CN111465093A - 指纹定位方法、装置、电子设备及计算机存储介质 - Google Patents
指纹定位方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111465093A CN111465093A CN202010263288.7A CN202010263288A CN111465093A CN 111465093 A CN111465093 A CN 111465093A CN 202010263288 A CN202010263288 A CN 202010263288A CN 111465093 A CN111465093 A CN 111465093A
- Authority
- CN
- China
- Prior art keywords
- value data
- rssi value
- fingerprint
- matrix
- fingerprint database
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明实施例公开了一种指纹定位方法、装置、电子设备及计算机存储介质。该指纹定位方法,包括:获取待定点的原始接收信号强度指示RSSI值数据;利用低维嵌入算法对待定点的原始RSSI值数据进行降维,得到待定点的第一RSSI值数据;将第一RSSI值数据与预设的指纹数据库进行匹配,确定待定点的位置坐标;其中,指纹数据库中的各个蓝牙锚节点的目标样本RSSI值数据,为利用低维嵌入算法对原始样本RSSI值数据进行降维得到的数据。根据本发明实施例,能够提高定位效率。
Description
技术领域
本发明属于无线定位领域,尤其涉及一种指纹定位方法、装置、电子设备及计算机存储介质。
背景技术
蓝牙技术与无线上网(Wi-Fi)技术同属于家用或者办公室内短距离、低功耗的无线技术,可通过无线局域网络获取信息,实现复杂的大范围定位、监测。蓝牙技术通常是结合接收信号强度指示(Received Signal Strength Indication,RSSI)方法使用,在室内安装蓝牙接入点配置基于用户的网络模式,与蓝牙锚节点建立连接,使用方法通常有两种:一种是利用RSSI进行距离测量,三边定位得出定位目标的位置;另一种是基于 RSSI的指纹定位方法。
指纹定位方法是将环境的位置与特定的指纹联系起来,生成指纹库。指纹中存储一种或多种特征,当实际定位时,通过实际获得的多个特征与指纹库中的特征匹配,从而获得对应的坐标以定位。其中,在室内定位中用得最多的就是RSSI特征。
指纹定位方法一般包括两个阶段:离线训练阶段和在线定位阶段。离线训练阶段主要是进行位置指纹数据的采集以及建立指纹库,在线定位阶段通过相应的指纹定位匹配算法,将实时采集到的信号强度与指纹库中的各个参考点的信号强度进行比对以估计用户所在位置。目前,常用的指纹定位匹配算法主要是K近邻(K-nearest Neighbor,KNN)算法,主要原理是根据RSSI值的欧式距离来估算待定位目标和离线指纹库中已知位置之间的欧式距离。
但是,KNN算法通常有如下缺点:1.效率低,因为每一次分类或者回归,都要把训练数据和测试数据都算一遍,如果数据量很大的话,需要的算力会非常大;2.对训练数据依赖度特别大,存在样本不平衡问题;3.维数灾难,KNN算法对于多维度的数据处理也不是很好,多维度下距离大的两个点实际的物理距离可能很小。基于KNN算法的缺点,传统的指纹定位方法存在定位效率低下的缺陷。
因此,如何能够提高定位效率是本领域技术人员亟需解决的技术问题。
发明内容
本发明实施例提供一种指纹定位方法、装置、电子设备及计算机存储介质,能够提高定位效率。
第一方面,提供了一种指纹定位方法,包括:
获取待定点的原始RSSI值数据;
利用低维嵌入算法对待定点的原始RSSI值数据进行降维,得到待定点的第一RSSI值数据;
将第一RSSI值数据与预设的指纹数据库进行匹配,确定待定点的位置坐标;其中,指纹数据库中的各个蓝牙锚节点的目标样本RSSI值数据,为利用低维嵌入算法对原始样本RSSI值数据进行降维得到的数据。
可选地,在将第一RSSI值数据与预设的指纹数据库进行匹配,确定待定点的位置坐标之前,方法还包括:
获取原始指纹数据库;其中,原始指纹数据库包括各个蓝牙锚节点的原始样本RSSI值数据;
