[发明专利]基于FCM和最小二乘曲面拟合法的WLAN室内优化ANN定位方法

说明书

技术领域

本发明涉及一种模式识别领域中的人工智能室内定位方法，具体涉及 WLAN室内定位方法。

背景技术

近年来，随着近距离无线电技术的高速发展和无线局域网技术的进步， 使得室内定位技术突飞猛进。在开阔的室外环境中，全球定位系统GPS (Global Position System)提供了非常精确的定位信息，但在室内环境下GPS 系统却因为卫星信号被阻隔而无法使用。人们不但需要在开阔环境下的位置 信息，在室内环境下对定位信息的需求也与日俱增，机场、展厅、写字楼、 仓库、地下停车场、监狱、军事训练基地等室内环境下，也需要定位信息， 以实现对可用空间和库存物资的高效管理。自从802.11无线局域网标准问世 以来，无线局域网络WLAN(Wireless Local Area Network)通信市场一直增 长迅猛。在现有高速无线局域网条件下，用户凭借轻量级可移动计算设备(如 笔记本电脑、掌上型电脑等)就能随时随地接入互联网，同时移动中的用户 对信息的即时性和就地性的需求越来越强烈，这就给基于位置的服务和应用 提供了广阔的市场空间。WLAN网络具有高速通信、部署方便的特点，切合 了现代社会对移动办公、移动生活娱乐的需求，快速带动整个WLAN产业链， 在世界范围内被各种机构和个人在不同环境下(如机场、高档写字楼、研究 机构、酒店、餐厅、校园和家庭)广泛部署。室内环境和人们活动的热点地 区是WLAN主要的应用环境。基于WLAN的定位技术研究在这种应用背景 下发展起来。

目前，基于WLAN的室内定位技术不需要在现有无线局域网设施中添加 定位测量专用硬件，而是通过读取接收信号强度，结合信号强度数据库求解， 确定移动用户的位置。此外，随着计算机处理能力的提高，以及人工智能技 术的发展，基于人工神经网络ANN(Artificial Neural Network)和支持向量 机SVM(Support Vector Machine)的室内智能优化定位系统逐渐得到人们的 重视。这类方法不仅计算过程简单、软件设计方便，还由于其精确的非线性 映射能力，可以有效地刻画接收信号强度与终端估计坐标的一一对应关系， 从而实现WLAN环境下的实时高精度定位。

然而，人工智能室内定位方法存在的主要问题，体现在对训练样本集的 依赖性方面。以室内ANN定位系统为例，定位过程包括离线阶段的系统建 立和在线阶段的坐标估计，在离线阶段，根据不同参考点处接收到的WLAN 信号样本与其相应的空间位置坐标，构成ANN定位系统的训练样本集，利 用梯度下降法、共轭梯度法、遗传算法和模拟退火等算法，实现对ANN结 构的迭代训练，生成满足训练样本均方根误差要求的优化ANN系统。进而， 利用训练结束后的ANN系统，进行在线阶段的坐标估计。可见，ANN定位 系统的性能优劣在很大程度上取决于训练样本集的好坏。然而，在WLAN 室内环境下，由于人员走动、开闭门条件、湿度、温度、墙体遮蔽，以及多 径效应的影响，使得定位目标区域中的信号强度分布规律不明显，即在某些 参考点(定义为奇异点)处信号强度出现陡然上升或下降的情况，而若利用 这些奇异信号强度值作为ANN系统的训练样本，将会导致系统训练误差的 增加和映射能力的下降。

发明内容

本发明的目的在于解决现有ANN室内定位方法中，训练样本空间中所 存在的奇异参考点所带来的ANN系统泛化能力下降，以及定位误差恶化的 问题。提供一种基于FCM和最小二乘曲面拟合法的WLAN室内优化ANN 定位方法。它包括下述步骤：

一、给定目标定位区域中的接入点AP和参考点位置，保证相邻参考点 的间距为1m，任意参考点处均可以采集到来自至少1个AP的信号强度，且 信号功率强度大于-100dBm；

二、对目标定位区域建立二维直角坐标系，将所有参考点的空间坐标值 和其相应参考点处采集的，来自不同AP的信号强度样本和样本均值保存起 来，建立定位指纹数据库；

三、确定聚类数目C，并利用FCM方法，将不同参考点处的信号强度 样本均值聚为C类，且得到C个聚类中心；

四、计算不同参考点处的样本均值对C个不同聚类中心的隶属度，并给 出合适的量化级，对隶属度进行量化处理；