CN111935817B - 一种基于八阵图的ap选取定位方法、装置及智能设备 - Google Patents

一种基于八阵图的ap选取定位方法、装置及智能设备 Download PDF

Info

Publication number
CN111935817B
CN111935817B CN202010588243.7A CN202010588243A CN111935817B CN 111935817 B CN111935817 B CN 111935817B CN 202010588243 A CN202010588243 A CN 202010588243A CN 111935817 B CN111935817 B CN 111935817B
Authority
CN
China
Prior art keywords
points
attenuation
calibration
selecting
calculating
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
CN202010588243.7A
Other languages
English (en)
Other versions
CN111935817A (zh
Inventor
李清泉
张德津
薛卫星
周宝定
陈智鹏
余科根
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202010588243.7A priority Critical patent/CN111935817B/zh
Publication of CN111935817A publication Critical patent/CN111935817A/zh
Application granted granted Critical
Publication of CN111935817B publication Critical patent/CN111935817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • 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
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/345—Interference values
    • 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
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination

Abstract

本发明公开了一种基于八阵图的AP选取定位方法、装置及智能设备，所述方法包括：在室内环境中选取若干校准点和若干测试点；对于各校准点分别提取位置指纹，得到位置指纹数据库；根据选取的校准点和测试点间，计算定位区域AP的衰减方向，包括采用KNN算法筛选出距离测试点距离最近的若干校准点，采用K‑means算法对RSSI值聚类，将这K个邻近参考点聚成两类，由这两个聚类的坐标中心来计算AP的衰减方向；采用基于八阵图的方向间隔标准选取衰减方向组合最优的四个AP；选择这四个AP计算该测试点的估计位置。本发明具有更好的定位精度和抗干扰性。