基于主成分分析(Principal Component Analysis,PCA)算法和线性判别分析(linear discriminant analysis,LDA)算法,对各个蓝牙锚节点的原始样本RSSI值数据进行降维,得到指纹数据库;其中,指纹数据库包括各个蓝牙锚节点的目标样本RSSI值数据。
可选地,获取原始指纹数据库,包括:
采集各个蓝牙锚节点的位置坐标、所属的建筑物标识信息、相对每个预设蓝牙信标的原始样本RSSI值数据,得到原始指纹数据库。
可选地,基于主成分分析算法和线性判别分析算法,对各个蓝牙锚节点的原始样本RSSI值数据进行降维,得到指纹数据库,包括:
基于各个蓝牙锚节点的原始样本RSSI值数据,构建第一矩阵;
对第一矩阵进行归一化,得到第二矩阵;
利用主成分分析算法对第二矩阵进行降维,得到第三矩阵;
利用线性判别分析算法对第三矩阵进行降维,得到第四矩阵;
将第三矩阵和第四矩阵进行特征融合,得到指纹数据库。
可选地,利用线性判别分析算法对第三矩阵进行降维,得到第四矩阵,包括:
对各个蓝牙锚节点所属的建筑物标识信息进行独热编码,确定各个蓝牙锚节点所属的类别总数;
基于类别总数,利用线性判别分析算法对第三矩阵进行降维,得到第四矩阵。
可选地,将第一RSSI值数据与预设的指纹数据库进行匹配,确定待定点的位置坐标,包括:
基于指纹定位匹配算法,将第一RSSI值数据与指纹数据库进行匹配,确定待定点的位置坐标。
可选地,基于指纹定位匹配算法,将第一RSSI值数据与指纹数据库进行匹配,确定待定点的位置坐标,包括:
基于加权K邻近(Weighted K-nearest Neighbor,WKNN)算法,将第一RSSI值数据与指纹数据库进行匹配,确定待定点的位置坐标。
第二方面,提供了一种指纹定位装置,包括:
获取模块,用于获取待定点的原始RSSI值数据;
降维模块,用于利用低维嵌入算法对待定点的原始RSSI值数据进行降维,得到待定点的第一RSSI值数据;
匹配模块,用于将第一RSSI值数据与预设的指纹数据库进行匹配,确定待定点的位置坐标;其中,指纹数据库中的各个蓝牙锚节点的目标样本RSSI值数据,为利用低维嵌入算法对原始样本RSSI值数据进行降维得到的数据。
可选地,匹配模块还用于获取原始指纹数据库;其中,原始指纹数据库包括各个蓝牙锚节点的原始样本RSSI值数据;基于主成分分析算法和线性判别分析算法,对各个蓝牙锚节点的原始样本RSSI值数据进行降维,得到指纹数据库;其中,指纹数据库包括各个蓝牙锚节点的目标样本RSSI 值数据。
可选地,匹配模块还用于采集各个蓝牙锚节点的位置坐标、所属的建筑物标识信息、相对每个预设蓝牙信标的原始样本RSSI值数据,得到原始指纹数据库。
可选地,匹配模块用于基于各个蓝牙锚节点的原始样本RSSI值数据,构建第一矩阵;对第一矩阵进行归一化,得到第二矩阵;利用主成分分析算法对第二矩阵进行降维,得到第三矩阵;利用线性判别分析算法对第三矩阵进行降维,得到第四矩阵;将第三矩阵和第四矩阵进行特征融合,得到指纹数据库。
可选地,匹配模块用于对各个蓝牙锚节点所属的建筑物标识信息进行独热编码,确定各个蓝牙锚节点所属的类别总数;基于类别总数,利用线性判别分析算法对第三矩阵进行降维,得到第四矩阵。
可选地,匹配模块用于基于指纹定位匹配算法,将第一RSSI值数据与指纹数据库进行匹配,确定待定点的位置坐标。
可选地,匹配模块用于基于加权K邻近算法,将第一RSSI值数据与指纹数据库进行匹配,确定待定点的位置坐标。
第三方面,提供了一种电子设备,电子设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现第一方面或者第一方面任一可选的实现方式中的指纹定位方法。
第四方面,提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面或者第一方面任一可选的实现方式中的指纹定位方法。
本发明实施例的指纹定位方法、装置、电子设备及计算机存储介质,能够提高定位效率。该指纹定位方法在获取待定点的原始RSSI值数据后,利用低维嵌入算法对待定点的原始RSSI值数据进行降维,得到待定点的第一RSSI值数据;由于待定点的第一RSSI值数据经过了降维处理,故将其与同样利用低维嵌入算法进行降维处理过的指纹数据库进行匹配,能够快速确定待定点的位置坐标,也即能够提高定位效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种指纹定位方法的流程示意图;
图2是本发明实施例提供的另一种指纹定位方法的流程示意图;
图3是本发明实施例提供的一种指纹定位装置的结构示意图;
