估計終端間距及位置規(guī)劃的方法、終端及設備的制造方法
【專利摘要】本發(fā)明提供了一種用于估計終端間距及位置規(guī)劃的方法、設備及終端，該方法主要包括獲取待估計間距的終端所采集到的無線接入點信息；提取所述無線接入點信息的特征向量，依據距離計算函數，獲取所述待估計距離的終端中，任意兩終端之間的間距；并在該間距的基礎上，采用降維處理的方式，獲得多個終端之間的位置規(guī)劃，得到各個終端的規(guī)劃位置坐標。該方法以較少的資源消耗和較快速度，準確獲取終端間的相對距離及終端位置，并且對終端的硬件精確度要求不高，能夠廣泛應用于現有的用戶終端中。
【專利說明】
估計終端間距及位置規(guī)劃的方法、終端及設備
技術領域
[0001]本發(fā)明涉及無線通信領域，具體涉及一種可以不通過第三方服務器而進行終端之 間距離估計的方法、設備及終端。
【背景技術】
[0002] 隨著智能終端設備與無線互聯網技術的迅速發(fā)展，有關獲取位置的問題和基于位 置的服務（location based service，LBS)得到了廣泛的應用。當前，室外定位大多采用衛(wèi) 星定位技術，如全球定位系統(tǒng)(GPS)、北斗定位系統(tǒng)等，當衛(wèi)星連接狀況良好時，定位精度可 達lm之內。但是由于建筑物屏蔽，衛(wèi)星定位技術在室內定位領域中并不適用，起初的室內定 位技術包括基于紅外、超聲波、RFID信號的無線定位技術；當前應用較為廣泛的是基于藍 牙、Wi-Fi等無線網絡信號的指紋匹配算法估算室內位置，如劉定俊等人提出的融合Wi-Fi 與傳感數據的室內定位方法等。基于指紋匹配等技術的室內定位算法可將室內定位的平均 精度推進至3-5米。然而在LBS發(fā)展的同時，也為人與人之間建立社交關系提供了更多的方 式，新興的近場社交概念逐步走進了人們的視野。例如在場、米信等APP均推出了基于近場 社交理念的社交新方式，讓處于同一區(qū)域的陌生人更快、更自然地實現交流與互識。因此， 準確獲取特定區(qū)域中人與人之間的位置關系將尤為重要。
[0003] 現有技術中，采用例如利用終端在不同位置獲取到周圍環(huán)境中AP信息的差異性， 通過如基于信號到達時間（Τ0Α)或信號到達時間差（TD0A)以及基于接收信號強度(RSSI) 等，計算用戶的當前位置，則要求AP與用戶終端之間的時間絕對同步，對設備精度的要求很 高，而市場中用戶常用的智能手機、智能手表等設備，往往不能滿足上述精度要求，或者在 勉強達到該要求的情況下，對系統(tǒng)資源或流量資源消耗嚴重。
[0004] 此外，在如文獻CN104459612A，發(fā)明名稱為具備測量與WI-FI設備距離及方向供能 的移動終端中，是借助測距天線以及鑒相測距模塊來進行移動終端距離及方向的測量。此 種方法的特點在于需要測距雙方限定在傳感器能夠感知的范圍內，通過傳感器模塊實現點 對點直接感知。在又如文獻CN104812061A中，利用MMO-OFDM信道狀態(tài)，結合定位空間中的 已知位置的錨點AP信息，通過計算不同錨點AP到終端的路徑，再計算獲取最終用戶定位。
[0005] 上述現有技術至少存在著以下的共同缺陷：（1)基于地圖信息的定位，往往需要接 收額外的例如GPS信息，以獲取終端位置；（2)基于wifi信號的定位技術，往往需要大量的運 算及測量，才能夠實現對終端間相對位置的確定，而這一運算量需要設置在服務器端進行 處理及比對信息的預存儲，才能夠實現實時定位，且由于標定工作的繁瑣以及建筑物之間 不能共享標定數據，人力物力消耗巨大；（3)由于復雜多變的室內環(huán)境對信號的傳播造成較 大的損耗，且信號傳播過程中存在多徑效應，因此該方法的定位結果精度并不高；（4)不能 很好地適應多變的室內信號源環(huán)境，時間跨度越大，信號源差異越大。

【發(fā)明內容】

[0006] 有鑒于此，為解決現有技術中存在的問題，本發(fā)明首先提供一種估計終端間距的 方法，其特征在于，包括：
[0007] 獲取待估計間距的終端所采集到的無線接入點信息；
[0008] 提取所述無線接入點信息的特征向量，依據距離計算函數，獲取所述待估計距離 的終端中，任意兩終端之間的間距；該距離計算函數，可以是通過多種方式而取得的函數， 例如建立在對定位區(qū)域內的定點檢測而獲得的經驗值基礎上，采用擬合方式獲得的距離函 數等；
[0009] 所述無線接入點信息至少包括:無線接入點的MAC信息、接收信號強度；
[0010]所述距離計算函數由機器學習獲得。該機器學習的方法，可以采用常規(guī)的人工神 經網絡方法，例如BP神經網絡等，也可以采用支持向量機等算法實現。
[0011]優(yōu)選地，所述機器學習進一步包括：
[0012] 采集定位區(qū)域內不同位置處的無線接入點信息；
[0013] 建立所述位置與在該位置采集的無線接入點信息的關系，形成不同的位置數據；
[0014] 將所述位置數據兩兩分組，并去除重復分組，對每組所述位置數據進行特征提??；
[0015] 采用機器學習的方式，至少部分地基于提取的特征向量，獲得距離計算函數。
