CN113573406A - 一种基于少量无线信号强度的指纹信息定位方法 - Google Patents

Abstract

本发明公开了一种基于少量无线信号强度的指纹信息定位方法，根据本发明的定位方法采用双信标机制，并且采用改进的拉丁超立方抽样法确定一定比例的主次信标点的位置，采集主信标点的信号强度作为其指纹信息，以反距离加权法估计次信标点的信号强度，并采用径向基神经网络模型(RBF模型)进行插值，完成指纹库的扩充。据本发明的一种基于少量无线信号强度的指纹信息定位方法，在保证准确度的前提下，获得最低的采样开销；采用径向基神经网络插值模型进行指纹库扩充，经实测场景测试，在保障定位准确率的前提下，本发明的方法将指纹库扩展140％，且通过实验验证，平均定位误差较现有方法降低12％以上。

Description

一种基于少量无线信号强度的指纹信息定位方法

技术领域

本发明涉及一种基于少量无线信号强度的指纹信息定位方法，属于室内定位技术领域。

背景技术

随着通信技术的进步，室内位置服务相关的研究飞速发展。受GPS工作局限与固件配置约束的影响，以信号能量为尺度的指纹定位方法成为室内定位技术研究的重要方向。指纹定位方法避免了信号载体的差异与干扰源分布情况，但是定位精度不可避免地受离线指纹库构建的速度与效率影响。

室内定位的指纹库构建方法多种多样，例如全采法、众包法和预测法等。全采法是在室内场景中规划无线接入点(Access Point，AP)和指纹点位置后，采集并处理得到各个指纹点处来自各AP的信号强度均值数据，与其位置坐标构建组成指纹库。利用全采法构建的指纹库精度较高，但对给定大面积定位区域时，该方法会带来大量采集成本消耗，因此实用性较差。为缩减采集成本，众包法结合群智感知理论，利用系统用户的移动设备采集并上传指纹数据，但用户数据本身不精准的位置坐标，极大地限制了众包法的推广应用。

相比于全采法与众包法繁复的离线采样与建库方案，预测法将部分指纹点标记为信标点，仅需采集信标点的接收信号强度(Received Signal Strength，RSS)，并挖掘信标点信号间的深层关系来预测非信标指纹点的RSS，极大减小了建库开销。常用的预测法有空间插值法和矩阵填充法，作为典型的空间插值法，反距离加权(Inverse DistanceWeighted，IDW)算法逻辑简洁，位置权重仅与物理距离负相关，但对多干扰源的复杂场景的预测不精确；而克里金(Kriging)算法在预测前需要拟合场景相关的变异函数，由此带来计算复杂、结果波动率高的缺陷。为平衡计算复杂度，乐燕芬采用泛克里金插值法对位置指纹进行预处理，但减少的人工和时间成本有限，且构建精度受变异函数的影响较大。

发明内容

本发明目的在于提供一种基于少量无线信号强度的指纹信息定位方法，能够在维持指纹库精度与定位性能的同时，减少人力与时间成本的投入量。

技术方案：

本发明针对上述技术问题，提供了一种基于少量无线信号强度的指纹信息定位方法，根据本发明的定位方法采用双信标机制，并且采用改进的拉丁超立方抽样法确定一定比例的主次信标点的位置，采集主信标点的信号强度作为其指纹信息，以反距离加权法估计次信标点的信号强度，并采用径向基神经网络(RBF)方法插值，进行指纹库的扩充。

根据本发明的一种基于少量无线信号强度的指纹信息定位方法，包括如下步骤：

步骤一、构建系统模型，并采用双信标机制在定位场景内采用改进的拉丁超立方抽样法构建抽样样本，选取一定比例的主信标点和次信标点；

步骤二、采集主信标点的接收信号强度，所述接收信号强度和主信标点的位置坐标组成主信标点的指纹信息；

步骤三、采用反距离加权法进行插值，得到次信标点的接收信号强度，得到的接收信号强度和次信标点的位置坐标组成次信标点的指纹信息；

步骤四、采用径向基神经网络插值模型，进行指纹库扩充。

拉丁超立方抽样是一种从多元参数分布中近似随机抽样的分层抽样技术，其关键是按输入概率的分布进行分层，在给定D维空间中，将每个维度均等地划分为v个不重合的区间，在各个维度抽样区间内随机获取一个样本值，构建成v个抽样样本。

