一種改進mk模型和wknn算法相結合的混合室內(nèi)定位方法
【專利摘要】本發(fā)明公開了一種改進MK模型和WKNN算法相結合的混合室內(nèi)定位方法，該方法利用改進的MK模型建立更適合復雜室內(nèi)環(huán)境的信號傳播模型，在定位階段幫助篩選最近鄰點，使得相差較大的最近鄰點不參與WKNN算法的定位中，根據(jù)歐幾里得距離公式，求得各最近鄰點到AP的距離，將這些距離作為權值，代入到WKNN算法的公式中求得最終的估計位置值。
【專利說明】
一種改進MK模型和WKNN算法相結合的混合室內(nèi)定位方法
技術領域
[00011本發(fā)明涉及一種復雜室內(nèi)環(huán)境下的改進MK模型和WKNN算法相結合的混合定位算 法，屬于無線室內(nèi)定位技術領域。
【背景技術】
[0002] 隨著無線通信技術的發(fā)展，基于位置服務的需求備受關注。目前室外定位技術已 經(jīng)較為成熟，完全能夠滿足定位需求;但是，室內(nèi)定位技術卻不能夠滿足日益增長的定位服 務對定位精度的需求。使用較為廣泛的室內(nèi)定位技術有WIFI定位技術，其定位原理是：將 WIFI定位標簽安裝在要跟蹤的目標物體上，定位標簽周期性地發(fā)出無線信號，APUccess Point，簡稱:接入點）接收到信號后，將信號傳送到定位引擎，定位引擎根據(jù)接收到的無線 信號的強弱，計算判斷出該標簽所處位置，通過可視化界面顯示具體位置，實現(xiàn)實時精確定 位跟蹤與管理。
[0003] 基于WIFI的室內(nèi)定位方法主要有兩種：傳播模型法和位置指紋法。典型的室內(nèi)信 號傳播模型有:線性距離路徑損耗模型、對數(shù)距離路徑損耗模型、衰減因子模型和MK模型。 基于傳播模型的定位算法主要有:三邊定位法、雙曲線定位法、最小二乘法。位置指紋定位 算法主要有：NN(Nearest Neighbor，簡稱：最近鄰法）、KNN(K_Nearest Neighbors，簡稱:K 最近鄰法）、WKNN(Weighted K Nearest Neighbors，簡稱：加權K最近鄰法）、貝葉斯概率算 法和神經(jīng)網(wǎng)絡算法等等。
[0004] MK模型對阻擋信號傳播的障礙物進行處理，在對數(shù)距離路徑損耗模型的基礎上加 入了墻壁和地板引起的信號衰減：
[0005] L(d) =L+10nlog(d) +NwLw+NfLf
[0006] 其中L表示距離發(fā)射端1米處的傳播損耗;η是路徑損耗系數(shù);d表示發(fā)射端到接收 端的距離;1和他分別表示從發(fā)射端到接收端穿過的墻和地板的個數(shù)，L w和Lf分別表示墻和 地板的損耗系數(shù)。該模型屬于室內(nèi)傳播模型中的統(tǒng)計模型，相對于于確定性模型運算快，輸 入簡單，不需要預處理和簡化，不需要昂貴的設備。
[0007] 基于位置指紋的定位方法一般分為離線訓練階段和在線定位階段：（1)離線定位 階段的主要任務是建立一個位置指紋數(shù)據(jù)庫。在定位區(qū)域內(nèi)布置測試參考點，采集多個AP 的信號強度，經(jīng)過篩選(一般使用去最值取平均的方法)作為該參考點AP的信號特征參數(shù)記 錄到位置指紋數(shù)據(jù)庫中。（2)在線定位階段利用MS(Mobile Station，簡稱:移動臺）測得在 某一位置處的信號特征參數(shù)，通過相應的匹配算法，根據(jù)實測數(shù)據(jù)與位置指紋數(shù)據(jù)庫中的 數(shù)據(jù)進行比較，從而獲得一個或一組RSSI(Received Signal Strength Index，簡稱:接收 信號強度指示)和位置信息的數(shù)據(jù)，從而完成定位。
