CN113723234A - 指纹无源感知定位方法、装置及存储介质 - Google Patents

Abstract

本发明实施例提供了一种指纹无源感知定位方法、装置以及存储介质，所述方法包括：接收待测指纹向量；根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度；通过K最邻近分类KNN算法，基于所述相似度从所述参考指纹向量中确定出目标参考指纹向量；根据所述目标参考指纹向量的坐标参数，确定所述待测指纹向量的位置。

Description

指纹无源感知定位方法、装置及存储介质

技术领域

本发明涉及信息技术领域，尤其涉及一种指纹无源感知定位方法、装置及存储介质。

背景技术

位置信息对于无线通信和物联网技术的应用至关重要，这让定位技术成为一个关键的学术问题。常见的定位技术包括WiFi、蓝牙、射频识别技术(Radio FrequencyIdentification，RFID)等；这些定位技术被称之为有源定位，它们分别需要利用现有的无线网络、蓝牙信标或电子标签等实现，且都需要目标节点携带无线电设备，通过通信感知实现定位；在不具备无线电设备的时候，即无法实现定位功能。

无源感知定位技术不需要被定位目标携带任何电子设备即能对目标进行定位，与部分有源定位算法类似的是，无源感知定位也可以通过测量接收信号强度(ReceivedSignal Strength Indication，RSSI)进行测量计算，从而进行定位；但现有技术中基于RSSI值的DFP定位算法主要包括网格法、无线电断层成像法、几何法和指纹法；

网格法将网络分成多个网格，通过判断节点在哪个网格从而了解大致位置；无线电断层成像法是利用对象进入前后的RSSI测量值变化图，将图像处理的方法用在目标定位中；网格法和无线电断层成像法均对计算资源有较高要求。

几何法对电磁影响较大的链路进行处理分析后得到目标节点位置，该算法对应用环境较为苛刻，否则会受到很大的干扰。

指纹法则提取信号特征作为指纹，将其对应位置，分析得到准确位置，而现有的基于欧氏距离的指纹定位算法虽然对设备和环境要求较低，但是基于欧氏距离的指纹定位算法利用向量间的差向量的二范数对指纹定位的过程中，指纹信号的传输信道会因时间的变化而该改变，进而影响到指纹值，算法的长期精度需要衡量。

发明内容

本发明实施例提供一种指纹无源感知定位方法、装置及存储介质。

本发明实施例技术方案是这样实现的：

本发明实施例提供一种指纹无源感知定位方法，所述方法包括：

接收待测指纹向量；

根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度；

通过K最邻近分类KNN算法，基于所述相似度从所述参考指纹向量中确定出目标参考指纹向量；

根据所述目标参考指纹向量的坐标参数，确定所述待测指纹向量的位置。

上述方案中，所述根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度，包括：

根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的斯皮尔曼相关系数；

根据所述斯皮尔曼相关系数，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度。

上述方案中，所述方法还包括：

存储所述参考指纹信息至第一矩阵；所述参考指纹信息至少包括：所述参考指纹向量、所述参考指纹向量的坐标参数；

根据所述参考指纹信息的存入顺序，生成所述参考指纹信息的存储序列号；

将所述存储序列号存储至所述第一矩阵和第二矩阵。

上述方案中，所述通过K最邻近分类KNN算法，基于所述相似度从所述参考指纹向量中确定出目标参考指纹向量之前，所述方法还包括：

根据所述存储序列号，将所述斯皮尔曼相关系数存储至第一矩阵和第三矩阵。

上述方案中，所述通过K最邻近分类KNN算法，根据所述斯皮尔曼相关系数，从所述参考指纹向量中确定出目标参考指纹向量，包括：

对所述第三矩阵中的所述斯皮尔曼相关系数和所述第二矩阵中的所述存储序列号进行同步排序，确定出所述第三矩阵中预设个数的最大所述斯皮尔曼相关系数以及所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号；

