CN113242518A - 一种基于水晶型信标布局的改进位置指纹定位方法 - Google Patents

Abstract

本发明提供了一种基于水晶型信标布局的改进位置指纹定位方法，属于指纹定位技术领域，包括以下步骤：在定位区域布置采样点，存储至数据库D；在采样点采集指纹信息，构建指纹库RSSI；在指纹库RSSI中选取RSSI值最大的iBeacon设备的相邻iBeacon设备作为参考点，并利用WKNN算法计算得到该相邻iBeacon设备的相对位置；将相对位置与RSSI值最大的iBeacon设备的绝对位置坐标通过累加计算得到绝对位置，得到定位坐标；利用卡尔曼滤波器修正所述定位坐标，完成基于水晶型信标布局的改进位置指纹定位。本发明在定位精度上比传统的位置指纹定位布局结构定位精度有所提升。

Description

一种基于水晶型信标布局的改进位置指纹定位方法

技术领域

本发明属于指纹定位技术领域，尤其涉及一种基于水晶型信标布局的改进位置指纹定位方法。

背景技术

目前传统的位置指纹定位方案的定位精度主要取决于指纹库信息的准确性，由于iBeacon设备本身具有衰减性，在电量不足的情况下会减小发射功率，导致指纹信息发生变化。另外，室内环境如果发生改变，由于多径效应和阴影衰减，采样点的信号强度值也会发生变化，随着定位区域的增加，指纹库的数量会线性增加，而且在采样阶段，不允许有任何误差出现，因为这些误差会直接降低定位的准确率。这时候，就需要人力和物力资源来更新指纹库，所以传统的方案需要很大的成本，由于室内RF环境的复杂性，iBeacon设备的放置也会影响定位精度，目前在改进iBeacon设备b放置以提高准确性这一领域并没有太多的研究关注。事实上，如果iBeacon设备的布置是高度规律的话，在定位区域的大部分位置的指纹信息是高度相似的，尤其是在矩形的定位区域。因此，本发明提出一种新型的信标放置策略CIP(Crystal-shape iBeacon设备Placement)布局，在定位精度上比传统的位置指纹定位布局结构定位精度有所提升。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于水晶型信标布局的改进位置指纹定位方法，在定位精度上比传统的位置指纹定位布局结构定位精度有所提升。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种基于水晶型信标布局的改进位置指纹定位方法，其特征在于，包括以下步骤：

S1、在定位区域布置采样点，并存储至数据库D；

S2、根据所述数据库D，在采样点采集指纹信息构建指纹库RSSI；

S3、在指纹库RSSI中选取RSSI值最大的iBeacon设备的相邻iBeacon设备作为参考点，并利用WKNN算法计算得到该相邻iBeacon设备的相对位置；

S4、将所述相对位置与RSSI值最大的iBeacon设备的绝对位置坐标通过累加计算得到绝对位置，得到定位坐标；

S5、利用卡尔曼滤波器修正所述定位坐标，完成基于水晶型信标布局的改进位置指纹定位。

本发明的有益效果是：本发明提出一种新型的信标放置策略CIP(Crystal-shapeiBeacon设备Placement)布局，对iBeacon设备放置位置的重要性以及影响信标信号质量的因素进行了全面的分析和试验，只需要在固定的区域进行采样点的布置和采集，将定位区域的iBeacon设备放置采用CIP布局，就可以复用固定区域的指纹信息特征，在CIP布局的基础上对传统的位置指纹定位算法进行改进，将位置指纹算法匹配复杂度由O(n²)降到了O(n)，可以极大地降低离线阶段建立指纹库的成本。

进一步地，所述步骤S1包括以下步骤：

S101、在定位区域选择一个iBeacon设备的位置，以等边三角形的形式向周边扩散，并以逆时针方向放置其他相邻iBeacon设备，构成正六边形即一个iBeacon设备序列；

