基于分布式ap選擇策略的室內(nèi)定位方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種室內(nèi)定位方法，具體地涉及一種基于分布式AP選擇策略的WIFI 的室內(nèi)定位方法。
【背景技術(shù)】
[0002] 室內(nèi)定位是一種用于獲取室內(nèi)目標(biāo)物體位置信息的技術(shù)，在民用和軍用領(lǐng)域 具有廣泛的應(yīng)用前景。常見的定位算法主要基于接收信號(hào)強(qiáng)度指示（Received Signal Strength Indication, RSSI)、到達(dá)時(shí)間（Time of Arrival, TOA)、到達(dá)時(shí)間差（Time Difference of Arrival, TDOA)、到達(dá)角度（Angle of Arrival, AOA)等技術(shù)。其中，基于 RSSI的定位算法具有低功耗，低成本且易實(shí)現(xiàn)的優(yōu)點(diǎn)，被廣泛應(yīng)用于無線室內(nèi)定位。
[0003] 使用RSSI的定位算法通常分為：基于信號(hào)傳播模型的定位算法和基于指紋模型 的定位算法。傳統(tǒng)的基于信號(hào)傳播模型的定位算法主要通過獲取大量的樣本數(shù)據(jù)，利用傳 統(tǒng)路徑損耗模型建立接收信號(hào)強(qiáng)度指示（RSSI)和節(jié)點(diǎn)間距離的函數(shù)關(guān)系，然后估計(jì)出目 標(biāo)的位置信息。由于無線信號(hào)在傳播過程中較易受室內(nèi)環(huán)境變化的影響，導(dǎo)致RSSI值具有 明顯的波動(dòng)性，同時(shí)傳統(tǒng)路徑損耗模型中路徑衰減指數(shù)以及環(huán)境因子難以確定，這些因素 將影響模型的測(cè)距精度，進(jìn)而導(dǎo)致定位誤差增大。
[0004] 基于指紋模型的定位算法是在大量實(shí)際樣本數(shù)據(jù)的基礎(chǔ)上根據(jù)統(tǒng)計(jì)分析方法建 立定位模型，其中學(xué)習(xí)模型作為統(tǒng)計(jì)分析方法的一種被廣泛用于訓(xùn)練定位預(yù)測(cè)模型，最后 用該定位預(yù)測(cè)模型對(duì)目標(biāo)位置進(jìn)行預(yù)測(cè)。該方法的實(shí)質(zhì)是將一組無線信號(hào)強(qiáng)度與目標(biāo)位置 建立映射關(guān)系。Zhou等人采用人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN)作為學(xué)習(xí) 預(yù)測(cè)工具，并融合區(qū)域劃分技術(shù)對(duì)目標(biāo)位置進(jìn)行預(yù)測(cè)，取得了較優(yōu)的定位預(yù)測(cè)效果。桑楠等 人將RSSI與位置信息建立非線性關(guān)系，利用支持向量機(jī)（Support Vector Machine, SVM) 學(xué)習(xí)并預(yù)測(cè)位置信息，有效地降低定位誤差。
[0005] 其中基于指紋模型的定位算法具有定位精度高，充分利用現(xiàn)有設(shè)施，升級(jí)和維護(hù) 對(duì)用戶影響小等優(yōu)點(diǎn)，得到了廣泛應(yīng)用，位置指紋定位算法主要分為離線測(cè)量階段和在線 定位階段兩個(gè)步驟。
