[发明专利]一种基于机器学习的RSSI室内环境感知与检测方法

说明书

本发明属于无线通信技术领域，公开了一种基于机器学习的RSSI室内环境感知与检测方法，应用机器学习中的DBSCAN聚类算法结合阈值法；应用DBSCAN聚类算法结合阈值法的方法进行室内人员状态的检测，通过将RSSI值与方差两个特征值进行分类检测，得到当前环境中的人员状态；检测人员状态的变化，首先将系统设置为睡眠状态，然后应用该算法，检测室内定位环境是否有人入侵，当检测到人员入侵，则将处于睡眠状态的系统进行唤醒，实现了定位系统的唤醒功能。本发明增加了人员状态检测的功能，减小了人员状态的影响，提升了测距定位精度；实现了定位系统的唤醒功能，并且在一定程度上增加了系统的使用时间。

技术领域

本发明属于无线通信技术领域，尤其涉及一种基于机器学习的RSSI室内环境感知与检测方法。

背景技术

目前，最接近的现有技术：近年来，室内无线定位作为一种基于位置的服务成为研究的热点问题。基于Wifi或蓝牙等系统的RSSI的室内定位技术因其简单易实现、成本低廉且对硬件的要求不高，在无线通信技术领域应用广泛。其主要思想是：在实际定位环境中，通过锚节点与目标节点之间相互通信获取信号强度信息，将筛选的信号强度信息转换为目标节点与锚节点之间的距离，当收集的距离信息超过一定数量时，就可以利用几何定位算法计算出目标节点的坐标位置。在实际采集RSSI值的过程中，RSSI值与环境密切相关，环境中是否存在人员以及人员的静动状态对RSSI值的影响不同，不同的人员状态下，RSSI值转换为距离值的方法不同，若采用同一转换模型将采集的RSSI值转换为距离值将会导致转换的距离值不准确，从而导致定位性能较差。

现有的应用RSSI值进行定位的方法已经有很多，其主要思路是：通过指纹法或者机器学习的方法将RSSI值与距离值对应，从而减少环境的影响。例如一种“基于WiFi信号的室内测距方法”。该方法采用建立RSSI与距离值的对照表，清空被测室内所有的障碍物品和人，将一个RSSI信号源固定位置，将一个信号接收器每隔1m的距离分别测试，采集信号接收器的数据记录到数据库文件中，列出不同距离与信号强度的对照表。该方法不需要计算环境参数值，但是需要提前进行大量的工作去建立信号强度值与距离的对照表，当室内环境发生变化时，如人员状态发生变化，当采集对照表时人员状态为静止，在实际定位过程中人员状态为走动，则建立的对照表将不再适用。文献“A new indoor location technologyusing back propagation neural network to fit the RSSI-d curve”。该方法采用BP神经网络拟合RSSI值与距离值之间的关系曲线图。通过训练一个三层神经网络，将实际采集到的RSSI值转换为距离值。从而能够更好的拟合二者之间的关系，解决了传统的应用对数路径损耗模型中环境参数无法根据环境实时变化的问题。该方法需要在实际环境中采集训练数据集进行网络的训练从而得到映射网络。在获取映射模型时，需要提前采集训练数据集用于训练，但是，当在训练时人员状态不同，将会导致在实际应用该映射模型时将会产生较大的误差。因此，如何快速简单检测室内人员的状态，并且根据人员状态做出相应调整，从而将RSSI转换为高精度的距离值，具有重要的应用价值。

综上所述，现有技术存在的问题是：当前室内人员状态无法确定导致定位精度较差，定位结果不理想。

解决上述技术问题的难度：由于室内无线电磁环境复杂，比如家具、室内装饰物等摆放对电磁波的阻挡作用，以及人员自由走动所带来的动态阻挡和多径反射折射效应，将使RSSI值具有较大的波动，导致环境感知与检测的误差较大，特别是，当在训练时人员状态不同，将会导致定位产生较大的误差。所以，如何在不受室内复杂多变环境的影响的条件下，高效且高精度的进行室内人员状态的检测，以提高复杂环境中的定位精度，是目前该技术领域普遍存在的难点问题。

解决上述技术问题的意义：如果解决了室内复杂多变的环境问题以及人员状态检测的功能，且增加了人员状态检测的功能，可以减小人员状态对定位精度的影响，提升了测距定位精度，并实现定位系统的唤醒功能。

发明内容