CN111866742B - 一种基于WiFi的室内被动式定位方法 - Google Patents

一种基于WiFi的室内被动式定位方法 Download PDF

Info

Publication number
CN111866742B
CN111866742B CN202010678294.9A CN202010678294A CN111866742B CN 111866742 B CN111866742 B CN 111866742B CN 202010678294 A CN202010678294 A CN 202010678294A CN 111866742 B CN111866742 B CN 111866742B
Authority
CN
China
Prior art keywords
rss
fixed position
value
source data
values
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
CN202010678294.9A
Other languages
English (en)
Other versions
CN111866742A (zh
Inventor
谈玲
孙雷
夏景明
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202010678294.9A priority Critical patent/CN111866742B/zh
Publication of CN111866742A publication Critical patent/CN111866742A/zh
Application granted granted Critical
Publication of CN111866742B publication Critical patent/CN111866742B/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
    • H04W4/30—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
    • 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
    • G01S5/0278—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 involving statistical or probabilistic considerations
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/10—Small scale networks; Flat hierarchical networks
    • H04W84/12—WLAN [Wireless Local Area Networks]

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开一种基于WiFi的室内被动式定位方法，该方法采用初步优化和二次优化，以及先单点后全局的优化方法对RSS值进行优化，有效避免RSS值因室内温度、湿度和障碍物不稳定带来的定位误差，从而提高定位准确性。该方法根据模糊决策理论，采用模糊决策法确定最佳AP作为无线接入点，保证了RSS数据来源的可靠性。该方法中采用K‑means方法将相似度较大的训练样本聚为一类，降低了采用D‑WKNN方法进行训练样本匹配的复杂度。该方法采用D‑WKNN方法通过动态化K值，提高了数据匹配的灵活性，优化了系统性能。该方法利用目前通用的室内WiFi网络，无需进行额外的系统搭建，成本低，实现方便。