根据所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号，从所述第一矩阵中确定出目标参考指纹向量。

上述方案中，所述根据所述目标参考指纹向量的坐标参数，确定所述待测指纹向量的位置，包括：

对所述目标参考指纹向量的坐标参数进行加权，确定所述待测指纹向量的坐标参数。

本发明实施例还提供一种指纹无源感知定位装置，所述装置包括：接收模块、第一确定模块、第二确定模块和第三确定模块；

所述接收模块，用于接收待测指纹向量；

所述第一确定模块，用于根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度；

所述第二确定模块，用于通过K最邻近分类KNN算法，基于所述相似度从所述参考指纹向量中确定出目标参考指纹向量；

所述第三确定模块，用于根据所述目标参考指纹向量的坐标参数，确定所述待测指纹向量的位置。

上述方案中，所述第一确定模块，具体用于根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的斯皮尔曼相关系数；

根据所述斯皮尔曼相关系数，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度。

上述方案中，所述装置还包括：第一存储模块，生成模块和第二存储模块；

所述第一存储模块，用于存储所述参考指纹信息至第一矩阵；所述参考指纹信息至少包括：所述参考指纹向量、所述参考指纹向量的坐标参数；

所述生成模块，用于根据所述参考指纹信息的存入顺序，生成所述参考指纹信息的存储序列号；

所述第二存储模块，用于将所述存储序列号存储至所述第一矩阵和第二矩阵。

上述方案中，所述第二确定模块，具体还用于：

根据所述存储序列号，将所述斯皮尔曼相关系数存储至第一矩阵和第三矩阵。

上述方案中，所述第二确定模块，具体还用于：

对所述第三矩阵中的所述斯皮尔曼相关系数和所述第二矩阵中的所述存储序列号进行同步排序，确定出所述第三矩阵中预设个数的最大所述斯皮尔曼相关系数以及所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号；

根据所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号，从所述第一矩阵中确定出目标参考指纹向量。

上述方案中，所述第三确定模块，具体用于：

对所述目标参考指纹向量的坐标参数进行加权，确定所述待测指纹向量的坐标参数。

本发明实施例还提供一种指纹无源感知定位装置，所述装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；

其中，所述处理器用于运行所述计算机程序时，执行上述任意一种指纹无源感知定位方法的步骤。

本发明实施例还提供了一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现上述一种指纹无源感知定位方法的步骤。

本实施例中，确定待测指纹向量和每个参考指纹向量之间的相似度，通过k最邻近分类(K-Nearest Neighbor，KNN)算法，基于所述相似度从所述参考指纹向量中确定出目标参考指纹向量，根据所述目标参考指纹向量的坐标参数，确定所述待测指纹向量的位置，如此，不同于使用基于欧氏距离的指纹定位算法，实现了能够抵抗指纹易变性，抑制待测指纹向量受时间因素的影响，降低了定位误差，提高了定位精度。

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的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明提供的指纹无源感知定位方法的流程示意图；

图2为本发明提供的指纹无源感知定位方法和基于欧氏距离的指纹定位方法的实验结果示意图；

图3为本发明提供的另一个指纹无源感知定位方法和基于欧氏距离的指纹定位方法的实验结果示意图；

图4为本发明实施例提供的指纹无源感知定位装置的结构示意图；

图5为本发明实施例提供的另一种指纹无源感知定位装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。

对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的通信中的名词和术语进行说明。

本发明实施例提供一种指纹无源感知定位方法，图1为本发明提供的指纹无源感知定位方法的流程示意图；如图1所示，所述方法包括：

步骤S101：接收待测指纹向量；

步骤S102：根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度；

步骤S103：通过K最邻近分类KNN算法，基于所述相似度从所述参考指纹向量中确定出目标参考指纹向量；

步骤S104：根据所述目标参考指纹向量的坐标参数，确定所述待测指纹向量的位置。

在所述步骤S101之前，所述方法还包括：存储所述参考指纹信息至第一矩阵；所述参考指纹信息至少包括：所述参考指纹向量、所述参考指纹向量的坐标参数；根据所述参考指纹信息的存入顺序，生成所述参考指纹信息的存储序列号；将所述存储序列号存储至所述第一矩阵和第二矩阵。

具体地，所述参考指纹向量标记为ψ_i，所述参考指纹向量的坐标参数标记为(X_i,Y_i)，所述存储序列号标记为i；所述第一矩阵标记为D1，所述第二矩阵标记为D2；