[0016] 優(yōu)選地，上述特征向量至少包括以下的一種:無線接入點數、相同無線接入點信號 差、相同無線接入點數量與總無線接入點數量的比值等。該些特征向量可以根據具體的機 器學習需要、精度需要等，進行任意的組合，或者與其他的特征向量結合。
[0017]優(yōu)選地，在對每組所述位置數據進行特征提取后，計算組內兩點間的距離，作為所 提取的特征向量的標簽；
[0018] 基于所述標簽與所述特征向量，形成特征數據；
[0019] 基于所述特征數據，獲得距離計算函數。
[0020] 優(yōu)選地，在形成所述特征數據后，對所述特征數據進行歸一化處理。所述歸一化處 理并非必要的步驟，當特征向量的量級差別不大時，可以不加入歸一化處理的步驟，也可根 據具體的計算量要求，進行調整。
[0021] 優(yōu)選地，所述機器學習采用支持向量機模型，所述支持向量機核函數采用徑向基 函數；
[0022] 所述支持向量機模型采用支持向量回歸分類器；
[0023]所述機器學習過程采用梯度下降法尋找最佳回歸參數。
[0024] 在另一個方面，本發(fā)明還提供了 一種近場終端位置規(guī)劃方法，其特征在于，包括：
[0025] 獲取待估計間距的終端所采集到的無線接入點信息；
[0026]提取所述無線接入點信息的特征向量，依據距離計算函數，獲取所述待估計距離 的終端中，任意兩終端之間的間距；
[0027]依據所述間距，將所述待估計間距的終端轉化為二維位置分布，獲得所述終端的 規(guī)劃位置；
[0028]所述無線接入點信息至少包括:無線接入點的MAC信息、接收信號強度。
[0029]優(yōu)選地，采集定位區(qū)域內不同位置處的無線接入點信息；
[0030]建立所述位置與在該位置采集的無線接入點信息的關系，形成不同的位置數據； [0031 ]將所述位置數據兩兩分組，并去除重復分組，對每組所述位置數據進行特征提取， 并計算組內兩點間的距離，作為所提取的特征向量的標簽；
[0032]基于所述標簽與所述特征向量，形成特征數據；
[0033]采用機器學習的方式，至少部分地基于所述特征數據，獲得距離計算函數。該機器 學習的方法，可以采用常規(guī)的人工神經網絡方法，例如BP神經網絡等，也可以采用支持向量 機等算法實現。
[0034]優(yōu)選地，所述獲得所述待估計間距的終端的規(guī)劃位置，進一步包括：
[0035]依據所述任意兩終端之間的間距，構成數據集I，并基于所述數據集建立終端間的 距離矩陣，所述距離矩陣可表示為：
[0037]其中，cU,謙示數據集中第i和第j個變量的間距，i，j e 1，...，I。
[0038] 進一步優(yōu)選地，上述距離可以采用任意終端間的歐氏距離。
[0039] 優(yōu)選地，對所述距離矩陣進行特征值分解，具體方法如下：
[0040] 構建矩陣X、T，令
[0044] 其中，Xi為0空間中第i個坐標點，Ν為空間維度，1彡η<Ν;
[0045]對矩陣所述Τ進行矩陣分解：
[0047]其中，U為特征向量，Λ為特征值矩陣；
[0048]令：
[0050]完成對所述距離矩陣的降維處理。
[0051 ]優(yōu)選地，依據所述規(guī)劃位置的坐標，及其對應的終端的實際位置坐標，求取所述待 估計間距的終端間的平均距離；
[0052]基于所述平均距離，以及所述規(guī)劃位置的坐標中，最遠的兩位置間的坐標距離，獲 取所述規(guī)劃位置的評價參數。
[0053]優(yōu)選地，所述評價參數采用如下方式計算：
[0055]其中，Dmax為所述規(guī)劃位置的坐標中，最遠的兩位置間的坐標距離;0?_為所述平 均距離。當該越接近于0,則所述規(guī)劃位置與真實位置的擬合性越好。
[0056]在本發(fā)明的又一個方面，本發(fā)明還提供了一種可估計終端間距的終端，其特征在 于，所述終端包括：
[0057]請求接收單元，用于發(fā)送和/或接收距離獲取請求；
[0058]無線接入點信息獲取單元，用于獲取所述終端自身所采集到的無線接入點信息， 以及接收其他終端發(fā)送的所采集的無線接入點信息；
[0059] 距離獲取單元，用于將所述終端接收到所述其他端發(fā)送的終端信息后，提取所述 終端及其他終端的終端信息的特征向量，通過距離計算函數，獲取所述終端與所述其他終 端的相對距離；
[0060] 優(yōu)選地，所述無線接入點信息至少包括:無線接入點的MAC信息、接收信號強度。
[0061] 優(yōu)選地，所述特征向量至少包括以下的一種:無線接入點數、相同無線接入點信號 差、相同無線接入點與總無線接入點的比值。
[0062]優(yōu)選地，所述終端進一步包含存儲單元，用于存儲所述距離計算函數。
[0063]優(yōu)選地，所述距離計算函數通過機器學習的方式獲得；
[0064]進一步優(yōu)選地，所述機器學習包括：
[0065] 采集定位區(qū)域內不同位置處的無線接入點信息；
[0066] 建立所述位置與在該位置采集的無線接入點信息的關系，形成不同的位置數據；
