CN111629321A - 基于离群点剥离的中值卡尔曼滤波的定位方法 - Google Patents

Abstract

本发明公开了一种基于离群点剥离的中值卡尔曼滤波的定位方法，包括获取移动终端在不同距离d_i的AP的RSSI强度值，并将RSSI归一化处理得到RSSI测距公式；采用线性回归优化、计算得到拟合参数α、η；利用移动终端获得场景中的AP的RSSI信息并且对该RSSI信息进行离群点剥离的中值‑卡尔曼滤波处理，利用离线阶段生成的RSSI测距公式以及滤波后的RSSI信号值获得移动终端与每一个AP的距离d_i；基于多AP综合定位算法获得定位结果，对于定位结果进行卡尔曼滤波进行处理，进而得到稳定的定位结果。本发明可有效地降低定位最大误差，提高了定位精度，且在提高系统精度的同时也不会造成额外的时延，实现了实时高精度定位的效果。

Description

基于离群点剥离的中值卡尔曼滤波的定位方法

技术领域

本发明属于室内定位的技术领域，具体涉及一种基于离群点剥离的中值卡 尔曼滤波的定位方法。

背景技术

基于室内位置的服务(Indoor LocationBased Service，ILBS)的核心问题就 在室内定位技术上面。目前主要有两种实现方式：三边与三角定位以及指纹定 位。

三边与三角定位技术是一种传统的定位技术，首先测距公式生成移动终端 到三个AP(Acess Point)的距离d₁，d₂，d₃，之后结合这几个AP的位置坐标 (x₁，y₁)，(x_２，y_２)，(x_３，y_３)，可以利用几何关系，计算出移动终端的位置坐标 (x₀，y₀)。该方法实时性好，算法复杂度较低，但是普遍精度不高，并且测距时 容易收到噪声影响。

指纹识别技术是一种新型的定位技术，首先需要多次反复测量地图上不同 位置(x_i，y_i)处不同AP的RSSI(Received Signal Strength Indication)信号强度， 建立指纹数据库。再根据实时测量的RSSI信号强度，对RSSI信号实施匹配， 通过机器学习算法估算出当前位置(x₀，y₀)。指纹识别技术的优点在于精度较高， 但是由于算法复杂度比较高，通常需要服务器辅助计算，造成了较大的延时， 并且建立指纹库需要耗费大量的时间，耗费大量的人力物力。

发明内容

本发明的目的在于针对现有技术中的上述不足，提供一种基于离群点剥离 的中值卡尔曼滤波的定位方法，以解决现有算法复杂度高、耗费大量的人力物 力的问题。

为达到上述目的，本发明采取的技术方案是：

一种基于离群点剥离的中值卡尔曼滤波的定位方法，其包括：

S1、获取移动终端在不同距离d_i的AP的RSSI强度值，并将RSSI归一化 处理得到RSSI测距公式：

其中，d为AP到移动终端的距离，RSSI_handle为归一化处理之后的RSSI信 号值，α和η为拟合参数；

S2、采用线性回归优化、计算得到拟合参数α、η，并存储各个AP所在包 含的位置数据集(x_i,y_i,h_i,RSSI_{cali_testi},F_i)，其中，(x_i，y_i)为AP在环境中的相对 坐标，h_i为AP在环境中的相对参照平面高度，RSSI_{cali_testi}为AP的校准RSSI统 计值，F_i为AP在多层建筑中的楼层数；

S3、移动终端获取每个Wi-Fi发射机位置数据集(x_i,y_i,h_i,RSSI_{cali_testi},F_i)；

S4、获取扫描到的所有AP下的RSSI值，并将每个AP最近十个时隙内的 RSSI值缓存在RSSIs[][]二维数组中，其中，RSSIs[i][j]表示AP_i在第j个时隙内 的RSSI值；

S5、若距离开机尚未满十个时隙时，则直接使用第i行的RSSIs[][]的均值代 表AP_i的滤波结果作为输出RSSIf[]；若距离开机已有十个以上时隙，则对 RSSIs[][]进行离群点剥离的中值卡尔曼滤波，并进入步骤S6；

