本發(fā)明涉及一種定位方法，具體地說，是涉及一種WiFi指紋室內(nèi)定位方法。
背景技術(shù)：
：針對室內(nèi)定位系統(tǒng)的研究，已經(jīng)有典型的室內(nèi)定位系統(tǒng)如RADAT系統(tǒng)、HORUS系統(tǒng)、LANDMARC系統(tǒng)等。RADAR室內(nèi)定位系統(tǒng)是基于RSSI(ReceivedSignalStrengthIndication)室內(nèi)傳播模型的方法，通過分析室內(nèi)采樣點與RSSI的相關(guān)性，引入墻壁帶來的衰減，并通過線性回歸的方法估計出衰減因子，用于補償室內(nèi)傳播損耗模型。通過這個補償模型，計算RSSI接收器與發(fā)射器之間的角度，結(jié)合三角定位算法定位出接收器的位置。HORUS無線定位系統(tǒng)，包括分簇模塊、離散空間估計模塊、相關(guān)及處理模塊、連續(xù)空間估計器。HORUS系統(tǒng)具有高于RADAR系統(tǒng)的定位精度，但是由于結(jié)構(gòu)復(fù)雜，處理模塊較多，定位系統(tǒng)的計算復(fù)雜度較大。LANDMARC定位系統(tǒng)是基于主動RFID校驗的動態(tài)定位識別系統(tǒng)，它采用定位參考標簽來輔助定位，這些參考標簽充當系統(tǒng)的定位參考點。目前的WiFi指紋定位算法有兩大階段，數(shù)據(jù)庫建立和定位階段。在位置估計過程中，現(xiàn)在使用的最近鄰算法，將實測指紋與指紋庫中相似度最大的指紋作為定位結(jié)果，算法比較簡單，但是由于參考的位置單一，沒有排除無關(guān)項的干擾，存在很多的噪音，會對位置指紋的匹配造成極大誤差影響。技術(shù)實現(xiàn)要素：本發(fā)明為了解決現(xiàn)有WiFi指紋室內(nèi)定位使用的最近鄰算法，將實測指紋與指紋庫中相似度最大的指紋作為定位結(jié)果，算法比較簡單，但是由于參考的位置單一，沒有排除無關(guān)項的干擾，存在很多的噪音，會對位置指紋的匹配造成極大誤差影響的問題，提出了一種WiFi指紋室內(nèi)定位方法，可以解決上述問題。為了解決上述技術(shù)問題，本發(fā)明采用以下技術(shù)方案予以實現(xiàn)：一種WiFi指紋室內(nèi)定位方法，包括以下步驟：離線處理步驟，包括：(11)、劃定定位區(qū)域，并且在定位區(qū)域內(nèi)布設(shè)n個WiFi發(fā)射裝置，在所述定位區(qū)域內(nèi)選定L個采樣點，計算各采樣點所接收到的所述n個WiFi發(fā)射裝置發(fā)射信號的強度RSSI，在每個采樣點可以觀測到n個RSSI值(rssi1,rssi2,...，rssin)，并將該n個RSSI值作為該采樣點的指紋，采樣點的位置坐標為(x，y)，每一個指紋與其采樣點的位置一一對應(yīng)，建立所述L個采樣點的位置指紋庫LFDB：LFDB=x1,y1,rssi11,rssi12,...,rssi1nx2,y2,rssi21,rssi22,...,rssi2n......xL,yL,rssiL1,rssiL2,...,rssiLnL×(n+2);]]>(12)、將所述位置指紋庫LFDB進行k-mean聚類，以歐式距離作為相似度的評價準則，指紋庫劃分為具有k個子類的指紋庫KFp，其中，n，L，k均為正整數(shù)；在線定位步驟，包括：(21)、將實測指紋lf＝(rssi1,rssi2,…,rssin)與聚類之后的指紋庫KFp進行匹配，計算lf與每個類中心的距離，記為DIS＝[d1,d2,…,dk]；(22)、尋找DIS中最小值所對應(yīng)的類，記為GSPECIAL；(23)、計算實測指紋lf與GSPECIAL中的每個指紋的距離，記為其中p表示GSPECIAL中的指紋的個數(shù)，為正整數(shù)；(24)、將DIS中的數(shù)據(jù)按照從小到大的順序排列，取前m個值，并將所述m個值對應(yīng)的指紋選定作為參考指紋，其對應(yīng)的位置坐標作為參考坐標；(25)、計算每個參考指紋的權(quán)重系數(shù)ωi(i＝1,2，…，m)；(26)、根據(jù)各參考指紋的權(quán)重系數(shù)及參考坐標計算實測指紋的位置坐標(xestimate,yestimate)。