[0067] 將所述位置數據兩兩分組，并去除重復分組，對每組所述位置數據進行特征提取； [0068]采用機器學習的方式，至少部分地基于提取的特征向量，獲得距離計算函數。
[0069] 優(yōu)選地，在對每組所述位置數據進行特征提取后，進一步包括：
[0070] 計算組內兩點間的距離，作為所提取的特征向量的標簽；
[0071] 基于所述標簽與所述特征向量，形成特征數據；
[0072]基于所述特征數據，獲得距離計算函數。
[0073] 優(yōu)選地，所述終端進一步包括：
[0074] 位置規(guī)劃單元，用于依據所述終端及所述其他終端中，任意兩終端之間的間距，獲 得所述終端的規(guī)劃位置；
[0075] 所述規(guī)劃位置為二維空間中的位置。
[0076]優(yōu)選地，所述位置規(guī)劃單元進一步包括降維處理單元，用于依據所述任意兩終端 之間的間距，建立距離矩陣，并對所述距離矩陣進行降維處理，得到所述規(guī)劃位置的坐標。 [0077]優(yōu)選地，所述降維處理采用特征值分解法。
[0078] 在本發(fā)明的又一個方面，本發(fā)明還提供了一種用于獲取終端規(guī)劃位置的裝置，其 特征在于，所述裝置包括：
[0079] 信息獲取單元，用于獲取待估計間距的終端所采集到的無線接入點信息；
[0080] 特征提取單元，用于提取所述無線接入點信息的特征向量；
[0081] 距離計算單元，用于依據距離計算函數，獲取所述待估計距離的終端中，任意兩終 端之間的間距；
[0082] 位置規(guī)劃單元，用于依據所述距離計算單元計算得到的所述間距，獲得所述終端 的規(guī)劃位置;所述規(guī)劃位置為二維空間中的位置；
[0083] 所述無線接入點信息至少包括:無線接入點的MAC信息、接收信號強度。
[0084]優(yōu)選地，所述裝置進一步包括距離函數獲取單元，用于獲取所述距離計算函數，具 體采用如下方式：
[0085] 采集定位區(qū)域內不同位置處的無線接入點信息；
[0086] 建立所述位置與在該位置采集的無線接入點信息的關系，形成不同的位置數據；
[0087] 將所述位置數據兩兩分組，并去除重復分組，對每組所述位置數據進行特征提取， 并計算組內兩點間的距離，作為所提取的特征向量的標簽；
[0088] 基于所述標簽與所述特征向量，形成特征數據；
[0089]采用機器學習的方式，至少部分地基于所述特征數據，獲得距離計算函數。
[0090] 優(yōu)選地，所述位置規(guī)劃單元依據所述距離計算單元得到的任意兩終端之間的間 距，構成數據集，并基于所述數據集建立終端間的距離矩陣；以及
[0091] 對所述距離矩陣進行降維處理，獲得所述終端的規(guī)劃位置坐標。
[0092] 優(yōu)選地，所述裝置進一步包括規(guī)劃位置評價單元，用于依據所述規(guī)劃位置的坐標， 及其對應的終端的實際位置坐標，求取所述待估計間距的終端間的平均距離；
[0093]基于所述平均距離，以及所述規(guī)劃位置的坐標中，最遠的兩位置間的坐標距離，獲 取所述規(guī)劃位置的評價參數。
[0094]優(yōu)選地，所述評價參數采用如下方式計算：
[0096]其中，Dmax為所述規(guī)劃位置的坐標中，最遠的兩位置間的坐標距離;Dmean為所述平 均距離；
[0097] 0MDS越接近于0,則所述規(guī)劃位置與真實位置的擬合性越好。
[0098]與現有技術相比，本發(fā)明技術方案不需要額外的第三方定位信息，僅通過對終端 周邊的無線接入點信息即可以獲得對終端間距離的估算，以及終端位置的確定，并且，本發(fā) 明的技術方案不需要終端之間具有精確的一致時間，對終端性能要求低，能夠廣泛適用于 現有的用戶終端中，本發(fā)明的技術方案定位及距離計算精度高，有效提高了在近場定位中 的用戶體驗。
【附圖說明】
[0099]為了更清楚地說明本發(fā)明實施例或現有技術中的技術方案，下面將對實施例或現 有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以 根據這些附圖獲得其它的附圖。
[0100]圖1為本發(fā)明一實施例的估計終端間距的方法流程圖；
[0101]圖2為本發(fā)明一實施例的近場終端位置規(guī)劃方法流程圖；
[0102]圖3為本發(fā)明一實施例的終端結構圖；
[0103] 圖4為本發(fā)明一實施例的數據路徑采集圖；
[0104] 圖5為本發(fā)明一實施例的實驗1的采集點分布；
[0105]圖6為本發(fā)明一實施例的實驗1的距離估算結果對比圖；
[0106] 圖7為本發(fā)明一實施例的實驗1的位置規(guī)劃結果對比圖。
【具體實施方式】
[0107] 下面結合附圖對本發(fā)明實施例一種應用程序推薦方法及裝置進行詳細描述。應當 明確，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的 實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都 屬于本發(fā)明保護的范圍。