具体来说，设定参考指纹向量ψ_i，确定所述参考指纹信息，将每个所述参考指纹信息，包括每个参考指纹向量ψ_i和所述参考指纹向量的坐标(X_i,Y_i)按照固定的顺序存储至第一矩阵D1中。根据所述参考指纹信息的存入顺序，生成参考指纹信息的存储序列号i，并将所述参考指纹信息的存储序列号i存储至第一矩阵D1和第二矩阵标记D2中。D1＝[{1,ψ₁，(X₁,Y₁)},{1,ψ₂，(X₂,Y₂)}…，{i,ψ_i，(X_i,Y_i)}]；D2＝{1,2,...,i}；这里，固定的顺序可以为参考指纹信息录入或存储至第一矩阵的顺序，也可以为用户自定义的顺序。

在所述步骤S101中，待测指纹向量标记为

。

在上述步骤S102中，所述根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度，包括：根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的斯皮尔曼相关系数；根据所述斯皮尔曼相关系数，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度。

具体地，将所述斯皮尔曼相关系数标识为r_i，r_i的取值范围为大于或等于负1，且小于或等于1。r_i的正负表明两个变量变化的方向，r_i的绝对值表示两变量间相关的程度。

这里，所述斯皮尔曼相关系数为负值时表示所述待测指纹向量和所述参考指纹向量成负相关，相似度低；所述斯皮尔曼相关系数为正值时表示所述待测指纹向量和所述参考指纹向量成正相关，相似度高；所述斯皮尔曼相关系数为零时，表示所述待测指纹向量和所述参考指纹向量零相关。所述斯皮尔曼相关系数的绝对值越接近1，则所述待测指纹向量和所述参考指纹向量的相关程度越高，即相似度越高。

需要说明的是，通过确定所述待测指纹向量与各个所述参考指纹向量之间的斯皮尔曼相关系数，实现了仅对比两个指纹向量之间元素变化的相关性，进而确定所述待测指纹向量与各个所述参考指纹向量之间的相似度，如此，可以不受指纹非空间属性的影响，抑制待测指纹向量受时间因素的影响，提高待测指纹向量与各个所述参考指纹向量之间相似度的准确率。

在上述步骤S103中，所述KNN算法也叫邻近算法，或者说K最近邻(K-NearestNeighbor，KNN)分类算法；所述KNN算法可以用某样本最接近的K个邻近值来代表该样本的值，如果一个样本在特征空间中的K个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。

具体地，通过KNN算法，基于所述相似度，从各个所述参考指纹向量中确定出与所述待测试指纹向量最邻近的预设个数的参考指纹向量，将所述预设个数的参考指纹向量确定为目标参考指纹向量；这里，预设个数可以为系统默认值，也可以为用户自定义值。

需要说明的是，在本实施例中，确定待测指纹向量和每个参考指纹向量之间的相似度，通过KNN算法，基于所述相似度从所述参考指纹向量中确定出目标参考指纹向量，根据所述目标参考指纹向量的坐标参数，确定所述待测指纹向量的位置，如此，不同于使用基于欧氏距离的指纹定位算法，实现了能够抵抗指纹易变性，抑制待测指纹向量受时间因素的影响，降低了定位误差，提高了定位精度。

进一步地，所述通过K最邻近分类KNN算法，基于所述相似度从所述参考指纹向量中确定出目标参考指纹向量之前，所述方法还包括：根据所述存储序列号，将所述斯皮尔曼相关系数存储至第一矩阵和第三矩阵。

具体地，将所述第三矩阵确定为D3；将所述斯皮尔曼相关系数r_i根据所述存储序列号i存储至第一矩阵D1和第三矩阵D3中；D1＝[{1,ψ₁，(X₁,Y₁),r₁},{1,ψ₂，(X₂,Y₂),r₂}…，{i,ψ_i，(X_i,Y_i),r_i}]，第三矩阵D3＝{r₁,r₂,...,r_i}。

进一步地，所述通过K最邻近分类KNN算法，根据所述斯皮尔曼相关系数，从所述参考指纹向量中确定出目标参考指纹向量，包括：

对所述第三矩阵中的所述斯皮尔曼相关系数和所述第二矩阵中的所述存储序列号进行同步排序，确定出所述第三矩阵中预设个数的最大所述斯皮尔曼相关系数以及所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号；

