[发明专利]基于WSN的室内定位方法

权利要求书

1.一种基于WSN的室内定位方法，其特征在于：所述基于WSN的室内定位方法包括离线指纹采集和在线定位： 

所述离线指纹采集包括：在室内区域布置满足WSN通信要求的锚节点，使在所述室内区域中的任意位置处都能够接收到足够多数量的锚节点的信号，完成室内WSN网络拓扑结构和路由构建；将所述室内区域分割成多个子区域，在各个子区域内设置测试点，采集测试点的指纹，并将所有测试点的指纹及该测试点所属子区域的类别存储在数据库中；所述指纹为多维RSSI向量，即来自多个不同锚节点的信号强度的有序排列； 

所述在线定位包括：当待定位的移动节点进入所述室内区域中游走时，该待定位的移动节点在任意时刻均收到来自多个锚节点的不同强度的射频信号，进而获得所述移动节点在所述室内区域中的任意子区域任意时刻的观测指纹；对所述待定位的移动节点获得的自身在任意子区域中任意时刻的观测指纹进行滤波处理，然后将滤波后的指纹与所述数据库中的指纹进行对比，进而得出所述待定位的移动节点在室内区域中的具体位置。 

2.根据权利要求1所述的基于WSN的室内定位方法，其特征在于，所述WSN通信要求为：所述锚节点在所述室内区域内自组织形成无线传感器网络并完成拓扑路由结构初始化，且所述网络全面覆盖所述室内区域，所述任意子区域均被足够数量的锚节点通信覆盖。 

3.根据权利要求1或2所述的基于WSN的室内定位方法，其特征在于，所述滤波处理包括卡尔曼滤波，对观测指纹进行滤波处理即对多维RSSI向量进行卡尔曼滤波处理，具体过程为： 

所述卡尔曼滤波的模型为： 

其中，y_k表示待定位的移动节点在k时刻的观测向量；表示对y_k的最优估计量，即待定位的移动节点在k时刻的状态向量；表示待定位的移动节点在k-1时刻的状态向量，表示待定位的移动节点在k时刻的预测状态向量；P_k|k-1表示对应的协方差矩阵，P_k-1表示对应的协方差矩阵，P_k表示对应的协方差矩阵；K_k表示k时刻计算 出的卡尔曼增益矩阵；表示k时刻的输入噪声的协方差矩阵，表示k时刻的观测噪声的协方差矩阵，I表示单位矩阵；设k=0时，P_k的初始矩阵P₀为对角矩阵； 

根据对k时刻的观测向量y_k，启动所述卡尔曼滤波的模型递归下去，获得k时刻的n维RSSI观测向量y_k的最优估计。

4.根据权利要求3所述的基于WSN的室内定位方法，其特征在于，所述滤波处理还包括边界检测处理，即对经过卡尔曼滤波处理后的n维RSSI观测向量的最优估计进行边界检测处理，具体过程为：对所述最优估计中不在固定范围[rssi_min,rssi_max]内的RSSI观测分量舍弃；rssi_min表示最小的RSSI观测向量值，rssi_max表示最大的RSSI观测向量值。 

5.根据权利要求4所述的基于WSN的室内定位方法，其特征在于，所述滤波处理还包括相似度检测处理，即对经过边界检测处理后的RSSI观测向量进行相似度检测处理，具体过程为：对每个经过边界检测处理后的RSSI观测向量与所述数据库中的指纹进行距离计算，将距离≤5的观测向量并入LF子集，准备参与KNN计算。 

6.根据权利要求3所述的基于WSN的室内定位方法，其特征在于，所述滤波处理还包括相似度检测处理，即对卡尔曼滤波处理后的n维RSSI观测向量的最优估计进行相似度检测处理，具体过程为：对每个卡尔曼滤波处理后输出的RSSI观测向量与所述数据库中的指纹进行距离计算，将距离≤5的观测向量并入LF子集，准备参与KNN计算。 

7.根据权利要求5或6所述的基于WSN的室内定位方法，其特征在于，所述滤波处理还包括降维处理，即对经过相似度检测处理后的RSSI观测向量进行降维处理，具体过程为：对相似度检测处理后所得LF子集进行判断，如果LF子集为空，则需要依次减少某个向量的维度重复进行相似度检测处理过程，重新获取LF子集，直至LF子集非空。