[0108] 本領域技術人員應當知曉，下述具體實施例或【具體實施方式】，是本發(fā)明為進一步 解釋具體的
【發(fā)明內容】
而列舉的一系列優(yōu)化的設置方式，而該些設置方式之間均是可以相互 結合或者相互關聯使用的，除非在本發(fā)明明確提出了其中某些或某一具體實施例或實施方 式無法與其他的實施例或實施方式進行關聯設置或共同使用。同時，下述的具體實施例或 實施方式僅作為最優(yōu)化的設置方式，而不作為限定本發(fā)明的保護范圍的理解。
[0109] 實施例1:
[0110] 如圖1所示，在一個具體的實施例中，本發(fā)明提供一種估計終端間距的方法，該方 法包括：
[0111] 獲取待估計間距的終端所采集到的無線接入點信息；
[0112] 提取所述無線接入點信息的特征向量，依據距離計算函數，獲取所述待估計距離 的終端中，任意兩終端之間的間距；該距離計算函數，可以是通過多種方式而取得的函數， 例如建立在對定位區(qū)域內的定點檢測而獲得的經驗值基礎上，采用擬合方式獲得的距離函 數等；
[0113] 所述無線接入點信息至少包括:無線接入點的MAC信息、接收信號強度；
[0114] 所述距離計算函數由機器學習獲得。該機器學習的方法，可以采用常規(guī)的人工神 經網絡方法，例如BP神經網絡等，也可以采用支持向量機等算法實現。
[0115] 在一個具體的實施方式中，所述機器學習進一步包括：
[0116]采集定位區(qū)域內不同位置處的無線接入點信息；
[0117]建立所述位置與在該位置采集的無線接入點信息的關系，形成不同的位置數據；
[0118]將所述位置數據兩兩分組，并去除重復分組，對每組所述位置數據進行特征提??； [0119]采用機器學習的方式，至少部分地基于提取的特征向量，獲得距離計算函數。
[0120] 具體地，在數據采集過程中，在定位區(qū)域內的不同位置掃描無線接入點(AP)信息， 獲取到該區(qū)域內不同位置的AP數據，建立位置與AP的關系，數據格式可以設置如下：
[0121] <X，Y，MACi，RSSIi，· · ·，MACn，RSSIn>
[0122] X，Y為位置坐標、MACi為APi的MAC地址，RSSIi為對應的接收信號強度，η為該位置搜 索到的ΑΡ數。
[0123] 在一個具體的實施方式中，上述特征向量至少包括以下的一種:無線接入點數、相 同無線接入點信號差、相同無線接入點數量與總無線接入點數量的比值等。該些特征向量 可以根據具體的機器學習需要、精度需要等，進行任意的組合，或者與其他的特征向量結 合。
[0124] 在一個具體的實施方式中，在進行機器學習以及對終端進行舉例計算時，上述特 征提取可以采用如下方式：
[0125] 將采集到的不同位置數據以握手的方式兩兩分組，即若采集η個點的Wi-Fi信號數 據，則每個點與其他n-1個點分別進行1次分組，去除重復組，可得n*(n-l)/2組數據。對每組 數據進行特征提取，計算每組數據間相同的AP數（NUM same3AP)、相同AP信號差的最大值 (RSSIDmax)、相同AP信號差的最小值(RSSIDmin)、相同AP信號差的平均值(RSSID mean)、相同AP 數與該組總AP數的比值(NUM_eAP/NUMallAP)作為特征，計算組內兩點的坐標距離D作為數據 標簽，
[0127] 建立特征數據，格式可以設置如下：
[0128] <D l:NUMsameAP 2:RSSIDmax 3:RSSIDmin 4:RSSIDmean 5 ： NUMsameAp/NUMallAP >
[0129] 為避免特征數據量綱差異過大的問題，可以對數據進行歸一化處理，將特征值歸 一化至[-1，1 ]區(qū)間，生成可供機器學習訓練的數據文件。
[0130] 在一個具體的實施方式中，所述機器學習采用支持向量機模型，所述支持向量機 核函數采用徑向基函數；
[0131] 所述支持向量機模型采用支持向量回歸分類器；
[0132] 所述機器學習過程采用梯度下降法尋找最佳回歸參數。
[0133] 在一個具體的實施方式中，在進行具體的距離計算時，使用上述生成的回歸模型， 即距離計算函數，對測試數據進行回歸，根據每組特征數據預測每組2點之間的距離，實驗 結果由回歸值與真實值之間的皮爾遜相關系數(Ρ Ρ__)和平均誤差(Err〇rM_)進行評價。
[0134] 實施例2:
[0135] 在一個具體的實施例中，如圖2所示，本發(fā)明還提供了一種近場終端位置規(guī)劃方 法，該方法包括：
[0136] 獲取待估計間距的終端所采集到的無線接入點信息；
[0137] 提取所述無線接入點信息的特征向量，依據距離計算函數，獲取所述待估計距離 的終端中，任意兩終端之間的間距；
[0138] 依據所述間距，將所述待估計間距的終端轉化為二維位置分布，獲得所述終端的 規(guī)劃位置；
[0139] 所述無線接入點信息至少包括:無線接入點的MAC信息、接收信號強度。
[0140] 在一個具體的實施方式中，采集定位區(qū)域內不同位置處的無線接入點信息；
[0141]建立所述位置與在該位置采集的無線接入點信息的關系，形成不同的位置數據；
