一種WiFi室內(nèi)定位中概率型指紋匹配方法
【專利摘要】本發(fā)明提供一種WiFi室內(nèi)定位中概率型指紋匹配方法，它是一種基于感知概率和核密度估計(jì)的概率型室內(nèi)定位方法，有五大步驟。具體說是一種將感知概率和無參數(shù)核密度估計(jì)技術(shù)引入到最大似然概率中的方法。該方法能夠通過核密度估計(jì)方法更準(zhǔn)確表征復(fù)雜射頻信號的分布特征，從而降低定位誤差，獲得較好的定位精度。
【專利說明】一種WiFi室內(nèi)定位中概率型指紋匹配方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明提供一種WiFi室內(nèi)定位中概率型指紋匹配方法，具體說是一種將感知概 率和無參數(shù)核密度估計(jì)技術(shù)引入到最大似然概率中的方法。該方法能夠通過核密度估計(jì)方 法準(zhǔn)確表征復(fù)雜射頻信號的分布特征，獲得較好的定位精度，屬于WiFi室內(nèi)定位及無線傳 輸和導(dǎo)航【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002] 隨著現(xiàn)代定位和導(dǎo)航技術(shù)的發(fā)展，各種基于位置的服務(wù)日益成為智能生活中重要 的組成部分，全球衛(wèi)星導(dǎo)航系統(tǒng)（GNSS)為人們提供了高精度、全天候的定位服務(wù)，但是由 于其測量信號不能穿透建筑物的特點(diǎn)，在高密集建筑群區(qū)和室內(nèi)無法有效進(jìn)行定位服務(wù)， 因此為了在室內(nèi)獲得有效的定位服務(wù)，室內(nèi)定位系統(tǒng)得到了很快的發(fā)展。
[0003] 基于指紋匹配的室內(nèi)定位技術(shù)通常工作在兩個階段：離線訓(xùn)練階段和在線定位 階段。在離線訓(xùn)練階段，目標(biāo)區(qū)域中所有參考點(diǎn)接收到的來自可用接入點(diǎn)的信號強(qiáng)度信息 形成指紋數(shù)據(jù)庫。在線定位階段，將實(shí)時采集的接收信號強(qiáng)度（RSSI)與指紋數(shù)據(jù)庫中的指 紋進(jìn)行匹配，從而得到定位設(shè)備的位置信息。
[0004] 概率型算法把實(shí)測RSSI與指紋庫中指紋的匹配過程看成概率估計(jì)問題，基于 RSSI信號的統(tǒng)計(jì)特性，建立室內(nèi)環(huán)境中射頻信號的概率分布模型，解決了復(fù)雜環(huán)境下RSSI 值的不確定性。常用的基于概率型算法為最大似然算法（ML)，基于貝葉斯框架理論，將后驗(yàn) 概率轉(zhuǎn)化為似然概率問題，匹配最大的似然概率，得到估計(jì)位置信息。
[0005] 核密度估計(jì)方法不利用有關(guān)數(shù)據(jù)分布的先驗(yàn)知識，對數(shù)據(jù)分布不附加任何假定， 是一種從數(shù)據(jù)樣本本身出發(fā)研宄數(shù)據(jù)分布特征的方法，可以更準(zhǔn)確的表征復(fù)雜信號的分 布，從而提高定位精度。核函數(shù)的核寬參數(shù)反映了單個樣本對總體密度分布所做"貢獻(xiàn)"的 影響范圍。在一定時間內(nèi)采樣的樣本變化范圍是有限的，且每個值都有參與計(jì)算的可能。樣 本值的變化范圍越大說明每個樣本應(yīng)該在更大的范圍內(nèi)對總體密度分布有貢獻(xiàn)，這時，核 函數(shù)應(yīng)該有較大的核寬；相反，樣本值的變化范圍越小，說明每個樣本對總體密度分布的貢 獻(xiàn)相對集中，核函數(shù)應(yīng)該具有較小的核寬。因此，用核密度估計(jì)算法進(jìn)行更新時，選擇合適 的核寬參數(shù)是非常重要的。
[0006] 基于指紋匹配的概率型室內(nèi)定位方法中似然概率的計(jì)算是關(guān)鍵的步驟，本發(fā)明通 過對WiFi定位技術(shù)和核密度估計(jì)技術(shù)的研宄，提出了一種基于感知概率和核密度估計(jì)的 概率型室內(nèi)定位方法。


【發(fā)明內(nèi)容】

