[发明专利]基于空间特征分区和前点约束的WKNN室内定位方法

摘要

本发明提供一种基于空间特征分区和前点约束的WKNN室内定位方法，步骤如下：一：划分分区；二：提取分区标识序列；三：分区判别；四：计算信号空间距离；五：加权得到位置估计；通过步骤一到步骤五，本发明提出的基于空间特征分区和前点约束的WKNN室内定位方法被执行，其通过将面积较大的目标区域按照其空间特征划分为多个分区，同时引入识别序列和欧氏距离的组合分区判据，解决了指纹数据库无法实现全域覆盖的问题；又通过考虑行人在相邻时刻所处位置之间的空间约束关系，缩小了最终参考点的筛选范围，很好地提升了位置估计的精度。

主权项

一种基于空间特征分区和前点约束的WKNN室内定位方法，其特征在于：它包含以下五个步骤：步骤一：划分分区根据目标区域的面积大小，恰当选取参考指纹点即RP的分布密度，记录各RP的位置信息；在每个RP处获取各AP信息，并记录相应的WIFI信号强度值即RSSI值；设目标区域内共有参考点m个，第i个RP的位置坐标为(xi,yi)，在该点能获取ni个AP信息，其中第j个AP的媒体访问控制即MAC地址为MAC_i_j，对应的强度值为RSSI_i_j，则WIFI信号的原始数据为RP_1(x1,y1)AP_1_1MAC_1_1RSSI_1_1...AP_1_n1MAC_1_n1RSSI_1_n1......RP_m(xm,ym)AP_m_1MAC_m_1RSSI_m_1...AP_m_nmMAC_m_nmRSSI_m_nm...(1)]]>通过分析目标区域的空间特征，将m个RP分配到k个不同的分区，设第i个分区内有参考点im个，则该分区内的WIFI信号数据为RP_i1(xi1,yi1)AP_i1_1MAC_i1_1RSSI_i1_1...AP_i1_ni1MAC_i1_ni1RSSI_i1_ni1......RP_im(xim,yim)AP_im_1MAC_im_1RSSI_im_1...AP_im_nimMAC_im_nimRSSI_im_nim...(2)]]>由于每个RP处能够接受到的AP信号数目各不相同，所以每条RP数据的长度不可能全部相同，为了后续计算的方便，需要对分区内的WIFI信号数据进行预处理，使其长度保持一致；具体做法是截取分区内所有RP所共有的AP信息组装成长度统一的分区指纹数据库；设i分区内im个RP所共有的AP数目为ni，则分区指纹数据库为RP_i1(xi1,yi1)AP_i_1MAC_i_1RSSI_i1_1...AP_i_niMAC_i_niRSSI_i1_ni......RP_im(xim,yim)AP_i_1MAC_i_1RSSI_im_1...AP_i_niMAC_i_niRSSI_im_ni...(3);]]>步骤二：提取分区标识序列各分区的最主要区别在于其内部信号很强的AP各不相同，因此，将每个分区内信号最强的q个AP的MAC地址按照RSSI由强到弱的顺序排列组装成一串特征序列，其便能作为分区的标识序列简捷地反映出各分区的特征；具体做法为：(1)对i分区指纹数据库内对应相同MAC地址的RSSI值进行求和运算，并按照由强到弱的顺序进行排列，得到强度和序列RSSIsum_i_1RSSIsum_i_2...RSSIsum_i_ni...(4)]]>式中RSSIsum_i_j=Σr=1mRSSI_ir_j...(5)]]>(2)若一AP在分区内部影响大，则分区内绝大部分RP能接收其RSSI，且数值大；通过式(4)和式(5)的求和运算后，该AP对应的强度和数值也大，排序靠前；因此能截取式(4)所示序列的前q个作为分区的标识信息组成新的强度和序列RSSIsum_i_1RSSIsum_i_2...RSSIsum_i_q...(6)]]>(3)将式(6)中RSSI值的和依照式(3)所示的分区指纹数据库替换为其各自对应的MAC地址，则得到i分区的标识序列MACzone_i_1MACzone_i_1...MACzone_i_q...(7);]]>步骤三：分区判别由于对目标区域进行了分区处理，当测试点数据获得以后，首先需要执行对其所处分区的判别，之后才能够调取相应分区内的WIFI指纹数据执行指纹匹配方法；设在测试点获取的测试数据包含p个AP信息，将其按信号强度从强到弱排序后表示为AP_test_1MAC_test_1RSSI_test_1...AP_test_pMAC_test_pRSSI_test_p...(8)]]>截取测试数据的前q个MAC地址组成测试序列MAC_test_1MAC_test_2...MAC_test_q...