[0142] 將所述位置數據兩兩分組，并去除重復分組，對每組所述位置數據進行特征提取， 并計算組內兩點間的距離，作為所提取的特征向量的標簽；
[0143] 基于所述標簽與所述特征向量，形成特征數據；
[0144] 采用機器學習的方式，至少部分地基于所述特征數據，獲得距離計算函數。
[0145] 在一個具體的實施方式中，上述的機器學習及特征提取的方式，可以采用實施例1 中的方式進行。
[0146] 該機器學習的方法，可以采用常規(guī)的人工神經網絡方法，例如BP神經網絡等，也可 以采用支持向量機等算法實現。
[0147] 在一個具體的實施方式中，所述獲得所述待估計間距的終端的規(guī)劃位置，進一步 包括：
[0148] 依據所述任意兩終端之間的間距，構成數據集I，并基于所述數據集建立終端間的 距離矩陣，所述距離矩陣可表示為：
[0150]其中，表示數據集中第i和第j個變量的間距，i，j e 1，...，I。
[0151] 上述多維分析的目的為得到一組大小為I的向量集xi，...，neRN，對于所有的i，j ei，...，i，均有| |Xl-Xj| |~cUwl | · | |代表向量模。向量?？梢詾樽兞块g的歐幾里得距 離，但是在廣義上，它也可指代任意的距離函數。多維分析時，實質是在保持變量間相對距 離不變的基礎上，尋找一個從數據集I到0之間的映射關系。如果維度N選擇為2或3,則向量 xdP可在二維平面或三維空間中反映數據集合I中各變量的結構關系。最終，可以將上述多 維分析轉化為
的最優(yōu)化問題，并可采用矩陣特征值分解法 求解。
[0152] 在一個具體的實施方式中，對所述距離矩陣進行特征值分解，具體方法如下：
[0153] 構建矩陣X、T，令
[0158] 其中，Xi為0空間中第i個坐標點，Ν為空間維度，1彡η<Ν;
[0159] 對矩陣所述Τ進行矩陣分解：
[0161] 其中，U為特征向量，Λ為特征值矩陣；
[0162] 令：
[0164] 完成對所述距離矩陣的降維處理。
[0165] 在一個具體的實施方式中，依據所述規(guī)劃位置的坐標，及其對應的終端的實際位 置坐標，求取所述待估計間距的終端間的平均距離；
[0166] 基于所述平均距離，以及所述規(guī)劃位置的坐標中，最遠的兩位置間的坐標距離，獲 取所述規(guī)劃位置的評價參數。
[0167] 計算規(guī)劃點位置坐標與對應實際點坐標的平均距離Dmean，通過下式求解，其中 (xi_pre，yi_ pre)為預測點坐標，（xi+mi，yi+mi)為實際點坐標，η為實驗點個數；
[0169] 計算預測點集中距離最遠的兩點距離Dmax，用平均距離Dmean與最大距離D max的比值 作為評價MDS位置規(guī)劃結果的參數，
[0170] 在一個具體的實施方式中，所述評價參數采用如下方式計算：
[0172] 其中，Dmax為所述規(guī)劃位置的坐標中，最遠的兩位置間的坐標距離;Dm_為所述平 均距離。當該越接近于0,則所述規(guī)劃位置與真實位置的擬合性越好。
[0173] 實施例3:
[0174] 如圖3所示，在本發(fā)明的又一個方面，本發(fā)明還提供了一種可估計終端間距的終 端，其特征在于，所述終端包括：
[0175] 請求接收單元，用于發(fā)送和/或接收距離獲取請求；
[0176]無線接入點信息獲取單元，用于獲取所述終端自身所采集到的無線接入點信息， 以及接收其他終端發(fā)送的所采集的無線接入點信息；
[0177] 距離獲取單元，用于將所述終端接收到所述其他端發(fā)送的終端信息后，提取所述 終端及其他終端的終端信息的特征向量，通過距離計算函數，獲取所述終端與所述其他終 端的相對距離；
[0178] 優(yōu)選地，所述無線接入點信息至少包括:無線接入點的MAC信息、接收信號強度。
[0179] 在一個具體的實施方式中，所述特征向量至少包括以下的一種:無線接入點數、相 同無線接入點信號差、相同無線接入點與總無線接入點的比值。該特征向量的具體設置方 式，可以采用實施例1中的具體方式。
[0180] 在一個具體的實施方式中，所述終端進一步包含存儲單元，用于存儲所述距離計 算函數。
[0181]在一個具體的實施方式中，所述距離計算函數通過機器學習的方式獲得；
[0182] 進一步優(yōu)選地，所述機器學習包括：
[0183] 采集定位區(qū)域內不同位置處的無線接入點信息；
[0184] 建立所述位置與在該位置采集的無線接入點信息的關系，形成不同的位置數據；
[0185] 將所述位置數據兩兩分組，并去除重復分組，對每組所述位置數據進行特征提?。?br>[0186] 采用機器學習的方式，至少部分地基于提取的特征向量，獲得距離計算函數。
[0187] 在一個具體的實施方式中，在對每組所述位置數據進行特征提取后，進一步包括：
[0188] 計算組內兩點間的距離，作為所提取的特征向量的標簽；
[0189] 基于所述標簽與所述特征向量，形成特征數據；
[0190] 基于所述特征數據，獲得距離計算函數。
[0191]上述的機器學習及距離函數的獲取方法，可以采用實施例1中的具體方式。
