CN110933631A - 基于wifi位置指纹的室内定位方法 - Google Patents

Abstract

本发明公开了一种基于聚类策略与特征提取的室内定位方法，通过在待定位目标点采集来自室内各个无线接入点的接收信号强度，组成信号强度序列；将信号强度序列根据分层聚类策略与预先设置的位置指纹数据库进行匹配，找到位置指纹数据库中对应的集群后，将待定位目标点的接收信号强度进行小波散射变换，得到系数模量；将系数模量作为该集群对应的DNN模型的输入，对待定位目标点进行位置定位。本发明可以在室内停车场进行精确定位，具有优越的定位准确性和效率性。

Description

基于WIFI位置指纹的室内定位方法

技术领域

本发明涉及停车场室内定位技术领域，具体为一种基于WIFI位置指纹的室内定位方法。

背景技术

随着我国城市汽车保有量的不断增加，城市“停车难”问题日益凸显。与此同时，室内停车场的结构设计越发复杂，造成车主在室内停车场中经常出现迷失位置及反向寻车难等问题，人们对室内位置服务的需求越来越大。随着Wi-Fi技术的快速发展及其领域应用的不断深入，基于Wi-Fi位置指纹的室内定位技术成为了现阶段位置服务领域的研究热点。然而在实际应用中，当Wi-Fi信号遇到障碍物时容易出现反射等现象，造成信号在传播过程中存在多径效应，导致接收信号强度发生波动，对室内位置估计精度造成影响。中国专利CN110300372A公开了一种基于位置指纹的WIFI室内定位方法，通过搭建实验环境，建立WIFI位置指纹库；然后建立WIFI定位位置指纹库；接着采用改进的K-means聚类算法计算初始聚类中心；随后计算最优初始聚类中心；再确定K-means聚类算法的最优聚类数K；最后结合WKNN算法计算目标位置并输出目标位置。该方法需要计算待定位目标点的信号强度与各个聚类中心的欧氏距离，而且算法复杂，系统的搜索开销以及在线定位时长，使得位置估计精度下降。因此，如何在面积庞大的室内停车场中提高定位准确性与效率性并减小系统开销成为申请人亟待解决的问题。

发明内容

本发明的目的在于，提供一种基于基于WIFI位置指纹的室内定位方法。本发明可以在室内停车场进行精确定位，具有优越的定位准确性和效率性。

本发明的技术方案：基于WIFI位置指纹的室内定位方法，通过用多个无线接入点对室内进行无线信号覆盖，并收集室内不同位置处的信号强度，每个位置处的信号强度与该位置的实际物理坐标一一对应形成位置指纹，由此构建得到位置指纹数据库；使用分层聚类策略对位置指纹数据库中的位置指纹进行划分；将来自不同无线接入点的信号强度按照值的大小进行排序，并按照排序后的顺序划分出不同的群集，若经过一次划分后的群集的范围依旧很大，则根据群集的范围内的信号强度大小再次进行排序，并对群集再次进行划分，最终将整个定位区域划分为多个范围较小的集群，针对每一个集群，对其中的位置指纹进行小波散射变换，得到小波散射系数模量，再将系数模量与该位置指纹对应的物理坐标共同作为DNN模型的输入，完成DNN模型的训练；

在线定位阶段，在待定位目标点采集来自室内各个无线接入点的接收信号强度，组成信号强度序列；将信号强度序列根据分层聚类策略与预先设置的位置指纹数据库进行匹配，找到位置指纹数据库中对应的集群后，将待定位目标点的接收信号强度进行小波散射变换，得到系数模量；将系数模量作为该集群对应的DNN模型的输入，对待定位目标点进行位置定位。