Description

一种基于八阵图的AP选取定位方法、装置及智能设备
技术领域
本发明涉及定位技术领域，尤其涉及的是一种基于八阵图的AP选取定位方法、装置、智能设备及存储介质。
背景技术
AP(Access Point)：即无线接入点，它用于无线网络的无线交换机，也是无线网络的核心。无线AP是移动计算机用户进入有线网络的接入点，主要用于宽带家庭、大楼内部以及园区内部，可以覆盖几十米至上百米。
为了降低智能手机定位的能耗，提出了AP选取算法。Youssef M等人提出了基于最大均值(Max Mean)的算法，选择RSSI平均值最大的数个AP 用于在线定位。Chen Y等人提出了基于位置信息增益的AP选取算法，选择最具位置辨别力的AP。
但是，AP(无线接入点)位置识别能力高并不一定代表该AP的RSSI (ReceivedSignal Strength Indication接收的信号强度指示)质量高； RSSI质量差的AP，由于信号微弱而更不稳定，可能会导致更多的位置差异。 Fang S等人提出了基于主成分分析(Principal Component Analysis，PCA) 的AP选取算法，通过对RSSI(接收的信号强度指示)进行主成分变换得到多个主成分(Principal Component，PC)，每个PC(主成分)可以看作是多个AP组合的结果，然后选取一定数量的PC(主成分)用于在线定位。但是，在Wi-FiRSSI非视距传播和多径干扰严重的室内场景中，RSSI信号很可能无法形成主成分。Zhang W等人在基于主梯度方向的算法中，估计了每个AP的主梯度衰减方向，这是一个有趣的尝试。然而，在无线信号经过反射、折射或衍射后，AP的传播方向会发生改变。因此，同一个AP在不同区域的衰减方向是不同的，定位小区域的AP衰减方向比主梯度方向更有实用价值。
发明人发现现有技术中存在AP选取定位精度不高，抗干扰性不好，通用性不强的问题。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于八阵图的AP选取定位方法、装置、智能设备及存储介质，本发明实施例的AP选取定位精度高，抗干扰性能力强，并且通用性强。
本发明解决问题所采用的技术方案如下：
一种基于八阵图的AP选取定位方法，其中，所述方法包括：
在室内环境中选取若干校准点和若干测试点；
对于各校准点分别提取位置指纹，得到位置指纹数据库；
根据选取的校准点和测试点间，计算定位区域AP的衰减方向；
采用基于八阵图的方向间隔标准选取衰减方向组合最优的四个AP；
根据筛选的四个AP，计算测试点的估计位置。
所述的基于八阵图的AP选取定位方法，其中，所述在室内环境中选取若干校准点和若干测试点的步骤包括：
在室内环境中选取若干校准点，采集校准点处的接收信号强度指示数据，作为校准点数据；
随机选取若干测试点，采集测试点处的接收信号强度指示数据，作为测试点数据。
所述的基于八阵图的AP选取定位方法，其中，所述对于各校准点分别提取位置指纹，得到位置指纹数据库的步骤包括：
剔除接收信号强度指标数据丢失率高于预定值的WiFi信号源；
对接收信号强度指标观测值数据从强到弱依次排序，计算前指定个接收信号强度指标观测值的平均值作为接收信号强度指标估计值；
将接收信号强度指标估计值和校准点的位置信息关联组成该校准点的位置指纹；
提取所有校准点的位置指纹，得到位置指纹数据库。
所述的基于八阵图的AP选取定位方法，其中，所述根据选取的校准点和测试点间，计算定位区域AP的衰减方向的步骤包括：
计算所有校准点和测试点间的欧式距离，并筛选出距离测试点欧式距离最近的k个校准点，k为预设的筛选数目；
根据筛选的k个校准点，采用K-means算法对RSSI值聚类，将K个邻近校准点聚成两类；
根据聚类出来的两组邻近校准点，得到这两个聚类的坐标中心，由两个聚类的坐标中心来计算AP的衰减方向。
所述的基于八阵图的AP选取定位方法，其中，所述采用基于八阵图的方向间隔标准选取衰减方向组合最优的四个AP的步骤包括：
根据计算的AP衰减方向，依次计算每两个AP衰减方向之间的夹角，选取最接近
Figure GDA0003525402940000031
的夹角，并将其对应的两个AP衰减方向作为直角坐标系中的两个方向轴，计为axis1和axis2；
根据筛选的axis1和axis2，初步计算第三个轴的方向，采用如下公式计算，
Figure GDA0003525402940000041
计算其余M-2个AP衰减方向和axis3′之间的差，选取与axis3′差值最小的 AP衰减方向作为axis3；
根据筛选的axis3，根据axis4'和axis3的垂直关系计算axis4'，采用如下公式计算，