Description

一种基于WiFi的室内被动式定位方法
技术领域：
本发明属于无线通信领域，具体涉及一种基于WiFi的室内被动式定位方法。
背景技术：
随着无线通信工具和智能手机等移动终端的普及，人们对获取位置信息的需求日益强烈，目前GPS定位技术在室外定位中取得了最广泛的应用。由于室内自然因素的干扰，GPS无法满足室内定位的要求，而网络技术的全面发展使得室内WiFi网络得以广泛应用，移动终端的普及也使得基于移动终端与WiFi的被动式人员定位成为可能。考虑到室内位置服务的较大市场空间，基于WiFi的室内定位技术必将在未来拥有广阔的市场前景。室内定位技术可分为主动定位和被动定位两种方式，出于减少室内人员手动参与度以及提高系统在盗贼入室情况下的应对速度考虑，采用被动式定位技术更灵活，更便利，因此是室内定位里更好的选择。
发明内容：
为解决上述问题，本发明提出一种基于WiFi的室内被动式定位方法，该方法的技术方案如下：
一种基于WiFi的室内被动式定位方法，包括：
1)将N*个AP随机分散部署于室内，且使每个AP发出的信号均能覆盖室内所有位置；再将三部智能手机随机部署于室内固定位置A、固定位置B和固定位置C；每个AP对三个位置的智能手机发出的探测帧分别进行捕获，并提取探测帧对应的RSS值，分别作为各AP对应固定位置A、固定位置B和固定位置C的源数据；
2)对于各AP对应固定位置A、固定位置B和固定位置C三个位置的源数据，采用加权滤波法分别获取它们的单点优化RSS值；
3)基于步骤2)得到的各AP对应固定位置B和固定位置C二个位置的单点优化RSS值，确定各AP的对数关系模型；
4)基于步骤2)得到的各AP对应固定位置A的单点优化RSS值以及步骤3)得到的各AP的对数关系模型，采用模糊决策法对N*个AP分别进行评判，保留一组最佳AP，记保留的最佳AP数目为N个，N≤N*；
5)室内多点部署智能手机，采用加权滤波法获取每一最佳AP对应各智能手机位置的单点优化RSS值，再确定全局优化的RSS训练样本数据集，然后采用K-means方法对RSS训练样本数据集进行聚类；
6)将智能手机作为待测目标，当待测目标被最佳AP识别并生成目标指纹后，采用基于权值的动态加权最近邻指纹匹配算法进行数据匹配，确定待测目标的位置坐标。
优选地，步骤1)中所述固定位置A、固定位置B、固定位置C位置不重合。
优选地，步骤1)中随机分散部署的AP数目N*取5～10个。
优选地，步骤3)中所述对数关系模型为智能手机所在位置的RSS值与智能手机所在位置到AP之间距离的对数关系模型。
优选地，步骤3)包括如下具体步骤：
3.1)任取一个AP，将固定位置B和固定位置C到所选取AP的距离以及所选取AP对应固定位置B和固定位置C的单点优化RSS值带入如下的对数关系模型，确定环境相关的路径损耗指数η和服从均值为零的正态分布随机变量τ；
p(d)＝p(d0)-10ηlg(d/d0)+τ
式中，d0为参考距离，
Figure GDA0003936481640000021
x为室内面积；
Figure GDA0003936481640000022
表示小于等于
Figure GDA0003936481640000023
的最大正整数；
p(d0)为所选取AP对应到该AP距离为d0的固定位置的单点优化RSS值；
d为固定位置B或固定位置C到所选取AP的实际距离；
p(d)为所选取AP对应固定位置B或固定位置C的单点优化RSS值；
3.2)对N*个AP中其余未选AP均采用步骤3.1)中的方法确定各AP的对数关系模型。
优选地，步骤4)包括如下具体步骤：
4.1)任选一AP，确定该AP的因素论域：U＝(||β-ζ||，||p(d)*-ζ||)；
式中，ζ为所选取AP对应固定位置A的源数据中RSS值的期望值；β为所选取AP对应固定位置A的单点优化RSS值；p(d)*为将所选取AP到固定位置A的距离带入所选取AP对应的对数关系模型所得到的RSS值；||β-ζ||表示β与ζ之间的欧式距离；||p(d)*-ζ||表示p(d)*与ζ之间的欧式距离；
4.2)确定4.1)中因素论域对应的权重向量A＝(0.5,0.5)；
4.3)确定评语等级论域V＝(v1,v2,v3,v4,v5)，v1：最佳；v2：较佳；v3：普通；v4：较差；v5：极差；
采用三角隶属函数确定隶属度：
评判等级v1：最佳对应最小欧式距离的隶属函数，其因变量隶属度相对欧氏距离的函数为：e＝-0.4x+1，0≤x≤2.5；
评判等级v2：较佳对应较小欧式距离的隶属函数，其因变量隶属度相对欧氏距离的函数为：
Figure GDA0003936481640000031
评判等级v3：普通对应中等欧式距离的隶属函数，其因变量隶属度相对欧氏距离的函数为：
Figure GDA0003936481640000032
评判等级v4：较差对应较大欧式距离的隶属函数，其因变量隶属度相对欧氏距离的函数为：
Figure GDA0003936481640000033
评判等级v5：极差对应最大欧式距离的隶属函数，其因变量隶属度相对欧氏距离的函数为：e＝0.4x-3，7.5≤x≤10；
4.4)根据隶属度建立模糊关系矩阵G：
Figure GDA0003936481640000034
再通过模糊变化将U上的模糊向量A转变为V上的模糊向量B，根据B中各数据的权值大小确定该AP的评语等级；
4.5)对N*个AP中其余未选AP均采用4.1)～4.4)的方法进行评估，保留评语等级为“最佳”的AP，将保留的AP作为一组最佳AP，记保留最佳AP数目为N个。
优选地，步骤5)包括如下具体步骤：
5.1)将室内划分为M个面积相等的矩形区域，采用分时部署的方式在每个区域中心位置部署一部智能手机，将每一部智能手机作为一个训练样本，获取每一最佳AP对应各训练样本固定位置的源数据，并采用加权滤波法获取每一最佳AP对应各训练样本固定位置的单点优化RSS值，再搭建全局优化的RSS训练样本数据集：