根据所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号，从所述第一矩阵中确定出目标参考指纹向量。

具体地，对所述第三矩阵D3＝{r₁,r₂,...,r_i}和D2＝{1,2,...,i}进行同步排序；从排序后的第三矩阵中确定出预设个数的最大所述斯皮尔曼相关系数，以及所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号；这里，预设个数可以为系统默认值，也可以为用户自定义值。

在一些实施例中，假设D3＝{0.5,0.1,0.8,0.4}，D2＝{1,2,3,4}；排序后的第三矩阵D3'＝{0.8,0.5,0.4,0.1}，排序后的第二矩阵D2'＝{3,1,4,2}；从中确定两个最大所述斯皮尔曼相关系数，即0.8和0.5；所述斯皮尔曼相关系数0.8对应的第二矩阵中的所述存储序列号为2，所述斯皮尔曼相关系数0.5对应的第二矩阵中的所述存储序列号为1；根据所述存储序列号为2，从第一矩阵D1中确定出目标参考指纹向量ψ₂；根据所述存储序列号为1，从第一矩阵D1中确定出目标参考指纹向量ψ₁。

需要说明的是，这里在将所述存储系列号和所述斯皮尔曼相关系数存储至第一矩阵后，还分别将所述斯皮尔曼相关系数存储至第三矩阵，将所述存储序列号存储至所述第二矩阵，对第三矩阵中的所述斯皮尔曼相关系数和第二矩阵中的所述存储序列号进行同步排序，可以避免第一矩阵中的元素被打乱，便于下一个待测指纹的定位。

进一步地，所述根据所述目标参考指纹向量的坐标参数，确定所述待测指纹向量的位置，包括：

对所述目标参考指纹向量的坐标参数进行加权，确定所述待测指纹向量的坐标参数。

以下，以一个具体示例对本发明实施例的指纹无源感知定位方法进行说明，步骤1：设定参考指纹向量和参考指纹的位置；

将每个参考指纹向量的横坐标X_i和纵坐标Y_i按照固定的顺序分别存放在第一矩阵中，同时将参考指纹向量ψ_i按照对应的顺序存放进第一矩阵D1中；根据将参考指纹向量坐标和所述参考指纹向量存储进第一矩阵的顺序，生成存储序列号i，将所述存储序列号i与所述参考指纹向量坐标(X_i,Y_i)和所述参考指纹向量ψ_i对应存入第一矩阵中，D1＝[{1,ψ₁，(X₁,Y₁)},{1,ψ₂，(X₂,Y₂)}…，{i,ψ_i，(X_i,Y_i)}]；如此，方便以后根据存储序列号就能找到对应的参考指纹的坐标。

步骤2：将所述存储序列号存入至第二矩阵中；

将所述存储序列号i存入至第二矩阵D2中，D2＝{1,2,...,i}。

步骤3：构建待测指纹信息的存储矩阵；

分别构建存储待测指纹横坐标和纵坐标的(X_F,Y_F)和待测指纹向量

F表示所述待测指纹的存储序列号。。

步骤3：计算待测指纹向量和第一矩阵中每个参考指纹向量之间的相似度；

计算待测指纹向量和第一矩阵中每个参考指纹向量ψ_i之间的斯皮尔曼相关系数r_i；使用所述斯皮尔曼相关系数r_i，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度。

步骤4：根据所述存储序列号，将所述斯皮尔曼相关系数存储至第一矩阵和第三矩阵；

将所述第三矩阵确定为D3；将所述斯皮尔曼相关系数r_i根据所述存储序列号i存储至第一矩阵D1和第三矩阵D3中；D1＝[{1,ψ₁，(X₁,Y₁),r₁},{1,ψ₂，(X₂,Y₂),r₂}…，{i,ψ_i，(X_i,Y_i),r_i}]，第三矩阵D3＝{r₁,r₂,...,r_i}。