Figure GDA0003525402940000042
得到衰减方向组合最优的四个AP。
所述的基于八阵图的AP选取定位方法，其中，所述根据筛选的四个AP，计算测试点的估计位置的步骤包括：
根据筛选的四个AP，采用如下公式计算该测试点的估计位置，
Figure GDA0003525402940000043
其中，
Figure GDA0003525402940000044
表示测试点的二维坐标估计值，(xi,yi)表示第i个校准点的坐标。
所述的基于八阵图的AP选取定位方法，其中，所述对于各校准点分别提取位置指纹，得到位置指纹数据库步骤中对于各校准点分别提取位置指纹的实现方式包括：对RSSI观测值数据从强到弱依次排序，计算前面若干个RSSI观测值的平均值作为RSSI估计值，将RSSI估计值和校准点的位置信息关联起来组成位置指纹。
一种基于八阵图的AP选取定位装置，其中，所述装置包括：
校准点和测试点选取模块，用于在室内环境中选取若干校准点和若干测试点；
位置指纹提取模块，用于对于各校准点分别提取位置指纹，得到位置指纹数据库；
衰减处理模块，用于根据选取的校准点和测试点间，计算定位区域AP 的衰减方向；
组合选取模块，用于采用基于八阵图的方向间隔标准选取衰减方向组合最优的四个AP；
位置处理模块，用于根据筛选的四个AP，计算测试点的估计位置。
一种智能设备，其中，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行任意一项所述的方法。
一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上任意一项所述的方法。
本发明的有益效果：本发明提供了一种基于八阵图的AP选取定位方法。本发明方法适用于基于Wi-Fi RSSI的室内定位，是在现阶段根据定位小区域的AP衰减方向对Wi-Fi热点进行选取的定位方法；所述方法采用在室内环境中选取若干校准点和若干测试点，对于各校准点分别提取位置指纹，得到位置指纹库；计算定位小区域AP的衰减方向，包括采用KNN算法筛选出距离测试点距离最近的若干校准点，采用K-means算法对RSSI值聚类，将这K个邻近参考点聚成两类，由这两个聚类的坐标中心来计算AP的衰减方向；采用基于八阵图的方向间隔标准选取衰减方向组合最优的四个AP；选择这四个AP计算该测试点的估计位置。本发明具有更好的定位精度和抗干扰性。
与现有技术相比，本发明具有如下有益技术效果：
(1)现有技术的MaxMean、InfoGain或PCA算法是通过RSSI(接收的信号强度指示)数值大小、位置信息增益或主成分变换进行AP选取，然而，这些算法都没有考虑AP衰减方向对AP选取的影响，导致定位结果不够准确。
本发明所提出新的AP选取方案基于AP的衰减方向，不仅提出定位小区域的AP衰减方向，并以此为基础进行AP筛选；而且使用八阵图的方向间隔，选取定位小区域衰减方向组合最优的四个AP进行在线定位，本发明具有较高的定位精度；
(2)本发明的基于八阵图的AP选取方法具有更高的精度。本发明的定位精度优于MaxMean、InfoGain和PCA算法的定位精度；
(3)由于新策略根据八阵图提供的方向组合标准优化AP衰减方向组合，提出的AP选择算法可以应用于Wi-Fi RSSI受到多径干扰的室内场景，从而具有很好的通用性，具有重要的市场价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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基于八阵图的AP选取定位方法的流程示意图。
图2是本发明实施例提供的基于八阵图的AP选取定位方法的实验方案分布示意图。
图3是本发明实施例提供的基于八阵图的的AP选取定位方法的 MaxMean、InfoGain和PCA算法在APs/PCs数为1～20时的平均误差示意图。
图4是本发明实施例的AP选取定位方法的定位的累积分布函数(CDF) 示意图。
图5是本发明实施例提供的基于八阵图的AP选取定位装置的原理框图。
图6是本发明实施例提供的智能设备的内部结构原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
AP(Access Point)：即无线接入点，它用于无线网络的无线交换机，也是无线网络的核心。无线AP是移动计算机用户进入有线网络的接入点，主要用于宽带家庭、大楼内部以及园区内部，可以覆盖几十米至上百米。