Figure GDA0003936481640000035
式中，rji是第i个最佳AP对应第j个训练样本固定位置的单点优化RSS值；(xj,yj)是第j个训练样本固定位置的坐标；
5.2)采用K-means方法对训练样本数据集中的单点优化RSS值进行聚类。
优选地，步骤2)和步骤5)中所述加权滤波法包括如下具体步骤：
分别计算AP对应固定位置的源数据中，每一个RSS值对应的权值，其中，源数据中第f个RSS值对应的权值wf按如下公式计算：
Figure GDA0003936481640000041
式中，RSSf为源数据中第f个RSS值；f取[1，F]中的整数；F为源数据中RSS值个数；ξ为源数据中RSS值的期望值；
设置阈值S和阈值M，其中，S＝(wmax-wmin)*10％，M＝(wmax-wmin)*50％)；wmax和wmin分别为AP对应固定位置的源数据中，各RSS值对应权值中的最大值和最小值；
将源数据中对应权值小于阈值S的RSS值作为噪声滤除，保留源数据中对应权值大于阈值M的RSS值，同时将源数据中对应权值位于阈值S和阈值M之间的RSS值作为边缘低频率RSS值，并对边缘低频率RSS值进行如下的初步加权计算：
Figure GDA0003936481640000042
式中，α为初步加权结果；RSSh为源数据中对应权值在(S,M)数据集范围内的第h个RSS值；h取[1，H]中的整数；H为源数据中边缘低频率RSS值的个数，即源数据中对应权值在(S,M)数据集范围内的RSS值的个数；wh为第h个边缘低频率RSS值的对应权值；
再按下式将对初步加权结果α与保留的RSS值进行如下的二次加权，得到二次加权结果β，并将二次加权结果β作为AP对应固定位置的单点优化RSS值：
Figure GDA0003936481640000043
式中，L为源数据中对应权值在(M,∞)数据集范围内的RSS值的个数；RSSl为源数据中对应权值在(M,∞)数据集范围内的第l个RSS值；wl为源数据中对应权值在(M,∞)数据集范围内的第l个RSS值对应的权值。
优选地，步骤6)包括如下具体步骤：
6.1)首先判断待测目标是否进入最佳AP的WiFi识别范围，若最佳AP识别到待测目标生成目标指纹，则记各最佳AP测得待测目标位置的RSS值依次为r1，r2，…，ri，…，rN，进入步骤6.2)；否则继续等待；
6.2)确定需要匹配的聚类中心，并将其放入集合Z中：
计算最佳AP分别对应各聚类中心的单点优化RSS值的均值与最佳AP测得待测目标位置的RSS值的均值之间的欧氏距离，其中，第w个聚类中心对应的欧氏距离Difw按如下公式计算：
Figure GDA0003936481640000051
式中，ri为第i个最佳AP测得待测目标位置的RSS值；
若欧式距离小于等于阈值V，则将该欧式距离对应的聚类中心放入集合Z中；其中，阈值
Figure GDA0003936481640000052
Figure GDA0003936481640000053
表示当智能手机到第i个最佳AP的距离为3米时，根据第i个最佳AP对应的对数关系模型求得的RSS值；
6.3)计算待测目标与集合Z中各聚类中心的相似度，进一步计算Z集合中各聚类中心相对待测目标的相似度权值，然后对Z集合中聚类中心的坐标进行加权平均，得到待测目标位置的最终坐标。
本发明相比于现有技术具有如下有益效果：
本发明的基于WiFi的室内被动式定位方法，采用初步优化和二次优化，以及先单点后全局的优化方法对RSS值进行优化，有效避免RSS值因室内温度、湿度和障碍物不稳定带来的定位误差，从而提高定位准确性。
本发明的基于WiFi的室内被动式定位方法，根据模糊决策理论，采用模糊决策法确定最佳AP作为无线接入点，保证了RSS数据来源的可靠性。
本发明的基于WiFi的室内被动式定位方法中采用K-means方法将相似度较大的训练样本聚为一类，降低了采用D-WKNN方法进行训练样本匹配的复杂度。
本发明的基于WiFi的室内被动式定位方法中采用D-WKNN方法通过动态化K值，提高了数据匹配的灵活性，优化了系统性能。
本发明的基于WiFi的室内被动式定位方法利用目前通用的室内WiFi网络，无需进行额外的系统搭建，成本低，实现方便。
附图说明：
图1为实施例中定位系统结构示意图；
图2为实施例中定位方法流程图；
图3为实施例中定位环境搭建示意图；
图4为实施例中距离信号发射点6米处的RSS值概率分布图；
图5为实施例中距离信号发射点9米处的RSS值概率分布图；
图6为实施例中确定隶属度的隶属函数图；
图7为应用实施例中在不采用模糊决策方法确定最佳AP的条件下定位结果的累积概率分布函数曲线图；
图8为应用实施例中在采用模糊决策方法确定最佳AP的条件下定位结果的累积概率分布函数曲线图。
具体实施方式：
下面结合具体实施例及对应附图对本发明作进一步说明。
实施例一：
本实施例采用本发明的一种基于Wifi的室内被动式定位方法，该定位方法所采用定位系统，如图1所示，包括多个WiFi-Pineapple路由器(AP)、多个智能手机、PC和数据处理服务器，WiFi-Pineapple路由器捕获智能手机所发出的探测帧，从中提取RSS值并存入数据处理服务器。数据处理服务器对RSS值数据进行优化与存储，为PC端提供训练样本数据集，PC端采用基于权值的动态最近邻D-WKNN(Dynamic Weighted K-Nearest Neighbors)指纹匹配算法对待测目标的RSS值进行数据匹配，确定待测位置坐标。如图2所示，该方法包括：
