CN111757249B - 一种基于信息增益比的多特征模糊映射接入点优化方法 - Google Patents

一种基于信息增益比的多特征模糊映射接入点优化方法 Download PDF

Info

Publication number
CN111757249B
CN111757249B CN202010436857.3A CN202010436857A CN111757249B CN 111757249 B CN111757249 B CN 111757249B CN 202010436857 A CN202010436857 A CN 202010436857A CN 111757249 B CN111757249 B CN 111757249B
Authority
CN
China
Prior art keywords
rss
fuzzy
online
ith
constructing
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.)
Active
Application number
CN202010436857.3A
Other languages
English (en)
Other versions
CN111757249A (zh
Inventor
周牧
李欣玥
杨小龙
王勇
何维
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010436857.3A priority Critical patent/CN111757249B/zh
Publication of CN111757249A publication Critical patent/CN111757249A/zh
Application granted granted Critical
Publication of CN111757249B publication Critical patent/CN111757249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Feedback Control In General (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于信息增益比的多特征模糊映射接入点优化方法。首先，利用离线接收信号强度(Received Signal Strength,RSS)特征构造接入点(Access Point,AP)的信息增益比集合和离线RSS特征的模糊关系矩阵；其次，利用关于离线RSS特征的模糊关系方程获取离线RSS特征的模糊权重；再次，通过在待定位点(即测试点)处采集来自不同AP的RSS，构造在线RSS特征的模糊判定矩阵和在线阶段AP的模糊隶属度集合；最后，将具有较大模糊隶属度的AP定义为具有较强位置分辨力的AP，并将其作为优化AP用于定位。实验结果表明，本发明方法在具有较高定位精度的同时还具有较低的计算开销。