[0008] WKNN選取K個最近鄰點，然后將這K個最近鄰點的坐標進行加權處理，獲取最終位 置估計值。
[0009] 信息點之間的距離一般使用歐幾里得距離來表示：
[0011]其中s表示測得的信號信息，Sl表示指紋數(shù)據(jù)中的信號特征參數(shù)。
[0012] WKNN的公式為：
[0014] 其中山表示第j個最近鄰點的權值，（Xl，yi)表示第i個最近鄰點的坐標。
[0015] 基于傳播模型的定位方法考慮了這種室內(nèi)信號傳播規(guī)律，卻忽略了特定位置對信 號的獨特影響;基于位置指紋的定位方法，通過收集位置指紋，將接收信號強度與位置信息 結合起來，加強了對位置信息的利用，卻忽略了信號的傳播規(guī)律。

【發(fā)明內(nèi)容】

[0016] 本發(fā)明目的在于針對上述現(xiàn)有技術的不足，提供了一種改進MK模型和WKNN算法相 結合的混合定位方法，該方法可以很好地實現(xiàn)復雜室內(nèi)環(huán)境下更高精度的定位。
[0017] 本發(fā)明解決其技術問題所采取的技術方案是:一種改進MK模型和WKNN算法相結合 的混合室內(nèi)定位方法，該方法利用改進的MK模型建立更適合復雜室內(nèi)環(huán)境的信號傳播模 型，在定位階段幫助篩選最近鄰點，使得相差較大的最近鄰點不參與WKNN算法的定位中，根 據(jù)歐幾里得距離公式，求得各最近鄰點到AP的距離，將這些距離作為權值，代入到WKNN算法 的公式中求得最終的估計位置值。
[0018] 方法流程：
[0019] 步驟1:在定位環(huán)境中布置好采樣點，在各采樣點測量RSSI，根據(jù)采樣點的RSSI和 位置信息建立指紋數(shù)據(jù)庫；
[0020] 步驟2:確定定位環(huán)境中的障礙物種類，獲得改進的MK模型：
[0021] 1〇是常數(shù)，kdPkj分別表示穿過墻和地板的個數(shù)，ljPlf分別表示不同類型的墻壁 和地板的衰減系數(shù)，ku表示穿過不同障礙物的個數(shù)，1^表示穿過第j個第i種障礙物的衰減 系數(shù)。
[0022] 利用最小二乘法或最大似然法獲取該定位環(huán)境下的改進MK模型的參數(shù)；
[0023]步驟3:將位置指紋數(shù)據(jù)庫中的所有指紋代入到該MK模型中計算誤差，并得到平均 誤差；
[0024] 步驟4:根據(jù)選擇測量點，獲取RSSI組。將該RSSI組的元素分別代入到MK模型公式 中，計算得到對應測量點到指定AP之間的距離矢量L;
[0025] 步驟5:將L中的元素與各自的近鄰點進行比較，如果誤差大于步驟3中計算得到的 平均誤差，就舍棄該近鄰點，如果沒有近鄰點符合要求，就選取誤差最小的那個近鄰點；
[0026] 步驟6:求出該近鄰點對應的位置；
[0027]步驟7:將步驟6中求出的各近鄰點的距離的倒數(shù)作為權值，代入到式WKNN算法的 公式中，即：
[0029] wj是WKNN算法的權值，（xi，yi)是第i個參考點的坐標，然后估算得到最后的位置。
[0030] 有益效果：
[0031 ] 1、本發(fā)明在MK模型的基礎上進行了改進，更精確地模擬室內(nèi)信號傳播情況，利用 改進的MK模型過濾誤差較大的最近鄰點，將合格的最近鄰點與AP的距離的倒數(shù)作為權值， 綜合考慮了室內(nèi)信號傳播規(guī)律和位置指紋數(shù)據(jù)庫中采樣點的RSSI與位置信息的關系，從而 提尚了定位精度。
[0032] 2、本發(fā)明較好地利用了室內(nèi)信號傳播規(guī)律和位置指紋數(shù)據(jù)庫中采樣點的RSSI與 位置信息的關系，過濾掉誤差較大的近鄰點，從而提高定位精度，降低定位誤差，在復雜室 內(nèi)環(huán)境下性能較為優(yōu)秀。