上述的基于WIFI位置指纹的室内定位方法，所述使用分层聚类策略对位置指纹数据库中的位置指纹进行划分的具体步骤包括：

S1:将位置指纹数据库中所有位置指纹的信号强度序列按照来自不同无线接入点的接收信号强度的大小进行排序，得出接收信号强度最大的无线接入点，将其归入此无线接入点的集群中，每个集群可以由无线接入点的唯一ID来标注，第一步中生成的集群数量等于整个定位区域中的无线接入点个数，而属于每个集群的位置指纹都在该无线接入点处接收到最强的接收信号强度，设定位区域中的无线接入点个数为n个，则形成的集群为C_i，i＝1，2，3，......，ⁿ；

S2:对集群进行进一步划分，经过第一步的初步聚类后，获得了集群C_i，i＝1，2，3，......，n，将每个集群中的位置指纹，再次按照接受信号强度的大小进行排序，将每个位置指纹加入接受信号强度排序次强的无线接入点集群中，假设集群C_i中的位置指纹次强接受信号强度来自m个无线接入点，m≤n，则经过第二次聚类后，集群C_i被划分为多个集群{C_i1，C_i2，C_i3，......，C_im}。

前述的基于WIFI位置指纹的室内定位方法，在信号强度收集过程中，每个位置处的信号强度按照设定的时间间隔在一定时间内收集多次，通过取均值和/或剔除离散值方法对信号强度进行处理，以最终确定该位置的信号强度。

前述的基于WIFI位置指纹的室内定位方法，将待定位目标点的接收信号强度进行小波散射变换，得到系数模量具体步骤包括：设位置指纹数据库中第i个位置指纹的信号强度序列为RSSI_i＝{rssi₁，rssi₂，rssi₃，......rssi_n}，其中n为室内中的无线接入点的数量，则小波散射变换公式如下所示：

其中|RSSI_i*ψ|表示取模运算，ψ表示小波函数，

表示低通滤波器；

上述公式中使用的小波函数ψ为母小波，其在不同尺度下的表示形式存在很大差异，生成的小波基函数也不相同，小波基函数由母小波和尺度函数共同构成，而不同尺度下的小波基函数对原始信号进行不同尺度的分解，从而得到原始信号在不同尺度下的特征；

