[发明专利]基于RSSI信号强度排序的室内指纹定位方法

权利要求书

1.基于RSSI信号强度排序的室内指纹定位方法，其特征在于，包含以下步骤：

步骤一，在室内环境中选取若干参考点，采集参考点处的信号强度信息，将信号强度信息和参考点的位置信息关联起来组成位置指纹，得到位置指纹库；

步骤二，在离线阶段，首先将各指纹点上的AP集合汇总，得到指纹库中所有能检测到的AP列表，然后依据这个总AP列表依次对各指纹点上缺失的数据用-100进行填补，在单个指纹点上将所有接收到RSSI信号的AP利用概率比较公式进行大小比较，然后按照从大到小的顺序进行排列，所有指纹点都进行同样的比较和排序；

步骤三，将每个指纹点上排序的AP集合按照概率有序原则划分成多个只包含两个不同AP的子集，注意，子集内AP的顺序不可逆；

步骤四，将子集内排在前面的情况定义为的有效子集，假如在一个指纹点处某个AP的信号被接收到，则定义这个指纹点为该AP的有效指纹点，依次统计每个AP在任意两个指纹点间相同的AP子集中该AP的有效子集个数，若没有有效子集则记为零，然后将每个AP所有的有效子集个数进行求和，最后将这个和除以对应AP的有效指纹点个数的组合数作为对应AP的最终次数；

步骤五，用户为AP选取的个数设置一个初值I，根据步骤四求得的每个AP的最终次数，选取最终次数最少的I个AP作为选取结果，并将选取的AP重复步骤三的操作；

步骤六，判断用户设备是否具有很高的计算资源，当用户设备的计算资源达到运行CNN时，即高时，可以选择利用CNN算法；当计算资源达不到，即低时，可以选择KTCC算法，若步骤六的判断结果是低:

步骤七，假设步骤六的判断结果是低，则选择KTCC算法，然后利用不同的移动设备开始在同一待定点上采集各个AP的信号；

步骤八，按照步骤五AP选取的结果来删选待定点上采集到的AP，只留下步骤五选取步骤中包含的AP，然后将待定点上优选出来的AP按照步骤二和步骤三的操作，划分子集；

步骤九，用待定点上的AP子集依次与其他指纹点上的AP子集计算KTCC距离，然后将距离进行从大到小排序；

步骤十，设置WKNN算法的K值，K值设置为3-5，因此可在这个范围内进行微调，根据步骤九的结果，由于KTCC的值越大，说明两个序列之间的相似性越高，距离越近，而待定点位置的求解需要利用最近邻的K个指纹点，因此需要选择KTCC值最大对应的K个指纹点，然后按照距离加权算法，将K个指纹点的权重计算出来；

若步骤六的判断结果是高:

步骤七’，假设步骤六的判断结果是高，则选择CNN算法，然后利用移动设备开始在待定点上采集各个AP的信号；

步骤八’，按照步骤五AP选取的结果来删选待定点上采集到的AP，只留下步骤五选取步骤中包含的AP，然后将待定点上优选出来的AP按照步骤二进行AP排序；

步骤九’，将AP强度排序结果作为输入，输入到训练好的卷积神经网络中；

步骤十’，利用softmax层的输出，作为WKNN算法的权重；

步骤十一，根据指纹点的坐标信息和权重，利用WKNN算法结算处待定点的位置坐标；

步骤十二，判断结果是否满足预期要求，若不满足则通过改变AP选取数目的I值和WKNN算法的K值，转到步骤五循环，若满足要求则直接输出结果，当获取最优参数之后，此步骤可以省略。

2.如权利要求1所述的方法，其特征在于：在步骤二中，概率比较过程为，假设在某个指纹点上接收到的的RSSI序列集合为，表示中可能的取值，同样，在某个指纹点上所接收到的的RSSI序列集合为，表示中可能的取值，则当的值大于1/2时，则认为要大于，依据此公式，对该指纹点的所有AP都进行两两概率比较，最后按照从大到小的顺序排列，同样，对其余指纹点也进行同样的操作。

3.如权利要求1所述的方法，其特征在于：在步骤九中，用待定点上的AP子集依次与其他指纹点上的AP子集计算KTCC距离的过程为：假设待定点用表示，指纹点用表示，对待定点和指纹点上的子集数目进行分类统计:两者相同的子集称为Concordant pairs，两者不相同的子集成为Discordant pairs,统计出两类子集的个数，用表示待定点与指纹点之间的距离，M表示指纹点的总个数，而表示选取的AP总数目，表示待定点x与指纹点y之间的距离，然后依次计算待定点x与其他指纹点之间的距离—KTCC距离。

4.如权利要求1所述的方法，其特征在于：在步骤九’中，卷积神经网络需要进行训练，利用各个指纹点AP信号强度作为输入，利用卷积神经网络进行分类训练，各个指纹点作为分类结果，利用AP信号强度输入强度及分类个数进行超参数调参，该卷积神经网络的第一个卷积层为200神经节点和步长为15的过滤器，配合一个步长为2长度为3的池化层，第二层卷积层步长为7配合20个神经节点，最后一层全连接1000个神经节点，分类结果为不同的指纹点个数，训练好的卷积神经网络，softmax层的结果可以看作对不同指纹点的分类概率，此概率可以作为wknn算法中的权重。