1)将N*个AP随机分散部署于室内，并使每个AP发出的信号均能覆盖室内所有位置；如图3所示，将三部智能手机随机部署在室内的固定位置A、固定位置B和固定位置C，每个AP均对三部智能手机发出的探测帧分别进行F次捕获，并提取每个探测帧对应的一个RSS值，作为各AP对应固定位置A、固定位置B和固定位置C的源数据；本实施例中采用WiFi-Pineapple路由器捕获智能手机发出的探测帧，N*取5～10，F取20～30。
2)在智能手机到AP的距离分别为6米、9米的情况下，采用WiFi-Pineapple路由器分别捕获两种情况下智能手机发出的探测帧F次，并从每个探测帧中提取一个RSS值，从提取的RSS值的结果集中发现，RSS值整体服从正态分布，即由中心开始往两侧出现的概率越低，如图4、图5所示，故采用加权滤波法对各AP对应固定位置A、固定位置B和固定位置C的源数据分别进行优化处理，得到各AP对应固定位置A、固定位置B和固定位置C的单点优化RSS值，具体步骤为：
2.1)任取一个AP，分别计算所选取AP对应固定位置A的源数据中，每一个RSS值对应的权值，其中，源数据中第f个RSS值对应的权值wf按如下公式计算：
Figure GDA0003936481640000071
式中，RSSf为源数据中第f个RSS值；f取[1，F]；F为源数据中RSS值个数；ξ为源数据中RSS值的期望值；
2.2)设置阈值S和阈值M，其中，S＝(wmax-wmin)*10％，M＝(wmax-wmin)*50％)；wmax和wmin分别为所选取AP对应固定位置A的源数据中，各RSS值对应权值中的最大值和最小值；
将源数据中对应权值小于阈值S的RSS值作为噪声滤除，保留源数据中对应权值大于阈值M的RSS值，同时将源数据中对应权值位于阈值S和阈值M之间的RSS值作为边缘低频率RSS值，并对边缘低频率RSS值进行如下的初步加权计算：
Figure GDA0003936481640000072
式中，α为初步加权结果；RSSh为源数据中对应权值在(S,M)数据集范围内的第h个RSS值；h取[1，H]中的整数；H为源数据中边缘低频率RSS值的个数，即源数据中对应权值在(S,M)数据集范围内的RSS值的个数；wh为第h个边缘低频率RSS值的对应权值；
再将对初步加权结果α与保留的RSS值进行如下的二次加权，得到二次加权结果β，并将二次加权结果β作为所选取AP对应固定位置A的单点优化RSS值：
Figure GDA0003936481640000073
式中，L为源数据中对应权值在(M,∞)数据集范围内的RSS值的个数；RSSl为源数据中对应权值在(M,∞)数据集范围内的第l个RSS值；wl为源数据中对应权值在(M,∞)数据集范围内的第l个RSS值对应的权值；
2.3)对N*个AP中其余未选AP均采用步骤2.1)和2.2)中的方法进行单点优化，得到各AP对应固定位置A的单点优化RSS值；
2.4)对固定位置B和固定位置C均采用步骤2.1)～2.3)中的方法进行单点优化，得到各AP对应固定位置A、固定位置B和固定位置C的单点优化RSS值。
3)按如下方法确定各AP对应的对数关系模型，该对数关系模型是关于智能手机所在位置的RSS值与智能手机所在位置到AP之间距离的对数关系模型：
3.1)任取一个AP，将固定位置B和固定位置C到所选取AP的距离以及所选取AP对应固定位置B和固定位置C的单点优化RSS值带入如下的对数关系模型，确定环境与相关的路径损耗指数η和服从均值为零的正态分布随机变量τ；
p(d)＝p(d0)-10ηlg(d/d0)+τ
式中，d0为参考距离，
Figure GDA0003936481640000081
x为室内面积；
Figure GDA0003936481640000082
表示小于等于
Figure GDA0003936481640000083
的最大正整数，即以x平米以内近似矩形的房间考虑，d0取
Figure GDA0003936481640000084
米；
p(d0)表示所选取AP对应到该AP距离为d0的固定位置的单点优化RSS值；
d为固定位置B或固定位置C到所选取AP的实际距离；
p(d)是所选取AP对应固定位置B或固定位置C的单点优化RSS值；
3.2)对N*个AP中其余未选AP均采用步骤3.1)中的方法确定各AP对应的对数关系模型。
4)基于步骤2)中各AP对应固定位置A的单点优化RSS值以及步骤3)中各AP对应的对数关系模型，采用模糊决策法对N*个AP分别进行评判，滤除不合格的AP，将保留下的AP作为一组最佳AP，记最佳AP数目为N≤N*：
4.1)任选一个AP，确定模糊理论中被评判对象的因素论域U＝(u1,u2)，本发明的模糊关系合成原理从两个指标对所选取AP位置选择的隶属等级状况进行综合性评估，上述两个指标包括：一，所选取AP对应固定位置A的源数据均值与所选取AP对应固定位置A的单点优化RSS值之间的契合程度；二，所选取AP对应固定位置A的源数据RSS均值与根据所选取AP对应的对数关系模型所获得的RSS值之间的契合程度。本发明采用欧式距离来上述衡量契合程度，本发明中所选AP的因素论域：
U＝(||β-ζ||，||p(d)*-ζ||)；
式中，ζ为所选取AP对应固定位置A的源数据中RSS值的期望值；β为所选取AP对应固定位置A的单点优化RSS值；p(d)*为将所选取AP到固定位置A的距离带入所选取AP对应的对数关系模型所得到的RSS值；||β-ζ||表示β与ζ之间的欧式距离；||p(d)*-ζ||表示p(d)*与ζ之间的欧式距离；
4.2)确定4.1)中因素论域对应的权重向量，本发明将4.1)中两个指标的评判权重皆定为50％，即权重向量A＝(0.5,0.5)；
4.3)确定评语等级论域V＝(v1,v2,v3,v4,v5)，本发明中V＝(最佳，较佳，普通，较差，极差)，表示AP的评定等级，若评定等级为“最佳”，即可选取此AP。构造三角隶属函数，如附图6所示，本发明采用三角隶属函数确定隶属度，其中，