基于Wi-Fi的无线局域网实时定位系统(Wi-Fi RTLS)结合无线局域网络(WLAN)、射频识别(RFID)和实时定位等多种技术，广泛地应用在有无线局域网覆盖的区域，实现复杂的人员定位、监测和追踪任务，并准确搜寻到目标对象，实现对人员和物品的实时定位和监控管理。
发明人发现现有技术中存在AP选取定位精度不高，抗干扰性不好，通用性不强的问题，
为了解决上述技术问题，本发明实施例提供了一种基于八阵图的AP选取定位方法。所述方法采用基于八阵图的AP选取方法，包括在室内环境中选取若干校准点和若干测试点，对于各校准点分别提取位置指纹，得到位置指纹库；计算定位小区域AP的衰减方向，包括采用KNN算法筛选出距离测试点距离最近的若干校准点，采用K-means算法对RSSI值聚类，将这K个邻近参考点聚成两类，由这两个聚类的坐标中心来计算AP的衰减方向；采用基于八阵图的方向间隔标准选取衰减方向组合最优的四个AP；选择这四个 AP计算该测试点的估计位置。本发明具有更好的定位精度和抗干扰性。
示例性方法
如图1中所示，本发明实施例提供一种基于八阵图的AP选取定位方法，所述基于八阵图的AP选取定位可以应用于室内定位或导航定位的智能设备。在本发明实施例中，所述基于八阵图的AP选取定位方法包括如下步骤：
步骤S100：在室内环境中选取若干校准点和若干测试点。
本发明实施例中可以在室内环境中选取若干校准点，采集校准点处的 RSSI(接收信号强度指示)数据，作为校准点数据；然后随机选取若干测试点，采集测试点处的RSSI数据，作为测试点数据。
本实施例中如图2所示，在室内环境中选取40个校准点(图2中实心圆形标识)，随机选取40个测试点，先后采集各校准点处和各测试点处的 WiFi接收信号强度指标(RSSI)，采用1秒的采样率，采集约40秒，将采集的RSSI数据储存到移动端，移动端可利用现有设备，例如手机。
步骤S200：对于各校准点分别提取位置指纹，得到位置指纹库；
本发明实施例中对于各校准点，分别执行以下操作，提取位置指纹库：
剔除RSSI(接收信号强度指标)数据丢失率较高(高于85％)的WiFi 信号源；对RSSI(接收信号强度指标)观测值数据从强到弱依次排序，计算前指定个例如5个RSSI观测值的平均值作为RSSI估计值；将RSSI(接收信号强度指标)估计值和校准点的位置信息关联起来组成该校准点的位置指纹。
提取所有校准点的位置指纹完成后，得到位置指纹库。
“位置指纹”把实际环境中的位置和某种“指纹”联系起来，一个位置对应一个独特的指纹。这个指纹可以是单维或多维的，比如待定位设备在接收或者发送信息，那么指纹可以是这个信息或信号的一个特征或多个特征(最常见的是信号强度)。如果待定位设备是在发送信号，由一些固定的接收设备感知待定位设备的信号或信息然后给它定位，这种方式常常叫做远程定位或者网络定位。如果是待定位设备接收一些固定的发送设备的信号或信息，然后根据这些检测到的特征来估计自身的位置，这种方式可称为自身定位。待定位移动设备也许会把它检测到的特征传达给网络中的服务器节点，服务器可以利用它所能获得的所有信息来估计移动设备的位置，这种方式可称为混合定位。
步骤S300，据选取的校准点和测试点间，计算定位区域AP的衰减方向。
本实施例中，据选取的校准点和测试点间，计算定位小区域AP(无线接入点)的衰减方向，包括以下子步骤；
步骤3.1，计算所有校准点和测试点间的欧式距离，并筛选出距离测试点欧式距离最近的k个校准点，k为预设的筛选数目；
(所谓欧式距离：指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离)
计算测试点与指纹数据库中所有校准点之间的信号空间欧氏距离Li，采用如下公式计算，
Figure GDA0003525402940000091
其中，i是校准点的编号，此步骤中i＝1,2,…N，N是步骤S100选取的校准点的总数；j是WiFi信号源的编号，M是WiFi信号源的个数，j＝1,2,… M；dj是测试点到第j个WiFi信号源的距离，
Figure GDA0003525402940000092
是第i个校准点到第j个WiFi信号源的距离，RSSI(dj)是测试点接收的第j个WiFi信号源的信号强度，
Figure GDA0003525402940000101
是第i个校准点接收的第j个WiFi信号源的信号强度。
对计算出来的测试点与所有校准点之间的距离从小到大排序，筛选出距离测试点欧式距离最近的k个校准点，k为预设的筛选数目，本实施例中 k的数值优选取5。
步骤3.2，基于步骤3.1筛选的k个校准点，采用K-means算法对RSSI 值聚类，将这K个邻近校准点聚成两类；