S6、对滤波完成后的RSSI数据RSSIf[]进行排序，记录排序最大的RSSI值 下的AP的楼层号，并将所述楼层号标记为移动终端所在楼层F₀；

S7、将与移动终端位于同一楼层F₀的所有AP按照RSSI值进行排序，取出 排序第一至第四的RSSI下的数据和AP信息，并通过AP位置数据集(x₁,y₁,h₁, RSSI_{cali_test1},F₁)，(x₂,y₂,h₂,RSSI_{cali_test2},F₂)，(x₃,y₃,h₃,RSSI_{cali_test3},F₃)，(x₄,y₄,h₄, RSSI_{cali_test4},F₄)和RSSIf₁，RSSIf₂，RSSIf₃，RSSIf₄值集，获取得到距离集d₁，d₂， d₃，d₄；

S8、基于距离集d₁，d₂，d₃，d₄和高度位置信息集h₁，h₂，h₃，h₄获得移动 终端与Wi-Fi发射机在同一地面的距离d₁′，d₂′，d₃′，d₄′；

S9、根据获得的距离信息d₁′，d₂′，d₃′，d₄′和AP位置数据集，并结合移动终 端所在楼层F₀，计算得到定位数据(x₀，y₀，F₀)。

优选地，步骤S2中计算得到拟合参数α、η的方法为：

采用线性回归估算环境影响参数α、η：

估算得到α＝1.044、η＝-0.2553，其中，RSSI_{handle_i}为参考点测量RSSI信号 归一化之后的值，

为RSSI_{handle_i}的均值，d_i为参考点到基站的距离， i＝1,2,3…10…n，

为d_i的均值。

优选地，步骤S5中若距离开机已有十个以上时隙，则对RSSIs[][]进行离群 点剥离的中值卡尔曼滤波的具体步骤包括：

S5.1、遍历二维数组RSSIs[][]的每一行，将每一行RSSI数据中的最大值以 及最小值剥离，直至最后一行，记剥离之后的数据为RSSIs’[][]；

S5.2、遍历RSSIs’[][]中的每一行，获取均值后使用一维数组进行存储，并 将滤波结果记作RSSIm[]：

S5.3、采用卡尔曼滤波对每个AP下的RSSI数据进行处理：

预测阶段：

更新阶段：

其中，RSSIm的输出结果作为卡尔曼滤波的输入，输入的RSSIm为常数， 故参数都为实数而非矩阵，A＝1，P的初始值为2.741在迭代中快速收敛；H＝1； Q＝1.476；R＝3.716。

优选地，S9计算得到定位数据(x₀，y₀，F₀)的具体步骤包括：

S9.1、依次按照AP₁AP₂AP₃，AP₁AP₂AP₄，AP₁AP₃AP₄，AP₂AP₃AP₄的顺序进 行补偿式的三角定位，获取以AP为圆心的三角定位的定位结果：

其中，(x_i，y_i)为AP1AP2AP3的定位坐标，下标i、j为第i组AP定位结 果中的第j个三角定位交点；

S9.2、获取AP不同组合的定位数据(x₁，y₁)(x₂，y₂)(x₃，y₃)(x₄，y₄)，整合、 计算得到定位结果(x₀，y₀)：

其中，a_i为权重参数；

S9.3、结合移动终端所在楼层F₀，计算得到定位数据(x₀，y₀，F₀)。

优选地，步骤S9.1中补偿式的三角定位的具体步骤包括：

S9.1.1、计算AP₁与AP₂，AP₁与AP₃，，AP₃与AP₃之间的距离d₁₂，d₁₃，d₂₃；

S9.1.2、对距离d_i′进行补偿，d_i′为移动终端到AP_i′的距离；

S9.1.3、根据补偿后的距离和各个AP的位置计算得到三角定位中的三个交 点(x_i1，y_i1)，(x_i2，y_i2)，(x_i3，y_i3)，其中，下标i、j为第i组AP定位结果中的第j 个三角定位交点；

S9.1.3、根据交点位置(x_i1，y_i1)，(x_i2，y_i2)，(x_i3，y_i3)的坐标计算AP1AP2AP3 的定位坐标(x_i，y_i)，其中，i为第i组AP的定位结果：