步骤5：将第二矩阵中的所述存储序列号和第三矩阵中的所述斯皮尔曼相关系数进行同步排序；

假设D3＝{0.9,0.6,0.7,0.3,0.8}，D2＝{1,2,3,4,5}；排序后的第三矩阵D3'＝{0.9,0.8,0.7,0.6,0.3}，排序后的第二矩阵D2'＝{1,5,3,2,4}。

步骤6：通过KNN算法，根据所述斯皮尔曼相关系数，从所述参考指纹向量中确定出预设个数的目标参考指纹向量；

根据KNN算法，从中确定三个最大所述斯皮尔曼相关系数，即0.9、0.8和0.7；所述斯皮尔曼相关系数0.9对应的第二矩阵中的所述存储序列号为1，所述斯皮尔曼相关系数0.8对应的第二矩阵中的所述存储序列号为5，所述斯皮尔曼相关系数0.7对应的第二矩阵中的所述存储序列号为3；根据所述存储序列号为1，从第一矩阵D1中确定出目标参考指纹向量ψ₁；根据所述存储序列号为5，从第一矩阵D1中确定出目标参考指纹向量ψ₅；根据所述存储序列号为3，从第一矩阵D1中确定出目标参考指纹向量ψ₃。

步骤7：对所述目标参考指纹向量的坐标参数进行加权，确定所述待测指纹向量的坐标参数；

根据目标参考指纹向量ψ₁的坐标参数(X₁,Y₁)，目标参考指纹向量ψ₅的坐标参数(X₅,Y₅)，目标参考指纹向量ψ₃的坐标参数(X₃,Y₃)，对目标参考指纹向量的坐标参数(X₁,Y₁)、(X₅,Y₅)和(X₃,Y₃)进行加权，确定所述待测指纹向量的坐标参数。

如图2和图3所示，图2为本发明提供的指纹无源感知定位方法和基于欧氏距离的指纹定位方法的实验结果示意图；图3为本发明提供的另一个指纹无源感知定位方法和基于欧氏距离的指纹定位方法的实验结果示意图；为了验证现有的基于欧氏距离的指纹定位方法与本发明所述的基于斯皮尔曼相关系数的指纹法无源感知定位方法的性能效果差异，以及时间因素对指纹定位的影响大小，通过搭建系统硬件平台，结合算法仿真实验来进行验证。

实验真实场景和模拟定位场景在4米×4米的区域周围，有8个无线节点，相邻两个节点相距2米，节点坐标依次为(0，0)、(2，0)、(4，0)、(4，2)、(4，4)、(2，4)、(0，4)、(0，2)。将节点均匀放置在边界处可确保无线链路均匀分布。实验区域内标记了参考指纹位置和待测指纹位置。

实验系统由普通节点、汇聚节点、手持节点和计算机组成。普通节点采用由美国TI公司生产的CC2530芯片组成的Zigbee开发板，通信频段为2.4GHz，采用了IEEE 802.15.4标准。每个普通节点都能进行数据的收发。普通节点围成了一个定位区域，进入到区域中的目标会影响链路的数据信息，每个普通节点收集到的数据信息会构成一个用于目标定位的RSSI测量矩阵。汇聚节点可向普通节点发送开始测试指令，最后收集每个普通节点的RSSI测量矩阵，通过串口传输给计算机，进行目标定位。增加了手持节点以方便单人进行测试，减少实验的干扰，该节点可以向汇聚节点发送开始指令。这样，被测目标就可以拿着手持节点控制测试的进行。计算机采用一台笔记本电脑，汇聚节点将接收到的RSSI测量矩阵通过串口在计算机的显示屏上显示并存储。

8个普通节点的ID依次为0x0001至0x0008，节点发送数据是按照节点的ID依次进行的，类似于令牌网的形式，这样减少了网络的碰撞和拥塞，保证了数据的可靠传输。当一个普通节点发送数据时，其他普通节点则接收数据。当所有普通节点完成数据的收发后，它们会依次将收到的数据传送给汇聚节点，最后汇聚节点通过串口将汇总的数据传输到电脑的显示屏上。手持节点只是进行了简单的发送开始指令操作，所以传输的数据量很小。普通节点负责发送和接收数据。发送节点首先向接收节点连续发送8次只有6个字节的数据包，接收节点会接收到数据包并计算出8个RSSI值，这些RSSI值将用来进行均值滤波降噪。最后，普通节点接收完RSSI值后，会向控制节点传输存储了RSSI值的矩阵数据。一次发送的数据包过大或者接收到的数据包过大，会产生系统警告甚至报错。所以将普通节点接收到的所有数据等分为两部分，连续向控制节点发送两个数据包，这样也保证了控制节点不会一次性接收到过大的数据包。为了防止发送节点发送的数据包发生拥塞现象，造成数据丢失，规定相邻数据包的发送间隔至少为0.5秒。根据普通节点数据包的发送模式，再编写相应的控制节点数据包接收模式。