k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法，其步骤是：预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。
步骤3.3，基于步骤3.2聚类出来的两组邻近校准点，得到这两个聚类的坐标中心，由这两个聚类的坐标中心来计算AP的衰减方向；
基于步骤3.2聚类出来的两组邻近校准点，由这两个聚类的坐标中心来计算AP的衰减方向，采用如下公式计算，
Figure GDA0003525402940000102
其中，
Figure GDA0003525402940000103
和
Figure GDA0003525402940000104
表示两个聚类的坐标中心。
步骤S400，采用基于八阵图的方向间隔标准选取衰减方向组合最优的四个AP。
本发明实施例中，采用基于八阵图的方向间隔标准选取衰减方向组合最优的四个AP，包括以下子步骤：
步骤4.1，基于步骤S300计算的AP衰减方向，依次计算每两个AP衰减方向之间的夹角，选取最接近
Figure GDA0003525402940000111
的夹角，并将其对应的两个AP衰减方向作为直角坐标系中的两个方向轴，计为axis1和axis2；
步骤4.2，基于步骤4.1筛选的axis1和axis2，初步计算第三个轴的方向，采用如下公式计算，
Figure GDA0003525402940000112
再计算其余M-2个AP衰减方向和axis3′之间的差，选取与axis3′差值最小的AP衰减方向作为axis3；
步骤4.3，基于步骤4.2筛选的axis3，根据axis4'和axis3的垂直关系计算axis4'，采用如下公式计算，
Figure GDA0003525402940000113
步骤S500，根据筛选的四个AP，计算测试点的估计位置。
基于步骤S400筛选的四个AP，计算该测试点的估计位置，采用如下公式计算，
Figure GDA0003525402940000114
其中，
Figure GDA0003525402940000115
表示测试点的二维坐标估计值，(xi,yi)表示第i个校准点的坐标，k表示距离测试点欧式距离最近的校准点的个数，本实施例中k的数值取5。
本实施例的测试点的真实位置(x,y)与估计位置
Figure GDA0003525402940000116
的误差err计算如下：
Figure GDA0003525402940000117
运用以上流程，可以估计任意测试点的位置。
为验证估计结果的可靠性，本实施例的实验结果如下，其中四种AP选取方法(MaxMean、InfoGain、PCA和本发明的方法)定位结果的位置误差统计请见表1：
表1位置误差统计
Figure GDA0003525402940000121
在某大学科技楼14楼进行了实验用来评估提出的新方法的性能。实验区域总面积大小约为60m2(10m*6m)。总共采集了40个校准点和40个测试点。校准点和测试点的物理位置请见图2，其中实心圆形代表校准点。
首先分析不同APs/PCs数对MaxMean、InfoGain和PCA算法定位精度的影响。精度指标采用平均位置误差。图3显示了APs/PCs的数量从1到 20时，MaxMean、InfoGain和PCA算法的平均位置误差。当APs/PCs的数量分别为11、7和11时，MaxMean、InfoGain和PCA的平均位置误差最小。因此，采用11、7和11作为MaxMean、InfoGain和PCA的APs/PCs数量。
然后，分析MaxMean、InfoGain、PCA和本发明的方法(Proposed)四种不同定位方法对定位精度的影响。从图4所示的结果中，可以看出，本发明的方法比其他算法获得更好的定位精度。
由上可见，本发明实施例的AP选取定位精度高，抗干扰性能力强，并且通用性强。
示例性设备
如图5中所示，本发明实施例提供一种基于八阵图的AP选取定位装置，所述装置包括：
校准点和测试点选取模块510，用于在室内环境中选取若干校准点和若干测试点；
位置指纹提取模块520，用于对于各校准点分别提取位置指纹，得到位置指纹数据库；
衰减处理模块530，用于根据选取的校准点和测试点间，计算定位区域 AP的衰减方向；
组合选取模块540，用于采用基于八阵图的方向间隔标准选取衰减方向组合最优的四个AP；
位置处理模块550，用于根据筛选的四个AP，计算测试点的估计位置。