S102、将iBeacon设备的位置和相邻iBeacon设备的UUID信息存储至数据库D。

上述进一步方案的有益效果是：与传统布局方案不同，本发明降低了采样区域的面积，减少了采样成本，采样区域高度规律。

再进一步地，所述步骤S102中数据库的表达式如下：

其中，iB_i表示正六边形iBeacon设备序列的中心点，iB_i,o表示iB_i的相邻iBeacon设备，p_n表示iB_i的位置坐标，i＝1,2,...,n，n表示区域iBeacon设备的数量，o表示中心iBeacon相邻iBeacon的序号，且o＝1,2,3,...,6。

上述进一步方案的有益效果是：本发明中数据库只需要存储相邻六个iBeacon设备的信息，降低了数据库容量。

再进一步地，所述步骤S2中指纹库RISS的表达式如下：

其中，p'_e表示采样点的相对坐标，rssi_e,f表示在采样点采集到的UUID为iB_o,p的iBeacon设备预处理后的RSSI值，iB_o,p表示iBeacon设备的UUID值，e＝1,2,...,m，m表示指纹库中采样点的总个数，e表示指纹库中采样点的序号，f表示iBeacon设备的序号，f＝0,1,…,6

上述进一步方案的有益效果是：本发明中指纹库只需要存储采样点采集到的六个iBeacon设备，降低了数据库容量和匹配算法的复杂度。

再进一步地，所述步骤S3包括以下步骤：

S301、基于在线采集的iBeacon设备RSSI向量rssi和UUID向量iB，选取RSSI值最大的iBeacon设备对应的UUID，记为iB_c；

S302、从数据库D中查询iB_c的位置坐标及其相邻的iBeacon设备序列，记为iBs＝[iB_c,iB_c,1,…,iB_c,6]；

S303、从iBeacon设备RSSI向量rssi中查找UUID为[iB_c,iBs]的iBeacon设备对应的RSSI值，记为rssi'；

S304、基于所述rssi'，利用步骤S2得到的指纹库RSSI中的RSSI序列与在线的RSSI序列之间的欧式距离，衡量定位位置在采样点p'_e的概率；

S305、选取前k个概率最大的相对位置，利用WKNN算法计算得到相邻iBeacon设备的相对位置。

上述进一步方案的有益效果是：本发明将传统的WKNN的匹配算法复杂度从O(n²)降低到了O(n)，在减少计算量的基础上获取相邻iBeacon设备的相对位置。

再进一步地，所述步骤S304中欧式距离的表达式如下：

其中，d_e表示欧式距离，n表示区域iBeacon设备的数量，rssi_i表示在线采集到第i个iBeacon设备的RSSI序列，RSSI_ei表示指纹库第e个采样点第i个iBeacon设备的RSSI值，w_i表示第i个iBeacon设备的权重。

上述进一步方案的有益效果是：本发明与传统的WKNN算法不同，传统方法在计算欧式距离时并没有体现不同信号强度的AP的不同作用大小，赋予了每个AP相同的权重

鉴于越是接收信号强度越大的AP对定位误差的影响越大，因此对每个AP赋予不同的权重，然后进行AP加权的欧式距离的计算，本发明更加科学。

再进一步地，所述步骤S304中采样点p_i'的概率的表达式如下：

其中，P(p'_e|rssi')表示采样点p'_e的概率，rssi_f表示离线指纹库RSSI的第f行除去第一列相对位置的RSSI序列。

上述进一步方案的有益效果是：本发明利用欧式距离衡量置信点的概率，在计算欧式距离时，对每个iBeacon设备赋予不同的权重，然后再进行加权计算，减少定位误差的影响。

再进一步地，所述步骤S305中相邻iBeacon设备的相对位置的表达式如下：

其中，p'_k和(x,y)均表示相邻iBeacon设备的相对位置，P(p'_e|rssi')表示采样点p'_e的概率，d_e表示第e个采样点的欧式距离，w_e表示第e个采样点的权重，(x_e,y_e)表示数据库中第e个采样点的位置坐标，k表示选取前k个欧氏距离最小的采样点做计算。