Description

一种基于信息增益比的多特征模糊映射接入点优化方法
技术领域
本发明属于室内定位技术，具体涉及一种基于信息增益比的多特征模糊映射接入点优化方法。
背景技术
随着互联网的蓬勃发展，位置服务(Location-based Services,LBS)在人们的生活着扮演着越来越重要的角色，如商场广告指引、监控管理、灾难救援等场景中对导航与定位服务均有着急切的需求。但是，在复杂的室内环境中，通常存在许多建筑遮挡物和无规律的人员走动，从而导致信号在传播时存在较为严重的波动、反射、衍射和绕射等现象，从而导致室内场景中定位技术的性能仍有待提升。目前，被相关企业和高校广泛研究的室内定位系统主要有基于超宽带(Ultra Wide Band,UWB)、无线局域网(Wireless Local AreaNetwork,WLAN)、红外(Infrared Ray,IR)、无线射频识别(Radio FrequencyIdentification,RFID)和ZigBee等技术的室内定位系统。但是，上述定位系统通常需要较大的设备开销和不可避免的人力消耗，从而导致其发展面临着许多的挑战。相比之下，WLAN具有设备部署开销低廉，通信范围较广且环境适应性较强等优势，因此，基于RSS(ReceivedSignal Strength,RSS)的WLAN定位方法在室内定位技术的发展中扮演着越来越重要的角色。
传统WLAN室内定位方法主要分为两类：传播模型法和位置指纹法。前者首先通过信号传播模型获取接收信号强度与信号传播距离的之间的数学关系，然后根据目标环境中位置已知的WLAN接入点并结合如三边测量法等几何定位算法进行位置估计。后者包含离线阶段和在线阶段，在离线阶段通常预先标定若干位置已知的参考点(Reference Point,RP)，然后分别在这些已标定的RPs处采集来自目标环境中每个AP(Access Point,AP)的RSS，并利用这些RSS数据构建离线位置指纹数据库；在在线阶段，将在测试点处新采集到的来自不同APs的RSS与离线位置指纹数据库中的RSS进行匹配，以获得测试点估计位置。
然而随着研究人员在室内定位领域上的深入研究和人们在实际生活中对室内定位服务日益增加的需求，现有的许多室内定位算法由于只考虑了单一信号特征以及定位效率较低等原因已经不能满足室内定位发展的要求。针对此问题，本发明提出了一种基于信息增益比的多特征模糊映射接入点优化方法，通过提取多维RSS特征建立模糊关系方程来构造AP模糊隶属度集合，并将具有较大模糊隶属度的AP定义为具有较强位置分辨力的AP，进而将其作为优化AP用于定位，该方法综合考虑了多维RSS特征并且提高了系统的定位效率。
发明内容
本发明的目的是提供一种基于信息增益比的多特征模糊映射接入点优化方法，它通过提取多维RSS特征建立模糊关系方程来构造在线阶段的AP模糊隶属度(即位置分辨力)集合，并选取具有较强位置分辨力的AP作为优化AP用于定位，该方法提高了定位系统的有效性而且降低了计算开销。
本发明所述的一种基于信息增益比的多特征模糊映射接入点优化方法，包括以下步骤：
步骤一、离线阶段，在目标环境中部署n(n为整数)个位置已知的AP并标定m(m为整数)个RP。
步骤二、在每个RP处采集来自不同AP的RSS，构建离线RSS特征矩阵Zoff；具体包括以下步骤：
步骤二(一)、在离线阶段，对于n个APs发射信号，在RPs处提取接收信号强度序列RSS＝{rss1,rss2,…,rssm}，其中，rssj表示在第j(j＝1,2,…,m)个RP处采集的来自目标环境中APs的RSS；其中，rssj＝{rss1j,rss2j,…,rssnj}，rssij表示在第j个RP处接收到的来自第i(i＝1,2,…,n)个AP的RSS，因此可获得接收信号强度集合为：
Figure BDA0002502603910000021
步骤二(二)、基于步骤二(一)，分别选取这些RSS数据的RSS均值、RSS方差、RSS最大值、RSS最小值、RSS最值差、RSS中值、最大概率RSS和RSS过均值概率作为标记RPs的信号特征，并将信号特征的数目记为χ。
步骤二(三)、基于步骤二(二)构建离线RSS特征集合
Figure BDA0002502603910000022
其中，
Figure BDA0002502603910000023
表示在线阶段目标环境中APs的第s(s＝1,…,χ)个RSS特征，
Figure BDA0002502603910000024
表示第i个AP在所有RPs处的第s个RSS特征的均值，即
Figure BDA0002502603910000025
基于此，构建离线RSS特征矩阵：
Figure BDA0002502603910000031
步骤三、根据Zoff构造AP的信息增益比集合Φ。具体包括以下步骤：
步骤三(一)、计算关于目标环境中所有RP的不确定度H(P)：
Figure BDA0002502603910000032
其中，m表示目标环境中的RP数目，pj表示第j个RP的先验概率(通常假设测试点在每个RP处的概率相等，即
Figure BDA0002502603910000033
)；
步骤三(二)、对于第i个AP(即APi)，根据Zoff将所有RP划分为U个子集C1i,…,CUi，其中，每个子集Cui(u＝1,…,U)中的RP具有相同的来自APi的离线RSS特征
Figure BDA0002502603910000034
χ表示离线RSS特征类别数目；
步骤三(三)、根据
Figure BDA0002502603910000035
将所有RP划分为V个子集
Figure BDA0002502603910000036
其中，第v个子集
