[发明专利]一种基于泰森多边形的指纹定位算法

说明书

本发明公开了一种基于泰森多边形的指纹定位算法，其步骤包括：在定位区域中均匀部署多个AP，并按照一定间隔设置多个参考点，以在参考点测量到的信号强度值作为指纹建立指纹库，并以多个AP为离散点建立泰森三角形对定位区域进行区域划分；以待定位点测得的信号强度值作为依据对待定位点进行区域估计，同时利用动态KNN算法对待定位点的坐标进行估计，通过本发明中的技术方案，可以提高了指纹分类的运行效率和速度，对待定位点实现更精准的区域估计，大幅提高了定位的精度和速度。

技术领域

本发明属于室内无线信号定位领域，主要涉及一种基于泰森多边形的指纹定位算法。

背景技术

目前，室内定位方法主要有两类：一类是通过测量信号的到达时间、到达时间差或到达角度，运用三边测量法、三角测量法或极大似然估计法对移动节点进行定位。该类算法要求信号源和接收信号的节点之间是视距链路，而且需要额外的硬件来测量信号传播的时间或方向，对室内定位系统的定位范围和成本提出了挑战；另一类是基于接收信号强度指示值(Received Signal Strength Indication,RSSI)定位。基于RSSI的定位方法包括基于信号传播模型定位算法和指纹定位算法。信号传播模型定位算法因信号在传播过程中严重受到多径效应、信号衰减和延迟失真等因素的影响及模型中的参数值依赖建筑物的结构和使用的材料而不能满足人们对定位系统高精确度和快速响应的要求。指纹定位算法自RADAR系统出现以来，已成为当今室内定位的主流算法。

指纹定位算法由离线训练和在线定位两个阶段组成。在离线阶段，通过在各个参考点处采集来自各接入点的接收信号强度值建立指纹库；在线阶段则使用确定性匹配算法、概率性匹配算法或者神经网络算法将待定位点处实时采集到的位置信息与指纹库中的所有指纹信息进行一一匹配以估计待测目标的位置。

在定位区域较大、指纹数量较多时，指纹定位算法的响应延时会很长，故使用聚类算法对指纹库进行处理，以减小在线定位阶段搜索参考点的数据规模显得尤为重要。K-Means就是一种最为常用的聚类算法。但由于在聚类过程中随机选取初始聚类中心及根据经验确定类别数量的原因，基于K-Means聚类的指纹定位算法的运行效率和定位精度有较强的随机性和不可靠性。

发明内容

本发明目的在于针对现有技术的缺陷，提供一种基于泰森多边形的指纹定位算法，通过本发明中的技术方案，可以大幅度提高室内无线定位的速度以及精度。

为了解决上述技术问题，本发明采用以下技术方案：

一种基于泰森多边形的指纹定位算法，包括以下步骤：

S1、在定位区域中均匀部署多个AP，并按照一定间隔设置多个参考点；使用无线信号测量设备在每一所述参考点测量其所能接收到的所述AP的信号强度值，并将所述参考点的坐标，在所述参考点测量得到的所述信号强度值及对应的所述AP的相关信息，每次测量的时间进行存储，建立指纹库；所述相关信息包括所述AP的名称，网络地址等信息；

S2、以所述多个AP为离散点生成泰森多边形，利用生成的泰森多边形对所述定位区域进行划分，得到多个子区域，利用所述多个子区域对所述指纹库中的指纹进行聚类，并根据聚类结果对所述指纹库进行更新；

S3、在待定位点使用无线信号测量设备测量接收到的来自所述AP的信号强度值，确定在所述待定位点所能接收得到的最大信号强度值对应的所述AP所对应的所述子区域为待定位点所属子区域；

S4、利用所述待定位点所属子区域内的指纹和动态KNN算法对所述待定位点的坐标进行估计。

进一步的，步骤S1的具体步骤为：