[0007]本發(fā)明的目的在于：提供一種WiFi室內(nèi)定位中概率型指紋匹配方法，它是一種修 正的基于指紋匹配的概率型室內(nèi)定位方法，利用無參數(shù)的核密度估計(jì)技術(shù)計(jì)算似然概率， 并與參考點(diǎn)的感知概率相融合，以消除傳統(tǒng)直方圖統(tǒng)計(jì)方法計(jì)算的不連續(xù)性，提高系統(tǒng)的 定位精度。
[0008] 本發(fā)明的技術(shù)方案：
[0009] 本發(fā)明提出了一種WiFi室內(nèi)定位中概率型指紋匹配方法。概率型室內(nèi)定位方法 主要是將基于概率定位模型，把測得信號與位置指紋數(shù)據(jù)庫信息的匹配看成是一個概率估 計(jì)問題。將后驗(yàn)概率問題轉(zhuǎn)化為似然概率問題，利用每個位置先驗(yàn)RSSI統(tǒng)計(jì)特性信息，在 某些情況下還可以利用定位目標(biāo)的歷史狀態(tài)信息和環(huán)境布局信息，以較大的計(jì)算復(fù)雜度為 代價，獲得比基于決策定位技術(shù)更高的定位精度。
[0010] 本發(fā)明提出的WiFi室內(nèi)定位中概率型指紋匹配方法的主要特征在于：將感知概 率和核密度估計(jì)技術(shù)融入到概率型室內(nèi)定位算法中，感知概率在一定程度上反映了信號的 分布特性，采用無參數(shù)核密度估計(jì)技術(shù)計(jì)算似然概率，結(jié)合感知概率，將感知似然概率作為 定位標(biāo)準(zhǔn)以提尚定位精度。
[0011] 基于非參數(shù)模型的核密度估計(jì)方法，不需要事先給出具體的分布模型，也不需要 進(jìn)行參數(shù)估計(jì)就可以對系統(tǒng)進(jìn)行建模。由于傳統(tǒng)的直方圖模型通過統(tǒng)計(jì)不同分組區(qū)間的樣 本數(shù)目計(jì)算似然概率值，分組區(qū)間的設(shè)置將導(dǎo)致計(jì)算的似然概率值不連續(xù)，所以采用核密 度估計(jì)計(jì)算似然函數(shù)值。由于核密度估計(jì)方法的無參數(shù)特性，以及核函數(shù)的連續(xù)性，更適合 于復(fù)雜室內(nèi)環(huán)境下的射頻信號分布。
[0012] 本發(fā)明一種WiFi室內(nèi)定位中概率型指紋匹配方法，包括以下幾個步驟：
[0013] 步驟一：離線階段在測試區(qū)域采集數(shù)據(jù)，建立指紋數(shù)據(jù)庫，用于在線階段匹配計(jì) 算。其中，在采集數(shù)據(jù)之前，首先對測試區(qū)域進(jìn)行勘測，確定參考點(diǎn)的位置，其次在各個參考 點(diǎn)采集一定數(shù)目的樣本信息，構(gòu)建指紋數(shù)據(jù)庫。
[0014] 步驟二：根據(jù)參考點(diǎn)訓(xùn)練樣本信息，求得各個參考點(diǎn)RP相對接入點(diǎn)的感知概率。 其中，如果在測試位置處的AP信號強(qiáng)度小于采樣設(shè)備可以感知到的最小信號強(qiáng)度，表示設(shè) 備不能夠感知到AP信號，用一個固定的信號強(qiáng)度代替不能感知到的信號強(qiáng)度信息。因此把 AP信號采集可以看成一個伯努利過程，對特定RP，每次采樣可以獲得一個二進(jìn)制序列B= (b"b2，…bj，…，bn)，其中b# (〇, 1)。感知概率定義為：參考點(diǎn)感知到的AP次數(shù)與總的訓(xùn) 練樣本數(shù)之比。第i個RP對第j個AP的感知概率計(jì)算如下：

【權(quán)利要求】
1. 一種WiFi室內(nèi)定位中概率型指紋匹配方法，其特征在于：它包括以下步驟： 步驟一：離線階段在測試區(qū)域采集數(shù)據(jù)，建立指紋數(shù)據(jù)庫，用于在線階段匹配計(jì)算；其 中，在采集數(shù)據(jù)之前，首先對測試區(qū)域進(jìn)行勘測，確定參考點(diǎn)的位置，其次在各個參考點(diǎn)采 集一定數(shù)目的樣本信息，構(gòu)建指紋數(shù)據(jù)庫； 步驟二：根據(jù)參考點(diǎn)訓(xùn)練樣本信息，求得各個參考點(diǎn)RP相對接入點(diǎn)的感知概率；其中， 如果在測試位置處的AP信號強(qiáng)度小于采樣設(shè)備感知到的最小信號強(qiáng)度，表示設(shè)備不能夠 感知到AP信號，用一個固定的信號強(qiáng)度代替不能感知到的信號強(qiáng)度信息，因此把AP信號采 集看成一個伯努利過程，對特定RP，每次采樣獲得一個二進(jìn)制序列B= (Id1,b2，…bj,…，bn)， 其中bjG(〇, 1);感知概率定義為：參考點(diǎn)感知到的AP次數(shù)與總的訓(xùn)練樣本數(shù)之比；第i個 RP對第j個AP的感知概率計(jì)算如下：