本发明对传统拉丁超立方抽样进行改进：为了更好地适应室内指纹库构建，将其改进为间隔抽样，动态地调整信标点的抽取比例。

根据本发明的方法，在给定Ω＝s_a×s_b，(s_a≥s_b)的矩形区域内采用改进的拉丁超立方抽样选取一定比例的主信标点及次信标点的过程如下：

步骤S1：设定样本数量为v，迭代次数为Z，信标点集合为Ω_B，主信标点集合为Ω_M，次信标点集合为Ω_S；

步骤S2：将s_a边均等分为v段区间A_i(i＝1，2，…，v)，取A_i中的一个点作为区间代表位置，编号i；将s_b边均等分为u＝[v·s_b/s_a]段区间B_j(i＝1，2，…，u)，取B_j中的一个点作为区间代表位置，编号j；

步骤S3：将编号满足i为奇数的位置(i，j)选为信标点P_Bl(l＝1，2，…，L)并聚类到Ω_B；

步骤S4：分别令i＝1，3，5，…，不重复地产生随机数j，j∈[1，u]，标记位置(i，j)为主信标点P_M；重复此步骤Z次，得到P＝[Z·v/2]个主信标点P_Mp(p＝1，2，…，P)，并聚类到Ω_M；

步骤S5：将Ω_B中未被选为P_Mp的位置(i，j)记为次信标点P_Sq(q＝1，2，…，Q)，即P_Sq∈Ω_B且

并聚类到Ω_S；

步骤S6：输出信标点集合

主信标点集合

次信标点集合

在定位场景内采用上述改进的拉丁超立方抽样方法确定一定比例的主次信标点的位置，并采集主信标点的接收信号强度及坐标作为其指纹信息，采用反距离加权法估计次信标信号强度。图1为采用本发明的方法确定主次信标点的位置及信号强度的过程示意图。在一个实施例中，以v＝14，Z＝6时主次信标点的拉丁超立方抽样示意图为例，如图2所示。图中标注的位置(7，6)表示第3轮迭代时选中的主信标点之一，而位置(11，6)属于Ω_B且未被抽为P_Mp，因此标记为次信标点。由抽样结果可以看到，改进的拉丁超立方抽样能够确保任意维度的任意区间之间样本数量差不超过1，其分层抽样特征属性可以以公平概率的方式抽取信标点，且能支持多次重复进行，在兼顾抽样公平代表性的同时，能消除构建信标集合的偶然性。经改进的拉丁超立方抽样动态抽样得到了主信标点集合和次信标点集合分别为Ω_M和Ω_S。

主信标点P_Mp的位置坐标(x_p，y_p)和接收信号强度

组成主信标点P_Mp的指纹信息A_Mp，即

为了节省指纹库构建开支，本发明结合次信标点P_Sq的位置坐标(x_q，y_q)和主信标点P_Mp的指纹信息A_Mp，利用反距离加权插值方法对次信标点P_Sq的接收信号强度进行插值，得到次信标点的接收信号强度，进一步得到次信标点的指纹信息：设次信标点P_Sq的接收信号强度为

则

由下式得到：

式中：d_pq是主信标点P_Mp与次信标点P_Sq之间的物理距离，由主信标点P_Mp与次信标点P_Sq的位置坐标计算得到；P表示主信标点个数，ρ表示加权幂指数，

表示主信标点P_Mp的接收信号强度；则次信标点P_Sq的指纹信息

通过上述插值过程，已经具备完整的双信标指纹信息，即各个信标点的指纹信息均已获得。

由于反距离加权插值算法只考虑到信标点的位置相关性，未能充分利用数据的空间相关性，因此对于预测距离较远的未知点的贡献不大。为了保证指纹库的构建精度，同时减小建库的人工和时间成本，本发明借助反距离加权法预测少量次信标点的指纹信息，并在指纹库扩充时采用神经网络方法来插值，并具体选用了更适合预测指纹点的径向基神经网络插值模型(RBF模型)。指纹库扩充的具体过程为：以前文所得的信标点集合为已知量，根据集合内各个信标点的指纹信息，借助RBF模型预测指定目标位置的接收信号强度。