[0006] 在具有大量AP節(jié)點(diǎn)部署的無線網(wǎng)絡(luò)中，為了獲得目標(biāo)位置，上述方法所處理的 數(shù)據(jù)都是高維向量（AP節(jié)點(diǎn)的個(gè)數(shù)）。同時(shí)，由于物體的遮擋以及節(jié)點(diǎn)故障等因素，導(dǎo)致將 所有AP節(jié)點(diǎn)作為特征輸入的定位效果并不一定最優(yōu)，冗余的AP節(jié)點(diǎn)增加了位置估計(jì)的難 度，容易造成過度擬合的問題，并增加了時(shí)間和空間的復(fù)雜度。針對(duì)該問題，采用合適的選 擇機(jī)制篩選AP節(jié)點(diǎn)，獲得較優(yōu)的AP節(jié)點(diǎn)作為特征輸入，既達(dá)到降維的作用，又提高了定位 精度。傳統(tǒng)方法通常根據(jù)接收的某一 AP的平均信號(hào)強(qiáng)度來判斷AP的定位能力，信號(hào)強(qiáng)度 均值越大，則認(rèn)為該AP的定位能力越強(qiáng)。實(shí)際中發(fā)現(xiàn)，這種AP選擇方法是不正確的，如一 個(gè)AP在定位區(qū)域內(nèi)各處的信號(hào)強(qiáng)度都比較大但其波動(dòng)較小，雖然該AP信號(hào)強(qiáng)度平均值很 大，但是定位能力較弱。同時(shí)傳統(tǒng)方法并沒有考慮到某AP對(duì)于定位環(huán)境中不同的位置有不 同的定位貢獻(xiàn)，比如一個(gè)AP可能對(duì)某一區(qū)域定位能力很好，但對(duì)其他區(qū)域定位能力較差。

【發(fā)明內(nèi)容】

[0007] 為了解決上述技術(shù)問題，本發(fā)明目的是：提供一種基于分布式AP選擇策略的室內(nèi) 定位方法，可以避免較大噪聲以及位置分辨能力弱的AP節(jié)點(diǎn)的影響，同時(shí)減少定位所需的 運(yùn)算時(shí)間并提尚定位精度。
[0008] 本發(fā)明的技術(shù)方案是：
[0009] 一種基于分布式AP選擇策略的室內(nèi)定位方法，包括以下步驟：
[0010] SOl :在室內(nèi)環(huán)境布置D個(gè)AP節(jié)點(diǎn)，保證室內(nèi)環(huán)境中任意位置點(diǎn)被三個(gè)或三個(gè)以上 的AP節(jié)點(diǎn)發(fā)出的信號(hào)覆蓋，同時(shí)將該目標(biāo)區(qū)域劃分為N個(gè)小區(qū)域，以小區(qū)域中心為信號(hào)強(qiáng) 度采集點(diǎn)，共N個(gè)參考點(diǎn)，用于離線階段采集樣本數(shù)據(jù)；
[0011] S02 :對(duì)目標(biāo)區(qū)域建立二維直角坐標(biāo)系，獲得N個(gè)參考點(diǎn)的坐標(biāo)位置，并在每個(gè)參 考點(diǎn)上利用移動(dòng)設(shè)備采集k次AP節(jié)點(diǎn)的信號(hào)強(qiáng)度，并對(duì)數(shù)據(jù)進(jìn)行處理；
[0012] S03:將目標(biāo)區(qū)域利用等面積的方法劃分為m個(gè)子區(qū)域，將不同子區(qū)域的指紋信息 進(jìn)行分類，利用指紋信息庫訓(xùn)練分區(qū)域模塊，根據(jù)RSS指紋信息選擇對(duì)應(yīng)的子區(qū)域；
[0013] S04 :計(jì)算每個(gè)AP節(jié)點(diǎn)與各個(gè)子區(qū)域的相關(guān)性，并將相關(guān)性系數(shù)排序，選擇相關(guān)性 系數(shù)大于PJ^AP節(jié)點(diǎn)，作為該子區(qū)域的定位節(jié)點(diǎn)，其中，P τ表示相關(guān)性系數(shù)的閾值；
[0014] S05 :在每個(gè)子區(qū)域中，利用選取的定位節(jié)點(diǎn)作為DBN模型的輸入，對(duì)應(yīng)的位置點(diǎn) 作為DBN模型的輸出，訓(xùn)練DBN模型，構(gòu)建定位預(yù)測(cè)模型；
[0015] S06 :在線預(yù)測(cè)階段，獲取移動(dòng)設(shè)備接收的RSS指紋信息并作為分區(qū)域模塊的輸入 向量，分區(qū)域模塊的輸出向量為該RSS指紋信息所屬的子區(qū)域；