优选地，S9.1.2中对距离d_i′进行补偿的具体步骤包括：

S9.1.2.1、当d₁′+d₂′＜d₁₂时，AP₁与AP₂的距离圆之间相离，对相离距离进 行补偿使d₁″+d₂″＝d₁₂，并将计算得到的两圆切点作为三角定位使用的交点 (x_i，y_i)，其中，d₁′d₂′为补偿之后的距离值，其计算公式为：

S9.1.2.2、当|d₁′-d₂′|＞d₁₂时，AP₁与AP₂的距离圆之间包含，假设 d₁′＞d₂′+d₁₂，采用距离补偿使|d₁″-d₂″|＝d₁₂，并将计算得到的两圆 切点作为三角定位使用的交点(x_i，y_i)：

S9.1.2.3、当d₁′-d₂′＞d₁₂且|d₁′-d₂′|＞d₁₂时，AP₁与AP₂的距离圆之间相 交，以AP₃为辅助，计算交点A、B至AP₃圆心的距离d_AO和d_BO，比较d_AO和d_BO两 者的大小，选距离更小的作为交点(x_i′，y_i′)；

S9.1.2.4、当|d₁′-d₂′|＝d₁₂或|d₁′-d₂′|＝d₁₂时，AP₁和AP₂的距离圆之间 相切，选取切点为两圆的交点(x_i，y_i)。

本发明提供的基于离群点剥离的中值卡尔曼滤波的定位方法，具有以下有 益效果：

本发明可有效地降低定位最大误差，提高了定位精度，且在提高系统精度 的同时也不会造成额外的时延，实现了实时高精度定位的效果。

附图说明

图1为室内定位系统结构图。

图2为Wi-Fi发射机与参考点的距离图。

图3为空旷实验室下的RSSI测距曲线。

图4为在线定位阶段流程图。

图5为相离情况补偿图。

图6为包含情况补偿图。

图7为相交情况补偿图。

图8为位置1的定位情况。

图9为位置2的定位情况。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理 解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的 普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精 神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保 护之列。

根据本申请的一个实施例，参考图1，本方案的基于离群点剥离的中值卡尔 曼滤波的定位方法，包括服务器、移动终端以及Wi-Fi发射机。

其中，服务器用于存储Wi-Fi发射机信息；

移动终端用于实现RSSI信号采集，RSSI信号处理，室内定位算法，定位 点处理和UI显示；

Wi-Fi发射机用于发射RSSI信号。

本发明方法包括离线阶段和在线阶段，以下将对两个阶段的方法进行详细 描述。

离线阶段

步骤S1、获取移动终端在不同距离d_i的AP的RSSI强度值，并将RSSI归 一化处理得到RSSI测距公式，其具体步骤包括：

获取移动终端在不同距离d_i对应AP的RSSI强度值用于生成RSSI测距公式， 实现过程中有若干种方案可以选择，其中主流的分别是为每一个Wi-Fi发射机拟 合一个RSSI测距公式以及为所有的Wi-Fi发射机拟合一个共同的RSSI测距公 式。在一个非常大的空间为每一个Wi-Fi发射机拟合一条符合该Wi-Fi发射机的 RSSI测距公式可以一定程度上提升定位精度。

然而，在实际工程实现中并不可能如此实现，本发明将RSSI信息归一化处 理之后再为所有的Wi-Fi发射机共同拟合一个共同的RSSI测距公式。

RSSI_handle＝RSSI/RSSI_{cali_test}

其中，RSSI_handle是归一化处理之后的RSSI信号值，RSSI_{cali_test}是测试时统 计的校准RSSI值。

η＝n/RSSI_{cali_test}是归一化处理之后的路径损耗因子。

α＝RSSI_cali/RSSI_{cali_test}是归一化之后的校准RSSI的值。

最终生成归一化的RSSI测距公式：

步骤S2、采用线性回归优化、计算得到拟合参数α、η，其具体步骤包括：

采用线性回归优化利用不同距离d_i采集的RSSI值生成参数α、η，并将各 个AP所在包含的信息(x_i,y_i,h_i,RSSI_{cali_testi},F_i)保存在服务器的Wi-Fi信息存储模 块中，以备在线定位阶段使用。