仿真实验结果如图2和图3所示，其中，图2展示了6个月前的斯皮尔曼相关系数法与欧氏距离法的定位误差累积分布函数图；图3展示了3个月前的所述的基于斯皮尔曼相关系数的指纹法无源感知定位方法与欧氏距离法的定位误差累积分布函数图；从6个月前的斯皮尔曼相关系数法与欧氏距离法的定位误差累积分布函数图中，可以看出本发明所述的基于斯皮尔曼相关系数的指纹法无源感知定位方法的定位误差要小于欧氏距离法；2米定位误差之内，基于斯皮尔曼相关系数的指纹法无源感知定位方法达到了接近80％，欧氏距离法则只有60％左右。

从3个月前的所述的基于斯皮尔曼相关系数的指纹法无源感知定位方法与欧氏距离法的定位误差累积分布函数图中，可以看出，尽管不同时间会带来电磁环境的变化影响，但所测得的仿真结果都表明了基于斯皮尔曼相关系数的指纹法无源感知定位方法的定位误差性能更优，检验了算法在时间维度上的稳定性。

如图4所示，图4为本发明实施例提供的指纹无源感知定位装置的结构示意图，所述装置包括：接收模块401、第一确定模块402、第二确定模块403和第三确定模块404；其中，

所述接收模块401，用于接收待测指纹向量；

所述第一确定模块402，用于根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度；

所述第二确定模块403，用于通过K最邻近分类KNN算法，基于所述相似度从所述参考指纹向量中确定出目标参考指纹向量；

所述第三确定模块404，用于根据所述目标参考指纹向量的坐标参数，确定所述待测指纹向量的位置。

具体地，所述第一确定模块402，具体用于根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的斯皮尔曼相关系数；根据所述斯皮尔曼相关系数，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度。

具体地，所述装置还包括：第一存储模块405，生成模块406和第二存储模块407；

所述第一存储模块405，用于存储所述参考指纹信息至第一矩阵；所述参考指纹信息至少包括：所述参考指纹向量、所述参考指纹向量的坐标参数；

所述生成模块406，用于根据所述参考指纹信息的存入顺序，生成所述参考指纹信息的存储序列号；

所述第二存储模块407，用于将所述存储序列号存储至所述第一矩阵和第二矩阵。

具体地，所述第二确定模块403，具体还用于根据所述存储序列号，将所述斯皮尔曼相关系数存储至第一矩阵和第三矩阵。

具体地，所述第二确定模块403，具体还用于对所述第三矩阵中的所述斯皮尔曼相关系数和所述第二矩阵中的所述存储序列号进行同步排序，确定出所述第三矩阵中预设个数的最大所述斯皮尔曼相关系数以及所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号；根据所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号，从所述第一矩阵中确定出目标参考指纹向量。

具体地，所述第三确定模块404，具体用于对所述目标参考指纹向量的坐标参数进行加权，确定所述待测指纹向量的坐标参数。

为实现本发明实施例的方法，本发明实施例提供另一种指纹无源感知定位装置，具体来说，如图5所示，所述装置50包括处理器501和用于存储能够在处理器上运行的计算机程序的存储器502；

其中，所述处理器501用于运行所述计算机程序时，执行：接收待测指纹向量；根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度；通过K最邻近分类KNN算法，基于所述相似度从所述参考指纹向量中确定出目标参考指纹向量；根据所述目标参考指纹向量的坐标参数，确定所述待测指纹向量的位置。

在一实施例中，所述处理器501还用于运行所述计算机程序时，执行：根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的斯皮尔曼相关系数；根据所述斯皮尔曼相关系数，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度。