[0016] S07 :利用步驟S06中獲取的子區(qū)域?qū)?yīng)的AP節(jié)點(diǎn)的信號(hào)強(qiáng)度作為DBN模型的輸 入向量，利用已訓(xùn)練的DBN模型獲取目標(biāo)的位置。
[0017] 優(yōu)選的，所述步驟S02具體包括如下步驟：
[0018] S21 :在每個(gè)參考點(diǎn)接收每一個(gè)AP節(jié)點(diǎn)的信號(hào)強(qiáng)度RSS值，構(gòu)成D維信號(hào)向量 !?義每個(gè)參考點(diǎn)采集k次信號(hào)強(qiáng)度值，構(gòu)成了 k*D的信號(hào)強(qiáng)度矩陣，其矩陣的第i行第j 列表示第i次采集中接收第j個(gè)AP節(jié)點(diǎn)的信號(hào)強(qiáng)度RSS值；i為小于或等于k的正整數(shù)；j 為小于或等于D的正整數(shù)；
[0019] RSSd= (rss η rss2, rss3,…，rsSj,…，rssD) (I)
[0020] 式中：rSSje [-100, 0]表示參考點(diǎn)處接收到第j個(gè)AP節(jié)點(diǎn)的信號(hào)強(qiáng)度。
[0021] S22 :構(gòu)建指紋數(shù)據(jù)庫，訓(xùn)練數(shù)據(jù)集中包含N條記錄，每條記錄表示為向量r，向量 中包含可用AP節(jié)點(diǎn)的信號(hào)強(qiáng)度和采樣點(diǎn)的位置：
[0022] r= (RSS1jL1) = Crss1, rss2, rss3, ··· rssD, L1) (2)
[0023] 式中：RSS1表示第i次采集中接收的RSS集合，D表示AP節(jié)點(diǎn)的個(gè)數(shù)，L 1表示對(duì)應(yīng) 于RSSd向量的位置標(biāo)簽。
[0024] 優(yōu)選的，所述步驟S03具體包括以下步驟：
[0025] S31 :將定位區(qū)域S劃分為m個(gè)子區(qū)域，子區(qū)域定義如下所示：
[0027] 式中：c表示第c個(gè)子區(qū)域，k表示該子區(qū)域中位置點(diǎn)的個(gè)數(shù)，R。表示第c個(gè)子區(qū) 域中參考位置點(diǎn)集合；表示第c個(gè)子區(qū)域中第k個(gè)位置點(diǎn)的信息；
[0028] S32 :將指紋數(shù)據(jù)庫中信號(hào)強(qiáng)度根據(jù)不同的子區(qū)域進(jìn)行分類，建立子區(qū)域與信號(hào)強(qiáng) 度的記錄信息表。
[0029] S33 :構(gòu)建分區(qū)域模塊，確定BP神經(jīng)網(wǎng)絡(luò)模型并根據(jù)子區(qū)域標(biāo)識(shí)與信號(hào)強(qiáng)度的記 錄信息訓(xùn)練建立的BP神經(jīng)網(wǎng)絡(luò)，以信號(hào)強(qiáng)度RSSI作為輸入，對(duì)應(yīng)的子區(qū)域標(biāo)識(shí)area作為 輸出訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，并在訓(xùn)練中修改BP神經(jīng)網(wǎng)絡(luò)的參數(shù)使其反映 RSSI-area的關(guān)系；
[0030] S34:用實(shí)際接收的信號(hào)強(qiáng)度值RSSI與對(duì)應(yīng)的子區(qū)域標(biāo)識(shí)area去反復(fù)訓(xùn)練并驗(yàn)證 所建立的BP神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練完的BP神經(jīng)網(wǎng)絡(luò)封裝成一個(gè)固定的函數(shù)，該函數(shù)輸入為接收 信號(hào)強(qiáng)度RSSI，輸出即為對(duì)應(yīng)的子區(qū)域標(biāo)識(shí)。