参考图2，以空旷实验室为例，假设图中总共有n个参考点，并且从参考点 到基站的距离是d₁，d₂，d₃...d_n。在参考点测量RSSI信号归一化之后的 值，由RSSI_{handle_1}，RSSI_{handle_2}，......RSSI_{handle_n}表示。

RSSI_{handle_i}和d_i是已知的，其中i＝1,2,3...10...n，利用线性回归估算环境 影响参数α和η，估算过程正如下：

其中，AP信息集中h_i是AP在环境中的相对参照平面的高度，(x_i，y_i)是AP 在环境中的相对坐标，RSSI_{cali_testi}是AP的校准RSSI统计值，F_i是AP在多层 建筑中的楼层数。

使用华为的WS5102四天线Wi-Fi发射机用作AP基站，其传输功率模式设 置为标准模式，在空旷实验室的室内环境中测量RSSI信号值，归一化处理之后 通过线性分析计算结果回归。RSSI-d测量下的回归分析结果如图3所示。

得到拟合参数α＝1.044，η＝-0.2553。

在线阶段

需要利用移动终端获得场景中的AP的RSSI信息并且对该RSSI信息进行 离群点剥离的中值-卡尔曼滤波处理，之后利用离线阶段生成的RSSI测距公式 以及滤波后的RSSI信号值获得移动终端与每一个AP的距离d_i。最后利用多AP 综合定位算法获得定位结果，对于定位结果再进行卡尔曼滤波进行处理，进而 得到稳定的定位结果，参考图4，其具体步骤包括：

步骤S3、移动终端从远端服务器获得每个Wi-Fi发射机位置数据集(x_i,y_i,h_i,RSSI_{cali_testi},F_i)。

步骤S4、获取所有扫描到的AP的RSSI值，并将所有AP的最近十个时隙 内的RSSI值缓存在RSSIs[][]二维数组中，其中，RSSIs[i][j]为AP_i在第j个时隙 内的RSSI值。

步骤S5、若距离开机尚未满十个时隙，则直接使用第i行的RSSIs[][]的均 值代表AP_i的滤波结果作为输出RSSIf[]。若距离开机已有十个以上时隙，则进 行离群点剥离的中值卡尔曼滤波，其具体步骤包括：

步骤S5.1、遍历二维数组的每一行，将每一行RSSI数据中的最大值以及最 小值剥离，直至最后一行，记剥离之后的数据为RSSIs’[][]。

需要剥离RSSIs[][]中每一个AP的RSSI信息中的所有的离群点，其中最容 易获得的离群点就是这组数据中的最大值和最小值，将他们剥离出去所需要的 复杂度也较低。

步骤S5.2、遍历RSSIs’[][]中的每一行，一行对应一个AP的RSSI数据，获 取均值后则使用一维数组进行存储，并将滤波结果记作RSSIm[]：

步骤S5.3、对于RSSIm[]需要进行卡尔曼滤波对每个AP对应的RSSI数据 再一次处理，在三次处理之后，原本获取到的波动较大的RSSI数据便会变得十 分稳定，可以达到高精度定位的要求，将滤波后的数据记作RSSIf[]。

其中，RSSIm为输出的结果作为卡尔曼滤波的输入，由于输入RSSIm为常 数，因次式中参数都为实数而非矩阵。式中：A＝1，P的初始值为2.741在迭代 中很快收敛；H＝1；Q＝1.476；R＝3.716。

预测阶段：

更新阶段：

步骤S6、对滤波完成的RSSI数据RSSIf[]进行排序，找到最大的RSSI值以 及对应的AP，通过AP数据集和AP位置数据集将该AP的楼层号F_i记录下来， 将它标记为移动终端所在楼层F₀。

步骤S7、对所有有效的AP(与移动终端在同一楼层F₀)根据其RSSI值进 行排序，并取出最大的RSSI到第四大的RSSI对应的数据，并获取相应的AP 信息，并通过AP位置数据集：

(x₁，y₁，h₁，RSSI_{cali_test1}，F₁)，(x₂，y₂，h₂，RSSI_{cali_test2}，F₂)