上述进一步方案的有益效果是：本发明利用改进的WKNN算法计算出相对坐标坐标，方便做下一步计算。

再进一步地，所述步骤S4中定位坐标的表达式如下：

p＝p_c+p′_k

其中，p表示定位坐标，p_c表示iB_c的绝对坐标，p'_k表示相邻iBeacon设备的相对位置。

上述进一步方案的有益效果是：本发明利用中心点的坐标和相对坐标计算出绝对坐标，该计算方式会将定位结果限定在六边形区域，提高了定位精度。

再进一步地，所述步骤S5利用卡尔曼滤波器修正所述定位坐标的表达式如下：

h_k＝x_l

P_k＝P_x+Q

x_c＝h_k+K*(x_c-h_k)

P_x＝(1-K)*P_k

其中，h_k表示绝对位置的先验估计，x_l表示上一个坐标的横坐标P_k表示x方向后验估计的方差，P_x表示x方向后验估计的方差，Q和R分别表示系统噪声方差和测量噪声方差，K表示卡尔曼增益，x_c表示当前坐标的横坐标。

上述进一步方案的有益效果是：卡尔曼滤波以预测值、实测值、修正值的顺序递推，极大地跟随真值变动，是贴近真值的适应动态环境的跟随算法。可以有效地改善定位结果的波动性。本发明利用卡尔曼滤波对定位结果进行优化，可以得到平滑的输出结果。

附图说明

图1为本发明的方法流程图。

图2为本实施例中CIP布局原理图示意图。

图3为本实施例中低成本位置指纹匹配算法示意图。

图4为实施例中算法仿真布局图。

图5为本实施例中传统WKNN算法的定位结果示意图。

图6为本实施例中利用本申请改进的低成本位置指纹匹配算法的定位结果示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例

本发明在CIP布局的基础上提出一种改进的低成本位置指纹定位方案。本发明使用一种特定的放置策略来布置iBeacon设备，每一个iBeacon设备与最近的相邻iBeacon设备之间的位置关系是高度规律的。在离线采样阶段，本发明选取一个具备代表性的区域，然后只在这块区域建立指纹库。在线定位阶段，选取RSSI值最大的iBeacon设备的相邻iBeacon设备作为参考点，通过WKNN算法计算出相对位置，然后与RSSI值最大的iBeacon设备绝对位置坐标通过累加计算出绝对位置。本发明通过低成本的位置指纹匹配算法将传统算法的采样成本从线性直接降低到了常数级。如图1所示，本发明提供了一种基于水晶型信标布局的改进位置指纹定位方法，其实现方法如下：

S1、在定位区域布置采样点，并存储至数据库D，其实现方法如下：

S101、在定位区域选择一个iBeacon设备的位置，以等边三角形的形式向周边扩散，并以逆时针方向放置其他相邻iBeacon设备，构成正六边形即一个iBeacon设备序列；

S102、将iBeacon设备的位置和相邻iBeacon设备的UUID信息存储至数据库D。

本实施例中，传统的位置指纹定位并没有考虑信标放置的问题，如图2所示，本发明提出一种新型的CIP布局，每个采样点位置需由3个不同的iBeacon设备覆盖，以实现高度精确的位置估计，并且尽可能减少iBeacon设备的数量。因此，假设水平部署区域为τ：

L_Bi＝{L_B1,…,L_BNr}∈τ (1)

其中，L_Bi是一组在部署平面内放置N_r个iBeacon设备的坐标集合。刚开始，将第一个iBeacon设备放在L_B1的位置并且将它命名为A，那么这个iBeacon设备覆盖的区域理想化为一个以A为中心，半径为R的圆，即iBeacon设备的通信范围。其覆盖区域可以表示为：

