，包括如下步骤：

步骤1：在室内墙壁上安装若干无线传感器节点。

步骤2：无线传感器节点采用多跳网络进行通信；

步骤3：安装在室内的墙壁上的无线传感器节点设定为路由节点，路由节点每次互相通信检测到的无线信号强度统一传输到与中央服务器连接的节点；

步骤4：与中央服务器连接的节点，设定为协调器节点；

步骤5：接收信号强度向量设定为r(t)＝s(t)+n(t)，s(t)＝[s₁(t),...,s_M(t)]^T，n(t)＝[n₁(t),....,n_M(t)]，其中s(t)代表信号在时刻t的信号强度向量，s_i(t),i＝1,...,M代表第i条通信链路的信号强度，n(t)代表t时刻的加性高斯白噪声向量，n_i(t),i＝1,...,M代表第i条通信链路的加性高斯白噪声,M为总链路的条数；

步骤6：接收信号的协方差矩阵为R_rr＝E[r(t)*r(t)^H]，H代表共轭逆转置，E[]代表求均值运算；

步骤7：接收信号的协方差矩阵计为

R_rr＝E[s(t)*s(t)^H]+E[n(t)*n(t)^H]+2E[s(t)*n(t)^H]

≈E[s(t)*s(t)^H]+E[n(t)*n(t)^H]

＝S+σ²I

其中令S＝E[s(t)*s(t)^H],σ²I＝E[n(t)*n(t)^H],I为单位矩阵，σ为白噪声项；

步骤8：计算R_rr的特征值Λ＝diag{λ₁,...,λ_M}和对应的特征向量V＝[v₁,...,v_M]；其中信号特征向量矩阵V_s为V_s＝[v₁,...,v_K]_s,噪声的特征向量矩阵为V_n＝[v_K+1,...,v_M]，K为阴影链路的数目；

步骤9：在无人员进入室内的情况下，计算接收信号的协方差矩阵对应额特征向量v_ab作为指纹库；

步骤10：在定位阶段，计算收信号的协方差矩阵对应额特征向量v_in；

步骤11：计算v_in与数据库内每个目标位置x_i对应的v_ab的相关性cor＝|v_ab ^Hv_in|，其中x_i为获取目标指纹阶段，目标站在的第i个预定位置的坐标；

步骤12：计算目标位置

其中cor_i为待定位时的信号特征向量与第i个位置的信号特征向量的相关性，N为指纹获取阶段预设位置数目。

Images