(x₃，y₃，h₃，RSSI_{cali_test3}，F₃)(x₄，y₄，h₄，RSSI_{cali_test4}，F₄)和获取到的

RSSIf₁，RSSIf₂，RSSIf₃，RSSIf₃值集获取距离集d₁，d₂，d₃，d₄。

步骤S8、消除AP与移动台高度差h_i-h₀的影响，利用距离集d₁，d₂，d₃， d₄以及高度位置信息集h₁，h₂，h₃，h₄获得移动终端与Wi-Fi发射机在同一地面 的距离为d₁′，d₂′，d₃′，d₄′。

步骤S9、根据获得的距离信息d₁′，d₂′，d₃′，d₄′和AP位置数据集，并结合移 动终端所在楼层F₀，计算得到定位数据(x₀，y₀，F₀)，其具体步骤包括：

步骤S9.1、依次按照AP₁AP₂AP₃，AP₁AP₂Ap₄，AP₁AP₃AP₄，AP₂AP₃AP₄的顺 序进行补偿式的三角定位算法，获取以上述AP为圆心的三角定位定位结果，其 具体步骤包括：

步骤S9.1.1、计算出AP₁与AP₂，AP₁与Ap₃，AP₂与AP₃彼此之间的距离为 d₁₂，d₁₃，d₂₃，并以Ap₁与AP₂为例对补偿式方法进行描述。

步骤S9.1.2、在对距离d_i′进行补偿之前，d_i′为移动终端到对应AP_i′的距离， d_i′越小，距离越近，所以补偿时应该视d_i′大小为条件进行补偿，其具体步骤包 括：

步骤S9.1.2.1、参考图5，当d₁′+d₂′＜d₁₂时，AP₁与AP₂的距离圆之间相离， 没有一个交点，如图所示，使用补偿算法使d₁″+d₂″＝d₁₂：

算出两圆切点，作为三角定位使用的交点(x_i，y_i)。

步骤S9.1.2.2、参考图6，当|d₁′-d₂′|＞d₁₂时，AP₁与AP₂的距离圆之间包 含，没有一个交点，不妨假设d₁′＞d₂′+d₁₂，如图所示，进行补偿使 |d₁″-d₂″|＝d₁₂：

之后算出两圆切点，作为三角定位使用的交点(x_i，y_i)。

步骤S9.1.2.3、参考图7，当d₁＇+d₂＇＞d₁₂且|d₁＇+d₂＇|＞d₁₂时，AP₁与AP₂的距离圆之间相交，以AP₃为辅助，计算交点A、B至AP₃圆心的距离d_AO和d_BO， 比较两者的大小，选距离更小的作为交点；选取过程如图所示，距离AP₃更近的 点作为交点(x_i′，y_i′)。

步骤S9.1.2.4、当|d₁′-d₂′|＝d₁₂或d₁′+d₂′＝d₁₂时，AP₁与AP₂的距离圆 之间恰好相切，选取切点为两圆的交点(x_i，y_i)。

步骤S9.1.3、利用补偿后的距离以及各个AP的位置计算出三角定位中的三 个交点(x_i1，y_j1)，(x_i2，y_j2)，(x_i3，y_i3)，其中下标ij标识第i组AP定位结果中的第 j个三角定位交点。

步骤S9.1.4、根据交点位置(x_i1，y_i1)，(x_i2，y_i2)，(x_i3，y_i3)的坐标计算最后的AP1AP2AP3的定位坐标(x_i，y_i)，i为第i组AP的定位结果：

步骤S9.2、获取AP不同组合的定位数据(x₁，y₁)(x₂，y₂)(x₃，y₃)(x₄，y₄)之后，使 用下式将定位数据进行整合获取最终的定位结果(x₀，y₀)，式中的权重参数a_i是根 据多次测试得到的数据进行最优化得到的结论，其值如下表。

a<sub>1</sub>	a<sub>2</sub>	a<sub>3</sub>	a<sub>4</sub>
				0.4	0.25	0.2	0.15

步骤S9.3、结合移动终端所在楼层F0，计算得到定位数据(x₀，y₀，F₀)。

本发明以移动终端的定位坐标与实际坐标之间的欧式距离

来统计定位误差的大小。

假设测试点的实际坐标为(x_redl，y_real)，定位算法估算的位置坐标为 (x_test，y_yest)。则基于移动终端的室内定位系统的定位误差er为：

为了验证定位算法的性能，在实验环境中2个不同的位置分别选取了1000 组测试数据，在相同实验场景，相同的实验数据下分别使用5中叙述的定位算 法以及传统室内定位算法进行了MATLAB仿真，并进行了性能分析。

