CN112533144B - 室内定位方法、装置、计算设备及计算机存储介质 - Google Patents

室内定位方法、装置、计算设备及计算机存储介质 Download PDF

Info

Publication number
CN112533144B
CN112533144B CN201910889405.8A CN201910889405A CN112533144B CN 112533144 B CN112533144 B CN 112533144B CN 201910889405 A CN201910889405 A CN 201910889405A CN 112533144 B CN112533144 B CN 112533144B
Authority
CN
China
Prior art keywords
fingerprint
characteristic data
signal characteristic
gaussian
user
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
CN201910889405.8A
Other languages
English (en)
Other versions
CN112533144A (zh
Inventor
胡兆兴
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Liaoning Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Liaoning Co Ltd
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 China Mobile Communications Group Co Ltd, China Mobile Group Liaoning Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201910889405.8A priority Critical patent/CN112533144B/zh
Publication of CN112533144A publication Critical patent/CN112533144A/zh
Application granted granted Critical
Publication of CN112533144B publication Critical patent/CN112533144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H04W16/225—Traffic simulation tools or models for indoor or short range network
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明实施例涉及定位技术领域，公开了一种室内定位方法、装置、计算设备及计算机存储介质，该方法包括：利用指纹采集工具，获取目标室内场所中指纹位置的信号特征数据；根据所述指纹位置的所述信号特征数据使用高斯混合模型获取所述指纹位置的指纹数据，建立指纹库；根据用户实时上报的信号特征数据结合所述指纹库应用概率模型计算所述用户在与所述信号特征数据相关的每个所述指纹位置的概率值；根据所述用户在每个所述指纹位置的概率值获取所述用户的当前位置。通过上述方式，本发明实施例能够匹配到准确的位置上，适用于WIFI、蓝牙和室分基站等多种数据源，适用性好、定位精度高。

Description

室内定位方法、装置、计算设备及计算机存储介质
技术领域
本发明实施例涉及定位技术领域，具体涉及一种室内定位方法、装置、计算设备及计算机存储介质。
背景技术
随着时代飞速变迁，科学技术迅猛发展，信息服务质量效率提高，人们对于定位需求日益增加；在室内环境下因为没有卫星信号从而无法通过卫星定位实现室内位置定位，同时在复杂环境下，如图书馆，商场，医院，体育馆，地下车库，货品仓库等场所对于人员以及物品的定位需求越来越多，因此室内定位技术应运而生。
现阶段室内定位技术多种多样，有近邻法、三边(角)测量法和指纹法。近邻法是直接选定那个信号强度最大的无线访问接入点(WirelessAccessPoint，AP)的位置，定位结果是热点位置数据库中存储的当前连接的AP的位置。三边(角)测量法是通过信号的各种参数得到目标与AP的距离或者角度，用几何方法计算出位置。指纹法是利用采集的信号特征数据，建立信号强度数据库，实时定位时，利用欧式距离实时计算用户匹配度，从而确定目标位置。
在实现本发明实施例的过程中，发明人发现：三者都存在一定的缺陷。近邻法简单，实现快，但是定位精度得不到保证，依赖信标部署密度，成本高、精度差。三角测量法理论上精度较高，但存在多方面限制造成实际过程中定位精度无法保证，如时间、角度这些参数较难获取，信号传播过程中存在因障碍物、墙等遮挡造成折射、散射等情况，无法获得信标精确位置等。传统指纹法对于指纹采集过程中信号波动处理科学，但对于欧氏距离计算匹配度，在信标不相等的情况下无法保证尺度统一，定位精度无法保证。
发明内容
鉴于上述问题，本发明实施例提供了一种室内定位方法、装置、计算设备及计算机存储介质，克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面，提供了一种室内定位方法，所述方法包括：获取一区域中用户的实际体验速率；根据所述实际体验速率获取所述区域的分钟级速率阻塞率；根据所述分钟级速率阻塞率计算预设时间的体验阻塞指数；根据所述体验阻塞指数以及所述实际体验速率获取两者的映射关系。
在一种可选的方式中，所述根据所述实际体验速率获取所述区域的分钟级速率阻塞率，包括：根据所述实际体验速率获取所述区域中用户的平均体验速率；根据所述平均体验速率获取所述区域的所述分钟级速率阻塞率。
在一种可选的方式中，所述根据所述平均体验速率获取所述区域的所述分钟级速率阻塞率，包括：如果所述平均体验速率大于或等于所述目标体验速率，则所述分钟级速率阻塞率为0；如果所述平均体验速率小于所述目标体验速率，则应用以下关系式计算所述分钟级速率阻塞率：
在一种可选的方式中，所述根据所述分钟级速率阻塞率计算预设时间的体验阻塞指数，包括：根据所述分钟级速率阻塞率获取所述区域的所述分钟级阻塞流量；根据所述分钟级阻塞流量计算预设时间的体验阻塞指数。
在一种可选的方式中，所述根据所述分钟级速率阻塞率获取所述区域的所述分钟级阻塞流量，包括：获取所述区域的分钟级总流量；根据所述分钟级速率阻塞率以及所述分钟级总流量计算获取所述分钟级阻塞流量，其中，所述分钟级阻塞流量＝所述分钟级速率阻塞率*所述分钟级总流量。