Figure BDA0002502603910000037
表示对于APi具有相同
Figure BDA0002502603910000038
的RP集合；
步骤三(四)、对于APi，根据Zoff计算目标环境中所有RP的不确定度H(P|APi)：
Figure BDA0002502603910000039
其中，
Figure BDA00025026039100000310
表示
Figure BDA00025026039100000311
中RP数目，
Figure BDA00025026039100000312
表示
Figure BDA00025026039100000313
中RP的不确定度，
Figure BDA00025026039100000314
表示
Figure BDA00025026039100000315
中RP数目；
步骤三(五)、对于APi，根据
Figure BDA00025026039100000316
计算目标环境中所有RP关于第i个AP的第s个离线RSS特征的不确定度H(P|APi)s：
Figure BDA00025026039100000317
步骤三(六)、根据Zoff计算APi关于第s个离线RSS特征的信息增益比
Figure BDA00025026039100000318
进而构造AP的信息增益比集合Φ：
Φ＝(ψ1,…,ψχ)
其中，
Figure BDA0002502603910000041
为AP关于
Figure BDA0002502603910000042
的信息增益比。
步骤四、根据APs信息增益比集合Φ，构造离线RSS特征的模糊关系矩阵Roff；具体包括以下步骤：
步骤四(一)、对于目标环境中APs的信息增益比集合Φ，对其进行归一化处理，即获得离线阶段目标APs的模糊隶属度，记为
Figure BDA0002502603910000043
表示目标环境中APs的位置分辨能力，其中，
Figure BDA0002502603910000044
表示离线阶段第i个AP的模糊隶属度。
步骤四(二)、对于离线RSS特征集合
Figure BDA0002502603910000045
计算第i个AP在所有RPs处的第s个RSS特征的均值在所有APs的同一RSS特征期望的总和中所占的比例，即
Figure BDA0002502603910000046
表示离线阶段第i个AP关于第s个RSS特征的隶属度。
步骤四(三)、基于步骤四(二)，构造目标环境中所有APs关于χ个离线RSS特征的模糊关系矩阵：
Figure BDA0002502603910000047
步骤五、根据Roff并利用模糊关系方程，获取离线RSS特征的模糊权重Aoff。具体包括以下步骤：
步骤五(一)、令
Figure BDA0002502603910000048
其中，
Figure BDA0002502603910000049
表示
Figure BDA00025026039100000410
的模糊权重，构造关于离线RSS特征的模糊关系方程
Figure BDA00025026039100000411
其中，
Figure BDA00025026039100000412
Figure BDA00025026039100000413
步骤五(二)、由步骤五(一)，将
Figure BDA00025026039100000414
改写为：
Figure BDA00025026039100000415
步骤五(三)、计算步骤五(二)方程组中第i个方程的第s个解
Figure BDA00025026039100000511
Figure BDA0002502603910000051
其中，
Figure BDA0002502603910000052
Figure BDA0002502603910000053
步骤五(四)、由步骤五(三)，可得步骤五(二)方程组中第i个方程的解
Figure BDA0002502603910000054
步骤五(五)、由步骤五(四)，可得
Figure BDA0002502603910000055
的解Aoff＝A(1)∩…∩A(n)。
步骤六、在线阶段，在待定位点(即测试点)处采集来自不同AP的RSS，构建在线RSS特征矩阵Zonli；具体包括以下步骤：
步骤六(一)、在在线阶段，对于目标环境中的n个APs和w个测试点，rssnω表示在第ω(ω＝1,2,…,w)个测试点处接收到的来自第i个AP的RSS数据。分别选取这些RSS数据与离线阶段相同的χ个RSS特征，构建在线RSS特征集合
Figure BDA0002502603910000056
其中，
Figure BDA0002502603910000057
表示在线阶段目标环境中APs的第s个RSS特征，
Figure BDA0002502603910000058
表示第i个AP在所有测试点处的第s个RSS特征的期望，即
Figure BDA0002502603910000059
步骤六(二)、基于在线RSS特征集合Zonli，构建在线RSS特征矩阵：
Figure BDA00025026039100000510
步骤七、根据Zonli并通过关于在线RSS特征的模糊映射，构造在线RSS特征的模糊判定矩阵Ronli；具体包括以下步骤：
步骤七(一)、将在线阶段目标环境中APs集合记为Q＝(q1,q2,…,qn)，其中，qi表示在线阶段目标环境中的第i个AP，基于此，建立RSS特征与APs的模糊映射为：
Figure BDA0002502603910000061
Figure BDA0002502603910000062
其中，
Figure BDA0002502603910000063
