CN111385757B - 一种用于室内定位WiFi指纹库设备异构性的消除技术 - Google Patents

Abstract

本发明涉及一种用于室内定位WiFi指纹库设备异构性的消除技术，包括步骤：对室内定位WiFi指纹与室内布置和天气状况之间的关系进行建模，综合计算WiFi信号强度固定值、由于阴影产生的对数损耗值、小尺度衰减效应影响值及环境温度影响值，得到WiFi指纹信息；利用高斯核函数消除指纹测量值分散性；通过层次聚类算法消除指纹噪声。本发明的有益效果是：通过分析室内定位WiFi指纹库设备异构性与室内物理布局及天气状况之间的关系，设计一种能自适应不同环境动态变化的WiFi指纹特征，通过基于核函数方法刻画异构设备信号强度分布及其特征，消除指纹测量值的分散性。本发明提出的方法能够基于层次聚类消除室内定位WiFi指纹存在的设备异构性，有效提升定位精确度。

Description

一种用于室内定位WiFi指纹库设备异构性的消除技术

技术领域

本发明涉及室内定位领域，尤其包括一种用于室内定位WiFi指纹库设备异构性的消除技术。首先对室内定位WiFi指纹、室内物理布局与天气状况进行建模，再通过平滑函数消除WiFi指纹测量值的分散性，通过层次聚类消除指纹噪声，有助于消除不同设备、不同室内布置对室内定位WiFi指纹库的影响，提高定位精度。

背景技术

现有室内定位技术在部署成本、适用范围和定位精度等方面还不能满足多数普适计算应用需求，限制了基于位置的服务在室内的普及。

基于WiFi位置指纹的室内定位技术由于充分利用现有WLAN基础设施，无需部署任何其它专用设备，只需特定的定位软件即可通过智能手机等移动终端实现定位，具有定位成本低、适用范围广等优点，成为当前被广泛认可和采纳的室内定位技术。然而，即便获普遍认可的WiFi指纹室内定位技术在现实应用中也面临严峻挑战：设备异构性导致一些WiFi指纹(即WiFi信号强度)产生明显异常现象，进而降低定位精度。现有用于消除室内定位WiFi指纹库设备异构性的方案存在的不足：

1)基于群智感知搜集数据的矫正方案不能解决数据噪声问题；

2)基于机器学习的矫正方案需要大量标注数据集训练自适应模型及墙壁分割等物理布局导致指纹矫正失效。

综上所述，提出一种用于室内定位WiFi指纹库设备异构性的消除技术，就显得尤为重要。

发明内容

本发明的目的是克服现有技术中的不足，提供一种用于室内定位WiFi指纹库设备异构性的消除技术。

这种用于室内定位WiFi指纹库设备异构性的消除技术，包括以下步骤：

步骤1、对室内定位WiFi指纹与室内布置和天气状况之间的关系进行建模，综合计算WiFi信号强度固定值、由于阴影产生的对数损耗值、小尺度衰减效应影响值及环境温度影响值，得到WiFi指纹信息：

步骤1.1、根据室内无线信号传播模型计算WiFi信号强度固定值及由于由于阴影产生的对数损耗值：

上式中，P为信号源的信号强度，m为路径损耗指数，r为设备位置与信号源的距离，

为由于阴影产生的对数损耗值，Ps为WiFi信号强度固定值；

步骤1.2、计算小尺度衰减效应影响：

上式中，P为信号源的信号强度，r为设备位置与信号源的距离，σ为由于瑞利衰落产生的指数损耗，Pm为小尺度衰减效应影响值；

步骤1.3、通过数据拟合公式对环境温度影响进行计算：

Pt＝-P*(aT³+bT²+cT+d) (3)

上式中，P为信号源的信号强度，a，b，c，d分别为根据测量数据进行多项式拟合的经验参数，T为环境温度，Pt为环境温度影响值；

步骤1.4、综合阴影衰落、小尺度衰减效应和环境温度三项因素计算得到WiFi信号强度：

Pa＝Ps+Pm+Pt (4)