在一种可选的方式中，所述根据所述分钟级阻塞流量计算预设时间的体验阻塞指数，包括：计算所述预设时间内所述分钟级阻塞流量之和；获取所述区域的所述预设时间内的总流量；根据所述预设时间内所述分钟级阻塞流量之和以及所述预设时间内的总流量计算所述预设时间的所述体验阻塞指数。
在一种可选的方式中，所述根据所述体验阻塞指数以及所述实际体验速率获取两者的映射关系，包括：获取所述体验阻塞指数和所述实际体验速率的二维坐标的散点图；根据所述散点图拟合出预设时间的所述体验阻塞指数与所述实际体验速率的统计关系曲线，得到两者的所述映射关系。
根据本发明实施例的另一个方面，提供了一种数据业务的体验量化装置，所述装置包括：实际速率获取单元，用于获取一区域中用户的实际体验速率；阻塞率获取单元，用于根据所述实际体验速率获取所述区域的分钟级速率阻塞率；阻塞指数计算单元，用于根据所述分钟级速率阻塞率计算预设时间的体验阻塞指数；映射关系获取单元，用于根据所述体验阻塞指数以及所述实际体验速率获取两者的映射关系。
根据本发明实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述数据业务的体验量化方法的步骤。
根据本发明实施例的又一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使所述处理器执行上述数据业务的体验量化方法的步骤。
本发明实施例通过利用指纹采集工具，获取目标室内场所中指纹位置的信号特征数据；根据所述指纹位置的所述信号特征数据使用高斯混合模型获取所述指纹位置的指纹数据，建立指纹库；根据用户实时上报的信号特征数据结合所述指纹库应用概率模型计算所述用户在与所述信号特征数据相关的每个所述指纹位置的概率值；根据所述用户在每个所述指纹位置的概率值获取所述用户的当前位置，能够匹配到准确的位置上，适用于WIFI、蓝牙和室分基站等多种数据源，适用性好、定位精度高。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的室内定位方法的流程示意图；
图2示出了本发明实施例提供的室内定位方法的指纹采集的流程示意图；
图3示出了本发明实施例提供的室内定位方法的指纹库建立的流程示意图；
图4示出了本发明实施例提供的室内定位方法的高斯混合模型示意图；
图5示出了本发明实施例提供的室内定位方法的步骤S13的流程示意图；
图6示出了本发明实施例提供的室内定位装置的结构示意图；
图7示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的室内定位方法的流程示意图。如图1所示，室内定位方法包括：
步骤S11：利用指纹采集工具，获取目标室内场所中指纹位置的信号特征数据。
在本发明实施例中，利用指纹采集工具，采集建设指纹库所需的信息。具体地，如图2所示，包括以下步骤：
步骤S111：采集所述目标室内场所中信标的信号特征数据。
获取所述目标室内场所中信号源的分布图，在靠近信号源的时候，在室内地图上标记当前信号源的位置；在所述指纹采集工具上对接收到的信号源按照信号强度进行排序，选择将信号强度最好的信号源作为信标，结合信标位置将信号特征数据保存并输出，其中，所述信号特征数据至少包括信标编号、信号强度等信息。
步骤S112：以室内地图数据为数据源，进行指纹位置采集。
指纹位置采集包括点指纹位置采集和线指纹位置采集。进行点指纹位置采集时，利用人员在目标室内场所进行点位采集，同时在室内地图寻找到对应的点位，并点击生成当前位置。进行线指纹位置采集时，对于目标室内场所进行采集线规划，利用人员在目标室内场所进行线采集，首先站在线起点，在室内地图上寻找到对应的点位，点击启动线采集，沿目标线匀速前进，在行走到终点时，在终点对应的室内地图上点击结束当前线采集。点指纹位置采集和线指纹位置采集所采集的信息包括指纹位置编号(ID)、时间、楼层、具体位置等信息。
步骤S113：利用终端操作系统应用程序编程接口(Application ProgrammingInterface，API)，获取用户在每个时间点在所述指纹位置接收到的信号特征数据。
在本发明实施例中，信号特征数据包括指纹位置编号、信标编号、时间、信号强度等信息。在每个时间点在所述指纹位置，可以获取包括多个信号源的信号特征数据，并生成用户信号特征采集结果。对于WIFI信号和蓝牙信号，可以在步骤S112中进行点指纹位置采集和/或线指纹位置采集时，同时获取信号特征数据，且信号特征数据中的信标编号即为媒体访问控制(Media Access Control，MAC)地址。对于室分基站，室内基带处理单元(building base band unit，bbu)根据步骤S112中采集的指纹位置编号(ID)和时间获取对应的信标编号以及与信标编号对应的信号强度等信息。
目标室内场所中指纹位置的信号特征数据采集完成后，将室内定位采集结果进行输出，具体格式如表1，其中采集编号即为指纹位置编号。
表1采集结果
步骤S12：根据所述指纹位置的所述信号特征数据使用高斯混合模型获取所述指纹位置的指纹数据，建立指纹库。
具体地，利用采集的指纹位置上对应的信标的信号强度分布使用高斯混合模型(Gaussian mixture model，GMM)进行拟合，计算生成多组高斯分布及对应系数的参数，建立指纹库数据，其中高斯函数公式为：
如图3所示，步骤S12包括以下步骤：
步骤S121：对所述指纹位置的所述信号特征数据按照所述指纹位置编号、所述信标编号、时间、信号强度进行排序，获取排序后的所述信号特征数据。
对指纹位置的所述信号特征数据进行排序方便后续进行高斯混合参数估计，以获取高斯混合模型参数。
步骤S122：对排序后的所述信号特征数据进行聚类，计算每个类中的初始概率及高斯初始参数。
顺序获取一指纹位置的所述信号特征数据；按照所述指纹位置的所述信标编号顺序获取排序好的所述信号强度数据；应用聚类算法对排序好的所述信号强度数据进行聚类，获取多组信号强度数据；对多组所述信号强度数据分别计算得到多个所述初始概率及所述高斯初始参数。例如，将顺序获取的一指纹位置的信号特征数据记为数组A。从A中按照信标编号(如MAC地址)顺序获取一条记录，记为记录B，获取B中排序好的信号强度数据。将B中排序好的信号强度数据使用聚类算法kmeans进行聚类，获取三组信号强度数据，记为B1，B2，B3。分别对于B1，B2，B3进行平均值和方差求取，并令：
其中，π1为第一高斯模型系数，μ1为第一高斯模型均值，σ1为第一高斯模型方差；π2为第二高斯模型系数，μ2为第二高斯模型均值，σ2为第二高斯模型方差；π3为第三高斯模型系数，μ3为第三高斯模型均值，σ3为第三高斯模型方差。
步骤S123：应用最大期望算法对所述初始概率及所述高斯初始参数进行迭代计算，获取高斯混合模型参数。
将多组所述高斯初始参数作为多组高斯模型第一参数；根据多组所述高斯模型第一参数分别计算后验概率；根据多组所述后验概率计算多组高斯模型第二参数；根据多组所述高斯模型第二参数计算似然对数；将多组所述高斯模型第二参数作为多组所述高斯模型第一参数，返回所述根据多组所述高斯初始参数分别计算后验概率的步骤进行迭代，直至所述多组高斯模型第二参数的所述似然对数收敛。