最小欧式距离的隶属函数对应的评判等级为“最佳”，其因变量隶属度相对欧氏距离的函数为：e＝-0.4x+1，0≤x≤2.5；
较小欧式距离的隶属函数对应的评判等级为“较佳”，其因变量隶属度相对欧氏距离的函数为：
Figure GDA0003936481640000091
中等欧式距离的隶属函数对应的评判等级为“普通”，其因变量隶属度相对欧氏距离的函数为：
Figure GDA0003936481640000092
较大欧式距离的隶属函数对应的评判等级为“较差”，其因变量隶属度相对欧氏距离的函数为：
Figure GDA0003936481640000093
最大欧式距离的隶属函数对应的评判等级为“最佳”，其因变量隶属度相对欧氏距离的函数为：e＝0.4x-3，7.5≤x≤10；
4.4)根据隶属度建立模糊关系矩阵G：
Figure GDA0003936481640000094
其中g23为U中的因素u2隶属于v3的隶属度。进一步，通过模糊变化将U上的模糊向量A转变为V上的模糊向量B，即B＝A1*2×G2*5＝(b1,b2,b3,b4,b5)。再进一步，根据B中各数据的权值大小确定该AP的评语等级，若b1>(b2,b3,b4,b5)max，即评语等级为“最佳”，则选取该AP；
4.5)对N*个AP中其余未选AP均采用4.1)～4.4)的方法进行评估，滤除评定等级不为“最佳”的AP，保留评定等级为“最佳”的AP，将保留的AP作为一组最佳AP，将保留下来的最佳AP数目记为N个，进行下一步的定位工作。
5)基于步骤4)中的一组最佳AP，室内多点部署智能手机，将每一部智能手机作为一个训练样本，采用加权滤波法对各训练样本固定位置分别进行单点优化处理，得到每个最佳AP对应各训练样本固定位置的单点优化RSS值，再确定全局优化的RSS训练样本数据集，然后采用K-means方法对RSS训练样本数据集进行聚类，具体步骤如下：
5.1)将室内划分为M个面积相等的矩形区域，为降低成本，采用分时部署的方式在每个区域中心部署智能手机，其中每一部智能手机作为一个训练样本，获取每一最佳AP对应各训练样本固定位置的源数据，采用加权滤波法获取每一最佳AP对应各训练样本固定位置的单点优化RSS值，再搭建全局优化的RSS训练样本数据集，即根据N个最佳AP、每一最佳AP对应各训练样本的单点优化RSS值搭建RSS训练样本数据集：
Figure GDA0003936481640000101
式中，rji是第i个最佳AP对应第j个训练样本固定位置的单点优化RSS值；(xj,yj)是第j个训练样本固定位置的坐标。
其中，采用加权滤波法获取每一最佳AP对应各训练样本固定位置的单点优化RSS值的具体过程如下：
任取一个最佳AP和一个训练样本，分别计算该最佳AP对应该训练样本固定位置的源数据中，每一个RSS值对应的权值，其中，源数据中第f个RSS值对应的权值wf按如下公式计算：
Figure GDA0003936481640000102
式中，RSSf为源数据中第f个RSS值；f取[1，F]；F为源数据中RSS值个数；ξ为源数据中RSS值的期望值；
设置阈值S和阈值M，其中，S＝(wmax-wmin)*10％，M＝(wmax-wmin)*50％)；wmax和wmin分别为源数据中各RSS值对应权值中的最大值和最小值；
将源数据中对应权值小于阈值S的RSS值作为噪声滤除，保留源数据中对应权值大于阈值M的RSS值，同时将源数据中对应权值位于阈值S和阈值M之间的RSS值作为边缘低频率RSS值，并对边缘低频率RSS值进行如下的初步加权计算：
Figure GDA0003936481640000103
式中，α为初步加权结果；RSSh为源数据中对应权值在(S,M)数据集范围内的第h个RSS值；h取[1，H]中的整数；H为源数据中边缘低频率RSS值的个数，即源数据中对应权值在(S,M)数据集范围内的RSS值的个数；wh为第h个边缘低频率RSS值的对应权值；
再将对初步加权结果α与保留的RSS值进行如下的二次加权，得到二次加权结果β，并将二次加权结果β作为所选取最佳AP对应所选取训练样本固定位置的单点优化RSS值：
Figure GDA0003936481640000111
式中，L为源数据中对应权值在(M,∞)数据集范围内的RSS值的个数；RSSl为源数据中对应权值在(M,∞)数据集范围内的第l个RSS值；wl为源数据中对应权值在(M,∞)数据集范围内的第l个RSS值对应的权值；
对N个最佳AP中其余未选取的最佳AP均采用上述方法进行单点优化，得到每一最佳AP对应所选取训练样本固定位置的单点优化RSS值；
对M个训练样本中其余未选取的训练样本采用上述方法进行单点优化，得到每一最佳AP对应各训练样本固定位置的单点优化RSS值；
5.2)在进行数据匹配时，需要将目标样本与所有的训练样本进行一一匹配。当室内空间较大时，设置的多点分布智能手机的数量固然也就越多，即需要匹配的训练样本的数量也就越多，此时一般的匹配算法会因为巨大的计算量影响系统的性能。为此本发明采用K-means方法对训练样本数据集中的单点优化RSS值进行聚类，以降低了指纹匹配时的复杂度。采用K-means方法进行聚类的具体过程如下：
5.2.1)从M个训练样本中初始随机选取W个训练样本作为聚类中心，每个聚类中心对应一个类，其中，W取
Figure GDA0003936481640000112
表示小于等于
Figure GDA0003936481640000113
的最大正整数；
5.2.2)基于当前的聚类中心，按照最邻近原则将待分配的训练样本进行分配形成W个类，即对于未被选取作为聚类中心的训练样本，分别计算N个最佳AP对应该样本固定位置的单点优化RSS值的均值与N个最佳AP对应各聚类中心的单点优化RSS值的均值之间的欧式距离，并将该训练样本纳入欧式距离最小的情况下聚类中心所属的类中；