表示目标APs关于第s个RSS特征的隶属度集合，
Figure BDA0002502603910000064
表示第i个AP在所有测试点处的第s个RSS特征的期望在目标环境中APs的同一RSS特征期望的总和中所占的比例，即为在线阶段第i个AP关于第s个RSS特征的隶属度。
步骤七(二)、基于步骤七(一)所得的RSS特征隶属度，构建APs关于在线阶段RSS特征模糊判定矩阵：
Figure BDA0002502603910000065
步骤八、根据Ronli和Aoff，利用模糊关系方程
Figure BDA0002502603910000066
可得：
Figure BDA0002502603910000067
其中，
Figure BDA0002502603910000068
表示在线阶段第i个AP的模糊隶属度，
Figure BDA0002502603910000069
表示在线阶段AP的模糊隶属度集合。
步骤九、将具有较大模糊隶属度的AP定义为具有较强位置分辨力的AP，基于此可构造具有较强位置分辨力的AP集合G，并将集合G中AP作为优化AP用于定位。
有益效果
本发明首先根据离线阶段提取的多维RSS特征构造目标环境中所有AP的信息增益比集合与离线RSS特征的模糊关系矩阵，其次，利用模糊关系方程获取各特征的模糊权重，然后，在在线阶段根据新采集的RSS通过模糊映射来获取在线阶段AP的模糊隶属度集合，最后，将具有较大模糊隶属度的AP定义为具有较强位置分辨力的AP，并将其作为优化AP用于定位。与传统WLAN室内定位技术相比，本发明通过综合考虑多维RSS特征来优化目标环境中AP的选取，在提高定位有效性的同时，降低了系统的计算开销。
附图说明
图1为本发明流程图；
图2为选择不同AP时的本文方法与其他定位系统平均定位误差比较图。
具体实施方案
下面结合附图对本发明作进一步说明：
如图1所示的一种基于信息增益比的多特征模糊映射接入点优化方法，具体包含以下步骤：
步骤一、离线阶段，在目标环境中部署n(n为整数)个位置已知的AP并标定m(m为整数)个RP。
步骤二、在每个RP处采集来自不同AP的RSS，构建离线RSS特征矩阵Zoff；具体包括以下步骤：
步骤二(一)、在离线阶段，对于n个APs发射信号，在RPs处提取接收信号强度序列RSS＝{rss1,rss2,…,rssm}，其中，rssj表示在第j(j＝1,2,…,m)个RP处采集的来自目标环境中APs的RSS；其中，rssj＝{rss1j,rss2j,…,rssnj}，rssij表示在第j个RP处接收到的来自第i(i＝1,2,…,n)个AP的RSS，因此可获得接收信号强度集合为：
Figure BDA0002502603910000071
步骤二(二)、基于步骤二(一)，分别选取这些RSS数据的RSS均值、RSS方差、RSS最大值、RSS最小值、RSS最值差、RSS中值、最大概率RSS和RSS过均值概率作为标记RPs的信号特征，并将信号特征的数目记为χ。
步骤二(三)、基于步骤二(二)构建离线RSS特征集合
Figure BDA0002502603910000072
其中，
Figure BDA0002502603910000073
表示在线阶段目标环境中APs的第s(s＝1,…,χ)个RSS特征，
Figure BDA0002502603910000081
表示第i个AP在所有RPs处的第s个RSS特征的均值，即
Figure BDA0002502603910000082
基于此，构建离线RSS特征矩阵：
Figure BDA0002502603910000083
步骤三、根据Zoff构造AP的信息增益比集合Φ。具体包括以下步骤：
步骤三(一)、计算关于目标环境中所有RP的不确定度H(P)：
Figure BDA0002502603910000084
其中，m表示目标环境中的RP数目，pj表示第j个RP的先验概率(通常假设测试点在每个RP处的概率相等，即
Figure BDA0002502603910000085
)；
步骤三(二)、对于第i个AP(即APi)，根据Zoff将所有RP划分为U个子集C1i,…,CUi，其中，每个子集Cui(u＝1,…,U)中的RP具有相同的来自APi的离线RSS特征
Figure BDA0002502603910000086
χ表示离线RSS特征类别数目；
步骤三(三)、根据
Figure BDA0002502603910000087
将所有RP划分为V个子集
Figure BDA0002502603910000088
其中，第v个子集
Figure BDA0002502603910000089
表示对于APi具有相同
Figure BDA00025026039100000810
的RP集合；
步骤三(四)、对于APi，根据Zoff计算目标环境中所有RP的不确定度H(P|APi)：
Figure BDA00025026039100000811
其中，
Figure BDA00025026039100000812
表示
Figure BDA00025026039100000813
中RP数目，
Figure BDA00025026039100000814
表示
Figure BDA00025026039100000815
中RP的不确定度，
Figure BDA00025026039100000816
表示
Figure BDA00025026039100000817
中RP数目；
步骤三(五)、对于APi，根据
Figure BDA00025026039100000818
计算目标环境中所有RP关于第i个AP的第s个离线RSS特征的不确定度H(P|APi)s：
