WO2020177334A1

WO2020177334A1 - 更新指纹数据库的方法及系统、存储介质及处理器

Info

Publication number: WO2020177334A1
Application number: PCT/CN2019/112535
Authority: WO
Inventors: 刘若鹏; 栾琳; 张莎莎; 易友文
Original assignee: 深圳光启空间技术有限公司
Priority date: 2019-03-04
Filing date: 2019-10-22
Publication date: 2020-09-10

Abstract

本发明提供了一种更新指纹数据库的方法及系统、存储介质及处理器，其中所述更新指纹数据库的方法包括：记录原始信号强度所对应的定位位置；记录在所述定位位置处每个探针各自检测的平均信号强度值，并记录检测次数；从在线指纹库中选取检测次数靠前的探针的平均信号强度值，组成在该位置处的在线指纹信号强度；选取调节系数，将在线指纹库在该位置处的信号强度和离线指纹库中该位置处的信号强度相结合，得到该位置处新的信号强度。可以大幅度的降低更新指纹库的工作量，同时还能保证指纹库的可靠性，提升WiFi定位的精度；不仅节省了人力成本，测试人员还易上手执行，便于工程的大规模推广。

Description

更新指纹数据库的方法及系统、存储介质及处理器

【技术领域】

本发明涉及优化指纹数据库技术领域，尤其涉及一种更新指纹数据库的方法及系统、存储介质及处理器。

【背景技术】

常用的定位算法有三角定位算法和基于位置指纹的定位算法，这两种定位算法各有优劣。

三角定位算法通常使用三角几何原理建立数学模型来计算移动终端所在位置，常用的方法有基于到达时间(Time Of Arrival，TOA)、基于到达时间差(Time Difference Of Arrival，TDOA)、基于入射角(Angle Of Arrival，AOA)的方法。在实施过程中不用大量采集指纹，人力成本较低；但是其定位精度较差，且由于其算法复杂度较高，对硬件设备的要求也较高。

位置指纹定位算法，分为离线训练和在线匹配两个过程，离线训练过程需要采集大量的指纹，位置指纹由一组接收的信号强度指示RSSI(ReceivedSignalStrengthIndicator)向量[AP1,AP2,...,APi]，和该位置的坐标信息组成。由于外界环境的不稳定因素，造成人工采集的RSSI向量可靠度较低。如果所有采集到的数据有用，都能改善系统的性能，那么这样的时间和人力上的投资是有必要的。但实际上，常常很多数据并没有那么有用，一个“好”的指纹不应该带来定位上的错误，或者至少是"多半不会带来错误"。从RSSI指纹的角度来看，RSSI的方差应该尽量小，在信号空间中没有其他的位置指纹距离它非常近。然而，有些指纹的实际位置并不接近，而在信号空间中的欧氏距离却比较小，这样的指纹采集过来不会改善性能，反而会造成定位的时候额外的计算。把这样的指纹放入指纹库中甚至会降低定位精度。现有技术中，在线指纹库离线数据库常常分离，没有充分利用离线数据库的数据功能，指纹库的自动更新精度低；同时指纹库的可靠性不大，wifi定位精度不高；若实现指纹库自动更新，则需要很大的人力成本。

【发明内容】

本发明所要解决的技术问题是提供一种更新指纹数据库的方法及系统、存储介质及处理器，能够通过统计的方法生成在线指纹库，结合离线指纹库，采用随机近似的方法将两者结合，以实现指纹的自动更新；可以大幅度的降低更新指纹库的工作量，同时还能保证指纹库的可靠性，提升WiFi定位的精度；不仅节省了人力成本，测试人员还易上手执行，便于工程的大规模推广。

为解决上述技术问题，一方面，本发明一实施例提供了一种更新指纹数据库的方法，包括步骤：记录原始信号强度所对应的定位位置；记录在所述定位位置处每个探针各自检测的平均信号强度值，并记录检测次数；从在线指纹库中选取检测次数靠前的探针的平均信号强度值，组成在该位置处的在线指纹信号强度；选取调节系数，将在线指纹库在该位置处的信号强度和离线指纹库中该位置处的信号强度相结合，得到该位置处新的信号强度。