例如，根据前面的三个高斯参数求取后验概率，记为γ(znk)，公式为：
其中，Bn表示第n个信号强度数据，πk为高斯模型的所述初始系数，μk为高斯模型的所述初始均值，σk为高斯模型的所述初始方差，f(Bn|μk,σk)表示Bn在服从μk,σk的正态分布函数的值。
根据前面求取的后验概率，计算新的πk，μk和σk，具体公式如下：
记其中N为信号强度数据的个数；则
利用新的高斯参数计算似然函数的对数，具体公式为：
判断新的高斯参数的似然对数是否收敛，即lnp(B|π,μ,σ)是否小于0.01。如果是，则收敛，结束；如果不是，则不收敛，则根据当前的πk，μk和σk返回重新计算后验概率并进行迭代，直至根据新的高斯参数计算的似然对数收敛。
步骤S124：遍历所有的所述信号特征数据，计算出所有指纹位置上全部信标的高斯混合模型参数，作为所述指纹数据，存入指纹库。
遍历完成所有信号特征数据，并计算出所有指纹位置上全部信标(AP)的高斯混合模型，按照指纹位置编号、IPV4、信标编号，系数1、均值1、方差1、系数2、均值2、方差2、系数3、均值3、方差3作为所述指纹数据，存入指纹库。参见图4，系列1、3、4表示信号特征数据分为三组后对应的高斯概率密度函数，系列2表示高斯混合密度函数。
通过步骤S11和步骤S12完成指纹库的生成，该过程可以在离线的时候执行。本发明实施例通过采集位置指纹的多个周期的数据，并利用GMM模型建立指纹库，能够更合理的描述指纹点上信号特征数据，适用于WIFI、蓝牙和室分基站等多种利用信号强度数据的数据源，具有广阔的适用性。
步骤S13：根据用户实时上报的信号特征数据结合所述指纹库应用概率模型计算所述用户在与所述信号特征数据相关的每个所述指纹位置的联合概率值。
在本发明实施例中，根据实时接收的用户上报的信号特征数据，利用指纹库数据，首先使用混合概率模型获取包括信号特征数据中的信号编号的每个指纹位置上的信标的概率，其中，指纹位置上的信标的概率是指指纹位置上的与信号特征数据中的信号编号对应的所有信标的概率。进而根据指纹位置上的信标的概率计算用户对于指纹位置的联合概率。具体地，如图5所示，步骤S13包括：
步骤S131：接收用户实时上报的所述信号特征数据，其中所述信号特征数据包括至少一个信标编号和与所述信标编号对应的信号强度。
在本发明实施例中，信号特征数据可以只有一个信标编号以及与所述信号编号对应的信号强度，也可以包括多个信标编号以及分别与各所述信标编号对应的信号强度。
步骤S132：根据所述至少一个信标编号和与所述信标编号对应的信号强度获取所述指纹库中包含所述至少一个信标编号的每个所述指纹位置所述至少一个信标的概率值。
在本发明实施例中，应用高斯混合模型根据信号强度计算指纹位置上与信号强度对应的信标编号对应的单个信标的概率时，原理如下：
记f(x)为函数的概率密度函数，则F(x)为概率分布函数，则对于x1，x2，且x1<x2，则对于两者中间的数的概率计算公式为：
因此，根据上述概率计算公式，当一个用户信号强度为一个数db时，则其向前和向后各扩大0.5个单位，形成Δx为1的区间，并以此区间概率代替当前信号强度的概率，因此，概率计算公式为：
p(db)≈p(db-0.5<db<db+0.5)≈f(db)*1＝f(db)
对于f(x)，即
为高斯混合函数也成立。
在步骤S132中，从所述指纹库中至少查找一个指纹位置数据，该指纹位置数据包括信号特征数据中的至少一个信标编号；依次根据信号特征数据中每个所述信标编号查找所述指纹位置数据，获取当前指纹位置上每个所述信标编号对应的高斯混合模型参数，并根据所述信号强度应用对应的所述高斯混合模型依次计算每个所述信标的概率值。
以下举例说明：将用户实时上报的信号特征数据，包括信标编号，信号场强等信息，记信号特征数据为A。并从指纹库中获取一个指纹数据，记为B。从A中顺序选择一条记录，获取当前信标的编号和场强，分别记为NOA和RSRPA，利用NOA查询B中记录，获取当前指纹位置上NOA的AP的高斯混合模型参数，利用单个信标的概率计算原理将RSRPA带入当前高斯混合函数中，获取当前信标的概率值。遍历完成A中所有记录，计算完成当前指纹位置的所有信标对应的概率值。
在本发明实施例中，可以从指纹库中查找多个指纹位置数据，且该指纹位置数据都包括信号特征数据中的至少一个信标编号，应用上述方法计算该多个指纹位置上包括的、且存在于信号特征数据中的每个所述信标的概率值。多个指纹位置数据可以是两个，也可以是三个，还可以查找也包括信号特征数据中的至少一个信标编号的所有的指纹位置数据，具体可以根据需要进行查找。
步骤S133：根据所述指纹位置上至少一个所述信标的概率值获取所述指纹位置的联合概率值。
在本发明实施例中，步骤S132中一个指纹位置上计算有多个信标的概率时，根据每个所述信标的概率值获取所述当前指纹位置的联合概率值，由概率论知，一个指纹位置关联多个信标，每个信标的概率是独立的，因此对于一个包含x1，x2，…，xn的关联概率计算公式为：
因此，针对步骤132的计算结果利用上述原理计算用户对于指纹位置的联合概率值。遍历完成所有指纹位置获取用户对于所有指纹位置的联合概率值。
本发明实施例利用了概率方法进行在线定位匹配，创新了基于高斯概率密度函数进行概率计算的方法，降低了概率计算的复杂度，提升了匹配计算的精确度。
步骤S14：根据所述用户在每个所述指纹位置的联合概率值获取所述用户的当前位置。
在本发明实施例中，根据联合概率值对指纹位置进行降序排列；计算当前记录的指纹位置的个数，进而根据指纹位置的个数以及各指纹位置的联合概率值获取用户的当前位置。
如果只有一个指纹位置记录，则将用户的当前位置标记在所述指纹位置上。
前记录中有两个指纹位置时，如果在两个指纹位置的联合概率值的比值大于阈值，则将联合概率值大的指纹位置作为用户的当前位置。例如，将两个指纹位置分别记为A和B。比较A的联合概率值和B的联合概率值，如果A的联合概率值/B的联合概率值>1.5，或者B的联合概率值/A的联合概率值>1.5，则将概率大的指纹位置作为用户的当前位置，并返回融合位置。
有两个指纹位置记录时，如果两个指纹位置的联合概率值的比值低于阈值，则根据两个指纹位置的联合概率值以及一历史位置数据获取用户的当前位置。具体地，分别计算两个指纹位置到该历史指纹位置的距离，将到该历史指纹位置的距离较小的指纹位置作为用户的当前位置，并返回融合位置。例如，如果A的联合概率值/B的联合概率值<1.5，并且B的联合概率值/A的联合概率值<1.5，则获取历史指纹位置的数据，记为指纹位置C，判断AC和BC之间的距离，分别记为LAC和LBC，判断LAC和LAB的大小关系，如果LAC>LBC，则将指纹位置B作为用户的当前位置，如果LAC<LAB，则将指纹位置A作为用户的当前位置，返回融合位置。
