CN113203984B - 一种多用户端在线协同定位系统 - Google Patents

Abstract

本发明公开了一种多用户端在线协同定位系统，属于通信与无线网络技术领域。本发明通过评估各用户端的候选位置集的确定性，让候选位置集确定性高的用户来帮忙校准候选位置集确定性低的用户，提升协同组的整体定位效果；通过协同组划分模块，分情况对用户采用不同的最终定位方案进行定位，实现定位效率和定位准确率的最大化；通过使用多个用户端的信号向量和位置去实现相互校准，由于利用了多个用户端之间的信息增益，在不添置额外的硬件设备的情况下能够增加定位的信息，更有益于系统精准定位用户端。

Description

一种多用户端在线协同定位系统

技术领域

本发明属于通信与无线网络技术领域，更具体地，涉及一种多用户端在线协同定位系统。

背景技术

有研究表明，人类有80％以上的时间在室内度过，因此室内定位服务变得越来越重要。由于信号阻挡以及不收敛问题，在室外使用广泛的GPS并不能很好的适应室内环境。针对室内环境，学者们基于智能手机的不同传感器如红外线、蓝牙、Wi-Fi提出了许多方法。其中，由于Wi-Fi模块的普遍性，基于Wi-Fi接收信号强度(RSS)的指纹识别已成为近几十年来的研究重点。

基于指纹的定位系统通常分为两个阶段，一个是离线阶段，一个是在线阶段。在前者，专职人员先在定位区域内提前确定好采样点，然后手持专业设备在采集点上收集RSS向量，所有采样点的RSS向量组成了离线数据库。在在线阶段，待定位用户上传他收到的RSS向量以请求定位，系统比较他的RSS向量和数据库中的RSS向量，通过一系列计算得到待定位用户评估位置。例如，使用最近邻(NN)算法将用户定位到信号距离最小的采样点位置。

在上述的在线阶段中，传统的方法通常以一种独立的方式工作。也就是说当有多个用户同时申请定位时，系统并行或串行得处理每个用户的定位结果。虽然早在几年前就有学者提出过协同定位的方法，但是他们基本上都借助一些额外的硬件设备如蓝牙和声信号，来进行多个用户间接近度或相隔距离的测量。在实际部署中，这样的方法有两大缺点：一个是智能手机中交互设备的稀缺，另一方面直接通信涉及到安全性和隐私性。

专利CN111836188A提出一种新的在线协同定位方法。这与之前说的协同定位相比，是一种隐式协同。它不需要额外的硬件来进行用户之间的接近度或距离的测量。其基本思想是使用同一时刻其他用户的RSS向量来计算自己的候选采样点置信度。尽管实验已经证明了它的优越性，但是这种在线校准是基于每个用户进行的，尚未完全利用协同在线用户之间的潜在关系。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种多用户端在线协同定位系统，其目的在于在多个用户同时请求定位服务的情况下，深层地利用多个在线用户RSS之间的关系，来增强基于WIFI指纹的定位效果。

为实现上述目的，按照本发明的一个方面，提供了一种多用户端在线协同定位系统，所述系统包括：

初始定位模块，用于确定同时发送定位请求各用户端的候选位置，所述候选位置为用户端所处子区域的可能坐标位置，构成各用户端的候选位置集发送给确定性评估模块，将同时发送定位请求各用户端上传的信号向量与其候选位置信号向量的相似度发送给最终定位模块；

确定性评估模块，用于评估各用户端的候选位置集的确定性，发送给最终定位模块；

协同组划分模块，用于将同时发送定位请求处于相同子区域且候选位置集确定性高的用户端划分到第一协同组，将同时发送定位请求处于相同子区域且候选位置集确定性低的用户端划分到第二协同组；

最终定位模块，用于对各第一协同组的各用户端，基于该用户端的协同置信度和其上传信号向量与各候选位置信号向量的相似度，进行最终定位；对各第二协同组的各用户端，利用同时发送定位请求且处于相同子区域的候选位置集确定性高的用户端的最终定位，校准该用户端的初始定位，得到最终定位。

优选地，所述最终定位模块还包括：

第一定位模块，用于对各第一协同组的各用户端或者用户端数量不大于设定阈值的第二协同组的各用户端，基于该用户端的协同置信度和其上传信号向量与各候选位置信号向量的相似度，进行最终定位；