5.2.3)对W个类中任意一类，求取N个最佳AP对应该类中各训练样本固定位置的单点优化RSS值的均值的期望值，并分别计算期望值与N个最佳AP对应该类中各训练样本固定位置的单点优化RSS值的均值的欧氏距离，选取欧氏距离最小情况时的训练样本作为该类的聚类中心；
5.2.4)重复5.2.2)～5.2.3)，直到所有训练样本到其类中心的欧式距离最小情况出现，并在此情况下确定每个类最终的聚类中心。
在迭代的过程中，可以根据目标函数值来判断是否所有训练样本到其类中心的欧式距离最小的情况出现。随着迭代次数增加，目标函数值会出现先减小后增加的情况，我们选定目标函数值最小时的迭代次数为最佳迭代次数，此时所有的训练样本到其类中心的欧式距离最小，K-means算法的目标函数如下：
Figure GDA0003936481640000121
式中，μj为N个最佳AP对应第j个训练样本固定位置的单点优化RSS值的均值；cw为迭代过程中第w个聚类中心；rcw为N个最佳AP对应聚类中心cw固定位置的单点优化RSS值的均值；Swp为该训练样本是否被归纳到类cw的情况，当第j个训练样本被归类到cw时，Swp＝1，否则Swp＝0；P为各类中的训练样本的个数；W为类的个数。
5.2.5)由上所得到的W个聚类中心记为c1,c2,c3,…,cw,…,cW，则每一个最佳AP对应各聚类中心的单点优化RSS值如下所示：
Figure GDA0003936481640000122
式中，rcwi为第i个最佳AP对应第w个聚类中心固定位置的单点优化RSS值；(xcw,ycw)为第w个聚类中心固定位置的坐标。
6)将智能手机作为待测目标，待智能手机进入最佳AP的WiFi识别范围后，由WiFi-Pineapple路由器采集其识别范围内的RSS值，即生成目标指纹，采取动态加权最近邻D-WKNN(Dynamic Weighted K-Nearest Neighbors)指纹匹配算法进行数据匹配，确定待测目标的位置坐标。聚类训练样本之后便可采用基于权值的动态最近邻指纹匹配算法进行数据匹配，基于权值的动态最近邻指纹匹配算法(D-WKNN)是对WKNN算法的改进，在WKNN算法中K值是固定的，即进行指纹匹配时可能会引入噪声较大的样本点指纹，造成匹配误差。D-WKNN算法中的K值是动态变化的，它可以根据阈值的设立抛弃一些噪声较大的聚类中心同时收纳一些质量较高的聚类中心，从而进行更加精确的指纹匹配，步骤6的具体过程如下：
6.1)首先判断待测目标是否进入最佳AP的WiFi识别范围，即采用最佳AP(WiFi-Pineapple路由器)采集其识别范围内的RSS值，若最佳AP识别到待测目标生成目标指纹，记各最佳AP测得待测目标位置的RSS值依次为r1，r2，…，ri，…，rN，则进入步骤6.2)，否则继续等待；
6.2)确定需要匹配的聚类中心，并将其放入集合Z中：
按如下公式计算一组最佳AP分别对应聚类中心c1,c2,c3,…,cw,…,cW的单点优化RSS值的均值与一组最佳AP测得待测目标位置的RSS值的均值之间的欧氏距离Dif1,Dif2,Dif3,…,Difw,…,DifW，若Difw小于等于阈值V，则将对应的聚类中心cw纳入集合Z中；
Figure GDA0003936481640000131
式中，ri为第i个最佳AP测得待测目标位置RSS值；
V为阈值，
Figure GDA0003936481640000132
其中
Figure GDA0003936481640000133
表示当智能手机到第i个AP的距离为3米时，根据第i个最佳AP对应的对数关系模型求得的RSS值；
记Z＝{ca,cb,…,cz}，且集合Z∈{c1,c2,c3,…,cw,…,cW}；
6.3)计算待测目标与集合Z中各聚类中心的相似度，待测目标与Z中各聚类中心的相似度定义为：
Figure GDA0003936481640000134
式中，rcai为第i个最佳AP对应聚类中心ca固定位置的单点优化RSS值；resa为待测目标与聚类中心ca之间的相似度；
为了对相似度进行归一化处理，计算Z集合中各聚类中心相对待测目标的相似度权值：
Figure GDA0003936481640000141
resa为待测目标与聚类中心ca之间的相似度；resb为待测目标与聚类中心cb之间的相似度；resz为待测目标与聚类中心cz之间的相似度；rcai为第i个最佳AP对应聚类中心ca固定位置的单点优化RSS值；
对Z集合中聚类中心的坐标进行加权平均，得到待测位置的最终坐标(x,y)：
Figure GDA0003936481640000142
式中，(xca,yca)为聚类中心ca的位置坐标；(xcb,ycb)为聚类中心cb的位置坐标；(xcz,ycz)为聚类中心cz的位置坐标。
应用实施例：
本应用实施例对某室内环境模拟实施本发明的室内被动式定位方法并做了对比模拟实验，模拟实施过程和对比模拟实验过程以及对应的实验结果如下：
本应用实施例在不采用步骤4)模糊决策方法确定最佳AP的条件下，分别采用本发明的定位方法、WKNN算法(K＝4)与KNN(K＝4)算法对室内待测目标进行定位，其定位结果的累积概率分布函数曲线图，如图7所示，其平均误差分别为3.51米、4.50米、6.49米，该结果表明本发明定位方法的精确度较高。
本应用实施例还在采用步骤4)模糊决策方法确定最佳AP的条件下，分别采用本发明的定位方法与KNN算法(K＝4)对室内待测目标进行定位，其定位结果的累积分布函数曲线图，如图8所示，本发明方法和KNN算法的平均距离误差分别为3.39米和4.31米。特别是本发明方法的精度在3.09米以内为50％，而KNN算法的精度在4.10米以内为50％，该结果表明本发明步骤4)模糊决策方法会进一步提高定位的精确度。