有三个指纹位置记录时，分别记为D、E、F，如果顺序第一个指纹位置与第二个指纹位置的联合概率值的比值大于阈值，则将顺序第一个指纹位置作为用户的当前位置。例如，根据联合概率值三个指纹位置降序排列为D、E、F，判断D的联合概率值/E的联合概率值>1.5则将指纹位置D作为用户的当前位置。
如果顺序第一个指纹位置与第二个指纹位置的联合概率值的比值小于阈值，则获取用户定位的上一个定位位置，比较三个指纹位置到该上一个定位位置的距离，取到该上一个定位位置的距离最小的指纹位置作为用户的当前位置。例如，如果D的联合概率值/E的联合概率值<1.5，则获取用户上一周期的定位结果，记为G，计算G与DEF三个指纹位置的距离，分别记为LGD、LGE、LGF，判断LGD、LGE、LGF中最小值。如果LGD最小，则将指纹位置D作为用户的当前位置；如果LGE最小，则将指纹位置E作为用户的当前位置；如果LGF最小，则将指纹位置F作为用户的当前位置，并返回融合结果。
本发明实施例利用室内匹配的多个估算位置结合用户历史定位结果对用户实时位置进行估算，保证了用户能够匹配到准确的位置上，本发明实施例通过利用GMM模型建立室内指纹库，同时利用概率匹配模型进行用户位置计算，可以保证在个别信号强度存在偶然误差的情况下的精确位置定位，定位精度高。
本发明实施例通过利用指纹采集工具，获取目标室内场所中指纹位置的信号特征数据；根据所述指纹位置的所述信号特征数据使用高斯混合模型获取所述指纹位置的指纹数据，建立指纹库；根据用户实时上报的信号特征数据结合所述指纹库应用概率模型计算所述用户在与所述信号特征数据相关的每个所述指纹位置的概率值；根据所述用户在每个所述指纹位置的概率值获取所述用户的当前位置，能够匹配到准确的位置上，适用于WIFI、蓝牙和室分基站等多种数据源，适用性好、定位精度高。
图6示出了本发明实施例的室内定位装置的结构示意图。如图6所示，该室内定位装置包括：数据采集单元601、库建立单元602、概率计算单元603以及位置获取单元604。其中：
数据采集单元601用于利用指纹采集工具，获取目标室内场所中指纹位置的信号特征数据；库建立单元602用于根据所述指纹位置的所述信号特征数据使用高斯混合模型获取所述指纹位置的指纹数据，建立指纹库；概率计算单元603用于根据用户实时上报的信号特征数据结合所述指纹库应用概率模型计算所述用户在与所述信号特征数据相关的每个所述指纹位置的联合概率值；位置获取单元604用于根据所述用户在每个所述指纹位置的联合概率值获取所述用户的当前位置。
在一种可选的方式中，数据采集单元601用于：采集所述目标室内场所中信标的信号特征数据；以室内地图数据为数据源，进行指纹位置采集；利用终端操作系统应用程序编程接口，获取用户在每个时间点在所述指纹位置接收到的信号特征数据。
在一种可选的方式中，所述信号特征数据包括指纹位置编号、信标编号、时间、信号强度，库建立单元602用于：对所述指纹位置的所述信号特征数据按照所述指纹位置编号、所述信标编号、时间、信号强度进行排序，获取排序后的所述信号特征数据；对排序后的所述信号特征数据进行聚类，计算每个类中的初始概率及高斯初始参数；应用最大期望算法对所述初始概率及所述高斯初始参数进行迭代计算，获取高斯混合模型参数；遍历所有的所述信号特征数据，计算出所有指纹位置上全部信标的高斯混合模型参数，作为所述指纹数据，存入指纹库。
在一种可选的方式中，库建立单元602用于：顺序获取一指纹位置的所述信号特征数据；按照所述指纹位置的所述信标编号顺序获取排序好的所述信号强度数据；应用聚类算法对排序好的所述信号强度数据进行聚类，获取多组信号强度数据；对多组所述信号强度数据分别计算得到多组所述初始概率及所述高斯初始参数。
在一种可选的方式中，库建立单元602用于：将多组所述高斯初始参数作为多组高斯模型第一参数；根据多组所述高斯模型第一参数分别计算后验概率；根据多组所述后验概率计算多组高斯模型第二参数；根据多组所述高斯模型第二参数计算似然对数；将多组所述高斯模型第二参数作为多组所述高斯模型第一参数，返回所述根据多组所述高斯初始参数分别计算后验概率的步骤进行迭代，直至所述多组高斯模型第二参数的所述似然对数收敛。
在一种可选的方式中，概率计算单元603用于：接收用户实时上报的所述信号特征数据，其中所述信号特征数据包括至少一个信标编号和与所述信标编号对应的信号强度；根据所述至少一个信标编号和与所述信标编号对应的信号强度获取所述指纹库中包含所述至少一个信标编号的每个所述指纹位置上所述至少一个所述信标的概率值；根据所述指纹位置上所述至少一个信标的概率值获取所述指纹位置的联合概率值。
在一种可选的方式中，位置获取单元604用于：根据所述联合概率值对所述指纹位置进行降序排列；只有一个指纹位置记录时，将用户的所述当前位置标记在所述指纹位置上；有两个指纹位置记录时，如果在两个所述指纹位置的所述联合概率值的比值大于阈值，则将所述联合概率值大的所述指纹位置作为用户的所述当前位置；如果两个所述指纹位置的所述联合概率值的比值低于阈值，则根据两个所述指纹位置的所述联合概率值以及一历史位置数据获取用户的所述当前位置；有三个指纹位置记录时，如果顺序第一个所述指纹位置与第二个所述指纹位置的所述联合概率值的比值大于阈值，则将顺序第一个所述指纹位置作为用户的所述当前位置；如果顺序第一个所述指纹位置与第二个所述指纹位置的所述联合概率值的比值小于阈值，则获取用户定位的上一个定位位置，比较三个所述指纹位置到所述上一个定位位置的距离，取到所述上一个定位位置的距离最小的所述指纹位置作为用户的所述当前位置。
本发明实施例通过利用指纹采集工具，获取目标室内场所中指纹位置的信号特征数据；根据所述指纹位置的所述信号特征数据使用高斯混合模型获取所述指纹位置的指纹数据，建立指纹库；根据用户实时上报的信号特征数据结合所述指纹库应用概率模型计算所述用户在与所述信号特征数据相关的每个所述指纹位置的概率值；根据所述用户在每个所述指纹位置的概率值获取所述用户的当前位置，能够匹配到准确的位置上，适用于WIFI、蓝牙和室分基站等多种数据源，适用性好、定位精度高。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的室内定位方法。
可执行指令具体可以用于使得处理器执行以下操作：
利用指纹采集工具，获取目标室内场所中指纹位置的信号特征数据；
根据所述指纹位置的所述信号特征数据使用高斯混合模型获取所述指纹位置的指纹数据，建立指纹库；
根据用户实时上报的信号特征数据结合所述指纹库应用概率模型计算所述用户在与所述信号特征数据相关的每个所述指纹位置的联合概率值；
根据所述用户在每个所述指纹位置的所述联合概率值获取所述用户的当前位置。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
采集所述目标室内场所中信标的信号特征数据；
以室内地图数据为数据源，进行指纹位置采集；
利用终端操作系统应用程序编程接口，获取用户在每个时间点在所述指纹位置接收到的信号特征数据。
在一种可选的方式中，所述信号特征数据包括指纹位置编号、信标编号、时间、信号强度，所述可执行指令使所述处理器执行以下操作：
