CN111757257B - 一种克服设备差异的动态模糊匹配室内定位方法 - Google Patents

Abstract

一种克服设备差异的动态模糊匹配室内定位方法，属于室内定位领域。步骤一、系统模型的构建，包括网络空间模型、子指纹库聚类模型和相似度模型；步骤二、指纹的概率特征提取；步骤三、模糊匹配方法，匹配得到局部指纹库；步骤四、位置计算，得到测试点的估计位置。作为一种动态的局部指纹库匹配方法，FMKNN通过可调的子空间匹配阈值，平衡匹配精度与计算复杂度之间的增益双赢；结合多维相似度系数，引入权重调整参数进行位置估计，优化近邻点集合的结构，突出邻近点的作用；削弱接收端设备差异带来的定位误差，提高定位精度。

Description

一种克服设备差异的动态模糊匹配室内定位方法

技术领域

本发明属于室内定位领域，涉及一种克服设备差异的动态模糊匹配室内定位方法，在商场导航、老人监护等领域中有广泛地应用。

背景技术

目前，大部分室内定位方法是利用无线信号的相关特征来进行定位，常用的技术有WiFi、射频识别(RFID)、超宽带(UWB)和蓝牙等。室内环境的复杂性导致无线信号在传播时容易引发多径效应，很难对不同场景下的信号变换给出精准的数学模型。由于指纹匹配方法侧重于接收信号强度(RSS)的指纹特征，而非遍历所有信号，因此可以通过匹配测试点与指纹点的RSS分布来获取测试点的位置。

基于近邻点求平均位置的方法是最常见的指纹定位方法之一，常用的方法是信号空间中K最近邻方法(K-Nearest Neighbors in Signal Space,K-NNSS)，选取测试点与指纹库中匹配度最高的K个指纹点，以平均位置作为测试点的位置。针对K-NNSS因平等对待非等概率出现的近邻点，导致定位误差较大的问题，可以采用加权KNN方法(Weighted KNN,WKNN)，增加指纹点的欧氏信息作为权重，用体现位置相似度的加权平均替代均衡平均，提高了定位精度。但固定的K值依然无法避免选择虚假的近似指纹点参与位置估计。为了解决这个问题，引入动态K值概念，把欧氏相似度大于阈值的指纹点去除后，再求加权平均位置。

上述基于最近邻指纹点的定位方法都具有简单易行的优势，但定位精度有限。近年来，为了提高定位精度，人们开始倾向于将复杂的机器学习方法引入到定位方法中，从而挖掘更深层次的信号特征。物理位置与信号强度的关联度越高，则定位越容易。例如，一种基于改进支持向量回归的室内定位方法，在训练阶段增加一个校正坐标z，提高二维位置信息与RSS之间的关联性。基于机器学习方法的定位方法虽然在定位精度方面表现优异，却也带来了计算复杂度高和定位时间长、效率低的问题。为减少匹配计算量的同时保证系统的实时性，基于主成分分析法(Principle Component Analysis,PCA)给出在子空间内的匹配方法，基于在线信号从离线指纹库中提取子指纹库，利用PCA对在线数据及子指纹库进行降维和构建子空间。基于PCA的子空间匹配方法能有效提升定位效率，但无法保证局部匹配的正确率，尤其当室内空间中的障碍物、人流量等干扰因素增加时，会严重拉低子空间匹配的正确率，可见一般的子空间匹配方法难以适应环境因素的波动而进行动态调整。

发明内容

本发明针对上述技术问题，提供了一种克服设备差异的动态模糊匹配室内定位方法。

本发明的技术方案：

一种克服设备差异的动态模糊匹配室内定位方法，步骤如下：

步骤一、系统模型的构建，包括网络空间模型、子指纹库聚类模型和相似度模型；

步骤二、指纹的概率特征提取；

步骤三、模糊匹配方法，匹配得到局部指纹库；

步骤四、位置计算，得到测试点的估计位置。

步骤一具体过程为：

(1)网络空间模型

平面空间的场景内，部署N个无线接入点(Access Point,AP)AP₁,AP₂,...,AP_N。场景内布置K个指纹点(Finger Point,FP)作为采集指纹信息的位置。离线阶段，在FP处采集来自N个AP的RSS与其物理位置共同组成指纹点信息，记第k个指纹点FP_k的指纹信息为FP_k＝[(x_k,y_k),(RSS_k1,RSS_k2,…,RSS_kN)]，其中k＝1,2,…,K。在线阶段，在测试点(Test Point,TP)处采集来自N个AP的RSS组成测试点信号向量，记测试点的信号向量为TP＝[RSS₁,RSS₂,…,RSS_N]，TP的物理位置坐标为(x,y)。FP_k,TP以及AP位置共同构成了网络空间模型。