在图8、图9中，顶部显示的是数据的平均误差。在所选的数千组测试数据 中，蜂窝区域限制室内定位算法的误差比传统三角定位算法要小，改进的定位 算法的最大误差在1m之内，平均误差在0.3m～0.5m之间，相比传统算法定位误 差较小，并且系统延时也比较小可以实现实时定位的效果。

本发明可有效地降低定位最大误差，提高了定位精度，且在提高系统精度的 同时也不会造成额外的时延，实现了实时高精度定位的效果。

虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对 本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不 经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。

Claims (6)

1.一种基于离群点剥离的中值卡尔曼滤波的定位方法，其特征在于，包括：

S1、获取移动终端在不同距离d_i的AP的RSSI强度值，并将RSSI归一化处理得到RSSI测距公式：

其中，d为AP到移动终端的距离，RSSI_handle为归一化处理之后的RSSI信号值，α和η为拟合参数；

S2、采用线性回归优化、计算得到拟合参数α、η，并存储各个AP所在包含的位置数据集(x_i，y_i，h_i，RSSI_{cali_testi}，F_i)，其中，(x_i，y_i)为AP在环境中的相对坐标，h_i为AP在环境中的相对参照平面高度，RSSI_{cali_testi}为AP的校准RSSI统计值，F_i为AP在多层建筑中的楼层数；

S3、移动终端获取每个Wi-Fi发射机位置数据集(x_i，y_i，h_i，RSSI_{cali_testi}，F_i)；

S4、获取扫描到的所有AP下的RSSI值，并将每个AP最近十个时隙内的RSSI值缓存在RSSIs[][]二维数组中，其中，RSSIs[i][j]表示AP_i在第j个时隙内的RSSI值；

S5、若距离开机尚未满十个时隙时，则直接使用第i行的RSSIs[][]的均值代表AP_i的滤波结果作为输出RSSIf[]；若距离开机已有十个以上时隙，则对RSSIs[][]进行离群点剥离的中值卡尔曼滤波，并进入步骤S6；

S6、对滤波完成后的RSSI数据RSSIf[]进行排序，记录排序最大的RSSI值下的AP的楼层号，并将所述楼层号标记为移动终端所在楼层F₀；

S7、将与移动终端位于同一楼层F₀的所有AP按照RSSI值进行排序，取出排序第一至第四的RSSI下的数据和AP信息，并通过AP位置数据集(x₁，y₁，h₁，RSSI_{cali_test1}，F₁)，(x₂，y₂，h₂，RSSI_{cali_test2}，F₂)，(x₃，y₃，h₃，RSSI_{cali_test3}，P₃)，(x₄，y₄，h₄，RSSI_{cali_test4}，F₄)和RSSIf₁，RSSIf₂，RSSIf₃，RSSIf₄值集，获取得到距离集d₁，d₂，d₃，d₄；

S8、基于距离集d₁，d₂，d₃，d₄和高度位置信息集h₁，h₂，h₃，h₄获得移动终端与Wi-Fi发射机在同一地面的距离d₁′，d₂′，d₃′，d₄′；

S9、根据获得的距离信息d₁′，d₂′，d₃′，d₄′和AP位置数据集，并结合移动终端所在楼层F₀，计算得到定位数据(x₀，y₀，F₀)。

2.根据权利要求1所述的基于离群点剥离的中值卡尔曼滤波的定位方法，其特征在于：所述步骤S2中计算得到拟合参数α、η的方法为：

采用线性回归估算环境影响参数α、η：

估算得到α＝1.044、η＝-0.2553，其中，RSSI_{handle_i}为参考点测量RSSI信号归一化之后的值，

为RSSI_{handle_i}的均值，d_i为参考点到基站的距离，i＝1，2，3…10…n，

为d_i的均值。

3.根据权利要求1所述的基于离群点剥离的中值卡尔曼滤波的定位方法，其特征在于：所述步骤S5中若距离开机已有十个以上时隙，则对RSSIs[][]进行离群点剥离的中值卡尔曼滤波的具体步骤包括：