RBF模型能够在选取一定数量的信标点作为已知量下，依次对目标位置来自同一个无线接入点的接收信号强度拟合信号曲面。在遍历完所有无线接入点后，即可完成对目标位置的接收信号强度向量的估计。

由于指纹信息的定位场景中信标点P_Bl与待估计点P_Ef的信号量以物理距离呈现强相关性，因而本发明将基函数g的自变量||P_Ef·P_Bl||构造为两点之间的坐标欧式距离，即：

基于径向基神经网络插值模型并求解权重系数ω_l(l＝1，2，…，L)，得到待估计点P_Ef的接收信号强度

考虑室内定位的环境复杂性及无线接入点信号波动等因素，已测Ω_B很难完全覆盖待估计点的信号特征。因此在实际的插值逼近问题中，需要对基函数进行调节。本发明引入调节参数β，更新基函数

代入上述公式得：

由径向基神经网络插值模型可知，接收信号强度为基函数与权重系数的乘积，因此可根据已知信标点P_Bl(l＝1，2，…，L)的接收信号强度逆求解权重系数ω_l(l＝1，2，…，L)，并相应求解待估计点P_Ef的接收信号强度

本发明的有益效果：

根据本发明的定位方法采用双信标机制，并且采用改进的拉丁超立方抽样法确定一定比例的主次信标点的位置，能够根据场景需求灵活调整信标点的采样比例，在保证定位准确度的前提下，获得最低采样开销。

根据本发明的定位方法采集主信标点的信号强度作为其指纹信息，以反距离加权法估计次信标点的信号强度，能够快速得到次信标点的接收信号强度；并且采用径向基神经网络插值模型(RBF模型)进行插值，采用径向基神经网络插值模型得到信标点位置与接收信号强度之间深层联系，以此预测待估计位置的接收信号强度，达到扩充指纹库的目的。经实测场景测试，在保障预测准确率的前提下，本发明的方法将指纹库扩展140％，且通过实验验证，平均定位误差较现有方法降低12％以上。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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为根据本发明的定位方法，双信标点的确定过程示意图；

图2为根据本发明的定位方法，改进的LHS抽样示意图；

图3为根据本发明的定位方法，室内指纹定位场景的实验场景示意图；

图4为随机抽样与本发明中改进的LHS抽样的定位稳定性对比示意图；

图5为根据本发明的定位方法，通过RBF模型预测后的定位场景内信号热度示意图；

图6为根据本发明的定位方法，RBF模型的参数β不同取值对定位误差的影响对比图；

图7为本发明的定位方法与其他指纹库构建方法的预测值与测量值对比；

图8为本发明的定位方法与其他指纹库构建方法的预测误差值箱型图；

图9为本发明的定位方法与其他指纹库构建方法的平均定位误差对比；

图10为本发明的定位方法与其他指纹库构建方法的误差累积概率对比。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

实施例一：

根据本实施例的一种基于少量无线信号强度的指纹信息定位方法，包括如下步骤：

步骤一、构建系统模型，并采用双信标机制在定位场景内采用改进的拉丁超立方抽样法构建抽样样本，选取一定比例的主信标点和次信标点；

步骤二、采集主信标点的接收信号强度，所述接收信号强度和主信标点的位置坐标组成主信标点的指纹信息；

步骤三、采用反距离加权法进行插值，得到次信标点的接收信号强度，得到的接收信号强度和次信标点的位置坐标组成次信标点的指纹信息；

步骤四、采用径向基神经网络插值模型，进行指纹库扩充。

拉丁超立方抽样(LHS)是一种从多元参数分布中近似随机抽样的分层抽样技术，其关键是按输入概率的分布进行分层，在给定D维空间中，将每个维度均等地划分为v个不重合的区间，在各个维度抽样区间内随机获取一个样本值，构建成v个抽样样本。