第二定位模块，用于对用户端数量大于设定阈值的第二协同组的各用户端，利用同时发送定位请求且处于相同子区域的候选位置集确定性高的用户端的最终定位，校准该用户端的初始定位，得到最终定位。

有益效果：本发明对各第一协同组的各用户端(确定性高)或者用户端数量不大于设定阈值的第二协同组的各用户端(确定性低且人少)，直接采用基于该用户端的协同置信度和其上传信号向量与各候选位置信号向量的相似度进行最终定位，仅对用户端数量大于设定阈值的第二协同组的各用户端(确定性低且人多)，利用同时发送定位请求且处于相同子区域的候选位置集确定性高的用户端的最终定位，校准该用户端的初始定位，得到最终定位，更加全面得考虑用户端适用的最终定位方案，使得结构更加模块化、准确率进一步提升。

优选地，所述第一定位模块还用于，先对用户端数量不大于设定阈值的第一协同组和用户端数量不大于设定阈值的第二协同组进行合并，再对合并协同组的各用户端，基于该用户端的协同置信度和其上传信号向量与各候选位置信号向量的相似度，进行最终定位。

有益效果：本发明通过合并第一协同组和用户端数量不大于设定阈值的第二协同组，将两种情况的用户端进行规整，实现流程的精简和计算过程批量化。

优选地，所述初始定位模块采取多维尺度变换将协同组中多个用户端RSS向量降至二维，得到各用户端的虚拟位置，具体如下：

多维尺度变换降维的输入数据为：

其中，f₁₁代表第一个用户端RSS向量的第一个元素，即协同组中的第1个信号源的信号强度；A表示RSS向量的长度，即总信号源的数量；N表示协同组中用户端数量；

降维后的数据为：

其中，m₁＝(m₁₁,m₁₂)表示第一个用户端降维之后的二维坐标，(m₁,…,m_N)为N个用户端的虚拟位置。

有益效果：本发明通过采取多维尺度变换将协同组中多个用户端RSS向量降至二维，得到各用户端的虚拟位置，由于多维尺度变换能将多维数据映射到低维空间，同时保持各个样本之间的原有相对距离不变，使得各用户端的虚拟位置关系能够反映出多个用户端真实的物理位置关系，以保证校准用户端最终定位结果的方案是合理和准确的。

优选地，所述确定性评估模块通过以下方式评估各用户端的候选位置集的确定性：

其中，s_i表示候选位置集的确定性，P_i为协同组中第i个用户端的候选位置集的坐标集合，E(P_i)为P_i的数学期望。

有益效果：本发明通过上述方式来评估各用户端的候选位置集的确定性，由于候选位置集的方差和真实定位误差大致成正比，设置s_i与候选位置集的方差成反比的操作可以实现s_i能够正确反映出用户端真实定位误差的大小，s_i越大代表用户端真实定位误差越大，从而方便判别用户端应属的协同组，以降低定位误差。

优选地，所述协同置信度计算方式如下：

计算协同组中其他用户端RSS向量和第i个用户端RSS向量的第一差向量，计算协同组中其他用户端RSS向量和第i个用户端每个候选位置RSS向量的第二差向量，点积两个差向量得到该候选位置作为第i个用户端初步定位的协同置信度。

有益效果：本发明计算了用户端的协同置信度，由于协同组中的其它用户端可以给当前目标用户端提供更多的信息，实现当前目标用户端的信息增益，增强当前目标用户端定位结果的准确性。

优选地，所述最终定位模块通过以下方式实现初始位置校准：

S1.选择协同组中三个具有最高候选位置集的确定性的目标用户端，基于协同置信度和本身的信号距离对上述三个目标用户端进行定位，将它们作为已得到评估位置的初始锚点；

S2.以迭代的方式依次定位目标用户端，每轮迭代中，从未定位的用户端中挑选出候选位置集的确定性最高的目标用户端计算其定位结果，具体如下：

(1)计算本轮目标用户端的虚拟距离向量和真实距离向量，所述虚拟距离向量为待定位用户端的虚拟位置和每个锚点的虚拟位置的距离，所述真实距离向量为待定位用户端候选位置的物理坐标到锚点的位置坐标的距离；