优选地，所述调节系数包括在线指纹库调节系数α和离线指纹库调节系数β。

优选地，所述记录在所述定位位置处每个探针各自检测的平均信号强度值，并记录检测次数之前包括：对待定位设备坐标数据进行滤波。

优选地，所述在线指纹库由wifi设备实时接收到的信号生成。

优选地，所述在线指纹库调节系数α取值范围为0～1。

优选地，所述离线指纹库调节系数β取值范围为0～1。

优选地，所述在线指纹库调节系数α和离线指纹库调节系数β之和为1，即α+β＝1。

优选地，所述离线指纹库由人工测量或信号传输损耗模型生成或更新指纹数据库生成。

优选地，在记录原始信号强度所对应的定位位置之前包括：wifi设备采集指纹信息，所述指纹信息包括指纹坐标和RSSI，生成所述指纹坐标与所述wifi设备坐标之间的距离d和RSSI的损耗参数ε和常数K。

优选地，还包括将所述wifi设备实时接收到的信号数据与所述指纹数据库进行匹配，根据所述指纹坐标数据推算出待定位设备坐标数据。

优选地，所述指纹坐标与所述wifi设备坐标之间的距离d和RSSI的损耗参数ε和常数K，采取线性拟合的方式获得。

优选地，将所述wifi设备实时接收到的信号数据与所述指纹数据库进行匹配，采取概率型算法或确定型算法或计算相似度算法匹配。

优选地，所述概率型算法包括朴素贝叶斯法、核函数法或最大似然概率法。

优选地，所述确定型算法包括：采用确定性的推理算法或最近邻法或K近邻法或K加权近邻法或动态K值加权算法来估算待定位设备的位置坐标。

优选地，所述计算相似度算法包括余弦相似度算法。

另一方面，本发明一实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述的更新指纹数据库的方法。

另一方面，本发明一实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的更新指纹数据库的方法。

另一方面，本发明一实施例提供了一种更新指纹数据库的系统，包括wifi设备、POE供电模块、服务器，所述系统执行上述的更新指纹数据库的方法。

与现有技术相比，上述技术方案具有以下优点：通过统计的方法生成在线指纹库，结合离线指纹库，采用随机近似的方法将两者结合，以实现指纹的自动更新；可以大幅度的降低更新指纹库的工作量，同时还能保证指纹库的可靠性，提升WiFi定位的精度；不仅节省了人力成本，测试人员还易上手执行，便于工程的大规模推广。

【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它的附图。

图1是现有技术中基于到达时间(Time Of Arrival，TOA)定位原理图；

图2是现有技术中基于到达时间差(Time Difference Of Arrival，TDOA)定位原理图；

图3是现有技术中基于入射角(Angle Of Arrival，AOA)的方法定位原理图；

图4是本发明更新指纹数据库的方法的位置指纹定位原理图；

图5是本发明更新指纹数据库的方法流程图；

图6是本发明基于更新指纹数据库的方法的wifi定位方法流程图；

图7是本发明基于更新指纹数据库的方法的wifi定位方法另一流程图；

图8是本发明更新指纹数据库的方法中在线指纹库存储结构示意图；

图9是本发明更新指纹数据库的方法中离线指纹库存储结构示意图；

图10是本发明更新指纹数据库系统结构图；

图11是图10中数据服务器存储示意图；

图12是图10中定位服务器存储示意图。

【具体实施方式】

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

wifi设备有很多种，例如智能手机、平板电脑和笔记本电脑、无线路由器等。wifi探针基于wifi探测技术来识别无线wifi接入点附近。开启WiFi功能的智能手机或者WiFi终端(笔记本，平板电脑等)，用户不需要主动接入WiFi，探针就能够识别用户，无论是IOS或者安卓系统都能检测到，通过获取设备的MAC地址。Wi-Fi探针可提供基础的身份识别数据，将采集到的MAC地址数据结合电信企业、公安机关数据相关联，可建立多维度的公共安全监控系统。MAC地址作为智能手机的唯一识别码，可以作为身份信息的识别。结合视频感知部署位置建设，较广地覆盖Wi-Fi探针，可以采集在覆盖范围内的MAC地址，同时数据不受限制，可以海量地采集MAC地址。Wi-Fi探针可实现数据的实时传输，监控数据可以实时的回传；身份匹配：MAC地址作为手机的唯一识别码，结合其他数据可实现身份匹配。以下实施例中wifi设备以wifi探针为例来说明。