上式中，Pa为WiFi信号强度，Ps为WiFi信号强度固定值，Pm为小尺度衰减效应影响值，Pt为环境温度影响值；

步骤2、利用高斯核函数消除指纹测量值分散性：

步骤2.1、基于WiFi指纹库数据训练得到高斯核函数：

上式中，x为WiFi信号强度测量值，y为x的数学期望，σ为由于瑞利衰落产生的指数损耗；

步骤2.2、根据高斯核函数对室内定位WiFi指纹信息进行概率判断：若某一WiFi指纹信息的概率小于阈值，则将WiFi指纹信息与预测值做平均处理；

步骤2.3、将真实值与预测值平均得到平滑值：通过高斯核函数得到预测值，取预测值与真实值的平均数作为平滑后的指纹；

步骤3、通过层次聚类算法消除指纹噪声：

步骤3.1、在室内定位WiFi指纹库中查找群智感知共享指纹所绑定位置参考点附近N个位置的分簇信息；

步骤3.2、建立离散Voronoi图，并分别计算群智感知共享指纹与这N个分簇的Voronoi图距离，建立距离向量作为聚类中心；

步骤3.3、计算新加入指纹与各分簇的Voronoi图距离，得到指纹向量；计算指纹向量与聚类中心的距离；若指纹向量与聚类中心的距离大于阈值，则将新加入的指纹视为噪声舍去；反之，则将新加入的指纹加入WiFi指纹库。

作为优选，步骤1.1所述WiFi信号强度固定值后，对WiFi信号强度固定值进行标量叠加。

本发明的有益效果是：本发明通过分析室内定位WiFi指纹库设备异构性与室内物理布局及天气状况之间的关系，设计一种能自适应不同环境动态变化的WiFi指纹特征，通过基于核函数方法刻画异构设备信号强度分布及其特征，消除指纹测量值的分散性。本发明提出的方法能够基于层次聚类消除室内定位WiFi指纹存在的设备异构性，有效提升定位精确度。

附图说明

图1为本发明一实施例中的WiFi指纹信息设备异构性消除的流程图；

图2为本发明一实施例中的指纹信号强度计算流程图；

图3为本发明一实施例中的指纹测量值分散性消除流程图；

图4为本发明一实施例中的基于层次聚类算法消除指纹噪声流程图。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

WiFi指纹数据定位精度高、实时性好、较为稳定，对室内定位技术的实现有极大帮助，因而消除WiFi指纹存在的设备异构性能进一步地提升室内定位的精度。

如图1所述，在一个实施例中，提到了一种WiFi指纹信息的设备异构性消除技术，所述方法实现如下步骤：

S102、综合计算信号强度、环境影响，得到指纹信息；

环境动态变化导致采集RSS测量值存在线性平移问题，同时室内结构、布置也对信号变化有影响，因而需要消除这部分的影响。

S104、利用高斯核函数消除指纹测量值分散性；

具体而言，不同终端设备采集的RSS测量值不仅存在线性平移，而且分散性有差别。因此，需要对消除设备的异构性对RSS测量值采集的影响。

S106、计算附近N个位置的Voronoi图聚类中心；

当前基于群智感知的设备异构性消除机制存在噪声，因而需要对这一噪声进行判断，对噪声数据进行过滤。

S108、通过距离判断，将非噪声指纹加入指纹库；

如图2所述，在一个实施例中，所述的计算指纹信号强度的方法，具体包括：

S202、计算信号强度固定值及由于阴影产生的对数损耗；

具体而言，按照下式计算信号强度固定值：

其中，P是信号源的信号强度，m是路径损耗指数，r是设备位置与信号源的距离，

是由于阴影产生的对数损耗。由于存在多个信号源，因而信号强度的固定值需要进行标量叠加。

假设P＝40dB，m＝1，r＝3m,

则计算得到Ps＝10dB。

S204、计算小尺度衰减效应影响；

具体而言，按照下式计算小尺度衰减效应影响：

其中，r是设备位置与信号源的距离，σ是由于瑞利衰落产生的指数损耗。

假设σ＝1，则计算得到Pm＝-0.222dB。

S206、通过数据拟合公式计算环境温度影响；

具体而言，通过数据拟合公式对环境温度影响进行计算：

Pt＝-P*(aT³+bT²+cT+d)

其中，T是环境温度。

S208、综合计算得到信号强度；

具体而言，按下式计算得到信号强度：

Pa＝Ps+Pm+Pt

假设Pt＝-0.37dB，则指纹数据为9.408dB。

如图3所述，在一个实施例中，所述的通过概率拟合消除测量值分散性的方法，具体包括：

S302、基于数据训练高斯核函数；

具体而言，基于WiFi指纹库数据训练得到高斯核函数：

其中，x为WiFi信号强度测量值，y为x的数学期望。

S304、根据高斯核函数概率判断是否需要平滑；

具体而言，对于某一指纹，若其概率小于阈值，说明需要进行平滑。

S306、将真实值与预测值平均得到平滑值；

具体而言，通过高斯核函数得到预测值，取预测值与真实值的平均数作为平滑后的指纹。

假设概率阈值为0.7，指纹数据29.408dB的预测概率为0.73，指纹数据25.322dB的预测概率为0.54，预测值为26.848dB，则前者不需要进行平滑，后者需要进行平滑，平滑值为26.135dB。