(2)子指纹库聚类模型

为提高定位速度，以AP作为基点，利用泰森多边形对FP_k进行聚类，生成若干个以RSS为参考量的子指纹库，用以简化定位阶段的搜寻过程。FP_k聚类的过程如下：

步骤1区域分割

以N个AP为基点，对平面场景生成关于AP的泰森多边形，包含N个子区域Ω_i，其中i＝1,2,…,N。

步骤2指纹点数据录入

记录定位场景中K个指纹点的指纹信息FP₁,FP₂,…,FP_K。

步骤3指纹点聚类

以Ω_i为依据对FP_k进行聚类，若FP_k位于AP_i对应的子区域Ω_i内部，则将FP_k聚类到子指纹库SDatabase_i中，即

FP_k＝SDatabase_i,if(x_k,y_k)∈Ω_i (1)

其中，SDatabase_i内记录属于子区域Ω_i的所有指纹FP_k。

如图1中的(a)中N＝8个AP为例，生成以AP_i(i＝1,2,…,8)为基点的8个子区域。在场景中随机放置一定量的FP，依据泰森多边形单元格进行指纹聚类，得到相应的8个子指纹库SDatabase_i，如图1中的(b)所示。

(3)相似度模型

通常借助评估TP与FP_k所接收到RSS的相似程度，即相似度系数，来衡量TP与FP_k之间的相关性。已有的研究将相似度系数分为以欧氏距离为代表的整体相似度系数和以空间余弦量为参考的局部相似度系数。

I欧氏相似度

欧氏相似度以TP和FP_k之间信号向量的空间距离作为参考量，定义系统整体相似程度，其欧氏相似度计算如式(2)：

可见E(TP,FP_k)越大，给定TP与FP_k的RSS在向量空间的距离越小。

II余弦相似度

基于余弦的相似度系数则以TP和FP_k的信号向量空间方向为参考量，通过衡量两者的向量夹角建立一种局部相似度模型，计算方法如式(3)：

可见C(TP,FP_k)越大，给定TP与FP_k的RSS向量在空间中的夹角∠(TP,FP_k)越小。

步骤二具体过程为：

室内信号传播会受到同频、多径、障碍等多重因素的联合影响，若以经典的以时间段为统计单位的平均信号强度，直接作为某指纹点的指纹信号，则无法体现同一位置上RSS的不确定性和随机波动特征。考虑到同一位置采样得到的RSS信号值的频数分布近似符合高斯分布，则可以剔除小于置信概率P₀的信号值，保留高概率信号的几何均值作为该指纹点的RSS特征值，以此克服环境干扰的影响。

对于给定单位时间T内，在指纹点FP_k采集到来自AP_i的M个RSS信号为

对于符合高斯分布的指纹信号而言，

出现的概率为：

其中，

表示平均值，σ表示标准差。若场景中最小置信概率为P₀，则满足

的偏差系数为

从而得到

的采纳区间为

可标记FP_k处关于AP_i的指纹特征信号：

其中，|·|表示符合条件·的

个数，[·]表示符合条件·的

集合。

步骤三具体过程为：

提出由一个或多个子指纹库组成局部指纹库PDatabase。在TP匹配阶段对子区域进行模糊匹配，得到其对应的局部指纹库，有条件地扩大TP的匹配范围，牺牲有限的定位速度来弥补传统局部匹配方法误差概率大的缺陷。

为了兼顾局部指纹库的匹配速度和准确率，需要根据场景特性调整匹配的模糊程度，找到匹配速度和准确率之间的最佳平衡。为此，引入模糊参数fuz，在判断TP与子区块相关性时灵活地调整匹配包容度，找到具有场景独特性的模糊参数值。