(2)计算本轮目标用户端虚拟距离向量和真实距离向量的相似度，得到本轮目标用户端虚拟距离置信度；

(3)将本轮目标用户端的虚拟距离置信度、协同置信度及其本身的信号距离进行融合和映射，得到本轮目标用户端综合置信度；

(4)根据本轮目标用户端候选位置的综合置信度，确定本轮定位用户端的最终定位结果；

(5)将本轮得到评估位置的目标用户端设置成新锚点，重复(1)-(4)，直到所有的用户端都确定最终结果。

有益效果：本发明通过迭代的方式依次给用户端确定最终结果，由于候选位置集的确定性高的用户端往往初始定位结果就很准确，将它们设置为锚点可以帮助后面候选位置集的确定性低的用户端进行最终定位。此外，在每次迭代的最后将此轮目标用户端设定成新锚点，是为了保证锚点准确的同时，增加锚点的数量。锚点是已定位用户所在的位置点。

优选地，虚拟距离向量计算公式如下：

v_i＝(‖m_i-m₁‖,…,‖m_i-m_i-1‖)

真实距离向量计算公式如下：

q_ik＝(‖p_ik-p₁‖,…,‖p_ik-p_i-1‖)

其中，m_i表示第i个用户端的虚拟二维坐标，p_i表示协同组中第i个用户端的评估位置，p_ik表示协同组中本轮目标用户端u_i的第k个候选位置的物理坐标。

有益效果：本发明通过上述方式计算虚拟距离向量和真实物理向量，由于两个向量的方向相似程度能够反映出本轮目标用户端各个候选位置的可能性大小，实现对本轮目标用户端的定位优化。

优选地，第i个用户端的第k个候选位置的综合置信度计算公式如下：

其中，sigmoid函数用于将输入转换为(0,1)的范围，N表示协同组中用户端数量，

表示标准化后本身的信号距离，/>

表示标准化后协同置信度，/>

表示标准化虚拟距离置信度，下标ik表示协同组中第i个用户端的第k个候选位置，i＝1,2,...N，k＝1,2,...,K，K表示候选位置集合的大小。

有益效果：本发明通过集成用户本身的信号距离、协同置信度和虚拟距离置信度，来共同决定得到的候选参考点的最终综合置信度，多信息量集成学习，增加定位的可靠性和准确性。在集成信息前，对本身的信号距离集D_i、协同置信度集

和虚拟距离置信度集G_i进行标准化处理，对他们的标准值进行加减操作生成最终综合置信度，以消除三个指标的量纲影响，增加用户定位结果的准确度。

优选地，标准化虚拟距离置信度

计算公式如下：

/>

其中，v_i表示协同组中第i个目标用户端的虚拟距离向量，q_ik表示协同组中第i个目标用户端的第k个候选位置的真实距离向量，μ_g、σ_g分别表示虚拟距离置信度集G_i＝(g_i1,…,g_ik,…,g_iK)的平均差和标准偏差。

有益效果：本发明通过余弦相似度来计算v_i和q_ik的方向相似程度，由于v_i的每个元素与多维尺度缩放的输出有关，属于无量纲的数值。余弦相似度只与两个向量的方向有关，与向量的长度无关，使用余弦相似度的计算公式能够实现正确评估v_i和q_ik的方向相似性，增强虚拟距离置信度的合理性和准确性。

总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

本发明提出一种多用户端在线协同定位系统，通过评估各用户端的候选位置集的确定性，让候选位置集确定性高的用户来帮忙校准候选位置集确定性低的用户，提升协同组的整体定位效果；通过协同组划分模块，分情况对用户采用不同的最终定位方案进行定位，实现定位效率和定位准确率的最大化；通过使用多个用户端的信号向量和位置去实现相互校准，由于利用了多个用户端之间的信息增益，在不添置额外的硬件设备的情况下能够增加定位的信息，更有益于系统精准定位用户端。