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前,常用的指纹定位匹配算法主要是K近邻(K-nearest Neighbor, KNN)算法,主要原理是根据RSSI值的欧式距离来估算待定位目标和离线指纹库中已知位置之间的欧式距离。但基于KNN算法的上述缺点,传统的指纹定位方法存在定位效率低下的缺陷。
为了解决现有技术问题,本发明实施例提供了一种指纹定位方法、装置、电子设备及计算机存储介质。下面首先对本发明实施例所提供的指纹定位方法进行介绍。
图1是本发明实施例提供的一种指纹定位方法的流程示意图。如图1 所示,该指纹定位方法可以包括:
S101、获取待定点的原始RSSI值数据。
S102、利用低维嵌入算法对待定点的原始RSSI值数据进行降维,得到待定点的第一RSSI值数据。
S103、将第一RSSI值数据与预设的指纹数据库进行匹配,确定待定点的位置坐标;其中,指纹数据库中的各个蓝牙锚节点的目标样本RSSI 值数据,为利用低维嵌入算法对原始样本RSSI值数据进行降维得到的数据。
在一个实施例中,在将第一RSSI值数据与预设的指纹数据库进行匹配,确定待定点的位置坐标之前,该方法还可以包括:获取原始指纹数据库;其中,原始指纹数据库包括各个蓝牙锚节点的原始样本RSSI值数据;基于主成分分析(Principal ComponentAnalysis,PCA)算法和线性判别分析(linear discriminant analysis,LDA)算法,对各个蓝牙锚节点的原始样本RSSI值数据进行降维,得到指纹数据库;其中,指纹数据库包括各个蓝牙锚节点的目标样本RSSI值数据。
为了获取更加准确的原始指纹数据库,在一个实施例中,获取原始指纹数据库,可以包括:采集各个蓝牙锚节点的位置坐标、所属的建筑物标识信息、相对每个预设蓝牙信标的原始样本RSSI值数据,得到原始指纹数据库。可选地,建筑物标识信息可以包括楼栋标识(Identity Document, ID)信息和楼层标识信息。
为了降低高维数据带来的巨大运算量和计算精度的影响,在一个实施例中,基于主成分分析算法和线性判别分析算法,对各个蓝牙锚节点的原始样本RSSI值数据进行降维,得到指纹数据库,可以包括:基于各个蓝牙锚节点的原始样本RSSI值数据,构建第一矩阵;对第一矩阵进行归一化,得到第二矩阵;利用主成分分析算法对第二矩阵进行降维,得到第三矩阵;利用线性判别分析算法对第三矩阵进行降维,得到第四矩阵;将第三矩阵和第四矩阵进行特征融合,得到指纹数据库。
为了增大不同类别间的区分度,更好的识别楼层和楼栋信息,在一个实施例中,利用线性判别分析算法对第三矩阵进行降维,得到第四矩阵,可以包括:对各个蓝牙锚节点所属的建筑物标识信息进行独热编码,确定各个蓝牙锚节点所属的类别总数;基于类别总数,利用线性判别分析算法对第三矩阵进行降维,得到第四矩阵。可选地,建筑物标识信息可以包括楼栋标识信息和楼层标识信息。
为了提高定位准确度,在一个实施例中,将第一RSSI值数据与预设的指纹数据库进行匹配,确定待定点的位置坐标,可以包括:基于指纹定位匹配算法,将第一RSSI值数据与指纹数据库进行匹配,确定待定点的位置坐标。
为了提高定位准确度,在一个实施例中,基于指纹定位匹配算法,将第一RSSI值数据与指纹数据库进行匹配,确定待定点的位置坐标,可以包括:基于加权K邻近(WeightedK-nearest Neighbor,WKNN)算法,将第一RSSI值数据与指纹数据库进行匹配,确定待定点的位置坐标。
本发明实施例提供的指纹定位方法在获取待定点的原始RSSI值数据后,利用低维嵌入算法对待定点的原始RSSI值数据进行降维,得到待定点的第一RSSI值数据;由于待定点的第一RSSI值数据经过了降维处理,故将其与同样利用低维嵌入算法进行降维处理过的指纹数据库进行匹配,能够快速确定待定点的位置坐标,也即能够提高定位效率。此外,在一个实施例中,基于加权K邻近算法进行定位,能够提高定位准确度。
在一个实施例中,指纹定位方法的具体步骤如下:
1.离线指纹库采集:
具体做法:部署蓝牙访问接入点(Access Point,AP),选定并标记参考点;在待测区域部署m个蓝牙信标APj(其中,j=1,...,m),并在待测区域中选定并标记n个参考点(也即蓝牙锚节点);采集待测区域中的n 个参考点对应的经纬度坐标(lati,loni),i=1,…,n,楼栋标识(Identity document,ID)和楼层ID,参考点i对应蓝牙信标APj的RSSI值数据(rssii1,rssii2…,rssiim)并上传数据库,记得到的数据的具体形式如表1所示:
表1
参考点 | 纬度 | 经度 | 楼栋ID | 楼层ID | AP1 | AP2 | ... | APm |
1 | lat<sub>1</sub> | lon<sub>1</sub> | 1 | 2 | rssi<sub>11</sub> | rssi<sub>12</sub> | ... | rssi<sub>1m</sub> |
2 | lat<sub>2</sub> | lon<sub>2</sub> | 3 | 2 | rssi<sub>21</sub> | rssi<sub>22</sub> | ... | rssi<sub>2m</sub> |
... | ... | ... | ... | ... | ... | ... | ... | ... |
n | lat<sub>n</sub> | lon<sub>n</sub> | 1 | 4 | rssi<sub>n1</sub> | rssi<sub>n1</sub> | ... | rssi<sub>nm</sub> |
2.采用低维嵌入技术预处理离线指纹库:
步骤2.1:对每个参考点的楼层ID和楼栋ID组合并进行独热编码,构成新的类别,总数为C;
步骤2.2:对每个参考点的RSSI值数据进行预处理,采用“PCA+LDA”来降低维度。PCA是寻找在最小均方意义下最能够代表原始数据的变换方法,LDA是寻找在最小均方意义下最能够区分各类数据的变换方法。
每个参考点的RSSI值数据记为xi=(rssii1,rssii2,…,rssiim)T,i=1,…,n,n个参考点的RSSI值数据构成一个n×m的矩阵X:
(2).利用主成分分析方法对(1)中归一化后的矩阵进行降维,降维到p 维,p<m;
针对归一化后的矩阵X计算协方差矩阵:
为了减少计算量,可以使用奇异值分解(Singular Value Decomposition, SVD)分解计算出协方差矩阵Q的前p个较大特征值和对应的特征向量。使用前p个较大特征值对应的特征向量组成PCA投影矩阵Wpca。经过PCA 变换后,可以得到降维后的特征向量为:yi=Wpca Txi。
在选择p值时,可以使用如下公式:
(3).将(2)得到的降维数据与步骤2.1中的新类别对应起来,使用线性判别分析法结合每个参考点的类别信息对(2)得到的降维数据进行二次特征筛选降维。不同的是LDA是监督的学习方法,能够将类别信息充分利用起来,最多降维到C-1维(这里C是步骤2.1中的新类别总数)。
zi=Wlda Tyi=Wlda TWpca Txi
(4).特征融合:基于PCA变换后的特征矩阵Y和LDA变换后的特征矩阵Z,可以构造新的特征融合矩阵YZ,维度为n×(p+(C-1)),形式如下:
YZ=[αY (1-α)Z]
其中,可以取α=0.5。
3.在线匹配:
采用WKNN算法关于位置坐标进行预测,采用KNN算法对楼栋编号和楼层编号进行快速分类。这里的K可以使用交叉验证选择3-10之间的奇数。
步骤3.1:关于待定点的RSSI值数据使用步骤2.2的归一化方法进行处理,再应用步骤2.2得到的变换矩阵Wlda,Wpca进行降维,得到待定位点的新数据。
步骤3.2:使用步骤3.1得到的待定位点的新数据,与步骤2.2构造的离线指纹库YZ进行比较,选出欧式距离最小的前K个点,使用KNN方法,对楼层楼栋号进行分类,得到定位结果。按照每个参考点对定位点的贡献程度,给每个参考点一个权值wj,最后将K个点的加权质心作为定位点的估计位置
其中,Dj表示第j个参考点与待定位点的欧式距离,Lj=(latj,lonj)表示第j个参考点的位置坐标。
该实施例提供的指纹定位方法,使用低维嵌入技术对高维稀疏指纹向量进行降维处理,去除了无关特征的干扰,并将主成分分析与线性判别分析得到的特征属性相融合,可在降低计算复杂度的同时提高定位精度和定位效率。而且,使用了WKNN算法,将K个点的加权质心作为定位点的估计位置,改善了相似度度量不准确的问题。此外,该实施例在对位置坐标进行定位的同时利用降维后的数据对楼层楼栋进行定位,克服了现有技术中对每栋楼每个楼层都要单独建模的缺陷。