【附圖說明】
[0033]圖1為定位區(qū)域內(nèi)采樣點的位置分布示意圖。
[0034]圖2為三個已知位置的AP的RSSI分布示意圖。
[0035]圖3為根據(jù)改進MK模型求出的采樣點的距離誤差示意圖。
[0036]圖4為改進的混合算法與NN算法和W2NN算法的誤差對比圖。
【具體實施方式】：
[0037]下面結合說明書附圖對本發(fā)明創(chuàng)造作進一步的詳細說明。
[0038]本發(fā)明具體應用場景是某教研室內(nèi)。參與定位面積約240平方米，分布在三個教研 室中，共56個采樣點，10個采樣點分布在教研室之間的走廊中，教研室之間通過硬木板隔 開，其中一個教研室與走廊之間有厚夾板。相鄰采樣點的水平距離2米，豎直距離大多為1 米。在凌晨通過安裝有WIFI信號RSS測量功能的自開發(fā)程序的小米2手機站在采樣點面向AP 方向測量RSSI，每個采樣點至少采樣30次。三個AP放置在指定位置上:API: (6，2); AP2(5， 9)4?3(10.5，1)，單位為米。采樣點位置分布如圖1所示，橫坐標表示定位區(qū)域水平方向，縱 坐標表示定位區(qū)域豎直方向，單位都為米。
[0039]本發(fā)明的仿真步驟包括如下：
[0040] (1)在線訓練階段
[0041] 通過手持設備獲取的各個采樣點的RSSI集存儲進對應的文件，經(jīng)過去最值取平均 值處理獲得各個采樣點的最終RSSI值，建立位置指紋數(shù)據(jù)庫。根據(jù)建立的位置指紋數(shù)據(jù)庫 便可以看出RSSI與位置之間的關系。圖2為各AP的RSSI分布示意圖。圖中橫坐標表示定位區(qū) 域水平方向，縱坐標表示定位區(qū)域豎直方向，單位都為米。
[0042] 教研室里障礙物可以分為:教研室之間的厚木板，走廊與教研室之間的薄木板，辦 公桌上的隔板。改進的MK模型為：
[0044]其中NjPNg分別表示從AP到手持設備穿過的厚木板和薄木板的個數(shù)，W和G分別表 示穿過的厚木板和薄木板的損耗系數(shù)，1表示辦公桌上隔板的損耗系數(shù)，h表示AP與手持設 備間隔板個數(shù)。
[0045]通過確定定位區(qū)域內(nèi)的AP與手持設備之間的這三種障礙物的數(shù)目并將之前獲得 的RSSI值代入到改進的MK模型公式中。最小二乘法的公式為：
[0048] β=(ΧτΧ)-ντΥ
[0049] 利用上述公式求出改進的ΜΚ模型中參數(shù)值:W值為-1.7688，G值為-1.1435，1為_ 0.7069 4?1的1〇值為-37.3264,4?1的丫值為-1.8966。對于4?1的信號傳播模型公式即：
[0051 ]將位置指紋數(shù)據(jù)庫中的各采樣點的RSSI值代入到WKNN算法公式中，求出各采樣點 與API的距離值，然后將所求的距離值與各自對應的坐標與API的距離求差的絕對值得出誤 差，求出平均誤差。仿真結果顯示根據(jù)API的信號傳播模型公式求出來的距離與實際距離的 平均誤差為:0.7318米。圖3所示是各采樣點與API的實際距離API的信號傳播模型公式得出 的距離誤差示意圖。
[0052] (2)離線定位階段
[0053] 一共測量了五個測試點的RSSI來驗證算法，這五個點的坐標依次為：（9.3，4.8)， (11.15,3.96)，（12.97,0)，（4.3,1.4)，（3.6,6.16)。將這五個RSSI值代入到API的信號傳播 模型公式中，計算得到這些測試點與API之間的距離數(shù)組L。根據(jù)之前的RSSI位置指紋數(shù)據(jù) 庫中進行匹配獲得測試點的近鄰點。計算近鄰點與API之間的距離并與在距離數(shù)組L中對應 的距離對比，如果誤差大于之前求得的平均誤差的1.414倍，則舍棄該近鄰點。