图1是现有技术中基于到达时间(Time Of Arrival，TOA)定位原理图。图2是现有技术中基于到达时间差(Time Difference Of Arrival，TDOA)定位原理图。图3是现有技术中基于入射角(Angle Of Arrival，AOA)的方法定位原理图，如背景技术中所述，这三种方式在实施过程中不用大量采集指纹，虽然人力成本较低，但是其定位精度较差，且由于其算法复杂度较高，对硬件设备的要求也较高。

实施例一

图4是本发明更新指纹数据库的方法的位置指纹定位原理图。位置指纹定位技术是一种基于接收信号强度指示RSSI的非测距定位，通过不同位置处的接收信号强度(RSSI值)特征不同，运用RSSI特征的不同来推断待定位位置。图4所示，包括离线训练和在线定位两个阶段。

离线训练：其目标在于建立一个位置指纹数据库，首先获得待定位区域的平面分布图，并事先在待定位的区域中按照格网等间距地布设一系列的位置指纹采样点(即参考点RPs，参考点的坐标是事先通过测量得到的。在每个参考点上采集其周围所有检测到的APs的信号，将每一个AP的信息、接收的信号强度(RSSI值)、连同参考点的位置一起，作为一条“指纹”存入位置指纹数据库。

在线定位：待定位用户在待定位区域中某一位置处，实时采集移动终端扫描到的所有APs的RSSI值，并将这些APs中每个AP对应的MAC地址、名称(BSSID)和RSSI值组成一个指纹向量，作为匹配定位算法的输入数据，以特定的匹配算法与位置指纹数据库数据进行匹配，通过参考点的坐标推算出待定位坐标。

位置指纹定位算法在离线训练过程需要采集大量的指纹，位置指纹由一组RSSI向量[AP1,AP2,...,APi]和该位置的坐标信息组成。

图5是本发明更新指纹数据库的方法流程图。如图5所示，一种更新指纹数据库的方法，包括步骤：记录原始信号强度所对应的定位位置；记录在所述定位位置处每个探针各自检测的平均信号强度值，并记录检测次数；从在线指纹库中选取检测次数靠前的探针的平均信号强度值，组成在该位置处的在线指纹信号强度；选取调节系数，将在线指纹库在该位置处的信号强度和离线指纹库中该位置处的信号强度相结合，得到该位置处新的信号强度。记录原始信号强度所对应的定位位置；记录在所述定位位置处每个探针各自检测的平均信号强度值，并记录检测次数实质为生成在线指纹库。从在线指纹库中选取检测次数靠前的探针的平均信号强度值，组成在该位置处的在线指纹信号强度；选取调节系数，将在线指纹库在该位置处的信号强度和离线指纹库中该位置处的信号强度相结合，得到该位置处新的信号强度，实质为更新指纹库。

图6是本发明基于更新指纹数据库的方法的wifi定位方法流程图。如图6所示，一种基于更新指纹数据库的方法的wifi定位方法，包括步骤：wifi设备采集指纹信息，所述指纹信息包括指纹坐标和RSSI，生成指纹坐标和wifi设备坐标的距离d和RSSI的损耗参数ε和常数K；生成指纹数据库；将wifi设备实时接收到的信号数据与所述指纹数据库进行匹配，根据指纹坐标数据推算出待定位设备坐标数据；更新指纹匹配次数；更新指纹数据库。