现在，第二个iBeacon设备必须放置在位置L_B2上，其中：

需要上述条件来保证：

1.用户需要接受到足够数量的iBeacon设备来进行定位。

2.需要部署尽可能少的iBeacon设备数量。

3.需要尽量最大化iBeacon设备覆盖的区域。

当且仅当第二个iBeacon设备位于以A为中心的圆上时，公式(3)的条件才可以满足，这个条件导致第二个iBeacon设备L_B2的坐标为：

L_B2＝(x_A-x_B)²+(y_A-y_B)²＝R² (4)

如图2所示，这里选择B表示L_B2。接下来，放置第三个iBeacon设备，以便提供足够的信标信息和完成本地化任务。为了满足既定的放置策略，L_B3等式需要更新为：

由图2观察得出，满足等式(5)条件的点有两个：C和G。这里选择C作为L_B3的位置。AB，AC，BC三对位置的距离相等，都为R。结论为：

因此，在室内定位任务中，iBeacon设备的最佳部署方案是等边三角形。为了扩大室内定位的覆盖面积，需要在部署的等边三角形的相邻位置放置更多的iBeacon设备。扩展的方案设计形成了一个水晶形状，所以将这个方案命名为CIP，水晶iBeacon设备放置。

本发明提出的CIP放置策略是由公式(6)关系推导出来，可以满足室内定位精度提高的高效排列，与随机放置的策略或者传统的网格放置策略相比，本发明提出的数学条件保证了三个设备之间尽可能短的距离，这是定位所要求的，因此提供了更准确的位置估计。这种策略的核心思想是用一块代表区域的指纹信息来取代整个区域的指纹信息。如图3所示，选择CIP的布局方式，本发明的放置方式是通过公式(6)中的数学关系来进行的。所推导的方程式可以满足iBeacon设备的有效布置，从而提高室内定位的准确性。不同于iBeacon设备的随机放置，所提出的数学条件保证了定位所需的三个设备之间的最短距离，从而提供了更准确的位置估计。

本实施例中，顶点到几何中心等距的多边形中，能够完整(无重叠)地覆盖某一区域可能的几何形状有：正方形、等边三角形和正六边形三种形状。在正方形、等边三角形和正六边形中，正六边形的面积最大。这里选用六边形而不是其他形状的蜂窝结构是因为六边形布局能够以较小的代价覆盖整个定位区域。即选定一个iBeacon设备的位置，然后以等边三角形的形式向周边扩展，进行其他相邻iBeacon设备的放置，这里选择逆时针方向进行放置，刚好组成一个正六边形，称为一个iBeacon设备序列，然后将iBeacon设备的位置信息和相邻的iBeacon设备UUID信息存储到数据库D。

其中，iB_i是一个正六边形iBeacon设备序列的中心点，iB_i,o是iB_i的相邻iBeacon设备，p_n表示iB_i的位置坐标。

S2、在采样点采集指纹信息，构建指纹库RSSI；

本实施例中，在离线阶段，只在

区域设置采样点，进行RSSI指纹信息的采集，而不是像传统位置指纹算法，在整个定位区域

进行采样。假设采样区域的中心iBeacon设备的UUID为iB_r，则离线采样的指纹库信息形式如公式所示：

其中，p'_e0是采样点的相对坐标，相对坐标是相对中心iBeacon设备的坐标，m越大，采样点设立的越多，由于这种布局只会采样一块区域，所以可以将采样点设置的数量多一点，这样可以提高定位的精度。rssi_e,f是在采样点采集到的UUID为iB_o,p的iBeacon设备的RSSI值，录入指纹库的是经过处理的RSSI值。由于采样区域比较小，所以离线阶段采集指纹库的工作量和成本大大减少，同时在线阶段定位的算法时间复杂度也减小了。

S3、在指纹库RSSI中选取RSSI值最大的iBeacon设备的相邻iBeacon设备作为参考点，并利用WKNN算法计算得到该相邻iBeacon设备的相对位置，其实现方法如下：