基于上述实施例，本发明还提供了一种智能设备，其原理框图可以如图6所示。该智能设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该智能设备的处理器用于提供计算和控制能力。该智能设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于八阵图的AP选取定位方法。该智能设备的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图6中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能设备的限定，具体的智能设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能设备，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
在室内环境中选取若干校准点和若干测试点；
对于各校准点分别提取位置指纹，得到位置指纹数据库；
根据选取的校准点和测试点间，计算定位区域AP的衰减方向；
采用基于八阵图的方向间隔标准选取衰减方向组合最优的四个AP；
据筛选的四个AP，计算测试点的估计位置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态 RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种基于八阵图的AP选取定位方法、装置及存储介质，本发明方法适用于基于Wi-Fi RSSI的室内定位，是在现阶段根据定位小区域的AP衰减方向对Wi-Fi热点进行选取的定位方法；所述方法采用在室内环境中选取若干校准点和若干测试点，对于各校准点分别提取位置指纹，得到位置指纹库；计算定位小区域AP的衰减方向，包括采用KNN算法筛选出距离测试点距离最近的若干校准点，采用K-means算法对RSSI值聚类，将这K个邻近参考点聚成两类，由这两个聚类的坐标中心来计算AP的衰减方向；采用基于八阵图的方向间隔标准选取衰减方向组合最优的四个AP；选择这四个AP计算该测试点的估计位置。本发明具有更好的定位精度和抗干扰性。
与现有技术相比，本发明具有如下有益技术效果：
(1)现有技术的MaxMean、InfoGain或PCA算法是通过RSSI(接收的信号强度指示)数值大小、位置信息增益或主成分变换进行AP选取，然而，这些算法都没有考虑AP衰减方向对AP选取的影响，导致定位结果不够准确。
本发明所提出新的AP选取方案基于AP的衰减方向，不仅提出定位小区域的AP衰减方向，并以此为基础进行AP筛选；而且使用八阵图的方向间隔，选取定位小区域衰减方向组合最优的四个AP进行在线定位，本发明具有较高的定位精度；
(2)本发明的基于八阵图的AP选取方法具有更高的精度。本发明的定位精度优于MaxMean、InfoGain和PCA算法的定位精度；
(3)由于新策略根据八阵图提供的方向组合标准优化AP衰减方向组合，提出的AP选择算法可以应用于Wi-Fi RSSI受到多径干扰的室内场景，从而具有很好的通用性，具有重要的市场价值。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种基于八阵图的AP选取定位方法，其特征在于，所述方法包括：
在室内环境中选取若干校准点和若干测试点；
所述在室内环境中选取若干校准点和若干测试点的步骤包括：
在室内环境中选取若干校准点，采集校准点处的接收信号强度指示数据，作为校准点数据；
随机选取若干测试点，采集测试点处的接收信号强度指示数据，作为测试点数据；
对于各校准点分别提取位置指纹，得到位置指纹数据库；
根据所有校准点和测试点间的欧式距离选取邻近校准点，并根据所述邻近校准点的聚类结果计算定位区域AP的衰减方向；
采用基于八阵图的方向间隔标准选取衰减方向组合最优的四个AP；
所述采用基于八阵图的方向间隔标准选取衰减方向组合最优的四个AP的步骤包括：
根据计算的AP衰减方向，依次计算每两个AP衰减方向之间的夹角，选取最接近
Figure FDA0003525402930000011
的夹角，并将其对应的两个AP衰减方向作为直角坐标系中的两个方向轴，计为axis1和axis2；
根据筛选的axis1和axis2，初步计算第三个轴的方向，采用如下公式计算，
Figure FDA0003525402930000012
计算其余M-2个AP衰减方向和axis3′之间的差，选取与axis3′差值最小的AP衰减方向作为axis3；
根据axis4'和axis3的垂直关系计算axis4'，采用如下公式计算，
Figure FDA0003525402930000013
得到衰减方向组合最优的四个AP；
根据筛选的四个AP，计算测试点的估计位置；
所述根据筛选的四个AP，计算测试点的估计位置的步骤包括：