在线定位阶段，测试点TP匹配对应的局部指纹库，匹配步骤如下：

步骤1分割线标签

根据泰森多边形的特性可知，区块分割线处于相邻两个AP连线的垂直平分线上。因此对于TP来说，比较来自分割线两侧AP的RSS大小，即可获得以分割线为区分粒度的标签。例如：若泰森多边形子区域Ω_i由P条分割线切割而成，根据式(6)赋予每条分割线一个标签，记第p条分割线p(1,2,…,P)的标签为：

其中，

表示TP接收到来自Ω_i内的AP_i的RSS，

表示TP接收到来自分割线p另一侧AP的RSS。fuz≥0且fuz越大，TP与SDatabase_i匹配成功的可能性越大。依靠fuz与匹配成功率的相关性，实现匹配过程的动态模糊性。

步骤2子指纹库标签

当一块区域的分割线标签都已确定，该区域对应的SDatabase_i是否与TP匹配成功由P条分割线共同决定。判断子指纹库标签：

其中，

为第i个区域的第p个分割线标签。若rLab_i＝1，即来自AP_i的RSS在模糊条件下均强于周围AP，则说明TP与SDatabase_i匹配成功；否则匹配失败。

步骤3匹配局部指纹库

前文已经提到，局部指纹库由所有匹配成功的子指纹库共同构成。因此，TP的PDatabase由标签为1的子指纹库组成，如式(8)计算：

多区块的匹配结果既保证了TP不会被误分类，又防止了全局匹配的低效性，是匹配速度和质量的一个折中办法，同时削弱了两种极端方法的缺陷。

模糊参数fuz的引入使得匹配过程中的模糊程度可调，因而保证了不同的定位空间及定位时间下都能做到模糊匹配的准确率与匹配量动态平衡。为了比较fuz的取值对算法匹配指纹点数量的影响，如图2所示，将不同fuz取值下的PDatabase匹配结果进行对比。由图2中的(a)可见，当fuz＝0即不采用模糊匹配时，PDatabase是由单个SDatabase_i构成，且容易匹配到错误的结果；图2中的(b)和(c)中，当fuz＞0，TP处的PDatabase由多个子指纹库组成，并且随着fuz增大，匹配结果的区块数量增加。

步骤四具体过程为：

(1)确定基于混合相似度地近邻点集合

经研究发现，不同设备接收AP的RSS向量存在差异性，终端差异会使得基于欧氏距离的定位精度降低，甚至会出现定位失败的情况。终端差异虽然会引起RSS向量在空间距离上的大幅浮动，但这些浮动的方向性改变较小，因此引入余弦相似度来衡量TP与FP_k的相似性。

多元欧氏相似度和余弦相似度对空间距离与角度不同的敏感性，定义基于空间距离和向量方向联合作用下的多元相似度系数：

式中，Sim(TP,FP_k)表示TP与FP_k的多元相似度，Sim(TP,FP_k)值越大，认为TP与FP_k的物理距离越小。其中，附加项ε＞0且存在ε→0，避免了分母为0。

在位置计算阶段采纳多元相似度最高的S个指纹点，其中1≤S≤K，并以此生成具有多元性和时效性的近邻点集合

由多元相似度确定的近邻点集合综合了整体与局部的特征，更加真实地反映出TP的物理位置特征。

(2)近邻点权重配置

考虑到环境因素对定位的影响较大，仅以Sim(TP,FP_k)作为近邻点权重的依据无法突出定位场景的个体特征，不同环境下的权值应进行适当调整。引入环境参量env，调节近邻点对TP位置(x,y)计算的权重占比

确定具有场景特性的新权重量纲。

参量env与环境相关，需要测试确定定位场景的最佳环境变量。可针对离线阶段得到的指纹库，取场景中坐标均匀分散的位置，通过与指纹库的计算匹配，进行离线获取使定位误差最小的env作为环境参量取值。