S301、基于在线采集的iBeacon设备RSSI向量rssi和UUID向量iB，选取RSSI值最大的iBeacon设备对应的UUID，记为iB_c；

S302、从数据库D中查询iB_c的位置坐标及其相邻iBeacon设备序列；

S303、从iBeacon设备RSSI向量rssi中查找UUID为[iB_c,iBs]的iBeacon设备对应的RSSI值，记为rssi'；

S304、基于所述rssi'，利用步骤S2得到的指纹库RSSI中的RSSI序列与在线的RSSI序列之间的欧式距离，衡量定位位置在采样点p′_i的概率；

S305、选取前k个概率最大的相对位置，利用WKNN算法计算得到相邻iBeacon设备的相对位置；

S4、将所述相对位置与RSSI值最大的iBeacon设备的绝对位置坐标通过累加计算得到绝对位置，得到定位坐标。

本实施例中，在线阶段时，用户的手机会实时扫描到iBeacon设备，获取到RSSI向量rssi＝(rssi₁,rssi₂,…,rssi_k)以及它们的UUID向量iB＝(iB₁,iB₂,…iB_k)，然后利用上述信息通过WKNN算法计算出位置坐标。传统的WKNN算法在计算欧式距离时，赋予的权重是相同的，都是1/n，没有体现不同信号强度的iBeacon设备的不同作用，但是实际情况是信号强度越大的iBeacon设备，对定位误差的影响越大，因此本发明在计算欧式距离时，对每个iBeacon设备赋予不同的权重，然后再进行加权计算。具体流程如下：

(1)首先，基于在线采集到的iBeacon设备RSSI向量rssi和UUID向量iB，取出其中RSSI值最大的iBeacon设备对应的UUID，记为iB_c。

(2)然后，从数据库D中查询iB_c的位置坐标以及它的相邻iBeacon设备序列，记为iBs＝[iB_c,iB_c,1,…,iB_c,6]。

(3)接着，从RSSI向量rssi中找出UUID为[iB_c,iBs]的iBeacon设备对应的RSSI值，记为rssi'，然后利用离线采样阶段得到的指纹库中的RSSI序列与在线的RSSI序列之间的欧氏距离，来衡量定位位置在采样点p′_i的概率：

其中，rssi_f指的是离线指纹库RSSI的第f行，除去第一列相对位置的RSSI序列。上述是向量形式的计算方式，转换成多项和如下所示：

其中，rssi_i是在线采集到第i个iBeacon设备的RSSI序列，则待测点指纹与离线阶段第e个采样点指纹的欧氏距离为：

其中，RSSI_ei是指纹库第e个采样点第i个iBeacon设备的RSSI值。

(4)计算出所有指纹库相对位置的概率之后，利用改进的WKNN算法计算出相对位置，取前k个概率最大的相对位置坐标进行计算，如下式所示：

(5)最后，由中心iBeacon设备iB_c的绝对位置累加上WKNN计算出的相对位置就可以得到定位结果：

p＝p_c+p′_k (16)

其中，p_c是iB_c的绝对坐标。

S5、利用卡尔曼滤波器修正所述定位坐标，完成基于水晶型信标布局的改进位置指纹定位。

本实施例中，在得到改进的位置指纹定位算法计算出定位坐标之后，对定位坐标进行卡尔曼滤波，得到的坐标比较平滑，定位结果更加稳定。测量方差R，反应当前的测量精度，过程方差反应连续两个时刻数据的方差，定义卡尔曼增益K，反应了测量结果与过程模型的可信程度。当前定位坐标p_c为(x_c,y_c)，上一个定位坐标为(x_l,y_l)，一阶卡尔曼滤波器滤波流程如下：

离散时间过程由以下离散随机差分方程描述为：

x_k＝Ax_k-1+Bu_k-1+w_k-1 (17)

定义观测变量z∈R^m，得到量测方程：

z_k＝Hx_k+v_k (18)