附图说明

图1为本发明提供的一种基于多维尺度变换的多人在线协同定位方法流程图；

图2为本发明实施例提供的计算虚拟距离置信度示意图；

图3为本发明实施例提供的目标区域示意图；

图4为本发明实施例针对请求用户N＝9的情况，在栅格密度为0.6m的情况下，各种定位方法随候选参考点个数K变化的定位效果对比图；

图5为本发明实施例在候选参考点个数K＝9的情况下，各种定位方法随同时请求定位用户人数N变化的定位效果对比图；

图6为本发明实施例在候选参考点K＝9时、在线人数N＝19的情况下，各种定位方法的定位累积误差分布曲线对比示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本发明提供了一种基于多维尺度变换的多人在线协同定位方法，该方法包括以下步骤：

步骤S1.首先将目标区域分为多个子区域，在每个子区域中设定一定数量的采样点以收集RSS样本。将该子区域内所有采样点的RSS向量的平均值作为该子区域的区域指纹。

首先，按照现场勘测的方式收集目标区域采样点的样本。所述现场勘测是指：按照固定间距(如，0.6m)将目标区域划分为多个小栅格，由专职人员手持勘测设备在每个小栅格中采集Wi-Fi信号强度和记录采样点的位置。由于目标区域中拥有多个Wi-Fi信号源，每个采样数据的形式都是一个向量，总长度为Wi-Fi信号源的个数，此向量被称为RSS向量。用r_j代表第j个采样点的RSS向量，r_j和第j个采样点的二维坐标(x_j,y_j)即组成了第j个采样点(RP)的数据。

将定位区域分为多个子区域，所述目标区域可以是室内环境(如建筑物)，也可以是室外环境(如校园)。根据目标区域的平面布置图，可以将目标区域划分为S个子区域，例如，建筑物划分为办公室、走廊、洗手间、楼道等，校园划分为教学楼、办公楼、广场、食堂、马路等。对于每个子区域，将所有采样点RSS向量的平均值

作为其区域指纹，s＝1,…,S。若第j个采样点没有接收到来自某信号源的信号，则将对应的信号强度设置为缺省值，如-90dBM。

步骤S2.确定目标用户所属的子区域：计算目标用户的RSS向量和各子区域的区域指纹的信号距离，选择信号距离最小的子区域作为目标用户所属的子区域。

目标用户利用智能终端设备如手机扫描目标区域内所有WiFi信号源的信号强度，以获取其对应的RSS向量f。计算它到各个子区域指纹

的信号距离，如下式：

其中，‖·‖代表某种距离评估运算，在本实施例中采用欧氏距离；S为子区域总个数。

选择具有最小d_s的子区域作为目标用户的评估子区域，公式为：

s^*＝argmin_sd_s,s＝1,…,S

其中，s^*为目标用户定位到的子区域序号。

该步骤的优点在于，将目标用户从一个较大的目标区域范围确定到一个较小的目标区域可以缩小可能的采样点数量，有效地减少后续信号距离计算量。另一方面，由于子区域内部的RSS向量相似性和子区域之间RSS向量的差异性，用户子区域的命中率较好，实用价值高。

步骤S3.计算目标用户RSS向量和目标用户所属子区域的各采样点RSS向量的信号距离，将信号距离最小的K个采样点确定为目标用户位置所属候选采样点集。

选择K个与目标用户具有最小信号距离的采样点作为目标用户的候选采样点，目标用户u_i的RSS向量和所有采样点RSS向量之间的信号距离公式为：

d_k＝||f_i-r_j‖

其中，‖·‖代表距离评估运算，实施例中采用的是欧氏距离，f_i表示第i个申请定位的用户的RSS向量，i＝1,…,N，N是在同一子区域同时发出定位请求的用户数；r_j表示第j个采样点RSS向量，j＝1,…,M，M是该子区域的总采样点数。

最后令R_i＝(r_i1,…,r_ik,…,r_iK)表示待定位用户的候选采样点的集合，其对应的信号距离集合为D_i＝(d_i1,…,d_ik,…,d_iK)。

步骤S4.利用同属于一个子区域的多个目标用户的RSS向量和降维方法得到多个目标用户的虚拟位置。对同属于一个子区域的用户的集合，后续将称为协同组。

降维方法有很多种，本实例中采取多维尺度变换(Multi-Dimensional Scaling，MDS)将协同组中多个用户的RSS向量降至二维。MDS降维的输入数据为