如图4所述，在一个实施例中，所述的通过层次聚类消除指纹噪声的方法，具体包括：

S402、指纹数据库中查找位置附近N个位置的分簇信息；

具体而言，在指纹数据库中查找群智感知共享指纹所绑定位置参考点附近N个位置的分簇信息以便后续聚类。

S404、建立离散Voronoi图并计算聚类中心；

具体而言，建立离散Voronoi图，并分别计算群智感知共享指纹与这N个分簇的Voronoi图距离，建立距离向量作为聚类中心，记为(ε₁,ε₂,……,ε_N),其中ε_i为共享指纹与第i个分簇的Voronoi图距离。

S406、计算指纹向量与聚类中心的距离；

具体而言，新加入指纹与各分簇计算Voronoi图距离，得到指纹向量。计算指纹向量与聚类中心的距离。若该距离大于阈值，则将新加入的指纹视为噪声。

S408、将非噪声指纹加入指纹库；

具体而言，假设中心距离向量为(0.3,0.2,0.3,0.3,0.2),指纹数据29.408dB的距离向量为(0.3,0.2,0.3,0.3,0.1)，指纹数据26.135dB的距离向量为(0.3,0.2,0.3,0.3,0.5)，距离阈值为0.1，则前者距离为0.01，加入数据库；后者距离为0.16，舍去。

Claims (2)

1.一种用于室内定位WiFi指纹库设备异构性的消除方法，其特征在于，包括以下步骤：

步骤1、对室内定位WiFi指纹与室内布置和天气状况之间的关系进行建模，综合计算WiFi信号强度固定值、小尺度衰减效应影响值及环境温度影响值，得到WiFi指纹信息：

步骤1.1、根据室内无线信号传播模型计算WiFi信号强度固定值：

上式中，P为信号源的信号强度，m为路径损耗指数，r为设备位置与信号源的距离，

为由于阴影产生的对数损耗值，Ps为WiFi信号强度固定值；

步骤1.2、计算小尺度衰减效应影响：

上式中，P为信号源的信号强度，r为设备位置与信号源的距离，σ为由于瑞利衰落产生的指数损耗，Pm为小尺度衰减效应影响值；

步骤1.3、通过数据拟合公式对环境温度影响进行计算：

Pt＝-P*(aT³+bT²+cT+d) (3)

上式中，P为信号源的信号强度，a，b，c，d分别为根据测量数据进行多项式拟合的经验参数，T为环境温度，Pt为环境温度影响值；

步骤1.4、综合阴影衰落、小尺度衰减效应和环境温度三项因素计算得到WiFi信号强度：

Pa＝Ps+Pm+Pt (4)

上式中，Pa为WiFi信号强度，Ps为WiFi信号强度固定值，Pm为小尺度衰减效应影响值，Pt为环境温度影响值；

步骤2、利用高斯核函数消除指纹测量值分散性：

步骤2.1、基于WiFi指纹库数据训练得到高斯核函数：

上式中，x为WiFi信号强度测量值，y为x的数学期望，σ为由于瑞利衰落产生的指数损耗；

步骤2.2、根据高斯核函数对室内定位WiFi指纹信息进行概率判断：若某一WiFi指纹信息的概率小于阈值，则将WiFi指纹信息与预测值做平均处理；

步骤2.3、将真实值与预测值平均得到平滑值：通过高斯核函数得到预测值，取预测值与真实值的平均数作为平滑后的指纹；

步骤3、通过层次聚类算法消除指纹噪声：

步骤3.1、在室内定位WiFi指纹库中查找群智感知共享指纹所绑定位置参考点附近N个位置的分簇信息；

步骤3.2、建立离散Voronoi图，并分别计算群智感知共享指纹与这N个分簇的Voronoi图距离，建立距离向量作为聚类中心；

步骤3.3、计算新加入指纹与各分簇的Voronoi图距离，得到指纹向量；计算指纹向量与聚类中心的距离；若指纹向量与聚类中心的距离大于阈值，则将新加入的指纹视为噪声舍去；反之，则将新加入的指纹加入WiFi指纹库。

2.根据权利要求1所述用于室内定位WiFi指纹库设备异构性的消除方法，其特征在于：得到步骤1.1所述WiFi信号强度固定值后，对WiFi信号强度固定值进行标量叠加。

Images