本实施例对传统拉丁超立方抽样进行改进：为了更好地适应室内指纹库构建，将其改进为间隔抽样，动态地调整信标点的抽取比例。

给定Ω＝s_a×s_b，(s_a≥s_b)的矩形区域内采用改进的拉丁超立方抽样选取一定比例的主信标点及次信标点的过程如下：

步骤S1：设定样本数量为v，迭代次数为Z，信标点集合为Ω_B，主信标点集合为Ω_M，次信标点集合为Ω_S；

步骤S2：将s_a边均等分为v段区间A_i(i＝1，2，…，v)，取A_i中的一个点作为区间代表位置，编号i；将s_b边均等分为u＝[v·s_b/s_a]段区间B_j(i＝1，2，…，u)，取B_j中的一个点作为区间代表位置，编号j；

步骤S3：将编号满足i为奇数的位置(i，j)选为信标点P_Bl(l＝1，2，…，L)并聚类到Ω_B；

步骤S4：分别令i＝1，3，5，…，不重复地产生随机数j，j∈[1，u]，标记位置(i，j)为主信标点P_M；重复此步骤Z次，得到P＝[Z·v/2]个主信标点P_Mp(p＝1，2，…，P)，并聚类到Ω_M；

步骤S5：将Ω_B中未被选为P_Mp的位置(i，j)记为次信标点P_Sq(q＝1，2，…，Q)，即P_Sq∈Ω_B且

并聚类到Ω_S；

步骤S6：输出信标点集合

主信标点集合

次信标点集合

在定位场景内采用改进的LHS的方法确定一定比例的主次信标位置，采集主信标点的信号强度作为其指纹信息，并以反距离加权法估计次信标点的信号强度。

图1为采用本发明的方法确定主次信标点的位置及接收信号强度的过程示意图。采用改进的LHS抽样方法，以v＝14，Z＝6时主次信标的抽样为例，如图2所示，图中标注的位置(7，6)表示第3轮迭代时选中的主信标点之一，而位置(11，6)属于Ω_B且未被抽为P_Mp，因此标记为次信标点。由抽样结果可以看到，LHS确保任意维度的任意区间之间样本数量差不超过1，其分层抽样特征属性可以以公平概率的方式抽取信标，且能支持多次重复进行，在兼顾抽样公平代表性的同时，能消除构建信标集合的偶然性。

经拉丁超立方抽样动态抽样得到了主次信标点集合分别为Ω_M和Ω_S。主信标点P_Mp的位置坐标(x_p，y_p)和接收信号强度

组成主信标点P_Mp的指纹信息A_Mp，即

为了节省指纹库构建开支，本发明结合次信标点P_Sq的位置坐标(x_q，y_q)和主信标点P_Mp的指纹信息A_Mp，利用反距离加权插值方法对次信标点P_Sq的接收信号强度进行插值处理。设次信标点P_Sq的接收信号强度为

则

由下式得到：

式中：d_pq是主信标点P_Mp与次信标点P_Sq之间的物理距离，由主信标点P_Mp与次信标点P_Sq的位置坐标计算得到；P表示主信标点个数，ρ表示加权幂指数，

表示主信标点P_Mp的接收信号强度；则所述次信标点P_Sq的指纹信息

通过上述插值过程，已经具备完整的双信标指纹信息，即各个信标点的指纹信息均已获得。

由于反距离加权插值算法只考虑到信标点的位置相关性，未能充分利用数据的空间相关性，因此对于预测距离较远的未知点的贡献不大。为了保证指纹库的构建精度，同时减小建库的人工和时间成本，本发明借助反距离加权法预测少量次信标点的指纹信息，并在指纹库扩充时采用更为精准的神经网络方法来插值，并具体选用了更适合预测指纹点的径向基神经网络插值模型(RBF模型)。

RBF模型能够在选取一定数量的信标点作为已知量下，依次对目标位置来自同一个无线接入点的接收信号强度拟合信号曲面。在遍历完所有无线接入点后，即可完成对目标位置的接收信号强度向量的估计。

由于指纹定位场景中信标点P_Bl与待估计点P_Ef的信号量以物理距离呈现强相关性，因而本发明将基函数g的自变量||P_Ef·P_Bl||构造为两点之间的坐标欧式距离，即：

基于径向基神经网络插值模型并求解权重系数ω_l(l＝1，2，…，L)得到

考虑室内环境复杂，无线接入点信号波动等因素，已测Ω_B很难完全覆盖待估计点的信号特征。因此在实际的插值逼近问题中，需要对基函数进行调节。本发明引入调节参数β，更新基函数