進一步的，步驟(12)中，將指紋庫進行k-mean聚類包括以下步驟：(121)、輸入L個指紋和聚類個數(shù)k(0＜k≤L)，從L個指紋中任意選擇k個指紋作為初始的聚類中心(122)、對于剩下的L-k個指紋，計算每個指紋到每個聚類中心的距離Distance＝{duvu＝1,2,…,(L-k)；v＝1,2,…,k}，其中duv表示剩下的L-k個指紋中第u個指紋到第v個聚類中心的距離，找到Distance中的最小值，將第u個指紋分類到Distance中的最小值所對應(yīng)的聚類中，得到新的聚類結(jié)果，將剩下的指紋分配完成，形成k個聚類G1,G2,…,Gv,…Gk，每個聚類Gv都包含其聚類中心，和屬于該類的指紋成員及其個數(shù)nv；(123)、重新計算每個類的聚類中心，得到新的聚類中心(124)、將新的聚類中心與前一次的聚類中心做比較，若兩者相同，即相鄰兩次的聚類中心相同，即分類趨于穩(wěn)定，聚類結(jié)束，當前G1,G2,…,Gv,…Gk代表了最終形成的聚類，否則令C＝C*，即更新類中心，返回步驟(122)，繼續(xù)執(zhí)行聚類過程。進一步的，步驟(123)中，根據(jù)公式重新計算每個類的聚類中心，其中rssiq表示Gv類中的第q個RSSI值，其中，0＜q＜nv。進一步的，步驟(25)中，權(quán)重系數(shù)的計算與指紋庫的指紋相關(guān)，通過對相似度最大的m個指紋進行相關(guān)運算，計算每個指紋的貢獻程度，并把這個貢獻程度映射到對應(yīng)的位置信息，進行位置的估算：假設(shè)與實測指紋相似度最大的指紋空間Fp*有m個指紋：Fp*=rssi11,rssi12,...,rssi1nrssi21,rssi22,...,rssi2n...rssim1,rssim2,...,rssimnm×n]]>計算Fp*中每個指紋的權(quán)重系數(shù)ωi，將Fp*進行轉(zhuǎn)置(Tp*)T；分別計算每個參考點指紋的均值和標準差：rssii‾=1nΣa=1nrssiia]]>si=1n-1Σa=1n(rssiia-rssii‾)2]]>其中，i＝1,2,…,m，令則權(quán)重系數(shù)為ωi=υi/Σi=1nυi.]]>進一步的，步驟(26)中，實測指紋的位置坐標為：xestimate=Σi=1mωixi]]>yestimate=Σi=1mωiyi;]]>其中，xi，yi為第i個參考指紋的參考坐標。與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點和積極效果是：本發(fā)明用k-mean算法對數(shù)據(jù)離線采樣階段采集的RSSI值進行聚類，剔除粗大偏差的RSSI信息，利用剩下的相對準備的RSSI組建新的指紋庫，降低指紋匹配過程的計算量；在在線定位階段，使用了分治處理的方法，對實際位置進行逐步排除，從而減少數(shù)據(jù)的篩選量，同時將測試范圍縮小。采用實測指紋與指紋庫匹配的思想，對最近鄰算法進行改進，加入信號衰減模型，對數(shù)據(jù)進行加權(quán)處理，這樣在對未知位置進行估算，減小了定位誤差。結(jié)合附圖閱讀本發(fā)明實施方式的詳細描述后，本發(fā)明的其他特點和優(yōu)點將變得更加清楚。附圖說明為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)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(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1是本發(fā)明所提出的WiFi指紋室內(nèi)定位方法的一種實施例流程圖。具體實施方式下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，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。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。實施例一，本實施例提出了一種WiFi指紋室內(nèi)定位方法，如圖1所示，包括以下步驟：離線處理步驟，包括：S11、劃定定位區(qū)域，并且在定位區(qū)域內(nèi)布設(shè)n個WiFi發(fā)射裝置，在所述定位區(qū)域內(nèi)選定L個采樣點，計算各采樣點所接收到的所述n個WiFi發(fā)射裝置發(fā)射信號的強度RSSI，在每個采樣點可以觀測到n個RSSI值(rssi1,rssi2,...