对所述指纹位置的所述信号特征数据按照所述指纹位置编号、所述信标编号、时间、信号强度进行排序，获取排序后的所述信号特征数据；
对排序后的所述信号特征数据进行聚类，计算每个类中的初始概率及高斯初始参数；
应用最大期望算法对所述初始概率及所述高斯初始参数进行迭代计算，获取高斯混合模型参数；
遍历所有的所述信号特征数据，计算出所有指纹位置上全部信标的高斯混合模型参数，作为所述指纹数据，存入指纹库。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
顺序获取一指纹位置的所述信号特征数据；
按照所述指纹位置的所述信标编号顺序获取排序好的所述信号强度数据；
应用聚类算法对排序好的所述信号强度数据进行聚类，获取多组信号强度数据；
对多组所述信号强度数据分别计算得到多组所述初始概率及所述高斯初始参数。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
将多组所述高斯初始参数作为多组高斯模型第一参数；
根据多组所述高斯模型第一参数分别计算后验概率；
根据多组所述后验概率计算多组高斯模型第二参数；
根据多组所述高斯模型第二参数计算似然对数；
将多组所述高斯模型第二参数作为多组所述高斯模型第一参数，返回所述根据多组所述高斯初始参数分别计算后验概率的步骤进行迭代，直至所述多组高斯模型第二参数的所述似然对数收敛。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
接收用户实时上报的所述信号特征数据，其中所述信号特征数据包括至少一个信标编号和与所述信标编号对应的信号强度；
根据所述至少一个信标编号和与所述信标编号对应的信号强度获取所述指纹库中包含所述至少一个信标编号的每个所述指纹位置上所述至少一个所述信标的概率值；
根据所述指纹位置上所述至少一个信标的概率值获取所述指纹位置的联合概率值。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
根据所述联合概率值对所述指纹位置进行降序排列；
只有一个指纹位置记录时，将用户的所述当前位置标记在所述指纹位置上；
有两个指纹位置记录时，如果在两个所述指纹位置的所述联合概率值的比值大于阈值，则将所述联合概率值大的所述指纹位置作为用户的所述当前位置；如果两个所述指纹位置的所述联合概率值的比值低于阈值，则根据两个所述指纹位置的所述联合概率值以及一历史位置数据获取用户的所述当前位置；
有三个指纹位置记录时，如果顺序第一个所述指纹位置与第二个所述指纹位置的所述联合概率值的比值大于阈值，则将顺序第一个所述指纹位置作为用户的所述当前位置；如果顺序第一个所述指纹位置与第二个所述指纹位置的所述联合概率值的比值小于阈值，则获取用户定位的上一个定位位置，比较三个所述指纹位置到所述上一个定位位置的距离，取到所述上一个定位位置的距离最小的所述指纹位置作为用户的所述当前位置。
本发明实施例通过利用指纹采集工具，获取目标室内场所中指纹位置的信号特征数据；根据所述指纹位置的所述信号特征数据使用高斯混合模型获取所述指纹位置的指纹数据，建立指纹库；根据用户实时上报的信号特征数据结合所述指纹库应用概率模型计算所述用户在与所述信号特征数据相关的每个所述指纹位置的概率值；根据所述用户在每个所述指纹位置的概率值获取所述用户的当前位置，能够匹配到准确的位置上，适用于WIFI、蓝牙和室分基站等多种数据源，适用性好、定位精度高。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任意方法实施例中的室内定位方法。
可执行指令具体可以用于使得处理器执行以下操作：
利用指纹采集工具，获取目标室内场所中指纹位置的信号特征数据；
根据所述指纹位置的所述信号特征数据使用高斯混合模型获取所述指纹位置的指纹数据，建立指纹库；
根据用户实时上报的信号特征数据结合所述指纹库应用概率模型计算所述用户在与所述信号特征数据相关的每个所述指纹位置的联合概率值；
根据所述用户在每个所述指纹位置的所述联合概率值获取所述用户的当前位置。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
采集所述目标室内场所中信标的信号特征数据；
以室内地图数据为数据源，进行指纹位置采集；
利用终端操作系统应用程序编程接口，获取用户在每个时间点在所述指纹位置接收到的信号特征数据。
在一种可选的方式中，所述信号特征数据包括指纹位置编号、信标编号、时间、信号强度，所述可执行指令使所述处理器执行以下操作：
对所述指纹位置的所述信号特征数据按照所述指纹位置编号、所述信标编号、时间、信号强度进行排序，获取排序后的所述信号特征数据；
对排序后的所述信号特征数据进行聚类，计算每个类中的初始概率及高斯初始参数；
应用最大期望算法对所述初始概率及所述高斯初始参数进行迭代计算，获取高斯混合模型参数；
遍历所有的所述信号特征数据，计算出所有指纹位置上全部信标的高斯混合模型参数，作为所述指纹数据，存入指纹库。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
顺序获取一指纹位置的所述信号特征数据；
按照所述指纹位置的所述信标编号顺序获取排序好的所述信号强度数据；
应用聚类算法对排序好的所述信号强度数据进行聚类，获取多组信号强度数据；
对多组所述信号强度数据分别计算得到多组所述初始概率及所述高斯初始参数。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
将多组所述高斯初始参数作为多组高斯模型第一参数；
根据多组所述高斯模型第一参数分别计算后验概率；
根据多组所述后验概率计算多组高斯模型第二参数；
根据多组所述高斯模型第二参数计算似然对数；
将多组所述高斯模型第二参数作为多组所述高斯模型第一参数，返回所述根据多组所述高斯初始参数分别计算后验概率的步骤进行迭代，直至所述多组高斯模型第二参数的所述似然对数收敛。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
接收用户实时上报的所述信号特征数据，其中所述信号特征数据包括至少一个信标编号和与所述信标编号对应的信号强度；
根据所述至少一个信标编号和与所述信标编号对应的信号强度获取所述指纹库中包含所述至少一个信标编号的每个所述指纹位置上所述至少一个所述信标的概率值；
根据所述指纹位置上所述至少一个信标的概率值获取所述指纹位置的联合概率值。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
根据所述联合概率值对所述指纹位置进行降序排列；
只有一个指纹位置记录时，将用户的所述当前位置标记在所述指纹位置上；