代入公式(3)得：

由径向基神经网络插值模型可知，接收信号强度为基函数与权重系数的乘积，因此可根据已知信标点P_Bl(l＝1，2，…，L)的接收信号强度逆求解权重系数ω_l(l＝1，2，…，L)，并相应求解待估计点P_Ef的接收信号强度

实施例二

为了评估本发明的定位方法的性能，实验环境为某教室。实验场景如图3所示，定位区域总面积为9m×7m，指纹点间距d₀＝1m，指纹点总数为N＝80，室内包含I＝12个iBeacon蓝牙节点作为无线接入点(AP)，放置标记为AP₁，AP₂，...，AP₁₂。为了分析本发明建立的位置指纹库与实际指纹库的误差，本发明先采用全采法构建位置指纹库，选用安卓手机作为采集端对定位区域内所有信标点进行接收信号强度(RSS)值的采集。同时考虑到RSS数据的时变性，为保证获取到的RSS值的准确性，对每个信标点采样100次，平均采集时间为t≈3min，将采集获得的数据样本经过滤波处理，取样本平均值作为每个信标点的RSS值。

(1)抽样稳定性对比

为了验证本发明采用的LHS抽样方法的稳定性，实验对比了完全随机抽样与改进的LHS的抽样结果对定位精度的影响。保证对比的公平性，两种抽样方法得到的信标点均用反距离加权法(IDW)进行插值和加权K近邻法(Weighed K-nearest Neighbor，WKNN)定位测试。以平均定位误差e来衡量定位精度，

式中，

和(x_u，y_u)分别表示用于实验的测试点P_Tu的估计位置与实际位置，U是P_Tu的数量。

在实验环境的定位场景下，分别采用完全随机抽样与改进的LHS抽样在Z＝5的情况下重复试验80次。图4示出了随机抽样与改进的LHS抽样的定位稳定性对比图，由图4可以看出，两种抽样方法获得的最低定位误差分别为1.60m和1.65m，差异比仅为3.1％。但是随机抽样容易出现极大误差值，最高为3.21m，同时随机抽样结果的方差26.7远大于改进的LHS抽样的8.5，其数值波动幅度和范围较大。相反地，改进的LHS抽样能够在信标点比例可控的前提下，给后续插值与定位工作提供稳定高效的主信标选择方案。

(2)RBF模型插值

RBF插值的优势在于能够充分利用已有少量信标点互相之间的联系，批量快速地估测到平面内任意位置的RSS数据。本发明利用这一特点将指纹点的间隔缩短为0.2m，得到覆盖整个定位场景的指纹信息。不失一般性，图5以来自AP₁₂的指纹信号预测结果为例展现RBF插值结果，其中主次信标点位置以圆形离散点表示，预测所得的指纹信息以三维热度图的形式展现。图5中信号曲面整体具备高斯分布的特征，预测结果受经典信号传播模型约束；曲面中也包含若干个局部范围的信号波动，可见本发明插值方法真实反映了场景内干扰源的位置及强度，能提供符合个体特征的指纹数据。

参数s主要影响基函数

的取值，从而影响RBF插值精度。为了得到具备场景特性的参数β，实验对比了不同β取值下，RBF插值结果对e的影响。图6为本发明的RBF模型的参数β不同取值对定位误差的影响对比图，如图6所示，β从0开始，以0.05为步长间隔向上寻找本场景下最优定位精度时的匹配取值。当β≤0.25时，

受到β的调节作用并且e随着β增大而减小；但β＞0.25后，实验得到误差随β增大而陡增，对于基函数的调节起负作用。不失一般性地，β的取值范围为[0，0.4]。

为了分析经本发明的方法插值得到的RSS数据准确性，实验对比了IDW、SA-ABC-Kriging(模拟退火-克里金插值)以及本发明的方法的插值结果与真实测量值之间的误差，图7所示为本发明的方法与上述指纹库构建方法的预测值与测量值对比；图8所示为本发明的方法与上述指纹库构建方法的预测误差值箱型图；如图7和图8中的对比可知，IDW的插值结果整体比真实测量值偏小，平均误差达到4.2dBm，这与其信标点权重体系固定的插值策略直接相关，固定的加权幂指数ρ使得部分位置过度参考远距离信标点。而SA-ABC-Kriging所得预测值误差波动较大，存在若干偏差达到7dBm的点，对指纹库构建精度影响严重。通过本发明的方法插值所得的指纹数据与真实测量值较接近且误差变化幅度小，计算得到平均误差为2.21dBm，较小的误差换来极大的人工成本节省，RBF插值能够在保证插值准确性的同时快速构建指纹库。