在一个实施例中,如图2所示,其提供的指纹定位方法包括如下步骤:在离线阶段进行离线指纹库的建立,记录采样点位置坐标、采样点楼栋ID 及采样点楼层ID,得到原始位置指纹库。基于楼栋ID和楼层ID组合得到的新类别,利用低维嵌入技术对原始位置指纹库进行降维处理,具体使用 PCA算法和LDA算法对原始位置指纹库进行降维处理,得到低维特征指纹库。在线阶段获取在线位置指纹,同样利用低维嵌入技术对其进行降维处理,具体使用PCA算法和LDA算法对在线位置指纹进行降维处理。最后,基于WKNN算法和低维特征指纹库,预测待定位点的坐标位置,所属的楼栋ID和楼层ID。
该实施例提供的指纹定位方法,通过低维嵌入技术,对指纹向量进行降维处理,找到影响定位精度的主要分量,将PCA算法与LDA算法变换得到的数据进行特征融合,提高指纹定位算法的处理效率。另外,使用 WKNN算法改善了现有技术中相似度度量不准确的问题。
本发明实施例还提供的一种指纹定位装置,图3是本发明实施例提供的一种指纹定位装置的结构示意图,如图3所示,该指纹定位装置包括:
获取模块301,用于获取待定点的原始RSSI值数据;
降维模块302,用于利用低维嵌入算法对待定点的原始RSSI值数据进行降维,得到待定点的第一RSSI值数据;
匹配模块303,用于将第一RSSI值数据与预设的指纹数据库进行匹配,确定待定点的位置坐标;其中,指纹数据库中的各个蓝牙锚节点的目标样本RSSI值数据,为利用低维嵌入算法对原始样本RSSI值数据进行降维得到的数据。
可选地,在一个实施例中,匹配模块303还用于获取原始指纹数据库;其中,原始指纹数据库包括各个蓝牙锚节点的原始样本RSSI值数据;基于主成分分析算法和线性判别分析算法,对各个蓝牙锚节点的原始样本 RSSI值数据进行降维,得到指纹数据库;其中,指纹数据库包括各个蓝牙锚节点的目标样本RSSI值数据。
可选地,在一个实施例中,匹配模块303还用于采集各个蓝牙锚节点的位置坐标、所属的建筑物标识信息、相对每个预设蓝牙信标的原始样本 RSSI值数据,得到原始指纹数据库。
可选地,在一个实施例中,匹配模块303用于基于各个蓝牙锚节点的原始样本RSSI值数据,构建第一矩阵;对第一矩阵进行归一化,得到第二矩阵;利用主成分分析算法对第二矩阵进行降维,得到第三矩阵;利用线性判别分析算法对第三矩阵进行降维,得到第四矩阵;将第三矩阵和第四矩阵进行特征融合,得到指纹数据库。
可选地,在一个实施例中,匹配模块303用于对各个蓝牙锚节点所属的建筑物标识信息进行独热编码,确定各个蓝牙锚节点所属的类别总数;基于类别总数,利用线性判别分析算法对第三矩阵进行降维,得到第四矩阵。
可选地,在一个实施例中,匹配模块303用于基于指纹定位匹配算法,将第一RSSI值数据与指纹数据库进行匹配,确定待定点的位置坐标。
可选地,在一个实施例中,匹配模块303用于基于加权K邻近算法,将第一RSSI值数据与指纹数据库进行匹配,确定待定点的位置坐标。
图3提供的指纹定位装置中的各个模块具有实现图1所示实例中各个步骤的功能,并达到与图1所示指纹定位方法相同的技术效果,为简洁描述,在此不再赘述。
图4是本发明实施例提供的一种电子设备的结构示意图。
电子设备可以包括处理器401以及存储有计算机程序指令的存储器 402。
具体地,上述处理器401可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器402可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus, USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器402可在综合网关容灾设备的内部或外部。在特定实施例中,存储器 402是非易失性固态存储器。在特定实施例中,存储器402包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM (EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器401通过读取并执行存储器402中存储的计算机程序指令,以实现图1所示的指纹定位方法。
在一个示例中,电子设备还可包括通信接口403和总线410。其中,如图4所示,处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。
通信接口403,主要用于实现本发明实施例中各模块、装置、单元和/ 或设备之间的通信。
总线410包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连 (PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA) 总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线410可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