Figure BDA00025026039100000819
步骤三(六)、根据Zoff计算APi关于第s个离线RSS特征的信息增益比
Figure BDA0002502603910000091
进而构造AP的信息增益比集合Φ：
Φ＝(ψ1,…,ψχ)
其中，
Figure BDA0002502603910000092
为AP关于
Figure BDA0002502603910000093
的信息增益比。
步骤四、根据APs信息增益比集合Φ，构造离线RSS特征的模糊关系矩阵Roff；具体包括以下步骤：
步骤四(一)、对于目标环境中APs的信息增益比集合Φ，对其进行归一化处理，即获得离线阶段目标APs的模糊隶属度，记为
Figure BDA0002502603910000094
表示目标环境中APs的位置分辨能力，其中，
Figure BDA0002502603910000095
表示离线阶段第i个AP的模糊隶属度。
步骤四(二)、对于离线RSS特征集合
Figure BDA0002502603910000096
计算第i个AP在所有RPs处的第s个RSS特征的均值在所有APs的同一RSS特征期望的总和中所占的比例，即
Figure BDA0002502603910000097
表示离线阶段第i个AP关于第s个RSS特征的隶属度。
步骤四(三)、基于步骤四(二)，构造目标环境中所有APs关于χ个离线RSS特征的模糊关系矩阵：
Figure BDA0002502603910000098
步骤五、根据Roff并利用模糊关系方程，获取离线RSS特征的模糊权重Aoff。具体包括以下步骤：
步骤五(一)、令
Figure BDA0002502603910000099
其中，
Figure BDA00025026039100000910
表示
Figure BDA00025026039100000911
的模糊权重，构造关于离线RSS特征的模糊关系方程
Figure BDA00025026039100000912
其中，
Figure BDA00025026039100000913
Figure BDA00025026039100000914
步骤五(二)、由步骤五(一)，将
Figure BDA00025026039100000915
改写为：
Figure BDA0002502603910000101
步骤五(三)、计算步骤五(二)方程组中第i个方程的第s个解
Figure BDA00025026039100001012
Figure BDA0002502603910000102
其中，
Figure BDA0002502603910000103
Figure BDA0002502603910000104
步骤五(四)、由步骤五(三)，可得步骤五(二)方程组中第i个方程的解
Figure BDA0002502603910000105
步骤五(五)、由步骤五(四)，可得
Figure BDA0002502603910000106
的解Aoff＝A(1)∩…∩A(n)。
步骤六、在线阶段，在待定位点(即测试点)处采集来自不同AP的RSS，构建在线RSS特征矩阵Zonli；具体包括以下步骤：
步骤六(一)、在在线阶段，对于目标环境中的n个APs和w个测试点，rssnω表示在第ω(ω＝1,2,…,w)个测试点处接收到的来自第i个AP的RSS数据。分别选取这些RSS数据与离线阶段相同的χ个RSS特征，构建在线RSS特征集合
Figure BDA0002502603910000107
其中，
Figure BDA0002502603910000108
表示在线阶段目标环境中APs的第s个RSS特征，
Figure BDA0002502603910000109
表示第i个AP在所有测试点处的第s个RSS特征的期望，即
Figure BDA00025026039100001010
步骤六(二)、基于在线RSS特征集合Zonli，构建在线RSS特征矩阵：
Figure BDA00025026039100001011
步骤七、根据Zonli并通过关于在线RSS特征的模糊映射，构造在线RSS特征的模糊判定矩阵Ronli；具体包括以下步骤：
步骤七(一)、将在线阶段目标环境中APs集合记为Q＝(q1,q2,…,qn)，其中，qi表示在线阶段目标环境中的第i个AP，基于此，建立RSS特征与APs的模糊映射为：
Figure BDA0002502603910000111
其中，
Figure BDA0002502603910000112
表示目标APs关于第s个RSS特征的隶属度集合，
Figure BDA0002502603910000113
表示第i个AP在所有测试点处的第s个RSS特征的期望在目标环境中APs的同一RSS特征期望的总和中所占的比例，即为在线阶段第i个AP关于第s个RSS特征的隶属度。
步骤七(二)、基于步骤七(一)所得的RSS特征隶属度，构建APs关于在线阶段RSS特征模糊判定矩阵：
Figure BDA0002502603910000114
步骤八、根据Ronli和Aoff，利用模糊关系方程
Figure BDA0002502603910000115
可得：
Figure BDA0002502603910000116
其中，
Figure BDA0002502603910000117
表示在线阶段第i个AP的模糊隶属度，
Figure BDA0002502603910000118
表示在线阶段AP的模糊隶属度集合。
步骤九、将具有较大模糊隶属度的AP定义为具有较强位置分辨力的AP，基于此可构造具有较强位置分辨力的AP集合G，并将集合G中AP作为优化AP用于定位。