其中，f₁₁代表第一个用户RSS向量的第一个元素，即收到的第1个信号源的信号强度。A表示RSS向量的长度，即总信号源的数量。

MDS的基本步骤如下：

首先构建一个信号距离矩阵D：

其中，δ₁₁＝||f_i-f_j||,i,j＝1,…,N。然后构造内积矩阵B：

其中，°2表示以元素方式进行平方，J表示双中心矩阵：

其中，I是尺寸为N×N的单位矩阵，l是一个长度N×1的全1向量，l^T为l为转置。

为了实现降维至二维，对内积矩阵B进行截断特征值分解。

其中，Λ为包含最大的二个特征值的2×2对角矩阵，

表示以元素方式进行开方，V为最大的二个特征值对应的特征向量。

最后，降维的数据为：

其形式为：

其中，m₁＝(m₁₁,m₁₂)表示第一个用户降维之后的二维坐标。称(m₁,…,m_N)为N个用户的虚拟位置集合。这些虚拟位置可用于描述所有在线用户之间的潜在关系。

此步骤的优点是MDS降维技术可以使得高维空间中的样本互距离在低维空间中得以保持，使得生成的多个用户虚拟位置能够反映出对应的真实位置，优化用户的初始定位结果。

步骤S5.计算协同组中每个目标用户的初始定位确定性，按初始定位确定性由大到小的顺序排序以生成用户序列。

初始定位确定性定义为目标用户K个候选参考点集合方差的倒数，公式为：

其中，P_i为协同组中第i个用户的K个候选参考点集的坐标集合。E(P_i)为输入P_i的数学期望。

接着按初始定位确定性由大到小的顺序排序，为了方便表示，我们将排序后的用户序列表示为U＝(u₁,u₂,u₃,…,u_N)。值得注意的是，若协同用户组的总数量N小于等于3，他们的位置定位结果将直接通过步骤S6计算出来，而当协同用户组的总数量N大于3时，先通过步骤S6计算出三个具有最高初始定位确定性的目标用户作为锚点，然后通过S7校准其他未确定评估位置的目标用户。

步骤S6.选择协同组中三个具有最高初始定位确定性的目标用户，基于协同置信度和本身的信号距离对上述三个目标用户进行定位，将他们作为已得到评估位置的初始锚点。

协同置信度计算方式为：计算协同组中其他用户RSS向量和第i个用户RSS向量的第一差向量，计算协同组中其他用户RSS向量和第i个目标用户每个候选采样点RSS向量的第二差向量，点积两个差向量得到该候选采样点作为目标用户定位点的协同置信度。计算公式如下：

其中，

是一个元素尺度缩放函数，⊙代表着点积。

候选采样点本身的信号距离为其本身指纹到目标用户指纹之间信号距离，计算公式如下：

d_ik＝‖f_i-r_ik‖

其中，r_ik代表着第i个用户的第k个候选采样点的指纹。

为了整合这两个信息，先对每个用户距离采样点信号距离信息D_i＝(d_i1,…,d_ik,…,d_iK)、协同置信度集

分别进行标准化处理。

其中，μ_d、σ_d表示D_i集合的平均差和标准偏差，

表示/>

集合的平均值和标准偏差，第i个用户的第k个采样点的综合置信度的公式为：

对于具有最高初始定位确定性的三个用户，将w_ik作为权重计算他们K个候选采样点位置的加权结果，作为他们的定位结果。具体公式如下：

其中，

代表着u_i的定位位置；x_ik,y_ik为u_i的第k个候选参考点的坐标；

是归一化系数。

令U_p表示已经获得的用户集合最终位置，初始值U_p＝{u₁,u₂,u₃}。

此步骤的优点在于，最高初始定位确定性的三个目标用户通常本身就具有较低的定位偏差，然后通过融合信号距离信息和协同置信度来继续降低他们的定位偏差，使得他们的评估位置接近他们本身的真实位置，有利于接下来校准具有较低初始定位准确性的目标用户。

步骤S7.以迭代的方式依次定位目标用户。每轮迭代中，从未定位用户中挑选出初始定位准确性最大的目标用户计算他的定位结果。迭代过程中如下：

步骤S71.计算本轮目标用户的虚拟距离向量和真实距离向量。

虚拟距离向量为待定位用户的虚拟位置和每个锚点的虚拟位置的距离，具体生成方式为：

v_i＝(‖m_i-m₁‖,…,‖m_i-m_i-1‖)