另外,本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现图1所示的指纹定位方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种指纹定位方法,其特征在于,包括:
获取待定点的原始接收信号强度指示RSSI值数据;
利用低维嵌入算法对所述待定点的所述原始RSSI值数据进行降维,得到所述待定点的第一RSSI值数据;
将所述第一RSSI值数据与预设的指纹数据库进行匹配,确定所述待定点的位置坐标;其中,所述指纹数据库中的各个蓝牙锚节点的目标样本RSSI值数据,为利用所述低维嵌入算法对原始样本RSSI值数据进行降维得到的数据。
2.根据权利要求1所述的指纹定位方法,其特征在于,在所述将所述第一RSSI值数据与预设的指纹数据库进行匹配,确定所述待定点的位置坐标之前,所述方法还包括:
获取原始指纹数据库;其中,所述原始指纹数据库包括各个所述蓝牙锚节点的所述原始样本RSSI值数据;
基于主成分分析算法和线性判别分析算法,对各个所述蓝牙锚节点的所述原始样本RSSI值数据进行降维,得到所述指纹数据库;其中,所述指纹数据库包括各个所述蓝牙锚节点的所述目标样本RSSI值数据。
3.根据权利要求2所述的指纹定位方法,其特征在于,所述获取原始指纹数据库,包括:
采集各个所述蓝牙锚节点的位置坐标、所属的建筑物标识信息、相对每个预设蓝牙信标的所述原始样本RSSI值数据,得到所述原始指纹数据库。
4.根据权利要求3所述的指纹定位方法,其特征在于,所述基于主成分分析算法和线性判别分析算法,对各个所述蓝牙锚节点的所述原始样本RSSI值数据进行降维,得到所述指纹数据库,包括:
基于各个所述蓝牙锚节点的所述原始样本RSSI值数据,构建第一矩阵;
对所述第一矩阵进行归一化,得到第二矩阵;
利用所述主成分分析算法对所述第二矩阵进行降维,得到第三矩阵;
利用所述线性判别分析算法对所述第三矩阵进行降维,得到第四矩阵;
将所述第三矩阵和所述第四矩阵进行特征融合,得到所述指纹数据库。
5.根据权利要求4所述的指纹定位方法,其特征在于,所述利用所述线性判别分析算法对所述第三矩阵进行降维,得到第四矩阵,包括:
对各个所述蓝牙锚节点所属的所述建筑物标识信息进行独热编码,确定各个所述蓝牙锚节点所属的类别总数;
基于所述类别总数,利用所述线性判别分析算法对所述第三矩阵进行降维,得到所述第四矩阵。
6.根据权利要求1所述的指纹定位方法,其特征在于,所述将所述第一RSSI值数据与预设的指纹数据库进行匹配,确定所述待定点的位置坐标,包括:
基于指纹定位匹配算法,将所述第一RSSI值数据与所述指纹数据库进行匹配,确定所述待定点的所述位置坐标。
7.根据权利要求6所述的指纹定位方法,其特征在于,所述基于指纹定位匹配算法,将所述第一RSSI值数据与所述指纹数据库进行匹配,确定所述待定点的所述位置坐标,包括:
基于加权K邻近算法,将所述第一RSSI值数据与所述指纹数据库进行匹配,确定所述待定点的所述位置坐标。
8.一种指纹定位装置,其特征在于,包括:
获取模块,用于获取待定点的原始RSSI值数据;
降维模块,用于利用低维嵌入算法对所述待定点的所述原始RSSI值数据进行降维,得到所述待定点的第一RSSI值数据;
匹配模块,用于将所述第一RSSI值数据与预设的指纹数据库进行匹配,确定所述待定点的位置坐标;其中,所述指纹数据库中的各个蓝牙锚节点的目标样本RSSI值数据,为利用所述低维嵌入算法对原始样本RSSI值数据进行降维得到的数据。
9.一种电子设备,其特征在于,所述电子设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-7任意一项所述的指纹定位方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的指纹定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010263288.7A CN111465093A (zh) | 2020-04-07 | 2020-04-07 | 指纹定位方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010263288.7A CN111465093A (zh) | 2020-04-07 | 2020-04-07 | 指纹定位方法、装置、电子设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111465093A true CN111465093A (zh) | 2020-07-28 |