有两个指纹位置记录时，如果在两个所述指纹位置的所述联合概率值的比值大于阈值，则将所述联合概率值大的所述指纹位置作为用户的所述当前位置；如果两个所述指纹位置的所述联合概率值的比值低于阈值，则根据两个所述指纹位置的所述联合概率值以及一历史位置数据获取用户的所述当前位置；
有三个指纹位置记录时，如果顺序第一个所述指纹位置与第二个所述指纹位置的所述联合概率值的比值大于阈值，则将顺序第一个所述指纹位置作为用户的所述当前位置；如果顺序第一个所述指纹位置与第二个所述指纹位置的所述联合概率值的比值小于阈值，则获取用户定位的上一个定位位置，比较三个所述指纹位置到所述上一个定位位置的距离，取到所述上一个定位位置的距离最小的所述指纹位置作为用户的所述当前位置。
本发明实施例通过利用指纹采集工具，获取目标室内场所中指纹位置的信号特征数据；根据所述指纹位置的所述信号特征数据使用高斯混合模型获取所述指纹位置的指纹数据，建立指纹库；根据用户实时上报的信号特征数据结合所述指纹库应用概率模型计算所述用户在与所述信号特征数据相关的每个所述指纹位置的概率值；根据所述用户在每个所述指纹位置的概率值获取所述用户的当前位置，能够匹配到准确的位置上，适用于WIFI、蓝牙和室分基站等多种数据源，适用性好、定位精度高。
图7示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对设备的具体实现做限定。
如图7所示，该计算设备可以包括：处理器(processor)702、通信接口(Communications Interface)704、存储器(memory)706、以及通信总线708。
其中：处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通信。通信接口704，用于与其它设备比如客户端或其它服务器等的网元通信。处理器702，用于执行程序710，具体可以执行上述室内定位方法实施例中的相关步骤。
具体地，程序710可以包括程序代码，该程序代码包括计算机操作指令。
处理器702可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或各个集成电路。设备包括的一个或各个处理器，可以是同一类型的处理器，如一个或各个CPU；也可以是不同类型的处理器，如一个或各个CPU以及一个或各个ASIC。
存储器706，用于存放程序710。存储器706可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序710具体可以用于使得处理器702执行以下操作：
利用指纹采集工具，获取目标室内场所中指纹位置的信号特征数据；
根据所述指纹位置的所述信号特征数据使用高斯混合模型获取所述指纹位置的指纹数据，建立指纹库；
根据用户实时上报的信号特征数据结合所述指纹库应用概率模型计算所述用户在与所述信号特征数据相关的每个所述指纹位置的联合概率值；
根据所述用户在每个所述指纹位置的所述联合概率值获取所述用户的当前位置。
在一种可选的方式中，所述程序710使所述处理器执行以下操作：
采集所述目标室内场所中信标的信号特征数据；
以室内地图数据为数据源，进行指纹位置采集；
利用终端操作系统应用程序编程接口，获取用户在每个时间点在所述指纹位置接收到的信号特征数据。
在一种可选的方式中，所述信号特征数据包括指纹位置编号、信标编号、时间、信号强度，所述程序710使所述处理器执行以下操作：
对所述指纹位置的所述信号特征数据按照所述指纹位置编号、所述信标编号、时间、信号强度进行排序，获取排序后的所述信号特征数据；
对排序后的所述信号特征数据进行聚类，计算每个类中的初始概率及高斯初始参数；
应用最大期望算法对所述初始概率及所述高斯初始参数进行迭代计算，获取高斯混合模型参数；
遍历所有的所述信号特征数据，计算出所有指纹位置上全部信标的高斯混合模型参数，作为所述指纹数据，存入指纹库。
在一种可选的方式中，所述程序710使所述处理器执行以下操作：
顺序获取一指纹位置的所述信号特征数据；
按照所述指纹位置的所述信标编号顺序获取排序好的所述信号强度数据；
应用聚类算法对排序好的所述信号强度数据进行聚类，获取多组信号强度数据；
对多组所述信号强度数据分别计算得到多组所述初始概率及所述高斯初始参数。
在一种可选的方式中，所述程序710使所述处理器执行以下操作：
将多组所述高斯初始参数作为多组高斯模型第一参数；
根据多组所述高斯模型第一参数分别计算后验概率；
根据多组所述后验概率计算多组高斯模型第二参数；
根据多组所述高斯模型第二参数计算似然对数；
将多组所述高斯模型第二参数作为多组所述高斯模型第一参数，返回所述根据多组所述高斯初始参数分别计算后验概率的步骤进行迭代，直至所述多组高斯模型第二参数的所述似然对数收敛。
在一种可选的方式中，所述程序710使所述处理器执行以下操作：
接收用户实时上报的所述信号特征数据，其中所述信号特征数据包括至少一个信标编号和与所述信标编号对应的信号强度；
根据所述至少一个信标编号和与所述信标编号对应的信号强度获取所述指纹库中包含所述至少一个信标编号的每个所述指纹位置上所述至少一个所述信标的概率值；
根据所述指纹位置上所述至少一个信标的概率值获取所述指纹位置的联合概率值。
在一种可选的方式中，所述程序710使所述处理器执行以下操作：
根据所述联合概率值对所述指纹位置进行降序排列；
只有一个指纹位置记录时，将用户的所述当前位置标记在所述指纹位置上；
有两个指纹位置记录时，如果在两个所述指纹位置的所述联合概率值的比值大于阈值，则将所述联合概率值大的所述指纹位置作为用户的所述当前位置；如果两个所述指纹位置的所述联合概率值的比值低于阈值，则根据两个所述指纹位置的所述联合概率值以及一历史位置数据获取用户的所述当前位置；
有三个指纹位置记录时，如果顺序第一个所述指纹位置与第二个所述指纹位置的所述联合概率值的比值大于阈值，则将顺序第一个所述指纹位置作为用户的所述当前位置；如果顺序第一个所述指纹位置与第二个所述指纹位置的所述联合概率值的比值小于阈值，则获取用户定位的上一个定位位置，比较三个所述指纹位置到所述上一个定位位置的距离，取到所述上一个定位位置的距离最小的所述指纹位置作为用户的所述当前位置。
本发明实施例通过利用指纹采集工具，获取目标室内场所中指纹位置的信号特征数据；根据所述指纹位置的所述信号特征数据使用高斯混合模型获取所述指纹位置的指纹数据，建立指纹库；根据用户实时上报的信号特征数据结合所述指纹库应用概率模型计算所述用户在与所述信号特征数据相关的每个所述指纹位置的概率值；根据所述用户在每个所述指纹位置的概率值获取所述用户的当前位置，能够匹配到准确的位置上，适用于WIFI、蓝牙和室分基站等多种数据源，适用性好、定位精度高。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (7)

1.一种室内定位方法，其特征在于，所述方法包括：
利用指纹采集工具，获取目标室内场所中指纹位置的信号特征数据；