随机信号w_k和v_k分别表示过程激励噪声和观测噪声。假设他们相互独立，正态分布的白色噪声：

p(w)～N(0,Q),p(v)～N(0,R) (19)

离散卡尔曼滤波器时间更新方程：

离散卡尔曼滤波器状态更新方程：

将坐标参数带入得，

h_k＝x_l (22)

P_k＝P_x+Q (23)

x_c＝h_k+K*(x_c-h_k) (25)

P_x＝(1-K)*P_k (26)

其中，h_k是位置的先验估计，即在k-1时刻，对k时刻位置做出的估计。P_x是x方向后验估计的方差，重复迭代公式(22)到公式(26)，得到卡尔曼滤波后的定位结果。

本实施例中，根据上述提出的低成本位置指纹匹配算法，进行仿真实验，来检验算法的定位准确率和成本损耗。实验场景是一个网格图，网格的边长是1m，整个定位区域是一个50m×50m的正方形场地，模拟了室内环境，如图4所示。房间的墙壁是混凝土构造，对iBeacon设备信号传输影响很大。iBeacon设备的放置策略采用CIP布局，布局中正三角形的边长设置为5m，分别在两种场景下检验算法的准确性。

本实施例中，第一种场景是那些远离墙壁的区域，这些区域基本上没有障碍物，信号干扰较小，选取这些点进行仿真是为了验证定位区域中，与采样区域布局相似性比较高的区域的定位精度。第二种场景是那些比较靠近墙壁的区域，这些区域由于墙壁对信号的多径干扰，信号的稳定性会下降，选定这些区域是为了检测墙壁对算法精度的影响。

传统WKNN算法和改进的低成本位置指纹匹配算法的定位结果分别如图5和图6所示。在第一种情况下改进的低成本位置指纹匹配算法在定位精度上没有下降，因为最后计算出的定位位置会限制在正六边形区域内，所以不会有传统WKNN算法会出现的大的偏差。在第二种情况下，由于墙壁会带来信号的衰减和多径干扰，所以定位结果整体会有一定的偏差，偏差方向会趋近于墙壁的位置。在实验环境的数百组测试数据中，对比发现基于CIP布局的位置指纹算法在极大地降低了制作指纹库的成本的情况下，定位结果的误差与传统布局的位置指纹算法定位误差差不多，第一种情况下的误差降低了8.65％，第二种情况下误差降低了5.56％，并且让位置指纹定位算法具有了落地实现的价值。

Claims (10)

1.一种基于水晶型信标布局的改进位置指纹定位方法，其特征在于，包括以下步骤：

S1、在定位区域布置采样点，并存储至数据库D；

S2、根据所述数据库D，在采样点采集指纹信息构建指纹库RSSI；

S3、在指纹库RSSI中选取RSSI值最大的iBeacon设备的相邻iBeacon设备作为参考点，并利用WKNN算法计算得到该相邻iBeacon设备的相对位置；

S4、将所述相对位置与RSSI值最大的iBeacon设备的绝对位置坐标通过累加计算得到绝对位置，得到定位坐标；

S5、利用卡尔曼滤波器修正所述定位坐标，完成基于水晶型信标布局的改进位置指纹定位。

2.根据权利要求1所述的基于水晶型信标布局的改进位置指纹定位方法，其特征在于，所述步骤S1包括以下步骤：

S101、在定位区域选择一个iBeacon设备的位置，以等边三角形的形式向周边扩散，并以逆时针方向放置其他相邻iBeacon设备，构成正六边形即一个iBeacon设备序列；

S102、将iBeacon设备的位置和相邻iBeacon设备的UUID信息存储至数据库D。

3.根据权利要求2所述的基于水晶型信标布局的改进位置指纹定位方法，其特征在于，所述步骤S102中数据库D的表达式如下：

其中，iB_i表示正六边形iBeacon设备序列的中心点，iB_i,o表示iB_i的相邻iBeacon设备，p_n表示iB_i的位置坐标，i＝1,2,...,n，n表示区域iBeacon设备的数量，o表示中心iBeacon相邻iBeacon的序号，且o＝1,2,3,...,6。