，rssin)，并將該n個RSSI值作為該采樣點的指紋，采樣點的位置坐標為(x，y)，每一個指紋與其采樣點的位置一一對應(yīng)，建立所述L個采樣點的位置指紋庫LFDB：LFDB=x1,y1,rssi11,rssi12,...,rssi1nx2,y2,rssi21,rssi22,...,rssi2n......xL,yL,rssiL1,rssiL2,...,rssiLnL×(n+2);]]>S12、將所述位置指紋庫LFDB進行k-mean聚類，以歐式距離作為相似度的評價準則，指紋庫劃分為具有k個子類的指紋庫KFp，其中，n，L，k均為正整數(shù)；用k-mean算法對數(shù)據(jù)離線采樣階段采集的RSSI值進行聚類，剔除粗大偏差的RSSI信息，利用剩下的相對準備的RSSI組建新的指紋庫，降低指紋匹配過程的計算量；在線定位步驟，包括：S21、將實測指紋lf＝(rssi1,rssi2,…,rssin)與聚類之后的指紋庫KFp進行匹配，計算lf與每個類中心的距離，記為DIS＝[d1,d2,…,dk]；S22、尋找DIS中最小值所對應(yīng)的類，記為GSPECIAL；S23、計算實測指紋lf與GSPECIAL中的每個指紋的距離，記為其中p表示GSPECIAL中的指紋的個數(shù)，為正整數(shù)；S24、將DIS中的數(shù)據(jù)按照從小到大的順序排列，取前m個值，并將所述m個值對應(yīng)的指紋選定作為參考指紋，其對應(yīng)的位置坐標作為參考坐標；S25、計算每個參考指紋的權(quán)重系數(shù)ωi(i＝1,2，…，m)；S26、根據(jù)各參考指紋的權(quán)重系數(shù)及參考坐標計算實測指紋的位置坐標(xestimate,yestimate)。在在線定位階段，使用了分治處理的方法，對實際位置進行逐步排除，從而減少數(shù)據(jù)的篩選量，同時將測試范圍縮小。采用實測指紋與指紋庫匹配的思想，對最近鄰算法進行改進，加入信號衰減模型，對數(shù)據(jù)進行加權(quán)處理，這樣在對未知位置進行估算，減小了定位誤差。作為一個優(yōu)選的實施例，步驟S12中，將指紋庫進行k-mean聚類包括以下步驟：S121、輸入L個指紋和聚類個數(shù)k(0＜k≤L)，從L個指紋中任意選擇k個指紋作為初始的聚類中心S122、對于剩下的L-k個指紋，計算每個指紋到每個聚類中心的距離Distance＝{duvu＝1,2,…,(L-k)；v＝1,2,…,k}，其中duv表示剩下的L-k個指紋中第u個指紋到第v個聚類中心的距離，找到Distance中的最小值，將第u個指紋分類到Distance中的最小值所對應(yīng)的聚類中，得到新的聚類結(jié)果，將剩下的指紋分配完成，形成k個聚類G1,G2,…,Gv,…Gk，每個聚類Gv都包含其聚類中心，和屬于該類的指紋成員及其個數(shù)nv；S123、重新計算每個類的聚類中心，得到新的聚類中心S124、將新的聚類中心與前一次的聚類中心做比較，若兩者相同，即相鄰兩次的聚類中心相同，即分類趨于穩(wěn)定，聚類結(jié)束，當前G1,G2,…,Gv,…Gk代表了最終形成的聚類，否則令C＝C*，即更新類中心，返回步驟S122，繼續(xù)執(zhí)行聚類過程。步驟S123中，根據(jù)公式重新計算每個類的聚類中心，其中rssiq表示Gv類中的第q個RSSI值，其中，0＜q＜nv。由于初始計算時是任意選擇k個指紋作為初始的聚類中心，當計算進行后按照歐式距離作為相似度的評價準則，距相似的指紋聚集在一個子類，距離較大的指紋彼此遠離，子類里面的數(shù)據(jù)發(fā)生了變化，因此聚類中心相應(yīng)發(fā)生變化，為了提高精度，應(yīng)相適應(yīng)的重新計算每個類的聚類中心。步驟S25中，權(quán)重系數(shù)的計算與指紋庫的指紋相關(guān)，通過對相似度最大的m個指紋進行相關(guān)運算，計算每個指紋的貢獻程度，并把這個貢獻程度映射到對應(yīng)的位置信息，進行位置的估算：假設(shè)與實測指紋相似度最大的指紋空間Fp*有m個指紋：Fp*=rssi11,rssi12,...,rssi1nrssi21,rssi22,...,rssi2n...rssim1,rssim2,...,rssimnm×n]]>計算Fp*中每個指紋的權(quán)重系數(shù)ωi，將Fp*進行轉(zhuǎn)置(Tp*)T；分別計算每個參考點指紋的均值和標準差：rssii‾=1nΣa=1nrssiia]]>si=1n-1Σa=1n(rssiia-rssii‾)2]]>其中，i＝1,2,…,m，令則權(quán)重系數(shù)為ωi=υi/Σi=1nυi.]]>本申請中權(quán)重系數(shù)的選擇是與指紋庫的指紋相關(guān)的，是通過對相似度最大的k個指紋進行相關(guān)的運算，計算每個指紋的貢獻程度，并把這個貢獻程度映射到對應(yīng)的位置信息，進行位置的估算。步驟S26中，實測指紋的位置坐標為：xestimate=Σi=1mωixi]]>yestimate=Σi=1mωiyi;]]>其中，xi，yi為第i個參考指紋的參考坐標。當然，上述說明并非是對本發(fā)明的限制，本發(fā)明也并不僅限于上述舉例，本
技術(shù)領(lǐng)域：
的普通技術(shù)人員在本發(fā)明的實質(zhì)范圍內(nèi)所做出的變化、改型、添加或替換，也應(yīng)屬于本發(fā)明的保護范圍。當前第1頁1 2 3