[0192] 在一個具體的實施方式中，所述終端還可以同時具備位置規(guī)劃的功能，即其進一 步包括：
[0193] 位置規(guī)劃單元，用于依據所述終端及所述其他終端中，任意兩終端之間的間距，獲 得所述終端的規(guī)劃位置；
[0194] 所述規(guī)劃位置為二維空間中的位置。
[0195] 在一個具體的實施方式中，所述位置規(guī)劃單元進一步包括降維處理單元，用于依 據所述任意兩終端之間的間距，建立距離矩陣，并對所述距離矩陣進行降維處理，得到所述 規(guī)劃位置的坐標。
[0196] 優(yōu)選地，所述降維處理采用特征值分解法。
[0197] 上述具體的位置規(guī)劃方法及原理，可以采用實施例2中的具體方式。
[0198] 實施例4:
[0199] 在本發(fā)明的又一個方面，本發(fā)明還提供了一種用于獲取終端規(guī)劃位置的裝置，其 特征在于，所述裝置包括：
[0200] 信息獲取單元，用于獲取待估計間距的終端所采集到的無線接入點信息；
[0201] 特征提取單元，用于提取所述無線接入點信息的特征向量；
[0202]距離計算單元，用于依據距離計算函數，獲取所述待估計距離的終端中，任意兩終 端之間的間距；
[0203]位置規(guī)劃單元，用于依據所述距離計算單元計算得到的所述間距，獲得所述終端 的規(guī)劃位置;所述規(guī)劃位置為二維空間中的位置；
[0204]所述無線接入點信息至少包括:無線接入點的MAC信息、接收信號強度。
[0205]在一個具體的實施方式中，所述裝置進一步包括距離函數獲取單元，用于獲取所 述距離計算函數，具體采用如下方式：
[0206] 采集定位區(qū)域內不同位置處的無線接入點信息；
[0207] 建立所述位置與在該位置采集的無線接入點信息的關系，形成不同的位置數據；
[0208] 將所述位置數據兩兩分組，并去除重復分組，對每組所述位置數據進行特征提取， 并計算組內兩點間的距離，作為所提取的特征向量的標簽；
[0209 ]基于所述標簽與所述特征向量，形成特征數據；
[0210] 采用機器學習的方式，至少部分地基于所述特征數據，獲得距離計算函數。
[0211] 在一個具體的實施方式中，所述位置規(guī)劃單元依據所述距離計算單元得到的任意 兩終端之間的間距，構成數據集，并基于所述數據集建立終端間的距離矩陣；以及
[0212]對所述距離矩陣進行降維處理，獲得所述終端的規(guī)劃位置坐標。
[0213] 在一個具體的實施方式中，所述裝置進一步包括規(guī)劃位置評價單元，用于依據所 述規(guī)劃位置的坐標，及其對應的終端的實際位置坐標，求取所述待估計間距的終端間的平 均距離；
[0214] 基于所述平均距離，以及所述規(guī)劃位置的坐標中，最遠的兩位置間的坐標距離，獲 取所述規(guī)劃位置的評價參數。
[0215] 在一個具體的實施方式中，所述評價參數采用如下方式計算：
[0217]其中，Dmax為所述規(guī)劃位置的坐標中，最遠的兩位置間的坐標距離;所述平 均距離；
[0218] i3MDS越接近于0,則所述規(guī)劃位置與真實位置的擬合性越好。
[0219] 實施例5:
[0220]為進一步對本發(fā)明的優(yōu)化的技術方案進行解釋，在本實施例中，結合一具體的例 子，來說明本發(fā)明技術方案的應用過程及效果。
[0221]本實施例所用數據來自上海某商業(yè)區(qū)某購物中心一層的Wi-Fi數據，總采集面積 114233像素平方(約12600平方米），共1367個數據點。數據采集路徑如圖4所示，圖中用黑色 線路標記采集路徑。實驗中的終端距離計算部分的實驗數據由原始指紋數據經特征提取及 數據預處理過程計算得到，實驗中的距離單位為像素(px)，SVR實驗采用留一法進行驗證。
[0222] 本實施例從采集區(qū)域內選取了 7個子區(qū)域進行具體實驗，實驗概況如下表所示：
[0223]
[0224] 大型購物廣場等公共場所基本以行人通道(直線型）、店面(矩形）、及大廳（區(qū)域 型)等模塊構成，本實施例以上述7組實驗中的實驗1為代表進行具體實驗分析。
[0225] 實驗1:該實驗選擇直線型采集區(qū)域，共采集Wi-Fi數據指紋數據50個，訓練數據45 個，測試數據5個，采集點分布如圖5所示。
[0226] 經過SVR訓練與回歸，5個測試點的預測結果對比如圖6所示，實驗1中SVR回歸結果 Ppearson = 0.93 2，ErrorMean = 4.578(px)，直線型區(qū)域回歸結果較好，平均誤差比例小于5 %。
[0227] 將5個點的距離預測結果采用多維尺度分析進行降維，位置規(guī)劃結果如圖7所示， ft?s = 0.070,實驗規(guī)劃結果在直線型區(qū)域效果良好。
[0228] 由以上實驗結果對比分析可得，隨采樣點分布區(qū)域面積增大，支持向量回歸與多 維尺度分析的降維效果均有下降，但SVR的預測結果與MDS的規(guī)劃結果相比，保持了更好的 穩(wěn)定性與準確性，SVR步驟與MDS步驟之間存在累積誤差。