(3)定位精度对比

为了对比本发明的方法的定位精度，选取了现有技术中另外四种指纹库构建算法进行对比，包括无插值(不进行插值，只通过采取的部分指纹点定位)，全采法(不预测，全部采集)，IDW，SA-ABC-Kriging。图9所示为本发明的方法与上述四种指纹库构建方法的平均定位误差对比。从图9显示的WKNN算法近邻点数量K与各算法定位误差的关系，可以看到总体上随着K的增加，五种方法的e都呈下降趋势。其中由于指纹点分布稀疏，无插值方法在K＝1时误差极高且下降速率较慢，整体误差高于其它算法0.5m以上；而本发明的方法和全采法受益于较为精准的指纹信息，下降速率最快。

从最优近邻点数量下的平均误差来看，本发明的方法相较于无插值、IDW、SA-ABC-Kriging三者，具有最低的误差值。其中无插值方法定位误差最高，比本发明的方法高出0.61m；同时本发明的方法的平均误差也比IDW和SA-ABC-Kriging分别降低0.25m和0.22m，占比20.21％和15.38％，可见本发明具有良好的定位效果。另外，全采法具有最低的平均误差e＝1.58m，低于本发明的本发明的方法10.8％。在牺牲较小定位精度的前提下，本发明的方法做到了扩充一倍以上指纹库容量，且采集比例可根据场景特性调整，具有高度的灵活性。

给定应用下的e_max∈[0，4.2m]容忍范围内，通过实验可确定各扩充指纹库的测试点定位结果满足e≤e_max的概率p_e，记为误差累积概率。本实验给出了在不同的e_max限制下，上述五种方法的误差累积概率(p_e)对比情况。图10为本发明的方法与上述四种指纹库构建方法的误差累积概率对比，从图10可以看出，5种方法的p_e均随误差容忍范围扩大而升高，最终达到100％。当给定e_max≤0.9m时，由于允许误差小于一个单位的指纹点间隔距离，因而五种算法的pe相差不大且都较低，此时的误差水平受到指纹点设定影响。而误差容忍范围继续扩大后，本发明的方法的p_e曲线表现出仅次于全采法的上升速率。当e_max≤3m，本发明的方法的p_e已经达到90.4％，可见该场景下本发明的定位方法的定位误差基本能够控制在3倍指纹点间隔距离以内，具备良好的定位稳定性。

根据本发明的定位方法采用双信标机制，并且采用改进的拉丁超立方抽样法确定一定比例的主次信标点的位置，能够根据场景需求灵活调整信标点的采样比例，在保证定位准确度的前提下，获得最低采样开销。

根据本发明的定位方法采集主信标点的信号强度作为其指纹信息，以反距离加权法估计次信标点的信号强度，能够快速得到次信标点的接收信号强度；并且采用径向基神经网络插值模型(RBF模型)进行插值，采用径向基神经网络插值模型得到信标点位置与接收信号强度之间深层联系，以此预测待估计位置的接收信号强度，达到扩充指纹库的目的。经实测场景测试，在保障预测准确率的前提下，本发明的方法将指纹库扩展140％，且通过实验验证，平均定位误差较现有方法降低12％以上。

本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。

以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于少量无线信号强度的指纹信息定位方法，其特征在于，所述方法包括如下步骤：