Claims (5)

1.一种基于WiFi的室内被动式定位方法，其特征在于：包括：
1)将N*个AP随机分散部署于室内，且使每个AP发出的信号均能覆盖室内所有位置；再将三部智能手机随机部署于室内固定位置A、固定位置B和固定位置C；每个AP对三个位置的智能手机发出的探测帧分别进行捕获，并提取探测帧对应的RSS值，分别作为各AP对应固定位置A、固定位置B和固定位置C的源数据；
2)对于各AP对应固定位置A、固定位置B和固定位置C三个位置的源数据，采用加权滤波法分别获取它们的单点优化RSS值；
3)基于步骤2)得到的各AP对应固定位置B和固定位置C二个位置的单点优化RSS值，确定各AP的对数关系模型；所述对数关系模型为智能手机所在位置的RSS值与智能手机所在位置到AP之间距离的对数关系模型；步骤3)包括如下具体步骤：
3.1)任取一个AP，将固定位置B和固定位置C到所选取AP的距离以及所选取AP对应固定位置B和固定位置C的单点优化RSS值带入如下的对数关系模型，确定环境相关的路径损耗指数η和服从均值为零的正态分布随机变量τ；
p(d)＝p(d0)-10ηlg(d/d0)+τ
式中，d0为参考距离，
Figure FDA0003923446960000011
x为室内面积；
Figure FDA0003923446960000012
表示小于等于
Figure FDA0003923446960000013
的最大正整数；
p(d0)为所选取AP对应到该AP距离为d0的固定位置的单点优化RSS值；
d为固定位置B或固定位置C到所选取AP的实际距离；
p(d)为所选取AP对应固定位置B或固定位置C的单点优化RSS值；
3.2)对N*个AP中其余未选AP均采用步骤3.1)中的方法确定各AP的对数关系模型；
4)基于步骤2)得到的各AP对应固定位置A的单点优化RSS值以及步骤3)得到的各AP的对数关系模型，采用模糊决策法对N*个AP分别进行评判，保留一组最佳AP，记保留的最佳AP数目为N个，N≤N*；步骤4)包括如下具体步骤：
4.1)任选一AP，确定该AP的因素论域：U＝(||β-ζ||，||p(d)*-ζ||)；
式中，ζ为所选取AP对应固定位置A的源数据中RSS值的期望值；β为所选取AP对应固定位置A的单点优化RSS值；p(d)*为将所选取AP到固定位置A的距离带入所选取AP对应的对数关系模型所得到的RSS值；||β-ζ||表示β与ζ之间的欧式距离；||p(d)*-ζ||表示p(d)*与ζ之间的欧式距离；
4.2)确定4.1)中因素论域对应的权重向量A＝(0.5,0.5)；
4.3)确定评语等级论域V＝(v1,v2,v3,v4,v5)，v1：最佳；v2：较佳；v3：普通；v4：较差；v5：极差；
采用三角隶属函数确定隶属度：
评判等级v1：最佳对应最小欧式距离的隶属函数，其因变量隶属度相对欧氏距离的函数为：e＝-0.4x+1，0≤x≤2.5；
评判等级v2：较佳对应较小欧式距离的隶属函数，其因变量隶属度相对欧氏距离的函数为：
Figure FDA0003923446960000021
评判等级v3：普通对应中等欧式距离的隶属函数，其因变量隶属度相对欧氏距离的函数为：
Figure FDA0003923446960000022
评判等级v4：较差对应较大欧式距离的隶属函数，其因变量隶属度相对欧氏距离的函数为：
Figure FDA0003923446960000023
评判等级v5：极差对应最大欧式距离的隶属函数，其因变量隶属度相对欧氏距离的函数为：e＝0.4x-3，7.5≤x≤10；
4.4)根据隶属度建立模糊关系矩阵G：
Figure FDA0003923446960000024
再通过模糊变化将U上的模糊向量A转变为V上的模糊向量B，根据B中各数据的权值大小确定该AP的评语等级；
4.5)对N*个AP中其余未选AP均采用4.1)～4.4)的方法进行评估，保留评语等级为“最佳”的AP，将保留的AP作为一组最佳AP，记保留最佳AP数目为N个；
5)室内多点部署智能手机，采用加权滤波法获取每一最佳AP对应各智能手机位置的单点优化RSS值，再确定全局优化的RSS训练样本数据集，然后采用K-means方法对RSS训练样本数据集进行聚类；
步骤2)和步骤5)中所述加权滤波法包括如下具体步骤：
分别计算AP对应固定位置的源数据中，每一个RSS值对应的权值，其中，源数据中第f个RSS值对应的权值wf按如下公式计算：
Figure FDA0003923446960000031
式中，RSSf为源数据中第f个RSS值；f取[1，F]中的整数；F为源数据中RSS值个数；ξ为源数据中RSS值的期望值；
设置阈值S和阈值M，其中，S＝(wmax-wmin)*10％，M＝(wmax-wmin)*50％)；wmax和wmin分别为AP对应固定位置的源数据中，各RSS值对应权值中的最大值和最小值；
将源数据中对应权值小于阈值S的RSS值作为噪声滤除，保留源数据中对应权值大于阈值M的RSS值，同时将源数据中对应权值位于阈值S和阈值M之间的RSS值作为边缘低频率RSS值，并对边缘低频率RSS值进行如下的初步加权计算：
Figure FDA0003923446960000032
式中，α为初步加权结果；RSSh为源数据中对应权值在(S,M)数据集范围内的第h个RSS值；h取[1，H]中的整数；H为源数据中边缘低频率RSS值的个数，即源数据中对应权值在(S,M)数据集范围内的RSS值的个数；wh为第h个边缘低频率RSS值的对应权值；
再按下式将对初步加权结果α与保留的RSS值进行如下的二次加权，得到二次加权结果β，并将二次加权结果β作为AP对应固定位置的单点优化RSS值：
Figure FDA0003923446960000033
式中，L为源数据中对应权值在(M,∞)数据集范围内的RSS值的个数；RSSl为源数据中对应权值在(M,∞)数据集范围内的第l个RSS值；wl为源数据中对应权值在(M,∞)数据集范围内的第l个RSS值对应的权值；
6)将智能手机作为待测目标，当待测目标被最佳AP识别并生成目标指纹后，采用基于权值的动态加权最近邻指纹匹配算法进行数据匹配，确定待测目标的位置坐标。
2.根据权利要求1所述的基于WiFi的室内被动式定位方法，其特征在于：步骤1)中所述固定位置A、固定位置B、固定位置C位置不重合。
3.根据权利要求2所述的基于WiFi的室内被动式定位方法，其特征在于：步骤1)中随机分散部署的AP数目N*取5～10个。
4.根据权利要求3所述的基于WiFi的室内被动式定位方法，其特征在于：步骤5)包括如下具体步骤：
5.1)将室内划分为M个面积相等的矩形区域，采用分时部署的方式在每个区域中心位置部署一部智能手机，将每一部智能手机作为一个训练样本，获取每一最佳AP对应各训练样本固定位置的源数据，并采用加权滤波法获取每一最佳AP对应各训练样本固定位置的单点优化RSS值，再搭建全局优化的RSS训练样本数据集：
Figure FDA0003923446960000041
式中，rji是第i个最佳AP对应第j个训练样本固定位置的单点优化RSS值；(xj,yj)是第j个训练样本固定位置的坐标；
5.2)采用K-means方法对训练样本数据集中的单点优化RSS值进行聚类。
5.如权利要求4所述的基于WiFi的室内被动式定位方法，其特征在于：步骤6)包括如下具体步骤：
6.1)首先判断待测目标是否进入最佳AP的WiFi识别范围，若最佳AP识别到待测目标生成目标指纹，则记各最佳AP测得待测目标位置的RSS值依次为r1，r2，…，ri，…，rN，进入步骤6.2)；否则继续等待；
6.2)确定需要匹配的聚类中心，并将其放入集合Z中：
计算最佳AP分别对应各聚类中心的单点优化RSS值的均值与最佳AP测得待测目标位置的RSS值的均值之间的欧氏距离，其中，第w个聚类中心对应的欧氏距离Difw按如下公式计算：
Figure FDA0003923446960000042
式中，ri为第i个最佳AP测得待测目标位置的RSS值；rcwi为第i个最佳AP对应第w个聚类中心固定位置的单点优化RSS值；
若欧式距离小于等于阈值V，则将该欧式距离对应的聚类中心放入集合Z中；其中，阈值
Figure FDA0003923446960000051
Figure FDA0003923446960000052
表示当智能手机到第i个最佳AP的距离为3米时，根据第i个最佳AP对应的对数关系模型求得的RSS值；
6.3)计算待测目标与集合Z中各聚类中心的相似度，进一步计算Z集合中各聚类中心相对待测目标的相似度权值，然后对Z集合中聚类中心的坐标进行加权平均，得到待测目标位置的最终坐标。
CN202010678294.9A 2020-07-15 2020-07-15 一种基于WiFi的室内被动式定位方法 Active CN111866742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010678294.9A CN111866742B (zh) 2020-07-15 2020-07-15 一种基于WiFi的室内被动式定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010678294.9A CN111866742B (zh) 2020-07-15 2020-07-15 一种基于WiFi的室内被动式定位方法