随机近似的自动更新指纹方法包括通过统计的方法生成在线指纹库，和随机近似的方法更新指纹库两个过程。假设待测试电子设备处在探针覆盖范围内，在某一位置如pos1时，被周围临近探针监测到该电子设备的信号强度rssi，探针服务器将监测到该电子设备的探针的信号强度收集，组成该电子设备在该位置的信号强度，记录方式如：{'AP ₁':rssi ₁,'AP ₂':rssi ₂,'AP ₃':rssi ₃}，在此我们将其称为该位置的原始信号强度。该原始信号强度经过在线定位算法，就可以估算出定位后的位置。

由于无线信号在传输过程中通常会受路径损耗、阴影衰落等等的影响，接收信号功率随距离的变化关系可由信号传输损耗模型给出。传输损耗模型通常采用如下简化模型：P _r(d)＝K-10εlg(d)(dBm)，其中，d代表接收机和发射机之间的距离，ε代表自由空间的损耗系数，K是常数，可根据需要设置。由上可知，在离固定信号发射源不同距离的位置上的平均RSSI的衰减和距离的对数成正比，基于此模型，可通过在线学习找出距离和接收信号的关系。

如下是具体实施时，随机近似的自动更新指纹方法的过程：

(1)生成在线指纹库

a.记录每条原始信号强度及对应的定位位置。

b.记录在该位置每个wifi探针各自检测的信号强度的平均值，并记录检测次数。

指纹数据库是由两部分组成的：在线指纹数据库和离线指纹数据库。离线指纹库由人工测量或信号传输损耗模型生成或更新指纹数据库生成，在线指纹库由所述wifi设备实时接收到的信号生成。在线指纹数据库是指当前动态的检测过程。离线指纹数据库我们可以认为它是由在原始位置，wifi设备检测的原始信号强度向量组成的数据库。

图8是本发明更新指纹数据库的方法中在线指纹库存储结构示意图。如图8所示，每一行数据为存储ID号，当前位置标识，当前位置标识处X坐标，当前位置标识处Y坐标，无线探针AP设备号，当前无线探针AP设备号在当前位置标识处采集的平均信号强度值，当前匹配次数。通过此方法，在该位置能被哪些探针检测到，且这些探针的信号强度是多少，随着时间的推移，会逐渐趋于平稳，对应生成的指纹会更加可靠。

图9是本发明更新指纹数据库的方法中离线指纹库存储结构示意图。如图9所示，每一行数据表示第i个指纹信息编码序号，第i个指纹信息的X坐标值，第i个指纹信息的Y坐标值，不同探针检测到的信号向量。

(2)更新指纹库

定期更新指纹库，可以一天、一星期或者一个月更新一次，更新周期和所处环境有关。指纹库更新采取随机近似的方法将在线指纹库和离线指纹库相结合的方式，达到更新的效果。

a.从在线指纹库中选取次数靠前的探针的平均信号强度值，组成在该位置处的在线指纹信号强度，记为rssi _online。以图8为例：位置2处，AP2，AP3，AP1，AP4的匹配次数靠前，以他们四个探针检测到平均信号强度值作为位置2处的在线指纹，即指纹2的信号强度为：rssi _online＝{AP1:-70,AP2:-65,AP3:-70,AP4:-72}。

b.采用随机近似的方法选取调节系数α和β，将在线指纹库在该位置处的信号强度rssi _online和离线指纹库中该位置处的信号强度rssi _offline相结合，得到该位置处新的信号强度，记为rssi _new＝α×rssi _online+β×rssi _offline，α和β参数取值范围为0～1，为了在线匹配精度更高，设置α和β之和为1。以图9为例：位置2处，指纹2的原始信号强度即离线指纹信号强度为：rssi _offline＝{AP2:-72,AP3:-65,AP4:-68}。

c.将离线指纹库中该位置的信号强度更新为新的信号强度值rssi _new，假设α＝0.3，β＝0.7，则rssi _new＝{AP1:-21,AP2:-69.9,AP3:-44.1,AP4:-69.2}：