(3)位置匹配

以近邻点集合C作为位置估算的有效备选集，基于式(10～11)确定每个

在TP位置计算中的权重，计算得到测试点TP的估计位置坐标

其中，FP_C表示C中的近邻点序列，x_C和y_C分别表示FP_C的物理横坐标和纵坐标。

本发明的有益效果：

1.作为一种动态的局部指纹库匹配方法，FMKNN通过可调的子空间匹配阈值，平衡匹配精度与计算复杂度之间的增益双赢；

2.结合多维相似度系数，引入权重调整参数进行位置估计，优化近邻点集合的结构，突出邻近点的作用；

3.削弱接收端设备差异带来的定位误差，提高定位精度。

附图说明

图1为给定AP(N＝8)场景下的指纹聚类示意图。其中，(a)为区域划分示意图，(b)为FP聚类示意图。

图2为模糊参数fuz对PDatabase的影响示意图。其中，(a)为fuz＝0，(b)为fuz＝5，(c)为fuz＝10。

图3为FMKNN方法流程图。

图4为实例场景示意图及场景信号热图。其中，(a)为场景示意图，(b)为场景信号热图。

图5FP₃₄的各AP信号概率分布与拟合高斯函数。其中，(a)为AP₁，(b)为AP₂。(c)为AP₃，(d)为AP₄。

图6近邻点个数S对ErrorAvg的影响。

图7目标定位误差的累计概率对比。

具体实施方式

本实施例提供一种克服设备差异的动态模糊匹配室内定位方法在教室内的定位应用。

为了评估方法的性能，以教室为实景测试场地，场地俯视图为11.5m×8.5m的矩形。图4(a)给出该场地的环境布置以及AP信号源位置与指纹点排布平面图。场景中布置低功耗蓝牙节点(Bluetooth Low Energy,BLE)作为AP(N＝4)，且位置随机。指纹信息采用网格取点的方式，将矩形定位区域均匀划分成0.5m×0.5m的网格，取网格中心点为指纹点FP位置，共计生成K＝160个指纹点。为了保证测试点数据兼顾均匀性与随机性，测试点的选取是基于0.8m×0.8m的网格内随机选取，共获得78个备选测试点。

在TP与FP_k数据的采集过程中，为体现方法对设备差异的透明性，对离线与在线阶段分别选用平板电脑和智能手机作为数据采集工具。信号采集以2s为间隔时间，连续采集2min，构建生成包含M＝60组数据。将采集的RSS以信号热图的形式呈现，如图4中的(b)所示。

为了验证实验场景的RSS数据符合高斯分布，不失一般性，随机选取k＝34时FP_k的信号情况进行分析。由图5所示的FP₃₄处各个AP的采样信号概率分布图可见，样本数据总体趋于高斯分布，符合本方法的应用条件。面对概率优先的数据处理方法，本实验场景取P₀＝7％即能达到滤除偏差数据的目的。经特征提取后得到指纹点RSS向量，与其物理位置共同构建指纹数据库。

考虑到提出的FMKNN方法以提升匹配速率为目标，选用同样具有快速易行的传统WKNN、EWKNN、ISVR作为对比(WKNN方法可参考YANG H,ZHANG Y,HUANG Y,et al.WKNNindoor location algorithm based on zone partition by spatial features andrestriction of former location[J].Pervasive and Mobile Computing,2019,60(10):1-14.EWKNN方法可参考王培重,郑南山,张言哲.基于动态K值及AP MAC地址筛选的室内定位算法[J].计算机科学,2016,43(1):163-165.ISVR方法可参考姚英彪,毛伟勇,姚瑞丽,等.基于改进支持向量回归的室内定位算法[J].仪器仪表学报,2017,38(9):2112-2119.)，用以测试FMKNN方法的工作性能。图6显示了近邻点数量S对四种方法定位误差的影响。可以看到总体上随着近邻点个数的增加，四种方法的ErrorAvg都呈下降趋势，其中EWKNN和ISVR下降速率较慢，而FMKNN最快。

从最优近邻点数量下的平均误差来看，FMKNN相较于其余三种方法具有最低的误差值。其中WKNN定位误差最高，比FMKNN高出0.27m；同时FMKNN的ErrorAvg也比EWKNN和ISVR分别降低0.15m和0.13m，占比20.21％和17.74％，可见FMKNN具有良好的定位效果。