Publications (2)

Publication Number Publication Date
CN111866742A CN111866742A (zh) 2020-10-30
CN111866742B true CN111866742B (zh) 2022-12-20

Family

ID=72983490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010678294.9A Active CN111866742B (zh) 2020-07-15 2020-07-15 一种基于WiFi的室内被动式定位方法

Country Status (1)

Country Link
CN (1) CN111866742B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104936148B (zh) * 2015-07-03 2018-04-27 中南大学 一种基于模糊knn的wifi室内定位方法
CN108616982A (zh) * 2018-04-12 2018-10-02 南京信息工程大学 一种智能建筑微区域内被动式人员定位及统计方法
CN108989976B (zh) * 2018-06-04 2020-09-11 华中师范大学 一种智慧教室内的指纹定位方法及系统
CN110366244B (zh) * 2019-08-02 2020-12-22 无锡职业技术学院 一种WiFi指纹室内定位方法

Also Published As

Publication number Publication date
CN111866742A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
US10884112B2 (en) Fingerprint positioning method and system in smart classroom
CN109743683B (zh) 一种采用深度学习融合网络模型确定手机用户位置的方法
CN110557716A (zh) 一种基于对数正态模型的室内定位方法
CN105898713A (zh) 一种基于加权余弦相似度的WiFi指纹室内定位方法
CN110049549B (zh) 基于WiFi指纹的多融合室内定位方法及其系统
CN108627798B (zh) 基于线性判别分析和梯度提升树的wlan室内定位算法
CN111586605B (zh) 基于邻近加权自适应k值的KNN的室内目标定位方法
CN109143161B (zh) 基于混合指纹质量评价模型的高精度室内定位方法
CN110351660A (zh) 一种基于双步指纹匹配架构的蓝牙室内定位方法
CN108225332B (zh) 基于监督的室内定位指纹地图降维方法
CN106128466A (zh) 身份向量处理方法和装置
Ma et al. A novel indoor fingerprint localization system based on distance metric learning and AP selection
Chen et al. A wifi indoor localization method based on dilated cnn and support vector regression
CN109121081B (zh) 一种基于位置候选集与em算法的室内定位方法
CN116665001A (zh) 一种智慧园区多源数据动态监控和实时分析系统及方法
CN110290466B (zh) 楼层判别方法、装置、设备及计算机存储介质
CN111465093A (zh) 指纹定位方法、装置、电子设备及计算机存储介质
Huan et al. Indoor location fingerprinting algorithm based on path loss parameter estimation and bayesian inference
CN111757257B (zh) 一种克服设备差异的动态模糊匹配室内定位方法
CN111866742B (zh) 一种基于WiFi的室内被动式定位方法
CN112801268A (zh) 基于图卷积和多层感知机混合网络的定位方法
Hou et al. FCLoc: A novel indoor Wi-Fi fingerprints localization approach to enhance robustness and positioning accuracy
CN109803234B (zh) 基于权值重要度约束的无监督融合定位方法
CN114584230B (zh) 一种基于对抗网络与长短期记忆网络的预测信道建模方法
CN108519579B (zh) 基于区间重叠度分析优选AP的WiFi指纹定位方法

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
GR01 Patent grant
GR01 Patent grant