[发明专利]基于RSSI信号强度排序的室内指纹定位方法

说明书

为了解决室内定位指纹算法中设备差异性对定位精度的影响，通过对指纹点上各无线接入点(Access Point，AP)利用概率比较方法进行基于信号强度的排序，可有效改善设备差异性对定位精度的影响。本发明公开了一种基于排序指纹改善设备差异性对定位精度影响的方法，通过对指纹点上的AP进行强度大小排序，利用有效子集个数进行AP选取，再根据设备计算资源，提出了两种可供选择的定位算法，一种是基于Kendall's tau相似程度(KTCC)结合加权k‑近邻的定位算法，另一种是基于卷积神经网络(CNN)结合加权k‑近邻的定位算法。

技术领域

本发明涉及室内定位技术领域，主要涉及室内指纹，用于改善不同设备间接收RSSI信号的偏差对精度的影响。

背景技术

随着技术的不断进步，物联网（Internet of Things (IoT))，一种通过智能传感器将物理世界智能化的技术，给社会带来了颠覆性变革，为智能社会开启了一个新纪元。智慧城市，智慧交通，智能家居，智慧工业等新兴技术开始改变人们的生活方式。作为物联网的引擎，位置服务已成为物联网发展至关重要的一环。

目前的位置服务技术主要分为两类：室外和室内定位技术。GPS作为主流的室外定位技术涵盖了社会生活的方方面面，成为了人们日常生活中不可或缺的重要技术。人们超过80%的时间都处于室内的特点使得室内位置服务带来了巨大的应用和商业潜能，商场，机场，展览馆等室内定位技术的应用为生活带来了极大的便捷，位置服务技术和产业开始从室外向室内发展。相比室外定位，室内定位技术因室内环境的复杂性面临了极大的挑战。为了解决室内位置服务的难题，多种室内定位技术方案已经被提出。不同的技术适应不同的应用场景，其中在以WiFi、蓝牙为代表的无线射频定位中，指纹定位因其不需要额外的基础设备且能实现一个相对更高的定位精度，因而它比直接测距的定位方式更加流行。

基于指纹的位置估计包括线下指纹库建立阶段和线上实时定位阶段。在线下建立指纹库阶段，在场景内选定的位置处采集各个Access Point(AP)的Received SignalStrength Indication(RSSI)值，同时将这些参考点的坐标也一同保存到指纹库中。在线定位阶段通过在未知点处获取的各AP的RSSI值与指纹库进行匹配，选取最匹配的点或点集以及它们所对应的权重来求取待定点的坐标。

室内指纹定位方法的影响因素有很多，其中，设备差异性是影响定位精度的一个重要因素。设备差异性是指不同设备在相同位置接收来自于同一个AP的RSSI之间的差异。设备差异性是客观存在的，由硬件本身的差异所决定。由于指纹库的构建都在离线阶段，而当新的移动设备在在线阶段发出定位需求时，需要利用新设备所接受的RSSI与指纹库进行匹配。因此，设备差异性势必会给室内定位精度带来一定的影响。目前的解决方法大多是基于模型的拟合，通过提前训练样本得到新增设备与指纹库的拟合关系，通过算法纠正来改善设备差异性的影响。但这些算法一般具有比较高的复杂性，会对降低定位的效率，而且需要提前训练样本也会影响实际应用。因此，如何提出一个简单有效改善设备差异性的方法显得尤为重要。此外，随着深度学习的发展和成熟，很多学者纷纷投入到与深度学习有关的研究中。深度学习在非监督分类领域中有算法优越性高，因此，如何结合深度学习学习方法来提高定位算法精度也是亟待解决的问题。

发明内容

本发明针对设备差异性对室内指纹定位精度的影响，提出了基于排序指纹来改善设备差异性的方法。此外，根据用户设备本身所具有的计算资源，提供了两种定位方法，一种是基于Kendall Tau Correlation Coefficient(KTCC)并结合Weighted K NearestNeighbor (WKNN)的定位算法，适应于低计算资源的用户设备；另一种是基于卷积神经网络(CNN)并结合 WKNN的定位算法，适用于高计算资源的用户设备。

本发明所采用的技术方案为：基于RSSI信号强度排序的室内指纹定位方法