步骤一、构建系统模型，并采用双信标机制在定位场景内采用改进的拉丁超立方抽样法构建抽样样本，选取一定比例的主信标点和次信标点；

步骤二、采集所述主信标点的接收信号强度，所述接收信号强度和主信标点的位置坐标组成主信标点的指纹信息；

步骤三、采用反距离加权法进行插值，得到次信标点的接收信号强度，得到的接收信号强度和次信标点的位置坐标组成次信标点的指纹信息；

步骤四、采用径向基神经网络插值模型，进行指纹库扩充。

2.根据权利要求1所述的方法，其特征在于，所述步骤一中，在给定Ω＝s_a×s_b，(s_a≥s_b)的矩形区域内采用改进的拉丁超立方抽样选取一定比例的主信标点及次信标点的过程如下：

步骤S1：设定样本数量为v，迭代次数为Z，信标点集合为Ω_B，主信标点集合为Ω_M，次信标点集合为Ω_s；

步骤S2：将s_a边均等分为v段区间A_i(i＝1，2，…，v)，取A_i中的一个点作为区间代表位置，编号i；将s_b边均等分为u＝[v·s_b/s_a]段区间B_j(i＝1，2，…，u)，取B_j中的一个点作为区间代表位置，编号j；

步骤S3：将编号满足i为奇数的位置(i，j)选为信标点P_Bl(l＝1，2，…，L)并聚类到Ω_B；

步骤S4：分别令i＝1，3，5，…，不重复地产生随机数j，j∈[1，u]，标记位置(i，j)为主信标点P_M；重复此步骤Z次，得到P＝[Z·v/2]个主信标点P_Mp(p＝1，2，…，P)，并聚类到Ω_M；

步骤S5：将Ω_B中未被选为P_Mp的位置(i，j)记为次信标点P_Sq(q＝1，2，…，Q)，即P_Sq∈Ω_B月

并聚类到Ω_S；

步骤S6：输出信标点集合

主信标点集合

次信标点集合

3.根据权利要求1所述的方法，其特征在于，所述步骤三中，结合次信标点P_Sq的位置坐标(x_q，y_q)和主信标点P_Mp的指纹信息，利用反距离加权插值法对所述次信标点P_Sq的接收信号强度进行插值，得到所述次信标点P_Sq的接收信号强度，并将插值结果得到的接收信号强度

与所述次信标点P_Sq的位置坐标(x_q，y_q)组合得到所述次信标点P_Sq的指纹信息。

4.根据权利要求3所述的方法，其特征在于，所述主信标点P_Mp的位置坐标(x_p，y_p)和接收信号强度

组成所述主信标点P_Mp的指纹信息A_Mp，

5.根据权利要求3所述的方法，其特征在于，设所述次信标点P_Sq的接收信号强度为

则

由下式得到：

式中：d_pq是所述主信标点P_Mp与所述次信标点P_Sq之间的物理距离，由所述主信标点P_Mp与所述次信标点P_Sq的位置坐标计算得到；P表示主信标点个数，ρ表示加权幂指数，

表示所述主信标点P_Mp的接收信号强度；则所述次信标点P_Sq的指纹信息

6.根据权利要求1所述的方法，其特征在于，采用指纹信息的定位场景中，信标点P_Bl与预测指定目标位置的待估计点P_Ef的接收信号强度以物理距离呈现强相关性。

7.根据权利要求1所述的方法，其特征在于，所述指纹库扩充的过程为：以信标点集合为己知量，根据集合内各个信标点的指纹信息，采用径向基神经网络插值模型预测指定目标位置的接收信号强度。

8.根据权利要求1所述的方法，其特征在于，所采用的径向基神经网络插值模型中，将基函数g的自变量||P_Ef·P_Bl||构造为信标点P_Bl与待估计点P_Ef之间的坐标欧式距离，即：

基于径向基神经网络插值模型求解权重系数ω_l(l＝1，2，…，L)，得到待估计点P_Ef的接收信号强度

9.根据权利要求8所述的方法，其特征在于，在实际的径向基神经网络模型插值逼近过程中，引入调节参数β对基函数进行调节，更新基函数

将更新的基函数用于计算待估计点P_Ef的接收信号强度

10.根据权利要求9所述的方法，其特征在于，由径向基神经网络插值模型可知，接收信号强度为基函数与权重系数的乘积，可根据已知信标点P_Bl(l＝1，2，…，L)的接收信号强度逆求解权重系数ω_l(l＝1，2，…，L)，并相应求解待估计点P_Ef的接收信号强度

Images