在应用给定的ErrorAvg容忍范围内，通过实验可确定各定位方法的估算结果满足该容忍范围的概率，记为误差累计概率(Cumulative Error Probability,CEP)。本实例给出了在不同的误差容忍范围下，WKNN、EWKNN、ISVR和FMKNN定位结果的CEP对比情况。从图7可以看出，四种方法的CEP均随误差容忍范围扩大而升高，最终达到100％。当ErrorAvg≤1m，FMKNN的CEP已经达到95.4％，可见该场景下FMKNN的ErrorAvg基本能够控制在2倍FP间隔距离以内，具备良好的定位稳定性。而相对上升趋势最慢的WKNN在ErrorAvg≤1m条件下CEP为54.4％，比FMKNN低43％，EWKNN和ISVR的CEP曲线则始终介于前两者之间。

Claims (6)

1.一种克服设备差异的动态模糊匹配室内定位方法，其特征在于，步骤如下：

步骤一、系统模型的构建，包括网络空间模型、子指纹库聚类模型和相似度模型；

步骤二、指纹的概率特征提取；

步骤三、模糊匹配方法，匹配得到局部指纹库；

步骤四、位置计算，得到测试点的估计位置；

所述步骤三的具体过程为：

由子指纹库组成局部指纹库PDatabase；在TP匹配阶段对子区域进行模糊匹配，得到其对应的局部指纹库，有条件地扩大TP的匹配范围，牺牲有限的定位速度来弥补传统局部匹配方法误差概率大的缺陷；

根据场景特性调整匹配的模糊程度，找到匹配速度和准确率之间的最佳平衡；为此，引入模糊参数fuz，在判断TP与子区块相关性时灵活地调整匹配包容度，找到具有场景独特性的模糊参数值；

在线定位阶段，测试点TP匹配对应的局部指纹库，匹配步骤如下：

步骤1分割线标签

根据泰森多边形的特性可知，区块分割线处于相邻两个AP连线的垂直平分线上；因此对于TP来说，比较来自分割线两侧AP的RSS大小，即可获得以分割线为区分粒度的标签；当泰森多边形子区域Ω_i由P条分割线切割而成，根据式(6)赋予每条分割线一个标签，记第p条分割线p(1,2,…,P)的标签为：

其中，

表示TP接收到来自Ω_i内的AP_i的RSS，

表示TP接收到来自分割线p另一侧AP的RSS；fuz≥0且fuz越大，TP与子指纹库SDatabase_i匹配成功的可能性越大；依靠fuz与匹配成功率的相关性，实现匹配过程的动态模糊性；

步骤2子指纹库标签

当一块区域的分割线标签都已确定，该区域对应的SDatabase_i是否与TP匹配成功由P条分割线共同决定；判断子指纹库标签：

其中，

为第i个区域的第p个分割线标签；若rLab_i＝1，即来自AP_i的RSS在模糊条件下均强于周围AP，则说明TP与SDatabase_i匹配成功；否则匹配失败；

步骤3匹配局部指纹库

TP的PDatabase由标签为1的子指纹库组成，如式(8)计算：

2.根据权利要求1所述的一种克服设备差异的动态模糊匹配室内定位方法，其特征在于，步骤一中，网络空间模型具体如下：

平面空间的场景内，部署N个无线接入点AP， AP₁,AP₂,...,AP_N；场景内布置K个指纹点FP作为采集指纹信息的位置；离线阶段，在FP处采集来自N个AP的RSS与其物理位置共同组成指纹点信息，记第k个指纹点FP_k的指纹信息为FP_k＝[(x_k,y_k),(RSS_k1,RSS_k2,…,RSS_kN)]，其中k＝1,2,…,K；在线阶段，在测试点TP处采集来自N个AP的RSS组成测试点信号向量，记测试点的信号向量为TP＝[RSS₁,RSS₂,…,RSS_N]，TP的物理位置坐标为(x,y)；FP_k,TP以及AP位置共同构成了网络空间模型。

3.根据权利要求1所述的一种克服设备差异的动态模糊匹配室内定位方法，其特征在于，步骤一中，子指纹库聚类模型具体如下：

以AP作为基点，利用泰森多边形对FP_k进行聚类，生成以RSS为参考量的子指纹库，用以简化定位阶段的搜寻过程；其中，第k个指纹点FP_k的指纹信息为FP_k＝[(x_k,y_k),(RSS_k1,RSS_k2,…,RSS_kN)]，k＝1,2,…,K；FP_k聚类的过程如下：