Family
ID=71680612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010263288.7A Pending CN111465093A (zh) | 2020-04-07 | 2020-04-07 | 指纹定位方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111465093A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113015117A (zh) * | 2021-02-04 | 2021-06-22 | 北京百度网讯科技有限公司 | 一种用户定位方法、装置、电子设备和存储介质 |
CN113723234A (zh) * | 2021-08-17 | 2021-11-30 | 中铁第四勘察设计院集团有限公司 | 指纹无源感知定位方法、装置及存储介质 |
CN115580926A (zh) * | 2022-11-17 | 2023-01-06 | 杭州明启数智科技有限公司 | 一种基于wifi指纹和改进knn算法的住宅楼宇室内定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105163282A (zh) * | 2015-09-22 | 2015-12-16 | 济南东朔微电子有限公司 | 一种基于蓝牙位置指纹的室内定位系统及定位方法 |
CN109275095A (zh) * | 2018-11-09 | 2019-01-25 | 中科数字健康科学研究院(南京)有限公司 | 一种基于蓝牙的室内定位系统、定位设备和定位方法 |
CN110351660A (zh) * | 2019-07-03 | 2019-10-18 | 北京壹氢科技有限公司 | 一种基于双步指纹匹配架构的蓝牙室内定位方法 |
-
2020
- 2020-04-07 CN CN202010263288.7A patent/CN111465093A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105163282A (zh) * | 2015-09-22 | 2015-12-16 | 济南东朔微电子有限公司 | 一种基于蓝牙位置指纹的室内定位系统及定位方法 |
CN109275095A (zh) * | 2018-11-09 | 2019-01-25 | 中科数字健康科学研究院(南京)有限公司 | 一种基于蓝牙的室内定位系统、定位设备和定位方法 |
CN110351660A (zh) * | 2019-07-03 | 2019-10-18 | 北京壹氢科技有限公司 | 一种基于双步指纹匹配架构的蓝牙室内定位方法 |
Non-Patent Citations (2)
Title |
---|
张乐玫: "室内定位特征选择算法研究", 《软件》 * |
莫云: "《中国博士学位论文全文数据库 (基础科学辑)》", 15 February 2017 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113015117A (zh) * | 2021-02-04 | 2021-06-22 | 北京百度网讯科技有限公司 | 一种用户定位方法、装置、电子设备和存储介质 |
CN113015117B (zh) * | 2021-02-04 | 2023-07-21 | 北京百度网讯科技有限公司 | 一种用户定位方法、装置、电子设备和存储介质 |
CN113723234A (zh) * | 2021-08-17 | 2021-11-30 | 中铁第四勘察设计院集团有限公司 | 指纹无源感知定位方法、装置及存储介质 |
CN113723234B (zh) * | 2021-08-17 | 2023-07-07 | 中铁第四勘察设计院集团有限公司 | 指纹无源感知定位方法、装置及存储介质 |