rssi _new＝α×rssi _online+β×rssi _offline

＝0.3×rssi _online+0.7×rssi _offline

＝0.3×{AP1:-70,AP2:-65,AP3:-70,AP4:-72}

+0.7×{AP2:-72,AP3:-65,AP4:-68}

＝{AP1:-21,AP2:-69.9,AP3:-44.1,AP4:-69.2}

d.采用上述步骤完成所有位置的指纹更新，则将信号强度向量

{AP1:-21,AP2:-69.9,AP3:-44.1,AP4:-69.2}替代位置2处的信号向量

{AP1:-70,AP2:-65,AP3:-70,AP4:-72}。

需要说明的是，固定发射源可以是WiFi探针设备，也可以是蓝牙设备，也可以是其他无线电设备。此案例以WiFi探针为例进行说明，其自适应WiFi定位方案如下所示：

(1)初始化参数ε和K

由P _r(d)＝K-10εlg(d)(dBm)公式可知，如果在一种传播环境中获知ε损耗系数和常数K，那么距离固定发射源不同距离位置处的RSSI就可以被估算出来。

ε和K的初始化，可通过经验值或者在线学习的方式获取。在线学习的方法为：在探针覆盖区域内，采集些许指纹信息(包括坐标和RSSI)，通过线性拟合的方式生成距离和RSSI的参数ε和K。

(2)生成指纹数据库

在探针覆盖区域内采集指纹坐标(仅包含坐标位置，不包含RSSI)，计算所有指纹坐标和WiFi探针坐标的距离d，根据无线信号的传输损耗模型P _r(d)＝K-10εlg(d)(dBm)，计算在不同位置处，接收到的不同WiFi探针的信号强度，将不同探针的接收信号强度组成一组信号向量[AP1,AP2,...,APi]，结合位置坐标，形成一条指纹信息存储起来。

需要说明的是，结合实际信号的衰减规律，如果某一个指纹坐标和WiFi探针坐标的距离大于阈值d ₀，则认为接收信号很微弱，在该指纹坐标位置不能接收到对应探针的信号，同时不存储该探针的信号强度。距离阈值d ₀值的选取和环境、探针覆盖范围有关，可以根据需要选取。

(3)在线匹配

在线匹配的方法同位置指纹定位方案中的在线定位阶段，都是根据一定的匹配算法，通过计算实时接收到的信号与指纹数据库数据进行匹配，根据指纹坐标推算出待定位坐标。

一般的，典型的在线匹配方法分为概率型算法和确定型算法两类。

常用的概率型算法包括：朴素贝叶斯法、核函数法、最大似然概率法等。其核心思想是：离线阶段，在各个参考点处，通过采集到APs的RSSI观测值(用随机变量x表示)拟合出每个参考点的RSSI概率分布函数。假设待定位点处实测的RSSI向量(用随机变量y表示)，计算出待定位点RSSI的条件概率或者后验概率。选取出具有最大后验概率的参考点X ₀，作为待定位点估计位置，或者选取多个后验概率大的参考点，用它们的位置共同参与估算待定位点位置。

与基于概率的概率型算法不同，确定型算法采用确定性的推理算法来估算出待定位终端的位置，如最近邻法(NN)，K近邻法(KNN)，K加权近邻法(WKNN)，动态K值加权算法(EWKNN)等。

同时还包括计算相似度的在线匹配方法，如余弦相似度方法。余弦相似性法是指通过余弦的方式计算相似度，余弦是两个向量的夹角，将需要进行相似性比较的内容视为向量，计算其余弦值。选取相似度最高的一条指纹坐标推算出待定位坐标。

(4)更新指纹匹配次数

wifi设备实时接收到的信号中定位到当前位置坐标时，则相应的检测次数加一，同时更新当前的指纹匹配次数。

(5)定期更新指纹库

这里的定期更新指纹库的方法可以采用上述提及的随机近似自动更新指纹库法。此处不再赘述。

(6)滤波

对(3)中定位出的待定位设备坐标数据进行滤波，其目的是预测出每个用户的动态轨迹。常用的滤波方法包括滑动平均滤波，卡尔曼滤波等。

(7)输出定位结果。

图7是本发明基于更新指纹数据库的方法的wifi定位方法另一流程图。它与图6的区别在于增加了对待定位设备坐标数据进行滤波，其目的是为了预测出每个用户的动态轨迹。在待定位设备坐标数据进行滤波之后，还输出待定位设备位置坐标，方便工作人员查看跟进。