4.根据权利要求3所述的基于水晶型信标布局的改进位置指纹定位方法，其特征在于，所述步骤S2中指纹库RISS的表达式如下：

其中，p'_e表示采样点的相对坐标，rssi_e,f表示在采样点采集到的UUID为iB_o,p的iBeacon设备预处理后的RSSI值，iB_o,p表示iBeacon设备的UUID值，e＝1,2,...,m，m表示指纹库中采样点的总个数，e表示指纹库中采样点的序号，f表示iBeacon设备的序号，f＝0,1,…,6。

5.根据权利要求4所述的基于水晶型信标布局的改进位置指纹定位方法，其特征在于，所述步骤S3包括以下步骤：

S301、基于在线采集的iBeacon设备RSSI向量rssi和UUID向量iB，选取RSSI值最大的iBeacon设备对应的UUID，记为iB_c；

S302、从数据库D中查询iB_c的位置坐标及其相邻的iBeacon设备序列，记为iBs＝[iB_c,iB_c,1,…,iB_c,6]；

S303、从iBeacon设备RSSI向量rssi中查找UUID为[iB_c,iBs]的iBeacon设备对应的RSSI值，记为rssi'；

S304、基于所述rssi'，利用步骤S2得到的指纹库RSSI中的RSSI序列与在线的RSSI序列之间的欧式距离，衡量定位位置在采样点p'_e的概率；

S305、选取前k个概率最大的相对位置，利用WKNN算法计算得到相邻iBeacon设备的相对位置。

6.根据权利要求5所述的基于水晶型信标布局的改进位置指纹定位方法，其特征在于，所述步骤S304中欧式距离的表达式如下：

其中，d_e表示欧式距离，n表示区域iBeacon设备的数量，rssi_i表示在线采集到第i个iBeacon设备的RSSI序列，RSSI_ei表示指纹库第e个采样点第i个iBeacon设备的RSSI值，w_i表示第i个iBeacon设备的权重。

7.根据权利要求6所述的基于水晶型信标布局的改进位置指纹定位方法，其特征在于，所述步骤S304中采样点p'_e的概率的表达式如下：

其中，P(p'_e|rssi')表示采样点p'_e的概率，rssi_f表示离线指纹库RSSI的第f行除去第一列相对位置的RSSI序列。

8.根据权利要求7所述的基于水晶型信标布局的改进位置指纹定位方法，其特征在于，所述步骤S305中相邻iBeacon设备的相对位置的表达式如下：

其中，p'_k和(x,y)均表示相邻iBeacon设备的相对位置，P(p'_e|rssi')表示采样点p'_e的概率，d_e表示第e个采样点的欧式距离，w_e表示第e个采样点的权重，(x_e,y_e)表示数据库中第e个采样点的位置坐标，k表示选取前k个欧氏距离最小的采样点做计算。

9.根据权利要求8所述的基于水晶型信标布局的改进位置指纹定位方法，其特征在于，所述步骤S4中定位坐标的表达式如下：

p＝p_c+p′_k

其中，p表示定位坐标，p_c表示iB_c的绝对坐标，p'_k表示相邻iBeacon设备的相对位置。

10.根据权利要求9所述的基于水晶型信标布局的改进位置指纹定位方法，其特征在于，所述步骤S5利用卡尔曼滤波器修正所述定位坐标的表达式如下：

h_k＝x_l

P_k＝P_x+Q

x_c＝h_k+K*(x_c-h_k)

P_x＝(1-K)*P_k

其中，h_k表示绝对位置的先验估计，x_l表示上一个坐标的横坐标P_k表示x方向后验估计的方差，P_x表示x方向后验估计的方差，Q和R分别表示系统噪声方差和测量噪声方差，K表示卡尔曼增益，x_c表示当前坐标的横坐标。

Images