[发明专利]基于RSSI信号强度排序的室内指纹定位方法

摘要

为了解决室内定位指纹算法中设备差异性对定位精度的影响，通过对指纹点上各无线接入点(Access Point，AP)利用概率比较方法进行基于信号强度的排序，可有效改善设备差异性对定位精度的影响。本发明公开了一种基于排序指纹改善设备差异性对定位精度影响的方法，通过对指纹点上的AP进行强度大小排序，利用有效子集个数进行AP选取，再根据设备计算资源，提出了两种可供选择的定位算法，一种是基于Kendall's tau相似程度(KTCC)结合加权k‑近邻的定位算法，另一种是基于卷积神经网络(CNN)结合加权k‑近邻的定位算法。

主权项

1.基于RSSI信号强度排序的的室内指纹定位系统，可以有效改善设备差异性所造成的定位影响，其特征在于，包含以下步骤：步骤一，在室内环境中选取若干参考点，采集参考点处的信号强度信息，将信号强度信息和参考点的位置信息关联起来组成位置指纹，得到位置指纹库；步骤二，在离线阶段，首先将各指纹点上的AP集合汇总，得到指纹库中所有能检测到的AP列表，然后依据这个总AP列表依次对各指纹点上缺失的数据用‑100进行填补，在单个指纹点上将所有接收到RSSI信号的AP利用概率比较公式进行大小比较，然后按照从大到小的顺序进行排列，所有指纹点都进行同样的比较和排序；步骤三，将每个指纹点上排序的AP集合按照有序原则划分成多个只包含两个不同AP的子集，注意，子集内AP的顺序不可逆；步骤四，将子集内AP1排在AP2前面的情况定义为AP1的有效子集，依次统计每个AP在任意两个指纹点间相同的AP子集中该AP的有效子集个数，若没有有效子集则记为零，然后将每个AP所有的有效子集个数进行求和，最后将这个和除以对应AP的有效指纹点总数的组合数作为对应AP的最终次数；步骤五，用户为AP选取的个数设置一个初值I，根据步骤四求得的每个AP的最终次数，选取最终次数最少的I个AP作为选取结果，并将选取的AP重复步骤三的操作；步骤六，判断用户设备是否具有很高的计算资源，当用户设备的计算资源达到运行CNN时，即高时，可以选择利用CNN算法；当计算资源达不到，即低时，可以选择KTCC算法，若步骤六的判断结果是低:步骤七，假设步骤六的判断结果是N，则选择KTCC算法，然后利用不同的移动设备开始在同一待定点上采集各个AP的信号；步骤八，按照步骤五AP选取的结果来删选待定点上采集到的AP，只留下步骤五选取步骤中包含的AP，然后将待定点上优选出来的AP按照步骤二和步骤三的操作，划分子集；步骤九，用待定点上的AP子集依次与其他指纹点上的AP子集计算KTCC距离，然后将距离进行从大到小排序；步骤十，设置WKNN算法的K值，根据参考现有的研究成果，K值一般设置成3‑5，因此可在这个范围内进行微调，根据步骤九的结果，由于KTCC的值越大，说明两个序列之间的相似性越高，距离越近，而待定点位置的求解需要利用最近邻的K个指纹点，因此需要选择KTCC值最大对应的K个指纹点，然后按照距离加权算法，将K个指纹点的权重计算出来；若步骤六的判断结果是高:步骤七’，假设步骤六的判断结果是Y，则选择CNN算法，然后利用移动设备开始在待定点上采集各个AP的信号；步骤八’，按照步骤五AP选取的结果来删选待定点上采集到的AP，只留下步骤五选取步骤中包含的AP，然后将待定点上优选出来的AP按照步骤二进行AP排序；步骤九’，将ap强度排序结果作为输入，输入到训练好的卷积神经网络中；步骤十’，利用softmax层的输出，作为wknn算法的权重；步骤十一，根据指纹点的坐标信息和权重，利用WKNN算法结算处待定点的位置坐标；步骤十二，判断结果是否满足预期要求，若不满足则通过改变AP选取数目的I值和WKNN算法的K值，转到步骤五循环，若满足要求则直接输出结果，当获取最优参数之后，此步骤可以省略。