实施例二

本发明的实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述的更新指纹数据库的方法。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下更新指纹数据库的方法流程的程序代码：

记录原始信号强度所对应的定位位置；

记录在所述定位位置处每个探针各自检测的平均信号强度值，并记录检测次数；

从在线指纹库中选取检测次数靠前的探针的平均信号强度值，组成在该位置处的在线指纹信号强度；

选取调节系数，将在线指纹库在该位置处的信号强度和离线指纹库中该位置处的信号强度相结合，得到该位置处新的信号强度。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

由此可见，通过采用本发明存储介质，实现指纹的自动更新；可以大幅度的降低更新指纹库的工作量，同时还能保证指纹库的可靠性，提升WiFi定位的精度；不仅节省了人力成本，测试人员还易上手执行，便于工程的大规模推广。

实施例三

本发明的实施例还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的更新指纹数据库的方法。

可选地，在本实施例中，上述程序用于执行以下步骤：

记录原始信号强度所对应的定位位置；

可选地，本实施例中的具体示例可以参考上述实施例及具体实施时所描述的示例，本实施例在此不再赘述。

由此可见，通过采用本发明处理器，实现指纹的自动更新；可以大幅度的降低更新指纹库的工作量，同时还能保证指纹库的可靠性，提升WiFi定位的精度；不仅节省了人力成本，测试人员还易上手执行，便于工程的大规模推广。

实施例四

本发明的实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述的wifi定位方法。wifi定位过程中，执行更新指纹数据库的方法流程：

记录原始信号强度所对应的定位位置；

实施例五

本发明的实施例还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的wifi定位方法。

wifi定位过程中，执行更新指纹数据库的方法流程：

记录原始信号强度所对应的定位位置；

实施例六

图10是本发明更新指纹数据库系统结构图。所述系统包括：wifi探针设备、POE供电模块、服务器，所述系统执行上述的定位方法。

相应地，一实施例还公开了一种wifi定位系统，所述系统包括wifi设备、POE供电模块、服务器，所述系统执行上述的更新指纹数据库的方法。

其中wifi设备以wifi探针设备为例，一般包括以下功能：

(1)内置诱导模块发射高连接频率SSID，诱导待定位设备连接，增大捕获待定位设备MAC地址的概率。

(2)全频道扫描，抓取待定位设备MAC地址不漏包。

(3)加密回传被标记MAC信号强弱，连接时差等信息给位置计算服务器进行待定位设备位置坐标的精确计算。

POE供电模块，在给wifi探针设备供电的同时将wifi设备实时接收到的信号数据回传至数据库服务器。

服务器包括数据库服务器和定位数据库。数据库服务器，作为存储待定位设备MAC地址的数据库，快速比对WiFi探针设备所抓取的待定位设备的MAC地址，将比对成功数据传输给定位服务器，并对已标记MAC的设备的连接时长，连接时间，位置等信息进行更新入指纹数据库，数据服务器存储示意图如附图11所示。图11是图10中数据服务器存储示意图。数据服务器存储格式为，每一行数据表示待定位设备编号ID，待定位设备MAC地址，待定位设备设备名称，待定位设备发现时间，第一个wifi探针设备检测到的信号强度RSSI ₁，第二个wifi探针设备检测到的信号强度RSSI ₂，……，第n-1个wifi探针设备检测到的信号强度RSSI _n-1，第n个wifi探针设备检测到的信号强度RSSI _n。

定位服务器，运行定位算法，通过计算实时接收到的信号与指纹数据库数据进行匹配，根据指纹坐标推算出待定位坐标，定位出的结果存储示意图如附图12所示。图12是图10中定位服务器存储示意图。定位服务器存储格式为：每一行数据表示待定位设备编号ID、待定位设备MAC地址、待定位设备设备名称、待定位设备X坐标、待定位设备Y坐标、报告时间。