[0229] 同時，本實施例表明，在100平方米的規(guī)劃范圍內，終端距離的計算結果與實際距 離相關性大于90%，誤差小于10%;相位位置規(guī)劃結果準確率大于80%。在300平方米的范 圍內，終端距離的計算結果與實際距離相關性大于85%，誤差小于20% ;終端位置規(guī)劃方法 可達到70 %以上的計算精度。經驗證，本發(fā)明提出的基于Wi-Fi信號特征的移動終端距離計 算及位置規(guī)劃方法整體效果良好。與其他的室內定位方法相比，該方法計算速度快且預測 結果不受采集點位置的限制，在近場區(qū)域中具有很強的可用性。
[0230] 本領域普通技術人員可以理解實現上述實施例方法中的全部或部分流程，是可以 通過計算機程序來指令相關的硬件來完成，所述的程序可存儲于一計算機可讀取存儲介質 中，該程序在執(zhí)行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質可為磁 碟、光盤、只讀存儲記憶體（Read-Only Memory，ROM)或隨機存儲記憶體(Random Access Memory，RAM)等。
[0231] 以上所述，僅為本發(fā)明的【具體實施方式】，但本發(fā)明的保護范圍并不局限于此，任何 熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內，可輕易想到的變化或替換，都應 涵蓋在本發(fā)明的保護范圍之內。因此，本發(fā)明的保護范圍應以權利要求的保護范圍為準。
【主權項】
1. 一種估計終端間距的方法，其特征在于，包括： 獲取待估計間距的終端所采集到的無線接入點信息； 提取所述無線接入點信息的特征向量，依據距離計算函數，獲取所述待估計距離的終 端中，任意兩終端之間的間距； 所述無線接入點信息至少包括:無線接入點的MAC信息、接收信號強度； 所述距離計算函數由機器學習獲得。2. 根據權利要求1所述的方法，其特征在于，所述機器學習進一步包括： 采集定位區(qū)域內不同位置處的無線接入點信息； 建立所述位置與在該位置采集的無線接入點信息的關系，形成不同的位置數據； 將所述位置數據兩兩分組，并去除重復分組，對每組所述位置數據進行特征提取； 采用機器學習的方式，至少部分地基于提取的特征向量，獲得距離計算函數。3. 根據權利要求1或2所述的方法，其特征在于： 所述特征向量至少包括W下的一種:無線接入點數、相同無線接入點信號差、相同無線 接入點數量與總無線接入點數量的比值。4. 根據權利要求2所述的方法，其特征在于： 在對每組所述位置數據進行特征提取后，計算組內兩點間的距離，作為所提取的特征 向量的標簽； 基于所述標簽與所述特征向量，形成特征數據； 基于所述特征數據，獲得距離計算函數。5. 根據權利要求4所述的方法，其特征在于:在形成所述特征數據后，對所述特征數據 進行歸一化處理。6. 根據權利要求2所述的方法，其特征在于： 所述機器學習采用支持向量機模型，所述支持向量機核函數采用徑向基函數； 所述支持向量機模型采用支持向量回歸分類器； 所述機器學習過程采用梯度下降法尋找最佳回歸參數。7. -種近場終端位置規(guī)劃方法，其特征在于，包括： 獲取待估計間距的終端所采集到的無線接入點信息； 提取所述無線接入點信息的特征向量，依據距離計算函數，獲取所述待估計距離的終 端中，任意兩終端之間的間距； 依據所述間距，將所述待估計間距的終端轉化為二維位置分布，獲得所述終端的規(guī)劃 位置； 所述無線接入點信息至少包括:無線接入點的MAC信息、接收信號強度。8. 根據權利要求7所述的方法，其特征在于，所述距離計算函數采用如下方式獲得： 采集定位區(qū)域內不同位置處的無線接入點信息； 建立所述位置與在該位置采集的無線接入點信息的關系，形成不同的位置數據； 將所述位置數據兩兩分組，并去除重復分組，對每組所述位置數據進行特征提取，并計 算組內兩點間的距離，作為所提取的特征向量的標簽； 基于所述標簽與所述特征向量，形成特征數據； 采用機器學習的方式，至少部分地基于所述特征數據，獲得距離計算函數。9. 根據權利要求7所述的方法，其特征在于，所述獲得所述待估計間距的終端的規(guī)劃位 置，進一步包括： 依據所述任意兩終端之間的間距，構成數據集I，并基于所述數據集建立終端間的距離 矩陣，所述距離矩陣可表示為：其中，di,康示數據集中第巧日第j個變量的間距，i，jei，...，1。10. 根據權利要求9所述的方法，其特征在于，對所述距離矩陣進行特征值分解，具體方 法如下： 構建矩陣Χ、τ，令其中，X功護空間中第i個坐標點，Ν為空間維度，1《η《Ν; 對矩陣Τ進行矩陣分解：其中，U為特征向量，Λ為特征值矩陣； 令：完成對所述距離矩陣的降維處理。11. 根據權利要求7所述的方法，其特征在于： 依據所述規(guī)劃位置的坐標，及其對應的終端的實際位置坐標，求取所述待估計間距的 終端間的平均距離； 基于所述平均距離，W及所述規(guī)劃位置的坐標中，最遠的兩位置間的坐標距離，獲取所 述規(guī)劃位置的評價參數。12. 