真实距离向量为待定位用户候选采样点的物理坐标到锚点的位置坐标的距离，具体生成方式为：

q_ik＝(‖p_ik-p₁‖,…,‖p_ik-p_i-1‖)。

步骤S72.计算本轮目标用户虚拟距离向量和物理距离向量的相似度，得到本轮目标用户虚拟距离置信度。

在本实施例中，虚拟距离向量和真实距离向量的相似度选择使用余弦相似度，用户虚拟距离置信度的公式如下：

图2揭示了如何利用在线用户u₁，u₂和u₃计算用户u₄的虚拟距离可信度g_4k。上层是u₄的真实位置，相比与RP1(候选采样点1)他在真实空间上更靠近RP2(候选采样点2)；下层是由用户的在线RSS向量构成的信号空间，RSS向量的每个元素代表着不同AP(信号源)的信号强度。计算过程如下：(1)计算真实距离向量：定位u₄时，锚点用户u₁，u₂和u₃的最终位置已被计算，分别表示为p₁，p₂和p₃。根据信号距离，用户u₄选择RP1和RP2作为其候选RP，分别使用坐标p₄₁和p₄₁。首先计算两个RP的真实距离向量，即q₄₁和q₄₂。(2)计算虚拟距离向量：基于MDS技术根据f₁，f₂，f₃，f₄计算虚拟位置m₁，m₂，m₃，m₄，并计算u₄的虚拟距离向量，即v₄。(3)将RP1和RP2的虚拟距离置信度设置为v₄与q₄₁和q₄₂的余弦相似度g₄₁和g₄₂。观察g₄₂>g₄₁，这意味着从真实位置空间和虚拟位置空间之间的一致性的角度来看，RP2对于u₄定位更可靠。

此步骤的优点在于在不增加额外设备，利用协同组用户之间的RSS向量关系和评估位置关系，得到额外的采样点置信度信息，丰富定位信息，提高协同组的整体定位精度。

步骤S73.将本轮目标用户的虚拟距离置信度、协同置信度及其本身的信号距离进行融合和映射，得到本轮目标用户综合置信度。

对每个目标用户距离采样点虚拟距离置信度集G_i＝(g_i1,…,g_ik,…,g_iK)进行标准化处理，得到对应的标准分数：

其中，μ_g、σ_g表示G_i集合的平均差和标准偏差。

第i个用户的第k个采样点的综合置信度的公式为：

其中，sigmoid函数

用于将输入转换为(0,1)的范围，N是协同组总数。

此步骤的优点是集成了本身的信号距离信息、协同置信度信息和虚拟距离置信度使得综合置信度可靠性更高，从而提升目标用户的定位效果。

步骤S74.根据本轮目标用户候选采样点的综合置信度，确定此轮定位用户的最终定位结果。

定位计算方式为：对K个采样点的位置进行

的加权平均，结果即为u_i的最终定位结果。

其中，

是归一化系数。

步骤S75.将本轮得到评估位置的目标用户设置成新锚点，重复步骤S71.，直到所有的用户都确定最终结果。

在计算本轮目标用户的最终位置之后，将用户u_i包含到U_p中。如果所有在线用户都已获得最终位置，则迭代终止；否则，返回到步骤S71，为下一个用户u_i+1计算最终位置。

以下结合一个具体场景下的应用实例，对上述方法实施例所提供的一种基于多维尺度变换的多人在线协同定位方法做进一步的解释说明。

在本应用实例中，目标区域如图3所示。本发明使用MEIZU智能手机收集采样点RSS向量和随机分布的测试数据。在数据收集过程中，没有控制环境，其他人可以自由进出。值得注意的是测试样本并不是严格地同时被收集，但是以10s的间隔在一个房间中收集多个样本，总收集时长不超过3小时，然后随机地选择多个测试样本以模拟多个用户同时申请定位的情况。