在尺度为a，时间位移为τ时的小波基函数为：

在得到不同尺度的小波基函数后，假设接收信号强度为f(t)，则对应的小波散射变换公式为：

将Morlet小波函数作为母小波，Morlet小波函数为：

其中，A和B为常量，ω表示频率，i表示复数；

在进行不同尺度下的小波散射变换时，需要对母小波进行尺度上的扩展，以形成小波基函数：

ψ_j(t)＝2^-j*ψ(2^-j*t)；

其中，j表示尺度因子，其值为正整数，并且不能超过小波散射变换的最大散射量级；

在得到了扩展Morlet小波函数后，对尺度函数

同样进行扩展，其扩展形式为：

最后，根据扩展小波函数和扩展尺度函数，可以得到信号强度序列RSSI_i的小波散射变换的一般表达式：

选取零阶小波散射变换所得到的系数模量作为DNN模型的输入，零阶小波散射系数模量的计算为：

在得到零阶小波散射系数模量后，其余高阶小波散射系数模量可以通过将接收信号强度与扩展小波函数卷积取模，并与尺度函数相乘获得：

通过前述计算工作，得到了接收信号强度在不同尺度下的小波散射系数模量。

与现有技术相比，本发明通过在待定位目标点采集来自室内各个无线接入点的接收信号强度，组成信号强度序列；将信号强度序列根据分层聚类策略与预先设置的位置指纹数据库进行匹配，找到位置指纹数据库中对应的集群后，将待定位目标点的接收信号强度进行小波散射变换，得到系数模量；将系数模量作为该集群对应的DNN模型的输入，对待定位目标点进行位置定位，由此，本发明通过分层聚类策略对信号强度序列进行处理，然后通过小波散射变换这种特征提取方法，使其可以快速地与位置指纹数据库中的集群对应，并作为DNN模型的输入，能够及时有效而又准确的进行室内定位。此外，本发明通过采用基于聚类策略的区域划分技术将待定位区域按照一定规则进行细分，通过减小定位时的搜索范围来达到缩小系统位置估计开销的目的，解决了现有技术中，在定位时的搜索开销过大，位置估计时间长，系统在定位阶段时效性不好的问题。本发明采用的聚类策略与现有的聚类算法相比，该聚类算法在选择合适的聚类的过程中，不需要计算待定位目标点的信号强度与各个聚类中心的欧氏距离，而仅仅通过对待定位目标点信号强度序列的值大小的排序就可以完成聚类的选择工作，其在减少算法复杂度的同时，大大缩小了系统的搜索开销以及在线定位时长，同时对位置估计精度不会造成影响。本发明还通过在信号强度收集过程中，每个位置处的信号强度按照设定的时间间隔在一定时间内收集多次，通过取均值和/或剔除离散值方法对信号强度进行处理，以最终确定该位置的信号强度，解决了单次信号采集存在偶然性大、可靠性和稳定性差等情况，保证信号强度收集工作的有效性。本发明还基于小波散射变换的特征提取算法对接收信号强度进行处理，小波散射变换可以在最大限度的减小类内差异的同时，还可以最大程度的增加不同类之间的差异，从而可以从数据中提取可靠的特征，这些特征可以是多尺度的，也可以是线性化的；针对不同的散射路径，小波散射变换可以提取出不同尺度下的信号特征，同时，也可以提取同一信号在不同尺度下的信号特征，不同尺度下提取的信号特征具有的代表性也不同，尺度越小的信号特征越具有代表性，其包含了信号中的大部分特征，而不同散射路径下的系数模组合起来就形成了信号的特征序列。当出现旋转、平移、升降等操作时，都不会对使用小波散射变换提取的信号特征产生影响，其在应对信号的波动等方面具有很好的处理能力，因此小波散射变换较为适合对接收信号强度进行处理，有利于提高基于接受信号强度的室内定位算法的位置估计精度，同时在基于移动手机的室内定位应用中也具有很强的优势。

附图说明

图1是本发明的流程图；

图2是位置指纹数据库的构建流程；

图3是分层策略第一次的划分后形成的聚类效果；

图4是分层策略第二次的划分后形成的聚类效果；

图5是实验场地环境图第一次的划分后形成的聚类效果；

图6是实验场地环境图第二次的划分后形成的聚类效果；

图7是序号为1的位置指纹的原始接收信号强度序列；

图8是将原始信号强度在不同尺度下经过小波散射变换后得到的系数模量大小的色图；

图9是零阶散射系数模量；

图10是本发明的DNN模型的训练准确率与测试准确率曲线图；

图11是SVM模型的训练准确率与测试准确率曲线图；

图12是普通DNN模型的训练准确率与测试准确率曲线图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。

实施例：一种基于WIFI位置指纹的室内定位方法，首先，如图1所示，在离线阶段，通过用多个无线接入点(AP，下文中AP代表无线接入点)对室内进行无线信号覆盖，并通过信号采集用具收集室内不同位置处的信号强度(RSSI，下文中RSSI代表信号强度)，在信号强度收集过程中，每个位置处的信号强度按照设定的时间间隔在一定时间内收集多次，通过取均值和剔除离散值方法对信号强度进行处理，以最终确定该位置的信号强度，每个位置处的信号强度与该位置的实际物理坐标一一对应形成位置指纹，由此构建得到位置指纹数据库。图2展示了离线阶段位置指纹数据库的构建流程，其中AP个数为n，(x_i，y_i)表示位置i处的物理坐标，rssi_i ¹，rssi_i ²，rssi_i ³，......rssi_i ⁿ表示位置i处的接收信号强度序列。

使用分层聚类策略对位置指纹数据库中的位置指纹进行划分；将来自不同无线接入点的信号强度按照值的大小进行排序，并按照排序后的顺序划分出不同的群集，若经过一次划分后的群集的范围依旧很大，则根据群集的范围内的信号强度大小再次进行排序，并对群集再次进行划分，最终将整个定位区域划分为多个范围较小的群集。