由上述说明可知，使用根据本发明的更新指纹数据库的方法及系统、存储介质及处理器，通过统计的方法生成在线指纹库，结合离线指纹库，采用随机近似的方法将两者结合，以实现指纹的自动更新；可以大幅度地降低更新指纹库的工作量，同时还能保证指纹库的可靠性，提升WiFi定位的精度；不仅节省了人力成本，测试人员还易上手执行，便于工程的大规模推广。

以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims

一种更新指纹数据库的方法，其特征在于，包括：

记录原始信号强度所对应的定位位置；

记录在所述定位位置处每个探针各自检测的平均信号强度值，并记录检测次数；

从在线指纹库中选取检测次数靠前的探针的平均信号强度值，组成在该位置处的在线指纹信号强度；

选取调节系数，将在线指纹库在该位置处的信号强度和离线指纹库中该位置处的信号强度相结合，得到该位置处新的信号强度。
根据权利要求1所述的更新指纹数据库的方法，其特征在于，所述调节系数包括在线指纹库调节系数α和离线指纹库调节系数β。
根据权利要求1所述的更新指纹数据库的方法，其特征在于，所述记录在所述定位位置处每个探针各自检测的平均信号强度值，并记录检测次数之前包括：对待定位设备坐标数据进行滤波。
根据权利要求1所述的更新指纹数据库的方法，其特征在于，所述在线指纹库由wifi设备实时接收到的信号生成。
根据权利要求2所述的更新指纹数据库的方法，其特征在于，所述在线指纹库调节系数α取值范围为0～1。
根据权利要求2所述的更新指纹数据库的方法，其特征在于，所述离线指纹库调节系数β取值范围为0～1。
根据权利要求2所述的更新指纹数据库的方法，其特征在于，所述在线指纹库调节系数α和离线指纹库调节系数β之和为1，即α+β＝1。
根据权利要求3所述的更新指纹数据库的方法，其特征在于，所述离线指纹库由人工测量或信号传输损耗模型生成或更新指纹数据库生成。
根据权利要求1所述的更新指纹数据库的方法，其特征在于，在记录原始信号强度所对应的定位位置之前包括：wifi设备采集指纹信息，所述指纹信息包括指纹坐标和RSSI，生成所述指纹坐标与所述wifi设备坐标之间的距离d和RSSI的损耗参数ε和常数K。
根据权利要求9所述的更新指纹数据库的方法，其特征在于，还包括：将所述wifi设备实时接收到的信号数据与所述指纹数据库进行匹配，根据所述指纹坐标数据推算出待定位设备坐标数据。
根据权利要求9所述的更新指纹数据库的方法，其特征在于，所述指纹坐标与所述wifi设备坐标之间的距离d和RSSI的损耗参数ε和常数K，采取线性拟合的方式获得。
根据权利要求10所述的更新指纹数据库的方法，其特征在于，将所述wifi设备实时接收到的信号数据与所述指纹数据库进行匹配，采取概率型算法或确定型算法或计算相似度算法匹配。
根据权利要求12所述的更新指纹数据库的方法，其特征在于，所述概率型算法包括朴素贝叶斯法、核函数法或最大似然概率法。
根据权利要求12所述的更新指纹数据库的方法，其特征在于，所述确定型算法包括：采用确定性的推理算法或最近邻法或K近邻法或K加权近邻法或动态K值加权算法来估算待定位设备的位置坐标。
根据权利要求12所述的更新指纹数据库的方法，其特征在于，所述计算相似度算法包括余弦相似度算法。
一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行权利要求1至15中任一项所述的更新指纹数据库的方法。
一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至15中任一项所述的更新指纹数据库的方法。
一种更新指纹数据库的系统，其特征在于，包括wifi设备、POE供电模块、服务器，所述系统执行如权利要求1至15任意一项权利要求所述的更新指纹数据库的方法。