CN115580926A (zh) * | 2022-11-17 | 2023-01-06 | 杭州明启数智科技有限公司 | 一种基于wifi指纹和改进knn算法的住宅楼宇室内定位方法 |
CN115580926B (zh) * | 2022-11-17 | 2023-04-14 | 杭州明启数智科技有限公司 | 一种基于wifi指纹和改进knn算法的住宅楼宇室内定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111465093A (zh) | 指纹定位方法、装置、电子设备及计算机存储介质 | |
CN105657823B (zh) | 基于核函数主特征提取的wifi室内加权k近邻定位算法 | |
CN109951798A (zh) | 融合Wi-Fi和蓝牙的增强位置指纹室内定位方法 | |
CN110072186B (zh) | 基于属性独立的加权朴素贝叶斯室内定位方法 | |
CN111586605B (zh) | 基于邻近加权自适应k值的KNN的室内目标定位方法 | |
CN108769907B (zh) | 基于深度学习的融合WiFi和iBeacon的室内定位方法 | |
CN110401977B (zh) | 一种基于Softmax回归多分类识别器的多楼层室内定位方法 | |
CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
Wang et al. | Accurate and robust device-free localization approach via sparse representation in presence of noise and outliers | |
CN107290714B (zh) | 一种基于多标识指纹定位的定位方法 | |
CN112714493A (zh) | 物体位置定位方法与定位系统 | |
Lee et al. | Developing an improved fingerprint positioning radio map using the k-means clustering algorithm | |
Suheryadi et al. | Vehicles position tracking in parking lots using K-nearest neighbor and fingerprinting based on RSSI bluetooth | |
CN109302674B (zh) | 一种基于多重滤波的WiFi室内定位方法 | |
CN112801268B (zh) | 基于图卷积和多层感知机混合网络的定位方法 | |
CN113079466B (zh) | 指纹数据库的构建方法、装置、设备及计算机存储介质 | |
Zhang et al. | Dual-band wi-fi based indoor localization via stacked denosing autoencoder | |
Subakti et al. | Indoor Localization with Fingerprint Feature Extraction | |
Wang et al. | Adaptive room-level localization system with crowd-sourced WiFi data | |
CN108445443B (zh) | 一种基于knn的指纹点聚类方法 | |
CN108696818B (zh) | Wi-Fi指纹定位的距离度量方法及系统 | |
Yuan et al. | Indoor localization with wireless heterogeneous devices by composite fingerprint sets and hybrid classification | |
Baldini et al. | Room occupancy detection: Combining RSS analysis and fuzzy logic | |
CN114710831B (zh) | 一种基于深度学习的rfid标签定位系统 | |
CN116234005A (zh) | 一种多建筑物室内定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |