[发明专利]基于WiFi和地磁指纹的多分类器全局动态融合定位方法

说明书

本发明提供一种基于WiFi和地磁指纹的多分类器全局动态融合定位方法，涉及室内融合定位技术领域。本发明的步骤分为离线阶段和在线定位阶段：离线阶段：建立WiFi和地磁混合指纹库分成两份；一份用于分类器训练；另一份用于训练分类器在每个格点上的权重，以获取权重矩阵；在线定位阶段：将线上数据进行预处理后输入到各分类器中获得分类结果；并利用线上数据与离线指纹匹配结果索引权重矩阵获取融合权重，将各分类器的分类结果进行加权融合，得到最终位置估计。本发明解决了分类器局部动态融合方法无法最大化各分类器的互补特性的问题，WiFi和地磁指纹的联合利用有效地提高了定位的精度。

技术领域

本发明涉及室内融合定位技术领域，尤其涉及基于WiFi和地磁指纹的多分类器全局动态融合定位方法。

背景技术

近年来，随着物联网技术的飞速发展，室内定位技术在军用及民用领域获得了大量的关注。由于室内环境的复杂性，单一利用WiFi信号强度、地磁、蓝牙以及惯导信息等定位体制无法有效对抗复杂室内环境的多径传播。联合利用以上定位信息进行复杂室内环境下的定位是室内定位领域的重要发展方向。比较而言，获取WiFi和地磁信息均无需部署额外定位设备，WiFi信号在大范围区分度高，而局部区分度低，地磁信号大范围区分度较低，而局部差异明显，将两者结合可以互相弥补各自缺点，有效提高定位效果。

在现有的WiFi和地磁联合定位方法中，大部分方法均为WiFi信号强度和地磁数据的直接拼接，这样无法最大化利用二者的互补特性。而利用分类器进行训练的方法可有效提高定位精度。现有基于多分类器融合定位的方法的具体步骤包括：在离线阶段，1)将移动终端放置在待定位区域规划好的格点位置上采集指纹信息，建立离线指纹库；2)利用指纹库训练多个分类器模型，同时并根据带标签的训练数据，训练每个分类器的离线权重；3)在在线阶段，将测试数据输入训练好的分类器获得分类结果，根据线下获得的信任权重来融合各分类器分类结果以获得最终的位置估计。文献S.H.Fang,Y.T.Hsu,and W.H.Kuo,“Dynamic fingerpr intingcombination for improved mobile local ization,”IEEETrans.Wirel.Commun.,vol.10,no.12,pp.4018–4022,2011.即为一种典型的局部动态加权融合(DFC)的定位方法，该方法利用分类器下的定位误差最小准则为每个分类器获取独立的融合权重，权重获取后再对所有的权重加以归一化的约束，该方法的融合权重的求取并不是在多分类器联合优化的代价函数下获取的，因此该算法无法最大化各分类的互补特性。同时，现有加权融合定位方法大都仅考虑WiFi信号强度指纹下的联合优化问题，这种单一信号强度指纹无法最大化利用移动端丰富传感器的信息获取功能，使得定位精度的提升效果有限。

发明内容

本发明的目的在于：为了解决分类器局部动态融合方法无法最大化各分类的互补特性的问题，同时为了解决仅依赖WiFi指纹无法最大化利用移动端丰富传感器的信息获取功能从而导致定位精度不高的问题，本发明提供一种基于WiFi和地磁指纹的多分类器全局动态融合定位方法。

为达到上述目的，本发明的技术方案如下：

本发明提供的基于WiFi和地磁指纹的多分类器全局动态融合定位方法，包括如下步骤：

步骤1：在待定位的室内环境中，规划好定位格点，确定路由器位置及数量。

步骤2：采集WiFi和地磁指纹库数据，建立由WiFi和地磁指纹库数据组成的混合指纹库。

步骤3：将混合指纹库分成两份。

步骤4：取一份混合指纹输入到多个分类器中，进行分类器训练。

步骤5：取另一份混合指纹输入到步骤4中训练好的分类器中，获取各个分类器的结果；通过均方误差最小化准则联合优化获取各分类在每个格点上的权重，并保存在权重矩阵中。

步骤1-步骤5为线下训练过程。