根据所述指纹位置的所述信号特征数据使用高斯混合模型获取所述指纹位置的指纹数据，建立指纹库；所述信号特征数据包括指纹位置编号、信标编号、时间、信号强度；
所述根据所述指纹位置的所述信号特征数据使用高斯混合模型计算所述指纹位置的指纹数据，建立指纹库，包括：
对所述指纹位置的所述信号特征数据按照所述指纹位置编号、所述信标编号、时间、信号强度进行排序，获取排序后的所述信号特征数据；
顺序获取一指纹位置的所述信号特征数据；按照所述指纹位置的所述信标编号顺序获取排序好的所述信号特征数据；应用聚类算法对排序好的所述信号特征数据进行聚类，获取多组信号特征数据；对多组所述信号特征数据分别计算得到多组初始概率及高斯初始参数；所述高斯初始参数包括初始系数、初始均值以及初始方差；
应用最大期望算法对所述初始概率及所述高斯初始参数进行迭代计算，获取高斯混合模型参数；
遍历所有的所述信号特征数据，计算出所有指纹位置上全部信标的高斯混合模型参数，作为所述指纹数据，存入指纹库；
所述应用最大期望算法对所述初始概率及所述高斯初始参数进行迭代计算，获取高斯混合模型参数，包括：将多组所述高斯初始参数作为多组高斯模型第一参数；根据多组所述高斯模型第一参数分别计算后验概率；根据多组所述后验概率计算多组高斯模型第二参数；根据多组所述高斯模型第二参数计算似然对数；将多组所述高斯模型第二参数作为多组所述高斯模型第一参数，返回所述根据多组所述高斯初始参数分别计算后验概率的步骤进行迭代，直至所述多组高斯模型第二参数的所述似然对数收敛；
根据用户实时上报的信号特征数据结合所述指纹库应用概率模型计算所述用户在与所述信号特征数据相关的每个所述指纹位置的联合概率值；
根据所述用户在每个所述指纹位置的所述联合概率值获取所述用户的当前位置。
2.根据权利要求1所述的方法，其特征在于，所述利用指纹采集工具，获取目标室内场所中的指纹位置的信号特征数据，包括：
采集所述目标室内场所中信标的信号特征数据；
以室内地图数据为数据源，进行指纹位置采集；
利用终端操作系统应用程序编程接口，获取用户在每个时间点在所述指纹位置接收到的信号特征数据。
3.根据权利要求1所述的方法，其特征在于，所述根据用户实时上报的信号特征数据结合所述指纹库数据应用概率模型计算所述用户在与所述信号特征数据相关的每个所述指纹位置的联合概率值，包括：
接收用户实时上报的所述信号特征数据，其中所述信号特征数据包括至少一个信标编号和与所述信标编号对应的信号强度；
根据所述至少一个信标编号和与所述信标编号对应的信号强度获取所述指纹库中包含所述至少一个信标编号的每个所述指纹位置上所述至少一个所述信标的概率值；
根据所述指纹位置上所述至少一个信标的概率值获取所述指纹位置的联合概率值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述用户在每个所述指纹位置的联合概率值获取所述用户的当前位置，包括：
根据所述联合概率值对所述指纹位置进行降序排列；
只有一个指纹位置记录时，将用户的所述当前位置标记在所述指纹位置上；
有两个指纹位置记录时，如果在两个所述指纹位置的所述联合概率值的比值大于阈值，则将所述联合概率值大的所述指纹位置作为用户的所述当前位置；如果两个所述指纹位置的所述联合概率值的比值低于阈值，则根据两个所述指纹位置的所述联合概率值以及一历史位置数据获取用户的所述当前位置；
有三个指纹位置记录时，如果顺序第一个所述指纹位置与第二个所述指纹位置的所述联合概率值的比值大于阈值，则将顺序第一个所述指纹位置作为用户的所述当前位置；如果顺序第一个所述指纹位置与第二个所述指纹位置的所述联合概率值的比值小于阈值，则获取用户定位的上一个定位位置，比较三个所述指纹位置到所述上一个定位位置的距离，取到所述上一个定位位置的距离最小的所述指纹位置作为用户的所述当前位置。
5.一种室内定位装置，其特征在于，所述装置包括：
数据采集单元，用于利用指纹采集工具，获取目标室内场所中指纹位置的信号特征数据；
库建立单元，用于根据所述指纹位置的所述信号特征数据使用高斯混合模型获取所述指纹位置的指纹数据，建立指纹库；所述信号特征数据包括指纹位置编号、信标编号、时间、信号强度；
所述库建立单元，进一步用于：
对所述指纹位置的所述信号特征数据按照所述指纹位置编号、所述信标编号、时间、信号强度进行排序，获取排序后的所述信号特征数据；
顺序获取一指纹位置的所述信号特征数据；按照所述指纹位置的所述信标编号顺序获取排序好的所述信号特征数据；应用聚类算法对排序好的所述信号特征数据进行聚类，获取多组信号特征数据；对多组所述信号特征数据分别计算得到多组初始概率及高斯初始参数；所述高斯初始参数包括初始系数、初始均值以及初始方差；
应用最大期望算法对所述初始概率及所述高斯初始参数进行迭代计算，获取高斯混合模型参数；
遍历所有的所述信号特征数据，计算出所有指纹位置上全部信标的高斯混合模型参数，作为所述指纹数据，存入指纹库；
所述应用最大期望算法对所述初始概率及所述高斯初始参数进行迭代计算，获取高斯混合模型参数，包括：将多组所述高斯初始参数作为多组高斯模型第一参数；根据多组所述高斯模型第一参数分别计算后验概率；根据多组所述后验概率计算多组高斯模型第二参数；根据多组所述高斯模型第二参数计算似然对数；将多组所述高斯模型第二参数作为多组所述高斯模型第一参数，返回所述根据多组所述高斯初始参数分别计算后验概率的步骤进行迭代，直至所述多组高斯模型第二参数的所述似然对数收敛；
概率计算单元，用于根据用户实时上报的信号特征数据结合所述指纹库应用概率模型计算所述用户在与所述信号特征数据相关的每个所述指纹位置的联合概率值；
位置获取单元，用于根据所述用户在每个所述指纹位置的联合概率值获取所述用户的当前位置。
6.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行根据权利要求1-4任一项所述室内定位方法的步骤。
7.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行根据权利要求1-4任一项所述室内定位方法的步骤。
CN201910889405.8A 2019-09-19 2019-09-19 室内定位方法、装置、计算设备及计算机存储介质 Active CN112533144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910889405.8A CN112533144B (zh) 2019-09-19 2019-09-19 室内定位方法、装置、计算设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910889405.8A CN112533144B (zh) 2019-09-19 2019-09-19 室内定位方法、装置、计算设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN112533144A CN112533144A (zh) 2021-03-19
