[发明专利]一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法

说明书

本发明公开一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法，包括离线数据模型训练和在线位置预测，离线模型训练过程包括：1)指纹数据库预处理；2)使用高斯聚类在定位空间划分子区域；3)训练一个高准确率的随机森林分类器；在线位置预测阶段包括：4)通过随机森林分类器得到指纹所在的子区域；5)依据混合度量标准计算指纹点之间的差异度；6)在子区域中使用自适应KNN算法得到用户的位置预测结果。该方法可快速准确的进行室内定位，通过高斯聚类划分子区间，有效地解决RSS的空间歧义性，使用随机森林分类器减少指纹预测所需的数据匹配次数，提高预测速度，以指纹的混合度量作为指纹间差异度的评判标准，更具鲁棒性和稳定性，提高定位精度。

技术领域

本发明涉及室内定位技术领域，具体是一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法。

背景技术

如今，由于信息技术、人工智能和物联网技术的发展，室内位置服务(ILBS)已经成为我们日常生活当中不可或缺的一部分。室内定位对于物联网应用起到至关重要的作用，例如行人导航、环境感知、智能制造及智慧城市等。目前民用的室外位置服务一般是利用卫星定位系统，如GPS定位系统，以达到米级的定位精度。但是用于卫星信号自身的穿透能力有限和视距传播条件NLOS，不适用于室内定位。因此近些年，许多研究人员开始着重于室内定位技术的研究。一些基于无线网络(如WiFi、蓝牙、超宽带等)和传感器(如惯性传感器、地磁传感器)的方法已被研究者们提出来。其中，WiFi作为无线网络的信源，具有硬件成本低、部署方便、覆盖范围广与易于测量的优势，也因此被认为是最有发展前景的室内定位技术之一。

位置指纹定位法作为WiFi室内定位方法之一，通常利用WiFi信号作为位置唯一且可识别的特征，以表征位置信息。该方法无需布置额外的硬件设备，是目前WiFi室内定位领域的研究热点，也是室内定位最简单且广泛使用的方法之一。在基于WiFi位置指纹的定位技术中，通常将信号强度RSS、信噪比及信道状态信息作为指纹特征，由于信噪比及信道状态信息在大多数普通商用WiFi设备上无法直接获取，适用范围受限，而且室内环境下信道状态不够稳定，所以大部分研究的指纹特征都是基于信号强度即RSS值的。

近年来，由于计算机和移动设备的计算能力大幅提升，机器学习技术得到了广泛的关注和深入的发展。越来越多人将机器学习的方法引入到室内定位技术当中。基于机器学习的定位方法的过程如下：首先，在离线阶段使用RSS指纹训练一个分类器，然后在在线阶段，根据训练好的分类器估计用户的位置。以较早时间提出的RADAR系统为例，其使用KNN算法作为定位方法，通过计算测试RSS信号和离线指纹信号之间的相似度，使用相似度最高的几个指纹的位置坐标均值来估计位置。使用KWNN方法进行定位，相较于直接对指纹取平均，KWNN采用了加权平均的方式。针对传统KNN算法K值固定的问题，一些自适应的KNN算法被提出。此外，一些其它的机器学习方法例如随机森林、支持向量机、高斯过程等也被提出。

传统的WiFi指纹法的问题在于：由于室内环境因素(包括噪声、同频干扰、多径效应、物体遮挡等)，即使用户的位置是固定的，但是RSS的测量值却是不断变化的，因而直接使用RSS作为指纹特征会严重削弱机器学习算法的定位性能。

发明内容

本发明的目的是针对现有技术的不足，而提供了一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法。这种方法能够快速准确的进行室内定位，通过高斯聚类划分子区间，有效地解决RSS的空间歧义性，使用随机森林分类器来减少指纹预测所需的数据匹配次数，提高预测速度，以指纹的混合度量作为指纹间差异度的评判标准，更具鲁棒性和稳定性，能够提高定位精度。

为了实现上述目的，本发明所提供的技术方案为以下步骤：一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法，包括离线数据模型训练和在线位置预测，其中，离线数据模型训练过程包括：

1.一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法，该方法包括离线数据模型训练和在线位置预测，其中，离线数据模型训练过程包括：