具体步骤包括：

S1:将位置指纹数据库中所有位置指纹的信号强度序列按照来自不同无线接入点的接收信号强度的大小进行排序，得出接收信号强度最大的无线接入点，将其归入此无线接入点的集群中，每个集群可以由无线接入点的唯一ID来标注，第一步中生成的集群数量等于整个定位区域中的无线接入点个数，而属于每个集群的位置指纹都在该无线接入点处接收到最强的接收信号强度，设定位区域中的无线接入点个数为n个，则形成的集群为C_i，i＝1，2，3，......，n；经过第一步的划分后，形成的聚类效果如图3所示，这里以AP个数为9时的聚类效果为例，图中黑色实线边框为室内定位区域，蓝色实线为单次聚类后的定位区域划分。

S2:对集群进行进一步划分，经过第一步的初步聚类后，获得了集群C_i，i＝1，2，3，......，n，将每个集群中的位置指纹，再次按照接受信号强度的大小进行排序，将每个位置指纹加入接受信号强度排序次强的无线接入点集群中，假设集群C_i中的位置指纹次强接受信号强度来自m个无线接入点，m≤n，则经过第二次聚类后，集群C_i被划分为多个集群{C_i1，C_i2，C_i3，......，C_im}。在一个AP数量为9的室内定位区域中，某个参考点的接收信号强度按从大到小排序为{AP₅，AP₈，AP₈，AP₆，AP₈，AP₄，AP₁，AP₉，AP₃，AP₇，AP₂}，则在二次聚类后，该参考点将被归入C₅₈群集中。这里同样以AP个数为9时的聚类效果为例，图4展示了分层聚类策略二次聚类效果示意图，图中虚线表示第二次聚类后的划分区域。

在实际试验中，本发明选取了一块符合实验要求的室内停车场部分区域，区域面积为145m×135m，将其作为本发明的试验场地，实验场地环境图如图5所示，图中灰色长方体代表停车位，实心圆代表在停车场中布置的AP，它们的分布情况已在图中标明，根据实验场地的大小，本发明将AP数量设置为32个；

在实验场地中，如图6所示，本发明根据区域结构图对整个定位区域进行网格化，并以区域左下角为坐标原点，均匀采集了520个参考点处的接收信号强度，每个参考点处采集50个样本值，时间间隔为20秒，使用的信号采集工具为小米手机，将每个参考点处收集的信号强度样本值中的异常值移除并求均值，以此作为该参考点的信号强度值，信号强度值的单位为d-Bm，其值通常用负数表示，值越大代表信号强度越强，值越小则信号强度越小，若在某一个参考点处采集的信号强度序列中不存在某个AP发出的信号，则在该参考点处的信号强度序列中来自该AP的信号强度值以-100dBm表示，将所有参考点的信号强度值及其对应的相对经纬度坐标共同存入位置指纹数据库中；表1为位置指纹数据库中部分指纹数据：

表1

至此，如位置指纹数据库的构建工作已经基本完成。其中，每个指纹的信号强度序列由从32个AP处采集到的信号强度组成，相对坐标为参考点处与坐标原点的经纬度的差值，其值用正数表示。

将位置指纹数据库中的前450个位置指纹数据作为训练数据，剩下的70个位置指纹数据作为测试数据。在线定位模型中DNN分类器的模型参数如表2所示，初始学习率为0.0001，训练过程中将使用Adam优化算法对学习率进行自适应调节。

表2

其中DNN模型的训练是通过使用分层聚类策略对位置指纹数据库进行二次聚类，聚类后的位置指纹被分为若干集群，针对每一个集群，对其中的位置指纹进行小波散射变换，得到小波散射系数模量，再将系数模量与该位置指纹对应的物理坐标共同作为DNN模型的输入，完成DNN模型的训练。

在完成离线阶段的工作后，在线阶段通过在待定位目标点采集来自室内各个无线接入点的接收信号强度，组成信号强度序列；将信号强度序列根据分层聚类策略与预先设置的位置指纹数据库进行匹配，找到位置指纹数据库中对应的集群后，将待定位目标点的接收信号强度进行小波散射变换，得到系数模量；