在一实施例中，所述处理器501还用于运行所述计算机程序时，执行：存储所述参考指纹信息至第一矩阵；所述参考指纹信息至少包括：所述参考指纹向量、所述参考指纹向量的坐标参数；根据所述参考指纹信息的存入顺序，生成所述参考指纹信息的存储序列号；将所述存储序列号存储至所述第一矩阵和第二矩阵。

在一实施例中，所述处理器501还用于运行所述计算机程序时，执行：根据所述存储序列号，将所述斯皮尔曼相关系数存储至第一矩阵和第三矩阵。

在一实施例中，所述处理器501还用于运行所述计算机程序时，执行：对所述第三矩阵中的所述斯皮尔曼相关系数和所述第二矩阵中的所述存储序列号进行同步排序，确定出所述第三矩阵中预设个数的最大所述斯皮尔曼相关系数以及所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号；根据所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号，从所述第一矩阵中确定出目标参考指纹向量。

在一实施例中，所述处理器501还用于运行所述计算机程序时，执行：对所述目标参考指纹向量的坐标参数进行加权，确定所述待测指纹向量的坐标参数。

需要说明的是：上述实施例提供的指纹无源感知定位装置与指纹无源感知定位方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

当然，实际应用时，如图5所示，该装置50还可以包括：至少一个网络接口503。指纹无源感知定位装置50中的各个组件通过总线系统504耦合在一起。可理解，总线系统504用于实现这些组件之间的连接通信。总线系统504除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统504。其中，所述处理器501的个数可以为至少一个。网络接口503用于指纹无源感知定位装置50与其他设备之间有线或无线方式的通信。

本发明实施例中的存储器502用于存储各种类型的数据以支持指纹无源感知定位装置50的操作。

上述本发明实施例揭示的方法可以应用于处理器501中，或者由处理器501实现。处理器501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器501可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器502，处理器501读取存储器502中的信息，结合其硬件完成前述方法的步骤。

在示例性实施例中，指纹无源感知定位装置50可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。

在示例性实施例中，本发明实施例还提供了一种计算机可读存储介质，例如包括计算机程序的存储器502，上述计算机程序可由指纹无源感知定位装置50的处理器501执行，以完成前述方法所述步骤。

具体地，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，执行：接收待测指纹向量；根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度；通过K最邻近分类KNN算法，基于所述相似度从所述参考指纹向量中确定出目标参考指纹向量；根据所述目标参考指纹向量的坐标参数，确定所述待测指纹向量的位置。

在一实施例中，所述计算机程序被处理器运行时，执行：根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的斯皮尔曼相关系数；根据所述斯皮尔曼相关系数，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度。

在一实施例中，所述计算机程序被处理器运行时，执行：存储所述参考指纹信息至第一矩阵；所述参考指纹信息至少包括：所述参考指纹向量、所述参考指纹向量的坐标参数；根据所述参考指纹信息的存入顺序，生成所述参考指纹信息的存储序列号；将所述存储序列号存储至所述第一矩阵和第二矩阵。

在一实施例中，所述计算机程序被处理器运行时，执行：根据所述存储序列号，将所述斯皮尔曼相关系数存储至第一矩阵和第三矩阵。

在一实施例中，所述计算机程序被处理器运行时，执行：对所述第三矩阵中的所述斯皮尔曼相关系数和所述第二矩阵中的所述存储序列号进行同步排序，确定出所述第三矩阵中预设个数的最大所述斯皮尔曼相关系数以及所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号；根据所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号，从所述第一矩阵中确定出目标参考指纹向量。

在一实施例中，所述计算机程序被处理器运行时，执行：对所述目标参考指纹向量的坐标参数进行加权，确定所述待测指纹向量的坐标参数。

需要说明的是：本发明实施例提供的计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。

以上所述，仅为本发明的实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。

Claims (14)

1.一种指纹无源感知定位方法，其特征在于，所述方法包括：

接收待测指纹向量；

根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度；

通过K最邻近分类KNN算法，基于所述相似度从所述参考指纹向量中确定出目标参考指纹向量；

根据所述目标参考指纹向量的坐标参数，确定所述待测指纹向量的位置。

2.根据权利要求1所述的指纹无源感知定位方法，其特征在于，所述根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度，包括：