[0031] 優(yōu)選的，所述BP神經(jīng)網(wǎng)絡(luò)為五層神經(jīng)網(wǎng)絡(luò)，隱含層的層數(shù)為2層，輸入層的節(jié)點(diǎn)數(shù) 目為D，輸出層的節(jié)點(diǎn)數(shù)目為1，隱含層的節(jié)點(diǎn)數(shù)目分別為6,4,即采用D :6:4:1的BP神經(jīng) 網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練函數(shù)為traincgf算法，訓(xùn)練次數(shù)和目標(biāo)誤差分別設(shè)置為100和0. 00004。
[0032] 優(yōu)選的，所述步驟S04具體包括以下步驟：
[0033] S41 :在該子區(qū)域中，掃描區(qū)域中k個(gè)位置點(diǎn)上第j個(gè)AP節(jié)點(diǎn)的信號(hào)，該AP節(jié)點(diǎn)在 此子區(qū)域的相關(guān)性系數(shù)定義如下：
[0035] 式中：P,表示第j個(gè)AP節(jié)點(diǎn)與該子區(qū)域的相關(guān)性，X i表示第i個(gè)位置點(diǎn)的X軸坐 標(biāo)，X表示該區(qū)域中k個(gè)位置點(diǎn)的X軸坐標(biāo)的均值，Yi表示第i個(gè)位置點(diǎn)的Y軸坐標(biāo)，y表 示該區(qū)域中k個(gè)位置點(diǎn)的Y軸坐標(biāo)的均值，rss_ji表示第i個(gè)位置點(diǎn)接收到第j個(gè)AP節(jié)點(diǎn) 的信號(hào)強(qiáng)度的均值，r SS]表示k個(gè)位置點(diǎn)接收的第j個(gè)AP節(jié)點(diǎn)的信號(hào)強(qiáng)度均值，k表示該 子區(qū)域中位置點(diǎn)的個(gè)數(shù)，D表示定位區(qū)域中AP節(jié)點(diǎn)的個(gè)數(shù)；
[0036] S42 :在每個(gè)子區(qū)域中，D個(gè)AP節(jié)點(diǎn)的相關(guān)性系數(shù)向量表示為：
[0037] P(AP) = [P1jP2i-^jPd] (5)
[0038] 若PfP1表示第j個(gè)AP節(jié)點(diǎn)與該子區(qū)域相關(guān)，反之則不相關(guān)，P ^表示相關(guān)性系數(shù) 的閾值。
[0039] 優(yōu)選的，所述步驟S05具體包括以下步驟：
[0040] S51 :在指紋數(shù)據(jù)庫中獲取該子區(qū)域中所有位置點(diǎn)信息以及對(duì)應(yīng)的AP節(jié)點(diǎn)的信號(hào) 強(qiáng)度，作為該子區(qū)域的訓(xùn)練數(shù)據(jù)集；
[0041] S52 :確定DBN模型并用該子區(qū)域的訓(xùn)練數(shù)據(jù)集去訓(xùn)練并建立DBN模型，以接 收的對(duì)應(yīng)AP節(jié)點(diǎn)的信號(hào)強(qiáng)度RSSI作為輸入，對(duì)應(yīng)的位置點(diǎn)Location作為輸出去訓(xùn)練 所建立的DBN模型，并在訓(xùn)練中修改DBN模型的參數(shù)，使最終的定位模型能正確反映 RSSI-Location 的關(guān)系；
[0042] S53 :用實(shí)際接收的對(duì)應(yīng)AP節(jié)點(diǎn)的信號(hào)強(qiáng)度值RSSI與對(duì)應(yīng)的位置點(diǎn)Location去 反復(fù)訓(xùn)練并驗(yàn)證所建立的DBN模型；通過可見層和隱含層之間的能量函數(shù)來調(diào)整神經(jīng)元之 間的權(quán)值，最后通過反向傳播算法來微調(diào)網(wǎng)絡(luò)間的權(quán)值。
[0043] 優(yōu)選的，所述DBN模型為5層網(wǎng)絡(luò)，其中隱含層的層數(shù)為