其中，将待定位目标点的接收信号强度进行小波散射变换，得到系数模量具体步骤包括：设位置指纹数据库中第i个位置指纹的信号强度序列为RSSI_i＝{rssi₁，rssi₂，rssi₃，......rssi_n}，其中n为室内中的无线接入点的数量，则小波散射变换公式如下所示：

其中|RSSI_i*ψ|表示取模运算，ψ表示小波函数，

表示低通滤波器；

上述公式中使用的小波函数ψ为母小波，其在不同尺度下的表示形式存在很大差异，生成的小波基函数也不相同，小波基函数由母小波和尺度函数共同构成，而不同尺度下的小波基函数对原始信号进行不同尺度的分解，从而得到原始信号在不同尺度下的特征；

在尺度为a，时间位移为τ时的小波基函数为：

在得到不同尺度的小波基函数后，假设接收信号强度为f(t)，则对应的小波散射变换公式为：

将Morlet小波函数作为母小波，Morlet小波函数为：

其中，A和B为常量，ω表示频率，i表示复数；

在进行不同尺度下的小波散射变换时，需要对母小波进行尺度上的扩展，以形成小波基函数：

ψ_j(t)＝2^-j*ψ(2^-j*t)；

其中，j表示尺度因子，其值为正整数，并且不能超过小波散射变换的最大散射量级；

在得到了扩展Morlet小波函数后，对尺度函数

同样进行扩展，其扩展形式为：

最后，根据扩展小波函数和扩展尺度函数，可以得到信号强度序列RSSI_i的小波散射变换的一般表达式：

选取零阶小波散射变换所得到的系数模量作为DNN模型的输入，零阶小波散射系数模量的计算为：

在得到零阶小波散射系数模量后，其余高阶小波散射系数模量可以通过将接收信号强度与扩展小波函数卷积取模，并与尺度函数相乘获得：

通过前述计算工作，得到了接收信号强度在不同尺度下的小波散射系数模量。最后将系数模量作为该集群对应的DNN模型的输入，对待定位目标点进行位置定位。

申请人在进行试验的时，使用二次分层聚类算法对实施例中构建的位置指纹数据库进行聚类划分，同时引入单次分层聚类算法和K均值算法作为实验对照，对聚类时间等性能进行比较分析。三种聚类算法的聚类时间见表3所示：

表3

由表3可见，K均值算法的平均聚类时间为10.6s，单次分层聚类算法的平均聚类时间为12.3s，二次分层聚类算法的平均聚类时间为8.7s，在三种聚类算法中，本发明采用的二次分层聚类算法的平均聚类时间最短，而单次分层聚类算法的平均聚类用时最长，甚至要高于K均值算法。因此，本发明使用的二次分层聚类算法可以有效减小定位系统的搜索开销。

下一步，将位置指纹数据库中的训练数据作为小波散射变换特征提取模型的输入，计算零阶散射系数模量，这里以序号为1的位置指纹为例，对小波散射实验过程进行记录。图7展示了序号为1的位置指纹的原始接收信号强度序列，其中纵坐标表示接收信号强度数值，单位为dBm，横坐标表示接收信号强度的AP序列。

对原始接受信号强度进行小波散射变换后，使用Matlab中的imagesc方法对其结果按照数值大小进行染色，结果如图8所示，横坐标表示AP序列，纵坐标表示尺度的大小，图中将原始信号强度在不同尺度下经过小波散射变换后得到的系数模量大小以色图的形式表示。其中，零阶散射系数模量如图9所示。

本发明将定位区域按照长宽各为1m的正方形进行切割，并对位置指纹的相对坐标进行标记，例如某个位置指纹的经纬度转换成以米为单位的坐标为(3.2,4.5)，则将其坐标的整数进行拼接，以字符“34”作为该指纹的位置标记，对位置指纹数据库中的所有指纹进行标记。