Claims (1)

1.一种基于信息增益比的多特征模糊映射接入点优化方法，其特征在于包括以下步骤：
步骤一、离线阶段，在目标环境中部署n个位置已知的AP并标定m个参考点(ReferencePoint,RP)，其中，n与m均为整数；
步骤二、在每个RP处采集来自不同AP的RSS，构建离线RSS特征矩阵Zoff；具体包括以下步骤：
步骤二(一)、在离线阶段，对于n个AP发射信号，在RP处提取接收信号强度序列RSS＝{rss1,rss2,…,rssm}，其中，rssj表示在第j个RP处采集的来自目标环境中AP的RSS，j＝1,…,m；其中，rssj＝{rss1j,rss2j,…,rssnj}，rssij表示在第j个RP处接收到的来自第i个AP的RSS，i＝1,…,n，因此可获得接收信号强度集合为：
Figure FDA0003556588510000011
步骤二(二)、基于步骤二(一)，分别选取这些RSS数据的RSS均值、RSS方差、RSS最大值、RSS最小值、RSS最值差、RSS中值、最大概率RSS和RSS过均值概率作为标记RP的信号特征，并将信号特征的数目记为χ；
步骤二(三)、基于步骤二(二)构建离线RSS特征集合
Figure FDA0003556588510000012
其中，
Figure FDA0003556588510000013
表示在线阶段目标环境中AP的第s个RSS特征,s＝1,…,χ，
Figure FDA0003556588510000014
表示第i个AP在所有RP处的第s个RSS特征的均值，即
Figure FDA0003556588510000015
基于此，构建离线RSS特征矩阵：
Figure FDA0003556588510000016
步骤三、根据Zoff构造AP的信息增益比集合Φ， 具体包括以下步骤：
步骤三(一)、计算关于目标环境中所有RP的不确定度H(P)：
Figure FDA0003556588510000021
其中，m表示目标环境中的RP数目，pj表示第j个RP的先验概率，通常假设测试点在每个RP处的概率相等，即
Figure FDA0003556588510000022
步骤三(二)、对于第i个AP，记为APi，根据Zoff将所有RP划分为U个子集C1i,…,CUi，其中，每个子集Cui中的RP具有相同的来自APi的离线RSS特征
Figure FDA0003556588510000023
s＝1,…,χ，u＝1,…,U,χ表示离线RSS特征类别数目；
步骤三(三)、根据
Figure FDA0003556588510000024
将所有RP划分为V个子集
Figure FDA0003556588510000025
其中，第v个
Figure FDA0003556588510000026
子集，v＝1,2,…,V表示对于APi具有相同
Figure FDA0003556588510000027
的RP集合；
步骤三(四)、对于APi，根据Zoff计算目标环境中所有RP的不确定度H(P|APi)：
Figure FDA0003556588510000028
其中，
Figure FDA0003556588510000029
表示
Figure FDA00035565885100000210
中RP数目，
Figure FDA00035565885100000211
表示
Figure FDA00035565885100000212
中RP的不确定度，
Figure FDA00035565885100000213
步骤三(五)、对于APi，根据
Figure FDA00035565885100000214
计算目标环境中所有RP关于第i个AP的第s个离线RSS特征的不确定度H(P|APi)s：
Figure FDA00035565885100000215
步骤三(六)、根据Zoff计算APi关于第s个离线RSS特征的信息增益比
Figure FDA00035565885100000216
进而构造AP的信息增益比集合Φ：
Φ＝(ψ1,…,ψχ)
其中，
Figure FDA00035565885100000217
为AP关于
Figure FDA00035565885100000218
的信息增益比，s＝1,…,χ；
步骤四、根据AP信息增益比集合Φ，构造离线RSS特征的模糊关系矩阵Roff；具体包括以下步骤：
步骤四(一)、对于目标环境中AP的信息增益比集合Φ，对其进行归一化处理，即获得离线阶段目标AP的模糊隶属度，记为
Figure FDA0003556588510000031
Figure FDA0003556588510000032
表示目标环境中AP的位置分辨能力，其中，
Figure FDA0003556588510000033
表示离线阶段第i个AP的模糊隶属度；
步骤四(二)、对于离线RSS特征集合
Figure FDA0003556588510000034
计算第i个AP在所有RP处的第s个RSS特征的均值在所有AP的同一RSS特征期望的总和中所占的比例，即
Figure FDA0003556588510000035
表示离线阶段第i个AP关于第s个RSS特征的隶属度；
步骤四(三)、基于步骤四(二)，构造目标环境中所有AP关于χ个离线RSS特征的模糊关系矩阵：