根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的斯皮尔曼相关系数；

根据所述斯皮尔曼相关系数，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度。

3.根据权利要求2所述的指纹无源感知定位方法，其特征在于，所述方法还包括：

存储所述参考指纹信息至第一矩阵；所述参考指纹信息至少包括：所述参考指纹向量、所述参考指纹向量的坐标参数；

根据所述参考指纹信息的存入顺序，生成所述参考指纹信息的存储序列号；

将所述存储序列号存储至所述第一矩阵和第二矩阵。

4.根据权利要求3所述指纹无源感知定位方法，其特征在于，所述通过K最邻近分类KNN算法，基于所述相似度从所述参考指纹向量中确定出目标参考指纹向量之前，所述方法还包括：

根据所述存储序列号，将所述斯皮尔曼相关系数存储至第一矩阵和第三矩阵。

5.根据权利要求4所述的指纹无源感知定位方法，其特征在于，所述通过K最邻近分类KNN算法，根据所述斯皮尔曼相关系数，从所述参考指纹向量中确定出目标参考指纹向量，包括：

对所述第三矩阵中的所述斯皮尔曼相关系数和所述第二矩阵中的所述存储序列号进行同步排序，确定出所述第三矩阵中预设个数的最大所述斯皮尔曼相关系数以及所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号；

根据所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号，从所述第一矩阵中确定出目标参考指纹向量。

6.根据权利要求5所述的指纹无源感知定位方法，其特征在于，所述根据所述目标参考指纹向量的坐标参数，确定所述待测指纹向量的位置，包括：

对所述目标参考指纹向量的坐标参数进行加权，确定所述待测指纹向量的坐标参数。

7.一种指纹无源感知定位装置，其特征在于，所装置包括：接收装置、第一确定装置、第二确定装置和第三确定装置；

所述接收装置，用于接收待测指纹向量；

所述第一确定装置，用于根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度；

所述第二确定装置，用于通过K最邻近分类KNN算法，基于所述相似度从所述参考指纹向量中确定出目标参考指纹向量；

所述第三确定装置，用于根据所述目标参考指纹向量的坐标参数，确定所述待测指纹向量的位置。

8.根据权利要求7所述的装置，其特征在于，所述第一确定装置，具体用于：

根据所述待测指纹向量和每个参考指纹向量，确定所述待测指纹向量与各个所述参考指纹向量之间的斯皮尔曼相关系数；

根据所述斯皮尔曼相关系数，确定所述待测指纹向量与各个所述参考指纹向量之间的相似度。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：第一存储装置，生成装置和第二存储装置；

所述第一存储装置，用于存储所述参考指纹信息至第一矩阵；所述参考指纹信息至少包括：所述参考指纹向量、所述参考指纹向量的坐标参数；

所述生成装置，用于根据所述参考指纹信息的存入顺序，生成所述参考指纹信息的存储序列号；

所述第二存储装置，用于将所述存储序列号存储至所述第一矩阵和第二矩阵。

10.根据权利要求9所述的装置，其特征在于，所述第二确定装置，具体还用于：

根据所述存储序列号，将所述斯皮尔曼相关系数存储至第一矩阵和第三矩阵。

11.根据权利要求10所述的装置，其特征在于，所述第二确定装置，具体还用于：

对所述第三矩阵中的所述斯皮尔曼相关系数和所述第二矩阵中的所述存储序列号进行同步排序，确定出所述第三矩阵中预设个数的最大所述斯皮尔曼相关系数以及所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号；

根据所述预设个数的最大所述斯皮尔曼相关系数在所述第二矩阵中对应的所述存储序列号，从所述第一矩阵中确定出目标参考指纹向量。

12.根据权利要求11所述的装置，其特征在于，所述第三确定装置，具体用于：

对所述目标参考指纹向量的坐标参数进行加权，确定所述待测指纹向量的坐标参数。

13.一种指纹无源感知定位装置，其特征在于，所述装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；

其中，所述处理器用于运行所述计算机程序时，执行权利要求1至6任一所述方法的步骤。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一所述方法的步骤。

Images