根据筛选的四个AP，采用如下公式计算该测试点的估计位置，
Figure FDA0003525402930000021
其中，
Figure FDA0003525402930000022
表示测试点的二维坐标估计值，(xi,yi)表示第i个校准点的坐标。
2.根据权利要求1所述的基于八阵图的AP选取定位方法，其特征在于，所述对于各校准点分别提取位置指纹，得到位置指纹数据库的步骤包括：
剔除接收信号强度指标数据丢失率高于预定值的WiFi信号源；
对接收信号强度指标观测值数据从强到弱依次排序，计算前指定个接收信号强度指标观测值的平均值作为接收信号强度指标估计值；
将接收信号强度指标估计值和校准点的位置信息关联组成该校准点的位置指纹；
提取所有校准点的位置指纹，得到位置指纹数据库。
3.根据权利要求1所述的基于八阵图的AP选取定位方法，其特征在于，所述根据选取的校准点和测试点间，计算定位区域AP的衰减方向的步骤包括：
计算所有校准点和测试点间的欧式距离，并筛选出距离测试点欧式距离最近的k个校准点，k为预设的筛选数目；
根据筛选的k个校准点，采用K-means算法对RSSI值聚类，将K个邻近校准点聚成两类；
根据聚类出来的两组邻近校准点，得到这两个聚类的坐标中心，由两个聚类的坐标中心来计算AP的衰减方向。
4.根据权利要求1所述的基于八阵图的AP选取定位方法，其特征在于，所述对于各校准点分别提取位置指纹，得到位置指纹数据库步骤中对于各校准点分别提取位置指纹的实现方式包括：对RSSI观测值数据从强到弱依次排序，计算前面若干个RSSI观测值的平均值作为RSSI估计值，将RSSI估计值和校准点的位置信息关联起来组成位置指纹。
5.一种基于八阵图的AP选取定位装置，其特征在于，所述装置包括：
校准点和测试点选取模块，用于在室内环境中选取若干校准点和若干测试点；
用于在室内环境中选取若干校准点，采集校准点处的接收信号强度指示数据，作为校准点数据；
用于随机选取若干测试点，采集测试点处的接收信号强度指示数据，作为测试点数据；
位置指纹提取模块，用于对于各校准点分别提取位置指纹，得到位置指纹数据库；
衰减处理模块，用于根据所有校准点和测试点间的欧式距离选取邻近校准点，并根据所述邻近校准点的聚类结果计算定位区域AP的衰减方向；
组合选取模块，用于采用基于八阵图的方向间隔标准选取衰减方向组合最优的四个AP；
根据计算的AP衰减方向，依次计算每两个AP衰减方向之间的夹角，选取最接近
Figure FDA0003525402930000031
的夹角，并将其对应的两个AP衰减方向作为直角坐标系中的两个方向轴，计为axis1和axis2；
根据筛选的axis1和axis2，初步计算第三个轴的方向，采用如下公式计算，
Figure FDA0003525402930000032
计算其余M-2个AP衰减方向和axis3′之间的差，选取与axis3′差值最小的AP衰减方向作为axis3；
根据axis4'和axis3的垂直关系计算axis4'，采用如下公式计算，
Figure FDA0003525402930000033
得到衰减方向组合最优的四个AP；
位置处理模块，用于根据筛选的四个AP，计算测试点的估计位置；
根据筛选的四个AP，采用如下公式计算该测试点的估计位置，
Figure FDA0003525402930000041
其中，
Figure FDA0003525402930000042
表示测试点的二维坐标估计值，(xi,yi)表示第i个校准点的坐标。
6.一种智能设备，其特征在于，包括有存储器，以及程序，其中所述程序存储于所述存储器中，且经配置以由处理器执行所述程序包含用于执行如权利要求1-4中任意一项所述的方法。
7.一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-4中任意一项所述的方法。
CN202010588243.7A 2020-06-24 2020-06-24 一种基于八阵图的ap选取定位方法、装置及智能设备 Active CN111935817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010588243.7A CN111935817B (zh) 2020-06-24 2020-06-24 一种基于八阵图的ap选取定位方法、装置及智能设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010588243.7A CN111935817B (zh) 2020-06-24 2020-06-24 一种基于八阵图的ap选取定位方法、装置及智能设备