S5.1、遍历二维数组RSSIs[][]的每一行，将每一行RSSI数据中的最大值以及最小值剥离，直至最后一行，记剥离之后的数据为RSSIs’[][]；

S5.2、遍历RSSIs’[][]中的每一行，获取均值后使用一维数组进行存储，并将滤波结果记作RSSIm[]：

S5.3、采用卡尔曼滤波对每个AP下的RSSI数据进行处理：

预测阶段：

更新阶段：

其中，RSSIm的输出结果作为卡尔曼滤波的输入，输入的RSSIm为常数，故参数都为实数而非矩阵，A＝1，P的初始值为2.741在迭代中快速收敛；H＝1；Q＝1.476；R＝3.716。

4.根据权利要求1所述的基于离群点剥离的中值卡尔曼滤波的定位方法，其特征在于：所述S9计算得到定位数据(x₀，y₀，F₀)的具体步骤包括：

S9.1、依次按照AP₁AP₂AP₃，AP₁AP₂AP₄，AP₁AP₃AP₄，AP₂AP₃AP₄的顺序进行补偿式的三角定位，获取以AP为圆心的三角定位的定位结果：

其中，(x_i，y_i)为AP1AP2AP3的定位坐标，下标i、j为第i组AP定位结果中的第j个三角定位交点；

S9.2、获取AP不同组合的定位数据(x₁，y₁)(x₂，y₂)(x₃，y₃)(x₄，y₄)，整合、计算得到定位结果(x₀，y₀)：

其中，a_i为权重参数；

S9.3、结合移动终端所在楼层F₀，计算得到定位数据(x₀，y₀，F₀)。

5.根据权利要求4所述的基于离群点剥离的中值卡尔曼滤波的定位方法，其特征在于：所述步骤S9.1中补偿式的三角定位的具体步骤包括：

S9.1.1、计算AP₁与AP₂，AP₁与AP₃，，AP₂与AP₃之间的距离d₁₂，d₁₃，d₂₃；

S9.1.2、对距离d_i′进行补偿，d_i′为移动终端到AP_i′的距离；

S9.1.3、根据补偿后的距离和各个AP的位置计算得到三角定位中的三个交点(x_i1，y_i1)，(x_i2，y_i2)，(x_i3，y_i3)，其中，下标i、j为第i组AP定位结果中的第j个三角定位交点；

S9.1.3、根据交点位置(x_i1，y_i1)，(x_i2，y_i2)，(x_i3，y_i3)的坐标计算AP1AP2AP3的定位坐标(x_i，y_i)，其中，i为第i组AP的定位结果：

6.根据权利要求5所述的基于离群点剥离的中值卡尔曼滤波的定位方法，其特征在于：所述S9.1.2中对距离d_i′进行补偿的具体步骤包括：

S9.1.2.1、当d₁′+d₂′＜d₁₂时，AP₁与AP₂的距离圆之间相离，对相离距离进行补偿使d₁″+d₂″＝d₁₂，并将计算得到的两圆切点作为三角定位使用的交点(x_i，y_i)，其中，d₁′d₂′为补偿之后的距离值，其计算公式为：

S9.1.2.2、当|d₁′-d₂′|＞d₁₂时，AP₁与AP₂的距离圆之间包含，假设d₁′＞d₂′+d₁₂，采用距离补偿使|d₁″-d₂″|＝d₁₂，并将计算得到的两圆切点作为三角定位使用的交点(x_i，y_i)：

S9.1.2.3、当d₁′+d₂′＞d₁₂且|d₁′-d₂′|＞d₁₂时，AP₁与AP₂的距离圆之间相交，以AP₃为辅助，计算交点A、B至AP₃圆心的距离d_AO和d_BO，比较d_AO和d_BO两者的大小，选距离更小的作为交点(x_i′，y_i′)；

S9.1.2.4、当|d₁′-d₂′|＝d₁₂或d₁′+d₂′＝d₁₂时，AP₁与AP₂的距离圆之间相切，选取切点为两圆的交点(x_i，y_i)。

Images