申请人还引用SVM模型和普通DNN模型作为对照，将零阶散射系数模量作为本发明的DNN模型和SVM的输入，将原始位置指纹的信号强度序列作为普通DNN模型的输入，以标记后的位置作为三个模型的目标输出，对三个模型进行训练，并用测试集进行测试，其中本发明的DNN模型的训练准确率与测试准确率如图10所示，SVM模型的训练准确率与测试准确率如图11所示，普通DNN模型的训练准确率与测试准确率如图12所示。

从图10-图12中可以发现，繁重模型的训练准确率与测试准确率均随着训练次数的增加而增大，并且逐渐趋于稳定。其中，三种模型的训练准确率与测试准确率见表3-4所示，

表4

从表4中可以看出，本发明的DNN模型的准确率最高，训练准确率达到93％，测试准确率达到92％；SVM模型的准确率次之，训练准确率为87％，测试准确率为84％；普通DNN模型的准确率最低，训练准确率只有83％，测试准确率只有79％。除此之外，在模型的预测效果方面，图10中表现出的DNN模型的训练准确率和测试准确率几乎一致，而另外图11和图12中表现出两个模型的测试准确率要明显低于训练准确率，并且普通DNN模型的测试准确率随着训练次数的增加，出现了非常明显的抖动现象，而SVM模型的测试准确率在训练次数达到100附近出现停滞现象。由此可见，在分类准确率方面，本发明提出的DNN模型要明显优于传统的SVM模型以及普通DNN模型。

在平均定位误差方面，三种模型的平均定位误差如表5所示：

表5

其中，本发明实施例的DNN模型的平均定位误差为1.35m，在三个模型中误差最小，SVM模型的平均定位误差为2.08米，与改进的DNN模型相比，平均定位误差增加了0.73m，而普通DNN模型的效果最差，平均定位误差达到了3.12m，较改进的DNN模型的平均定位误差增加了1.77m，较SVM模型的平均定位误差增加了1.04m。可见在定位精度方面，基于小波散射变换和分层聚类策略的DNN模型与传统的DNN模型相比，在定位精度方面取得了很大的提升，而SVM模型由于位置指纹数据库中指纹较少造成训练数据不足等原因，使其定位误差略大。

在定位时间方面，本文将三种定位模型的平均在线定位时间进行取整并记录，见表6所示：

表6

其中，本发明实施例的DNN模型的定位时间为561ms，在三种模型的定位时间中耗时最短，SVM模型的定位时间为1152ms，耗时最长，普通DNN模型的定位时间为744ms。

通过对三种定位模型的各方面性能的比较分析，可以发现，本发明所采用的基于分层聚类策略和小波散射变换的DNN模型，无论在定位精度方面，还是定位时长方面，都要明显优于传统的DNN模型以及SVM模型，使用二次分层聚类策略提高了系统的聚类效率，而将小波散射变换所提取的零阶散射系数模量应用于位置估计模型中可以有效提高定位准确率。

综上所述，本发明通过分层聚类策略对信号强度序列进行处理，然后通过小波散射变换这种特征提取方法，使其可以快速地与位置指纹数据库中的集群对应，并作为DNN模型的输入，能够及时有效而又准确的进行室内定位，具有优越的定位准确性和效率性。

Claims (4)

1.基于WIFI位置指纹的室内定位方法，其特征在于：通过用多个无线接入点对室内进行无线信号覆盖，并收集室内不同位置处的信号强度，每个位置处的信号强度与该位置的实际物理坐标一一对应形成位置指纹，由此构建得到位置指纹数据库；使用分层聚类策略对位置指纹数据库中的位置指纹进行划分；将来自不同无线接入点的信号强度按照值的大小进行排序，并按照排序后的顺序划分出不同的群集，若经过一次划分后的群集的范围依旧很大，则根据群集的范围内的信号强度大小再次进行排序，并对群集再次进行划分，最终将整个定位区域划分为多个范围较小的集群，针对每一个集群，对其中的位置指纹进行小波散射变换，得到小波散射系数模量，再将系数模量与该位置指纹对应的物理坐标共同作为DNN模型的输入，完成DNN模型的训练；