如果沒有任 何一個近鄰點符合這個要求，則取誤差最小的那個近鄰點。這些近鄰點的集合將用于WKNN 算法公式中作為其坐標，各近鄰點利用歐幾里得公式求得的距離作為權值，代入到WKNN算 法公式就可以得到定位結果。經(jīng)過計算，第一近鄰點依次為：（10.〇,7.45)，（12.15,1.0)， (12.15.0) ，（4.0,1.0)，（6 ·0,5· 38);第二近鄰點依次為：（9.0,7.45)，（16.15，0·0)， (14.15.3.0) ，（4.0,0)，（10.0,7.45);第三近鄰點依次為（7.0,7.45)，（14.15,3.0)， (15·15,0)，（4·0,2·0)，（9·0,7·45)。
[0054]圖4為ΝΝ算法和W2NN算法的定位結果與改進的ΜΚ模型和WKNN算法相結合的混合定 位算法定位結果的誤差對比，可以看出改進后的混合算法能夠過濾掉誤差較大的近鄰點， 與NN算法和W2NN算法的定位精度相比在整體上得到了明顯的提高。
[0055]綜上所述，本發(fā)明改進的MK模型和WKNN算法相結合的混合定位方法較好地利用了 室內(nèi)信號傳播規(guī)律和位置指紋數(shù)據(jù)庫中采樣點的RSSI與位置信息的關系，過濾掉誤差較大 的近鄰點，從而提高定位精度，降低定位誤差，在復雜室內(nèi)環(huán)境下性能較為優(yōu)秀。
【主權項】
1. 一種改進MK模型和WKNN算法相結合的混合室內(nèi)定位方法，其特征在于，所述方法包 括如下步驟： 步驟1:在定位環(huán)境中布置好采樣點，在各采樣點測量RSSI，根據(jù)采樣點的RSSI和位置 信息建立指紋數(shù)據(jù)庫； 步驟2:確定定位環(huán)境中的障礙物種類，獲得改進的MK模型；1〇是常數(shù)，kdPh分別表示穿過墻和地板的個數(shù)，ljPlf分別表示不同類型的墻壁和地 板的衰減系數(shù)，1^」表示穿過不同障礙物的個數(shù)，1^表示穿過第j個第i種障礙物的衰減系 數(shù)； 利用最小二乘法或最大似然法獲取該定位環(huán)境下的改進MK模型的參數(shù)； 步驟3:將位置指紋數(shù)據(jù)庫中的所有指紋代入到該MK模型中計算誤差，并得到平均誤 差； 步驟4:根據(jù)選擇測量點，獲取RSSI組，將該RSSI組的元素分別代入到MK模型公式中，計 算得到對應測量點到指定AP之間的距離矢量L; 步驟5:將L中的元素與各自的近鄰點進行比較，如果誤差大于步驟3中計算得到的平均 誤差，就舍棄該近鄰點，如果沒有近鄰點符合要求，就選取誤差最小的那個近鄰點； 步驟6:求出該近鄰點對應的位置； 步驟7:將步驟6中求出的各近鄰點的距離的倒數(shù)作為權值，代入到式WKNN算法的公式 中，即：算法的權值，（Xl，yi)是第i個參考點的坐標，然后估算得到最后的位置。2. 根據(jù)權利要求1所述的一種改進MK模型和WKNN算法相結合的混合室內(nèi)定位方法，其 特征在于:所述方法利用改進的MK模型建立更適合復雜室內(nèi)環(huán)境的信號傳播模型，在定位 階段幫助篩選最近鄰點，使得相差較大的最近鄰點不參與WKNN算法的定位中，根據(jù)歐幾里 得距離公式，求得各最近鄰點到AP的距離，將這些距離作為權值，代入到WKNN算法的公式中 求得最終的估計位置值。3. 根據(jù)權利要求1所述的一種改進MK模型和WKNN算法相結合的混合室內(nèi)定位方法，其 特征在于:所述最小二乘法的公式為：β=(χτχ)-ιχτγ〇
【文檔編號】G01S5/02GK105866732SQ201610190307
【公開日】2016年8月17日
【申請日】2016年3月30日
【發(fā)明人】陸音, 繆輝輝
【申請人】南京郵電大學