采用两种广泛使用的性能指标平均定位误差(ALE)和定位误差的累积分布函数(CDF)进行性能比较。将本发明的基于多维尺度变换的协同定位方法与最近邻定位方法、K近邻定位方法、加权K近邻定位方法和专利CN111836188A的简单协同定位进行实验对比。各个方法的具体介绍如下：

最近邻定位方法：输出距测试样本最小信号距离的采样点位置。

K近邻定位方法：输出前K个候选点采样点位置的中心。

加权K近邻定位方法：输出前K个候选采样点位置的加权中心，其中权重与候选采样点与测试样本之间的信号距离成反比。

简单协同定位方法：集成K个候选采样点本身的信号距离和协同置信度生成最终权重，输出具有最小权重的采样点位置。

基于多维尺度变换的协同定位方法：本发明介绍的方法。

在本发明的实验中，子区域击中率通常非常接近100％。因此，本实施例着重于在子区域内定位用户。

如图4所示，在线人数N＝9时，平均定位误差随候选采样点的数量K的变化情况。所有方案在K＝1时都拥有相同的平均定位误差，因为它们都将测试样本定位到距该测试样本信号距离最小的候选采样点的位置。此外，可以观察到基于多维尺度变换的协同定位方法在所有候选采样点数量上都表现最好，这验证了融合虚拟距离置信度能有效地增强最终综合置信度的评估能力。这是因为通过对所有在线用户执行MDS降维，利用所有在线用户之间的某些潜在关系来帮助用户定位。另一方面，随着K的增加，基于多维尺度变换的协同定位方法对平均定位误差的改进也大大增加，这很好地解释了用户间在线协同的贡献，即校准由单个用户的在线-离线RSS向量匹配选择的候选采样点的权重。

如图5所示，在候选采样点K＝9时，平均定位误差相对于N(在线协同人数)的变化折线图。值得注意的是，当N＝3时，基于多维尺度变换的协同定位方法不计算基于MDS的虚拟距离置信度，在这种情况下，它会退化为简单协同定位，因此它们具有相同的定位结果。但是对于N>3，基于多维尺度变换的协同定位方法始终优于简单协同定位。这再次验证了使用基于MDS的虚拟位置进行计算虚拟距离置信度的有效性。

如图6所示，K＝9和N＝19情况下的累积分布函数展示了基于多维尺度变换的协同定位方法的改进效果。与简单协同定位方法相比，基于多维尺度变换的协同定位方法的误差降低了8.3％，而90％的定位误差降低了12.8％。此结果再次验证了基于多维尺度变换的协同定位方法的有效性。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种多用户端在线协同定位系统，其特征在于，所述系统包括：

初始定位模块，用于确定同时发送定位请求各用户端的候选位置，所述候选位置为用户端所处子区域的可能坐标位置，构成各用户端的候选位置集发送给确定性评估模块，将同时发送定位请求各用户端上传的信号向量与其候选位置信号向量的相似度发送给最终定位模块；

确定性评估模块，用于评估各用户端的候选位置集的确定性，发送给最终定位模块；

协同组划分模块，用于将同时发送定位请求处于相同子区域且候选位置集确定性高的用户端划分到第一协同组，将同时发送定位请求处于相同子区域且候选位置集确定性低的用户端划分到第二协同组；

最终定位模块，用于对各第一协同组的各用户端，基于该用户端的协同置信度和其上传信号向量与各候选位置信号向量的相似度，进行最终定位；对各第二协同组的各用户端，利用同时发送定位请求且处于相同子区域的候选位置集确定性高的用户端的最终定位，校准该用户端的初始定位，得到最终定位。

2.如权利要求1所述的系统，其特征在于，所述最终定位模块还包括：

第一定位模块，用于对各第一协同组的各用户端或者用户端数量不大于设定阈值的第二协同组的各用户端，基于该用户端的协同置信度和其上传信号向量与各候选位置信号向量的相似度，进行最终定位；

第二定位模块，用于对用户端数量大于设定阈值的第二协同组的各用户端，利用同时发送定位请求且处于相同子区域的候选位置集确定性高的用户端的最终定位，校准该用户端的初始定位，得到最终定位。

3.如权利要求2所述的系统，其特征在于，所述第一定位模块还用于，先对用户端数量不大于设定阈值的第一协同组和用户端数量不大于设定阈值的第二协同组进行合并，再对合并协同组的各用户端，基于该用户端的协同置信度和其上传信号向量与各候选位置信号向量的相似度，进行最终定位。