在线定位阶段，在待定位目标点采集来自室内各个无线接入点的接收信号强度，组成信号强度序列；将信号强度序列根据分层聚类策略与预先设置的位置指纹数据库进行匹配，找到位置指纹数据库中对应的集群后，将待定位目标点的接收信号强度进行小波散射变换，得到系数模量；将系数模量作为该集群对应的DNN模型的输入，对待定位目标点进行位置定位。

2.根据权利要求1所述的基于WIFI位置指纹的室内定位方法，其特征在于：所述使用分层聚类策略对位置指纹数据库中的位置指纹进行划分的具体步骤包括：

S1:将位置指纹数据库中所有位置指纹的信号强度序列按照来自不同无线接入点的接收信号强度的大小进行排序，得出接收信号强度最大的无线接入点，将其归入此无线接入点的集群中，每个集群可以由无线接入点的唯一ID来标注，第一步中生成的集群数量等于整个定位区域中的无线接入点个数，而属于每个集群的位置指纹都在该无线接入点处接收到最强的接收信号强度，设定位区域中的无线接入点个数为n个，则形成的集群为C_i，i＝1，2，3，......，n；

S2:对集群进行进一步划分，经过第一步的初步聚类后，获得了集群C_i，i＝1，2，3，......，n，将每个集群中的位置指纹，再次按照接受信号强度的大小进行排序，将每个位置指纹加入接受信号强度排序次强的无线接入点集群中，假设集群C_i中的位置指纹次强接受信号强度来自m个无线接入点，m≤n，则经过第二次聚类后，集群C_i被划分为多个集群{C_i1，C_i2，C_i3，......，C_im}。

3.根据权利要求1所述的基于WIFI位置指纹的室内定位方法，其特征在于：在信号强度收集过程中，每个位置处的信号强度按照设定的时间间隔在一定时间内收集多次，通过取均值和/或剔除离散值方法对信号强度进行处理，以最终确定该位置的信号强度。

4.根据权利要求1所述的基于WIFI位置指纹的室内定位方法，其特征在于：将待定位目标点的接收信号强度进行小波散射变换，得到系数模量具体步骤包括：设位置指纹数据库中第i个位置指纹的信号强度序列为RSSI_i＝{rssi₁，rssi₂，rssi₃，......rssi_n}，其中n为室内中的无线接入点的数量，则小波散射变换公式如下所示：

其中|RSSI_i*ψ|表示取模运算，ψ表示小波函数，

表示低通滤波器；

上述公式中使用的小波函数ψ为母小波，其在不同尺度下的表示形式存在很大差异，生成的小波基函数也不相同，小波基函数由母小波和尺度函数共同构成，而不同尺度下的小波基函数对原始信号进行不同尺度的分解，从而得到原始信号在不同尺度下的特征；

在尺度为a，时间位移为τ时的小波基函数为：

在得到不同尺度的小波基函数后，假设接收信号强度为f(t)，则对应的小波散射变换公式为：

将Morlet小波函数作为母小波，Morlet小波函数为：

其中，A和B为常量，ω表示频率，i表示复数；

在进行不同尺度下的小波散射变换时，需要对母小波进行尺度上的扩展，以形成小波基函数：

ψ_j(t)＝2^-j*ψ(2^-j*t)；

其中，j表示尺度因子，其值为正整数，并且不能超过小波散射变换的最大散射量级；

在得到了扩展Morlet小波函数后，对尺度函数

同样进行扩展，其扩展形式为：

最后，根据扩展小波函数和扩展尺度函数，可以得到信号强度序列RSSI_i的小波散射变换的一般表达式：

选取零阶小波散射变换所得到的系数模量作为DNN模型的输入，零阶小波散射系数模量的计算为：

在得到零阶小波散射系数模量后，其余高阶小波散射系数模量可以通过将接收信号强度与扩展小波函数卷积取模，并与尺度函数相乘获得：

通过前述计算工作，得到了接收信号强度在不同尺度下的小波散射系数模量。

Images