步骤1区域分割

以N个AP为基点，对平面场景生成关于AP的泰森多边形，包含N个子区域Ω_i，其中i＝1,2,…,N；

步骤2指纹点数据录入

记录定位场景中K个指纹点的指纹信息FP₁,FP₂,…,FP_K；

步骤3指纹点聚类

以Ω_i为依据对FP_k进行聚类，当FP_k位于AP_i对应的子区域Ω_i内部，则将FP_k聚类到子指纹库SDatabase_i中，即

FP_k＝SDatabase_i，当(x_k,y_k)∈Ω_i时 (1)

其中，SDatabase_i内记录属于子区域Ω_i的所有指纹FP_k。

4.根据权利要求2所述的一种克服设备差异的动态模糊匹配室内定位方法，其特征在于，步骤一中，相似度模型具体如下：

借助评估TP与FP_k所接收到RSS的相似程度，即相似度系数，来衡量TP与FP_k之间的相关性；将相似度系数分为以欧氏距离为代表的整体相似度系数和以空间余弦量为参考的局部相似度系数；

I欧氏相似度

欧氏相似度以TP和FP_k之间信号向量的空间距离作为参考量，定义系统整体相似程度，其欧氏相似度计算如式(2)：

E(TP,FP_k)越大，给定TP与FP_k的RSS在向量空间的距离越小；

II余弦相似度

基于余弦的相似度系数则以TP和FP_k的信号向量空间方向为参考量，通过衡量两者的向量夹角建立一种局部相似度模型，计算方法如式(3)：

C(TP,FP_k)越大，给定TP与FP_k的RSS向量在空间中的夹角∠(TP,FP_k)越小。

5.根据权利要求1所述的一种克服设备差异的动态模糊匹配室内定位方法，其特征在于，步骤二具体过程为：

从同一位置采样得到的RSS信号值的频数分布中，剔除出现概率小于置信概率P₀的信号值，保留高概率信号的几何均值作为指纹点FP_k的RSS特征值，以此克服环境干扰的影响；

对于给定单位时间T内，在指纹点FP_k采集到来自AP_i的M个RSS信号为

1≤m≤M，其中第k个指纹点FP_k的指纹信息为FP_k＝[(x_k,y_k),(RSS_k1,RSS_k2,…,RSS_kN)]，k＝1,2,…,K；对于符合高斯分布的指纹信号而言，

出现的概率为：

其中，

表示平均值，σ表示标准差，则满足

的偏差系数为

从而得到

的采纳区间为

标记FP_k处关于AP_i的指纹特征信号：

其中，|·|表示符合条件·的

个数，[·]表示符合条件·的

集合。

6.根据权利要求1所述的一种克服设备差异的动态模糊匹配室内定位方法，其特征在于，步骤四具体过程为：

(1)确定基于混合相似度地近邻点集合

引入余弦相似度来衡量TP与FP_k的相似性；其中，第k个指纹点FP_k的指纹信息为FP_k＝[(x_k,y_k),(RSS_k1,RSS_k2,…,RSS_kN)]，k＝1,2,…,K；

多元欧氏相似度和余弦相似度对空间距离与角度具有不同的敏感性，定义基于空间距离和向量方向联合作用下的多元相似度系数：

式中，Sim(TP,FP_k)表示TP与FP_k的多元相似度，Sim(TP,FP_k)值越大，认为TP与FP_k的物理距离越小；其中，附加项ε＞0且存在ε→0，避免了分母为0；

在位置计算阶段采纳多元相似度最高的S个指纹点，其中1≤S≤K，并以此生成具有多元性和时效性的近邻点集合

(2)近邻点权重配置

引入环境参量env，调节近邻点对TP位置(x,y)计算的权重占比

确定具有场景特性的新权重量纲；

参量env与环境相关，需要测试确定定位场景的最佳环境变量；可针对离线阶段得到的指纹库，取场景中坐标均匀分散的位置，通过与指纹库的计算匹配，进行离线获取使定位误差最小的env作为环境参量取值；

(3)位置匹配

以近邻点集合C作为位置估算的有效备选集，基于式(10～11)确定每个

在TP位置计算中的权重，计算得到测试点TP的估计位置坐标

其中，FP_C表示C中的近邻点序列，x_C和y_C分别表示FP_C的物理横坐标和纵坐标。

Images