Publications (2)

Publication Number Publication Date
CN111935817A CN111935817A (zh) 2020-11-13
CN111935817B true CN111935817B (zh) 2022-05-03

Family

ID=73317202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010588243.7A Active CN111935817B (zh) 2020-06-24 2020-06-24 一种基于八阵图的ap选取定位方法、装置及智能设备

Country Status (1)

Country Link
CN (1) CN111935817B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1993018416A1 (fr) * 1992-03-13 1993-09-16 Thomson-Csf Procede et dispositif de localisation de bruiteurs par une antenne constituee de bouees acoustiques passives
CN107907857A (zh) * 2017-10-25 2018-04-13 深圳大学 一种基于uwb的实时定位方法及定位装置
CN107991647A (zh) * 2017-11-21 2018-05-04 深圳大学 基于WiFi和UWB的室内定位方法及系统、存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390128B (zh) * 2019-06-10 2022-03-29 华南理工大学 一种易经八卦阵二叉树排布阵三步快速查找地址构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1993018416A1 (fr) * 1992-03-13 1993-09-16 Thomson-Csf Procede et dispositif de localisation de bruiteurs par une antenne constituee de bouees acoustiques passives
CN107907857A (zh) * 2017-10-25 2018-04-13 深圳大学 一种基于uwb的实时定位方法及定位装置
CN107991647A (zh) * 2017-11-21 2018-05-04 深圳大学 基于WiFi和UWB的室内定位方法及系统、存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Improved Clustering Algorithm of Neighboring Reference Points Based on KNN for Indoor Localization;Weixing Xue等;《2018 Ubiquitous Positioning, Indoor Navigation and Location-Based Services (UPINLBS)》;20181206;第1-4页 *
Improved Neighboring Reference Points Selection Method for Wi-Fi Based Indoor Localization;Weixing Xue等;《IEEE Sensors Letters》;20180323;第2卷(第2期);第1-4页 *
RSS室内定位信号经验模型重构研究;薛卫星等;《测绘工程》;20190131;第28卷(第1期);第36-41段 *
用户行为感知辅助的室内行人定位;周宝定等;《武汉大学学报(信息科学版)》;20140630;第39卷(第6期);第719-723页 *

Also Published As

Publication number Publication date
CN111935817A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN107948930B (zh) 基于位置指纹算法的室内定位优化方法
CN104883734B (zh) 一种基于地理指纹的室内被动定位方法
Marques et al. Combining similarity functions and majority rules for multi-building, multi-floor, WiFi positioning
CN109963287B (zh) 天线方向角优化方法、装置、设备及介质
CN106646338B (zh) 一种快速精确的室内定位方法
KR101901039B1 (ko) 교차 디바이스 자동 교정을 위한 방법 및 장치
CN105120433B (zh) 基于连续采样及模糊聚类处理的wlan室内定位方法
CN109672973B (zh) 一种基于最强ap的室内定位融合方法
CN106507475B (zh) 基于EKNN的室内区域WiFi定位方法及系统
US11762396B2 (en) Positioning system and positioning method based on WI-FI fingerprints
CN105472733B (zh) 一种应用于室内定位中的基于ap选择定位方法
CN112203293B (zh) 小区过覆盖识别方法、装置、设备及计算机存储介质
CN112040397B (zh) 一种基于自适应卡尔曼滤波的csi室内指纹定位方法
CN111935820B (zh) 基于无线网络的定位实现方法及相关设备
CN108225332B (zh) 基于监督的室内定位指纹地图降维方法
CN107290714B (zh) 一种基于多标识指纹定位的定位方法
CN109302674B (zh) 一种基于多重滤波的WiFi室内定位方法
CN111465093A (zh) 指纹定位方法、装置、电子设备及计算机存储介质
CN111757257B (zh) 一种克服设备差异的动态模糊匹配室内定位方法
CN111935817B (zh) 一种基于八阵图的ap选取定位方法、装置及智能设备
CN108445443B (zh) 一种基于knn的指纹点聚类方法
CN111669702A (zh) 基于wifi地址与场强的粗精匹配定位方法
CN109362036A (zh) 一种基于图像与wifi相结合的多模态室内定位方法
Li et al. Validation of a probabilistic approach to outdoor localization
CN108462940A (zh) 一种基于WiFi热点的室内定位方法

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
GR01 Patent grant
GR01 Patent grant