CN112533144B true CN112533144B (zh) 2023-07-18

Family

ID=74974508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910889405.8A Active CN112533144B (zh) 2019-09-19 2019-09-19 室内定位方法、装置、计算设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN112533144B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113270729B (zh) * 2021-04-01 2022-03-22 珠海极海半导体有限公司 立体阵列天线、定位方法和系统、ble芯片及无线mcu芯片
CN113759311B (zh) * 2021-11-09 2022-03-15 中移(上海)信息通信科技有限公司 一种定位方法、装置及存储介质
CN114745673B (zh) * 2022-04-15 2023-03-24 广州易而达科技股份有限公司 蓝牙耳机的连接控制方法、装置、蓝牙耳机和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102111872A (zh) * 2009-12-23 2011-06-29 中国移动通信集团公司 基于指纹定位技术的定位方法及装置
WO2016023190A1 (zh) * 2014-08-13 2016-02-18 华为技术有限公司 一种定位ap的方法和装置
CN109275095A (zh) * 2018-11-09 2019-01-25 中科数字健康科学研究院（南京）有限公司 一种基于蓝牙的室内定位系统、定位设备和定位方法
WO2019136918A1 (zh) * 2018-01-11 2019-07-18 华为技术有限公司 一种室内定位的方法、服务器及定位系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104703143B (zh) * 2015-03-18 2018-03-27 北京理工大学 一种基于wifi信号强度的室内定位方法
CN106899930B (zh) * 2015-12-17 2020-07-28 阿里巴巴集团控股有限公司 指纹数据库构建方法、定位方法及装置
CN107027168A (zh) * 2016-02-02 2017-08-08 高德信息技术有限公司 定位方法和装置
CN106658704A (zh) * 2016-11-23 2017-05-10 上海斐讯数据通信技术有限公司 一种室内定位的起点位置的定位方法和系统
CN109151890A (zh) * 2017-06-19 2019-01-04 中国移动通信集团浙江有限公司 一种移动终端定位方法及装置
CN109068274B (zh) * 2018-09-30 2020-06-16 电子科技大学 一种细粒度指纹质量辅助下的复杂室内环境目标定位方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102111872A (zh) * 2009-12-23 2011-06-29 中国移动通信集团公司 基于指纹定位技术的定位方法及装置
WO2016023190A1 (zh) * 2014-08-13 2016-02-18 华为技术有限公司 一种定位ap的方法和装置
WO2019136918A1 (zh) * 2018-01-11 2019-07-18 华为技术有限公司 一种室内定位的方法、服务器及定位系统
CN109275095A (zh) * 2018-11-09 2019-01-25 中科数字健康科学研究院（南京）有限公司 一种基于蓝牙的室内定位系统、定位设备和定位方法

Also Published As

Publication number Publication date
CN112533144A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN112533144B (zh) 室内定位方法、装置、计算设备及计算机存储介质
CN110012428B (zh) 一种基于WiFi的室内定位方法
CN104703143B (zh) 一种基于wifi信号强度的室内定位方法
CN105044662B (zh) 一种基于wifi信号强度的指纹聚类多点联合室内定位方法
CN107071743B (zh) 一种基于随机森林的快速KNN室内WiFi定位方法
US8698671B2 (en) Binning venues into categories based on propagation characteristics
Diaz et al. Bluepass: An indoor bluetooth-based localization system for mobile applications
CN108919177B (zh) 一种基于虚拟信源估计与轨迹校正的定位地图构建方法
CN106291517A (zh) 基于位置与视觉信息优化的室内云机器人角度定位方法
CN111726765B (zh) 一种面向大规模复杂场景的wifi室内定位方法及系统
CN110049549B (zh) 基于WiFi指纹的多融合室内定位方法及其系统
CN106912105A (zh) 基于pso_bp神经网络的三维定位方法
CN107087256A (zh) 一种基于WiFi室内定位的指纹聚类方法及装置
CN106658704A (zh) 一种室内定位的起点位置的定位方法和系统
CN110850363B (zh) 一种基于实时定位轨迹数据进行动态滤波优化的方法
CN105338619A (zh) 定位方法及装置
CN109640262B (zh) 一种基于混合指纹的定位方法及系统、设备、存储介质
CN110672089A (zh) 室内环境中导航的方法及设备
CN109379711B (zh) 一种定位方法
WO2019169993A1 (zh) 定位方法、定位装置、服务器和计算机可读存储介质
CN112135248A (zh) 一种基于K-means最优估计的WIFI指纹定位方法
CN108834047B (zh) 一种路径损耗模型的ap选择室内定位方法
CN108632763A (zh) 一种基于WiFi指纹的室内定位加权K近邻方法
CN111880144A (zh) 定位方法、装置、设备和存储介质
CN108680897B (zh) 一种室内定位方法、装置、电子设备及存储介质

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