其中，為參考點(diǎn)位置，IftO為第i個RP可以感知到的第j個AP的次數(shù)，N(11Oi)為總的訓(xùn)練樣本數(shù)； 步驟三：把實(shí)測RSSI與指紋庫中指紋的匹配，采用核密度估計(jì)方法求得第i個RP對第j個AP的匹配似然概率P(RSS^ ? ); 首先根據(jù)貝葉斯定理，將最大后驗(yàn)概率問題轉(zhuǎn)化為最大似然概率問題，貝葉斯定理表 達(dá)式為：
其中，P(Oi)為對應(yīng)參考點(diǎn)位置的概率，在不考慮定位歷史信息的情況下P(Oi)為常 量，P(RSS)為常量；P(RSS|Wi)為參考點(diǎn)Wi的似然概率，因此將最大后驗(yàn)概率問題轉(zhuǎn)化為 最大似然概率問題，即： P(RSS|Qi) >P(RSS|Oj.)i，j=i，2，...，m，j乒i 各個AP之間是相互獨(dú)立，因此得到似然概率的表達(dá)式：
其中，P(RSS^ ?J為第i個RP對第j個AP的匹配似然概率，求匹配似然概率的計(jì)算 步驟如下：
其中，&z?為第j個AP的實(shí)時接收信號強(qiáng)度為x時的似然概率，K( ?)是核方程，h 為核寬參數(shù)，Xk(l<k<N)為訓(xùn)練數(shù)據(jù)庫中的第k個值； 3) 最優(yōu)化核寬參數(shù)h;
4. Sk為設(shè)備接收到的第k個AP的實(shí)時信號強(qiáng)度，求得匹配似然概率為 其中，在核密度估計(jì)方法中，由于核寬參數(shù)h的取值對基于訓(xùn)練樣本的核密度估計(jì)曲 線的平滑性有較大的影響，h越小，核密度估計(jì)曲線不光滑，雖然能更好地反映每個訓(xùn)練樣 本包含的信息，但密度估計(jì)偏向于把概率密度分配得太局限于觀測數(shù)據(jù)附近，致使估計(jì)密 度函數(shù)有很多錯誤的峰值；相反地，如果h越大，核密度估計(jì)曲線越光滑，但密度估計(jì)就把 概率密度貢獻(xiàn)散得太開，也將導(dǎo)致樣本數(shù)據(jù)中包含的部分重要特征丟失，所以需要對h進(jìn) 行優(yōu)化選擇，采用最小化均方誤差來實(shí)現(xiàn)h的優(yōu)化步驟如下： 1)假設(shè)真實(shí)核方程為f，則核密度估計(jì)方程/與真實(shí)核方程之間的積分均方誤差為：
3)假定核方程K(U)連續(xù)，真實(shí)核密度方程f?有界，且二次導(dǎo)數(shù)連續(xù)，定義兩個常數(shù)a和0，其中a= =/ {K(t)}2dt，根據(jù)泰勒展開式，MiSE展開為如下方程：
其中，n為AP數(shù)目，6為所有AP的方差均值； 步驟四：根據(jù)感知概率和匹配似然概率，計(jì)算感知似然概率P'（RSS|Qi); 首先，用一個特定值C代替未能感知到的信號強(qiáng)度，求得第i個RP對第j個AP的感知 似然概率P'（RSS^ ?J，計(jì)算方程如下：
步驟五：通過最大似然概率（ML)方法，求得測量位置的坐標(biāo)； 測量位置的坐標(biāo)的計(jì)算步驟如下： 1) 通過ML方法，求得感知似然概率最大的參考點(diǎn)的序號為：
2) 設(shè)參考點(diǎn)序號為t的坐標(biāo)為（xt，yt)，可求得測量位置的估計(jì)坐標(biāo)為：
【文檔編號】H04W4/04GK104507050SQ201410680673
【公開日】2015年4月8日 申請日期:2014年11月24日 優(yōu)先權(quán)日:2014年11月24日
【發(fā)明者】修春娣, 楊萌, 楊東凱, 劉源, 羅智勇 申請人:北京航空航天大學(xué)