Figure FDA0003556588510000036
步骤五、根据Roff并利用模糊关系方程，获取离线RSS特征的模糊权重Aoff；具体包括以下步骤：
步骤五(一)、令
Figure FDA0003556588510000037
其中，
Figure FDA0003556588510000038
表示
Figure FDA0003556588510000039
的模糊权重，构造关于离线RSS特征的模糊关系方程
Figure FDA00035565885100000310
其中，
Figure FDA00035565885100000311
Figure FDA00035565885100000312
步骤五(二)、由步骤五(一)，将
Figure FDA00035565885100000313
改写为：
Figure FDA00035565885100000314
步骤五(三)、计算步骤五(二)方程组中第i个方程的第s个解
Figure FDA00035565885100000315
Figure FDA0003556588510000041
其中，
Figure FDA0003556588510000042
s′＝1,…,s-1,s+1,…,χ；
步骤五(四)、由步骤五(三)，可得步骤五(二)方程组中第i个方程的解
Figure FDA0003556588510000043
步骤五(五)、由步骤五(四)，可得
Figure FDA0003556588510000044
的解Aoff＝A(1)∩…∩A(n)；
步骤六、在线阶段，在测试点处采集来自不同AP的RSS，构建在线RSS特征矩阵Zonli；具体包括以下步骤：
步骤六(一)、在在线阶段，对于目标环境中的n个AP和w个测试点，rssnω表示在第ω个测试点处接收到的来自第i个AP的RSS数据，ω＝1,2,…,w；分别选取这些RSS数据与离线阶段相同的χ个RSS特征，构建在线RSS特征集合
Figure FDA0003556588510000045
其中，
Figure FDA0003556588510000046
表示在线阶段目标环境中AP的第s个RSS特征，
Figure FDA0003556588510000047
表示第i个AP在所有测试点处的第s个RSS特征的期望，即
Figure FDA0003556588510000048
步骤六(二)、基于在线RSS特征集合Zonli，构建在线RSS特征矩阵：
Figure FDA0003556588510000049
步骤七、根据Zonli并通过关于在线RSS特征的模糊映射，构造在线RSS特征的模糊判定矩阵Ronli；具体包括以下步骤：
步骤七(一)、将在线阶段目标环境中AP集合记为Q＝(q1,q2,…,qn)，其中，qi表示在线阶段目标环境中的第i个AP，基于此，建立RSS特征与AP的模糊映射为：
Figure FDA0003556588510000051
Figure FDA0003556588510000052
其中，
Figure FDA0003556588510000053
为Zonli经模糊映射后所得的模糊集合，
Figure FDA0003556588510000054
具体地，s＝1,…,χ，
Figure FDA0003556588510000055
表示目标AP关于第s个RSS特征的隶属度集合，
Figure FDA0003556588510000056
表示第i个AP在所有测试点处的第s个RSS特征的期望在目标环境中AP的同一RSS特征期望的总和中所占的比例，即为在线阶段第i个AP关于第s个RSS特征的隶属度；
步骤七(二)、基于步骤七(一)所得的RSS特征隶属度，构建AP关于在线阶段RSS特征模糊判定矩阵：
Figure FDA0003556588510000057
步骤八、根据Ronli和Aoff，利用模糊关系方程
Figure FDA0003556588510000058
可得：
Figure FDA0003556588510000059
其中，
Figure FDA00035565885100000510
表示在线阶段第i个AP的模糊隶属度，
Figure FDA00035565885100000511
表示在线阶段AP的模糊隶属度集合；
步骤九、将具有较大模糊隶属度的AP定义为具有较强位置分辨力的AP，基于此可构造具有较强位置分辨力的AP集合G，并将集合G中AP作为优化AP用于定位。
CN202010436857.3A 2020-05-21 2020-05-21 一种基于信息增益比的多特征模糊映射接入点优化方法 Active CN111757249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010436857.3A CN111757249B (zh) 2020-05-21 2020-05-21 一种基于信息增益比的多特征模糊映射接入点优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010436857.3A CN111757249B (zh) 2020-05-21 2020-05-21 一种基于信息增益比的多特征模糊映射接入点优化方法