4.如权利要求1至3任一项所述的系统，其特征在于，所述初始定位模块采取多维尺度变换将协同组中多个用户端RSS向量降至二维，得到各用户端的虚拟位置，具体如下：

多维尺度变换降维的输入数据为：

其中，f₁₁代表第一个用户端RSS向量的第一个元素，即协同组中的第1个信号源的信号强度；A表示RSS向量的长度，即总信号源的数量；N表示协同组中用户端数量；

降维后的数据为：

其中，m₁＝(m₁₁，m₁₂)表示第一个用户端降维之后的二维坐标，(m₁，...，m_N)为N个用户端的虚拟位置。

5.如权利要求1至3任一项所述的系统，其特征在于，所述确定性评估模块通过以下方式评估各用户端的候选位置集的确定性：

其中，s_i表示候选位置集的确定性，P_i为协同组中第i个用户端的候选位置集的坐标集合，E(P_i)为P_i的数学期望。

6.如权利要求1至3任一项所述的系统，其特征在于，所述协同置信度计算方式如下：

计算协同组中其他用户端RSS向量和第i个用户端RSS向量的第一差向量，计算协同组中其他用户端RSS向量和第i个用户端每个候选位置RSS向量的第二差向量，点积两个差向量得到该候选位置作为第i个用户端初步定位的协同置信度。

7.如权利要求1至3任一项所述的系统，其特征在于，所述最终定位模块通过以下方式实现初始位置校准：

S1.选择协同组中三个具有最高候选位置集的确定性的目标用户端，基于协同置信度和本身的信号距离对上述三个目标用户端进行定位，将它们作为已得到评估位置的初始锚点；

S2.以迭代的方式依次定位目标用户端，每轮迭代中，从未定位的用户端中挑选出候选位置集的确定性最高的目标用户端计算其定位结果，具体如下：

(1)计算本轮目标用户端的虚拟距离向量和真实距离向量，所述虚拟距离向量为待定位用户端的虚拟位置和每个锚点的虚拟位置的距离，所述真实距离向量为待定位用户端候选位置的物理坐标到锚点的位置坐标的距离；

(2)计算本轮目标用户端虚拟距离向量和真实距离向量的相似度，得到本轮目标用户端虚拟距离置信度；

(3)将本轮目标用户端的虚拟距离置信度、协同置信度及其本身的信号距离进行融合和映射，得到本轮目标用户端综合置信度；

(4)根据本轮目标用户端候选位置的综合置信度，确定本轮定位用户端的最终定位结果；

(5)将本轮得到评估位置的目标用户端设置成新锚点，重复(1)-(4)，直到所有的用户端都确定最终结果。

8.如权利要求7所述的系统，其特征在于，虚拟距离向量计算公式如下：

v_i＝(||m_i-m₁||，...，||m_i-m_i-1||)

真实距离向量计算公式如下：

q_ik＝(||p_ik-p₁||，...，||p_ik-p_i-1||)

其中，m_i表示第i个用户端的虚拟二维坐标，p_i表示协同组中第i个用户端的评估位置，p_ik表示协同组中本轮目标用户端u_i的第k个候选位置的物理坐标。

9.如权利要求7所述的系统，其特征在于，第i个用户端的第k个候选位置的综合置信度计算公式如下：

其中，sigmoid函数用于将输入转换为(0,1)的范围，N表示协同组中用户端数量，

表示标准化后本身的信号距离，

表示标准化后协同置信度，

表示标准化虚拟距离置信度，下标ik表示协同组中第i个用户端的第k个候选位置，i＝1，2，...N，k＝1，2，...，K，K表示候选位置集合的大小。

10.如权利要求9所述的系统，其特征在于，标准化虚拟距离置信度

计算公式如下：

其中，v_i表示协同组中第i个目标用户端的虚拟距离向量，q_ik表示协同组中第i个目标用户端的第k个候选位置的真实距离向量，μ_g、σ_g分别表示虚拟距离置信度集G_i＝(g_i1，...，g_ik，...，g_iK)的平均差和标准偏差。

Images