(9)]]>将式(9)中的测试序列与式(7)中每个分区的识别序列进行比对，记录各组数据在2q个MAC地址中重合的个数，记作num_samei，其中1≤i≤k；一般来说，选取{num_same}中数值最大的一个，其所对应的i即为当前测试点所处的分区编号；但是，当测试点处于两分区交界线附近时，其受到两个分区的影响程度相当，便很容易出现num_samei＝num_samej的情况，此时将无从判断测试点所处的分区，更严重时甚至会造成分区的误匹配；为了尽可能减少匹配失效和误匹配情况的发生，本发明在采用识别序列进行分区判别的基础上，引入信号空间距离判定作为二级判定依据，其具体做法为：(1)设定启动二级判据的阈值Δnum_same，设{num_same}中数值最大的两个分别为num_samei和num_samej，且num_samei≥num_samej，如果两者的差值大于Δnum_same，说明i分区对测试点的影响力远大于j分区，此时不需要启动二级判据；如果两者的差值小于及等于Δnum_same，说明两分区对测试点的影响力相当，此时便需要启动信号空间距离判据；(2)二级判据启动后，测试点需要依照指纹匹配方法分别与i、j两个分区内的指纹数据逐一计算信号空间距离，各空间距离表示为L_i1L_j1L_i2L_j2......L_imL_jm...(10)]]>在上式计算过程中，由于测试数据和两个分区指纹数据所包含的AP信息不尽相同，因此需要截取各组数据所共有的AP信息进行计算；(3)由于计算信号空间距离时，对两个分区指纹数据截取的维度不同，为了使空间距离具有可比性，将式(10)中的空间距离分别除以各自对应的维度，得到归一化的信号空间距离，按距离从小到大排序后表示为l_i1l_j1l_i2l_j2......l_iml_jm...(11)]]>式中l_ir=L_irnirl_jr=L_jrnjr...(12)]]>其中，为[MAC_test_1 ... MAC_test_p]T与[MAC_i_1 ... MAC_i_ni]T重合的个数，为[MAC_test_1 ... MAC_test_p]T与[MAC_j_1 ... MAC_j_nj]T重合的个数；(4)截取式(11)中归一化空间距离最小的K个，记作l_i1l_j1l_i2l_j2......l_iKl_jK...(13)]]>对其进行平均值的求取，得到K个归一化欧式距离的均值mean_li=Σr=1Kl_irKmean_lj=Σr=1Kl_jrK...(14)]]>如果mean_li≤mean_lj，则判定测试点处于i分区，反之则为j分区；步骤四：计算信号空间距离用户使用设备在测试点获取如式(8)所示的测试数据，简记作序列AA=RSSI_test_1RSSI_test_2...RSSI_test_p...(15)]]>设测试点通过分区判别以被确认属于i分区，则将序列A与式(3)所示i分区指纹逐一进行信号空间距离的计算，得到一组欧式距离的集合BB＝{d_i1 d_i2 ... d_im}··········(16)式中d_ij=Σr=1nj(RSSI_ij_r-RSSI_test_r)2...(17)]]>d_i1≤d_i2≤...≤d_im···········(18)其中，nj为序列A与分区指纹RP_ij所重合的AP个数；步骤五：加权得到位置估计截取集合B的前K个元素组成候选参考点欧氏距离集合CC＝{d_i1 d_i2 ... d_iK}··········(19)将集合C中每个元素替换为其所对应的RP位置坐标，则得到候选参考点位置集合DD=(xi1,yi1)(xi2,yi2)...(xiK,yiK)...(20)]]>设行人在t‑1时刻的位置估计为(xt‑1，yt‑1)，以其为圆心，以Rt‑1为半径做圆，记作圆o；以处于圆o内部作为约束条件，获取集合D的子集E，即为最终参考点位置集合E=(xi1,yi1)(xi2,yi2)...(xiK,yiO)...(21)]]>式中，iO为使用前点约束筛选出的参考点的个数；相应地能得到集合C的子集F，即为最终参考点欧氏距离集合F＝{d_i1 d_i2 ... d_iO}··········(22)基于指纹匹配方法，根据式(22)中的欧氏距离，计算最终参考点各自的权重μij=1dij1di1+1di2+...+1diK...(23)]]>则当前时刻t的位置估计(xt，yt)为(xt,yt)=Σj=1Kμij(xij,yij)...(24).]]>