根據權利要求11所述的方法，其特征在于： 所述評價參數采用如下方式計算：其中，Dmax為所述規(guī)劃位置的坐標中，最遠的兩位置間的坐標距離;Dmean為所述平均距 離。 13 . -種可估計終端間距的終端，其特征在于，所述終端包括： 請求接收單元，用于發(fā)送和/或接收距離獲取請求； 無線接入點信息獲取單元，用于獲取所述終端自身所采集到的無線接入點信息，W及 接收其他終端發(fā)送的所采集的無線接入點信息； 距離獲取單元，用于將所述終端接收到所述其他端發(fā)送的終端信息后，提取所述終端 及其他終端的終端信息的特征向量，通過距離計算函數，獲取所述終端與所述其他終端的 相對距離； 所述無線接入點信息至少包括:無線接入點的MC信息、接收信號強度。14. 根據權利要求13所述的終端，其特征在于，所述特征向量至少包括W下的一種:無 線接入點數、相同無線接入點信號差、相同無線接入點與總無線接入點的比值。15. 根據權利要求13所述的終端，其特征在于:所述終端進一步包含存儲單元，用于存 儲所述距離計算函數。16. 根據權利要求13所述的終端，其特征在于:所述距離計算函數通過機器學習的方式 獲得； 所述機器學習包括： 采集定位區(qū)域內不同位置處的無線接入點信息； 建立所述位置與在該位置采集的無線接入點信息的關系，形成不同的位置數據； 將所述位置數據兩兩分組，并去除重復分組，對每組所述位置數據進行特征提?。?采用機器學習的方式，至少部分地基于提取的特征向量，獲得距離計算函數。17. 根據權利要求16所述的終端，其特征在于，在對每組所述位置數據進行特征提取 后，進一步包括： 計算組內兩點間的距離，作為所提取的特征向量的標簽； 基于所述標簽與所述特征向量，形成特征數據； 基于所述特征數據，獲得距離計算函數。18. 根據權利要求13所述的終端，其特征在于，所述終端進一步包括： 位置規(guī)劃單元，用于依據所述終端及所述其他終端中，任意兩終端之間的間距，獲得所 述終端的規(guī)劃位置； 所述規(guī)劃位置為二維空間中的位置。19. 根據權利要求18所述的終端，其特征在于:所述位置規(guī)劃單元進一步包括降維處理 單元，用于依據所述任意兩終端之間的間距，建立距離矩陣，并對所述距離矩陣進行降維處 理，得到所述規(guī)劃位置的坐標。20. 根據權利要求19所述的終端，其特征在于:所述降維處理采用特征值分解法。21. -種用于獲取終端規(guī)劃位置的裝置，其特征在于，所述裝置包括： 信息獲取單元，用于獲取待估計間距的終端所采集到的無線接入點信息； 特征提取單元，用于提取所述無線接入點信息的特征向量； 距離計算單元，用于依據距離計算函數，獲取所述待估計距離的終端中，任意兩終端之 間的間距； 位置規(guī)劃單元，用于依據所述距離計算單元計算得到的所述間距，獲得所述終端的規(guī) 劃位置;所述規(guī)劃位置為二維空間中的位置； 所述無線接入點信息至少包括:無線接入點的MC信息、接收信號強度。22. 根據權利要求21所述的裝置，其特征在于，所述裝置進一步包括距離函數獲取單 元，用于獲取所述距離計算函數，具體采用如下方式： 采集定位區(qū)域內不同位置處的無線接入點信息； 建立所述位置與在該位置采集的無線接入點信息的關系，形成不同的位置數據； 將所述位置數據兩兩分組，并去除重復分組，對每組所述位置數據進行特征提取，并計 算組內兩點間的距離，作為所提取的特征向量的標簽； 基于所述標簽與所述特征向量，形成特征數據； 采用機器學習的方式，至少部分地基于所述特征數據，獲得距離計算函數。23. 根據權利要求21所述的裝置，其特征在于:所述位置規(guī)劃單元依據所述距離計算單 元得到的任意兩終端之間的間距，構成數據集，并基于所述數據集建立終端間的距離矩陣； W及 對所述距離矩陣進行降維處理，獲得所述終端的規(guī)劃位置坐標。24. 根據權利要求21所述的裝置，其特征在于：所述裝置進一步包括規(guī)劃位置評價單 元，用于依據所述規(guī)劃位置的坐標，及其對應的終端的實際位置坐標，求取所述待估計間距 的終端間的平均距離； 基于所述平均距離，W及所述規(guī)劃位置的坐標中，最遠的兩位置間的坐標距離，獲取所 述規(guī)劃位置的評價參數。25. 根據權利要求24所述的裝置，其特征在于： 所述評價參數采用如下方式計算：其中，Dmax為所述規(guī)劃位置的坐標中，最遠的兩位置間的坐標距離;Dmean為所述平均距 離； 0MDS越接近于0,則所述規(guī)劃位置與真實位置的擬合性越好。
【文檔編號】G01S1/08GK106093844SQ201610395410
【公開日】2016年11月9日
【申請日】2016年6月6日 公開號201610395410.X, CN 106093844 A, CN 106093844A, CN 201610395410, CN-A-106093844, CN106093844 A, CN106093844A, CN201610395410, CN201610395410.X
【發(fā)明人】劉軍發(fā), 付先凱
【申請人】中科勁點（北京）科技有限公司