Publications (2)

Publication Number Publication Date
CN111757249A CN111757249A (zh) 2020-10-09
CN111757249B true CN111757249B (zh) 2022-05-03

Family

ID=72673952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010436857.3A Active CN111757249B (zh) 2020-05-21 2020-05-21 一种基于信息增益比的多特征模糊映射接入点优化方法

Country Status (1)

Country Link
CN (1) CN111757249B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107820314A (zh) * 2017-11-14 2018-03-20 江南大学 基于AP选择的Dwknn位置指纹定位算法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9237545B2 (en) * 2013-04-15 2016-01-12 Qualcomm Incorporated Varying processes to control transmission characteristics for position determination operations
CN103763769B (zh) * 2013-12-26 2017-07-04 北京邮电大学 基于接入点重选择和自适应簇分裂的室内指纹定位方法
CN104093203A (zh) * 2014-07-07 2014-10-08 浙江师范大学 一种用于无线室内定位的接入点选择算法
CN105872972B (zh) * 2016-04-29 2017-03-15 武汉大学 基于多目标优化的自适应ap选取方法
CN108053420B (zh) * 2018-01-05 2021-11-02 昆明理工大学 一种基于有限时空分辨率类无关属性动态场景的分割方法
CN109886017A (zh) * 2019-01-24 2019-06-14 国网浙江省电力有限公司电力科学研究院 一种基于c4.5决策树的手机特征检测优化改进算法
CN113518308B (zh) * 2021-05-25 2022-03-25 江南大学 室内定位中最佳ap筛选方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107820314A (zh) * 2017-11-14 2018-03-20 江南大学 基于AP选择的Dwknn位置指纹定位算法

Also Published As

Publication number Publication date
CN111757249A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN110012428B (zh) 一种基于WiFi的室内定位方法
CN106851573B (zh) 基于对数路径损耗模型的联合加权k近邻室内定位方法
CN101695152B (zh) 室内定位的方法及其系统
Dai et al. Combination of DNN and improved KNN for indoor location fingerprinting
Huang et al. An accurate and efficient device-free localization approach based on sparse coding in subspace
CN111726765B (zh) 一种面向大规模复杂场景的wifi室内定位方法及系统
CN102802260A (zh) 基于矩阵相关的wlan室内定位方法
CN103874118A (zh) WiFi室内定位中基于贝叶斯回归的Radio Map校正方法
CN110933628B (zh) 基于孪生网络的指纹室内定位方法
CN113596989B (zh) 一种用于智慧车间的室内定位方法及系统
US11943735B2 (en) Indoor target positioning method based on improved convolutional neural network model
CN111757249B (zh) 一种基于信息增益比的多特征模糊映射接入点优化方法
CN112801268B (zh) 基于图卷积和多层感知机混合网络的定位方法
CN103679703A (zh) 一种基于共形几何代数的高光谱遥感影像降维方法
CN110691336A (zh) 一种基于集成学习和相对定位的双尺度定位算法
CN111935818B (zh) 一种基于最大信息系数的模糊聚类冗余接入点约简方法
CN112946567B (zh) 基于域对抗神经网络的运动目标指纹室内定位方法
CN115278530A (zh) 蓝牙室内定位方法
CN115567871A (zh) 一种WiFi指纹室内楼层识别与位置估计方法
Ge et al. For RF signal-based UAV states recognition, is pre-processing still important at the era of deep learning?
CN111918211B (zh) 一种基于kd树和改进加权knn的室内指纹定位方法
CN115002703A (zh) 一种基于Wi-Fi信道状态信息的被动式室内人数检测方法
CN210899633U (zh) 一种基于深度神经网络的室内定位系统
CN109443367B (zh) 一种基于均值聚类随机粒子群算法的rfid定位方法
CN110895701A (zh) 基于cn和fhog的森林火灾在线识别方法及装置

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
GR01 Patent grant
GR01 Patent grant