本發(fā)明屬于樓層定位技術(shù)領(lǐng)域，具體的說，是一種基于氣壓計(jì)和WiFi的混合樓層定位方法。

背景技術(shù)：

現(xiàn)代生活中，定位可以分為兩個領(lǐng)域：室內(nèi)定位和室外定位?，F(xiàn)有的室外定位已經(jīng)非常成熟，已有室外定位系統(tǒng)，比如全球定位系統(tǒng)(Global Position System)、伽利略衛(wèi)星導(dǎo)航系統(tǒng)(Galileo Navigation System)和中國自主研發(fā)的北斗一號雙星定位系統(tǒng)。作為目前技術(shù)最成熟，也是表現(xiàn)最穩(wěn)健的定位系統(tǒng)，GPS系統(tǒng)利用衛(wèi)星的測時和測距進(jìn)行導(dǎo)航，能夠以低廉的成本便捷地在全球任何地方、任何時候提供高精度的連續(xù)位置、走向、速度、姿態(tài)和時間信息。該系統(tǒng)是由分布在互成120度的三個軌道平面上的24顆衛(wèi)星組成，其中21顆為工作衛(wèi)星，3顆為在軌備用衛(wèi)星。每個軌道平面平均分布8顆衛(wèi)星，對于地球任何位置，均能同時觀察到6～9顆衛(wèi)星，其中GPS的設(shè)計(jì)粗碼定位精度為100m左右，而精碼定位精度能達(dá)到10m。但由于樓宇的墻壁屏蔽了衛(wèi)星信號，導(dǎo)致衛(wèi)星導(dǎo)航系統(tǒng)無法在室內(nèi)工作，所以室內(nèi)定位應(yīng)運(yùn)而生。

室內(nèi)定位與室外定位息息相關(guān)但又相對獨(dú)立的。由于室內(nèi)環(huán)境與室外環(huán)境截然不同，室內(nèi)環(huán)境可以分為非視距環(huán)境和視距環(huán)境，大多數(shù)室內(nèi)環(huán)境都為視距環(huán)境，由室內(nèi)環(huán)境的復(fù)雜，如房間結(jié)構(gòu)布局與建筑材料都不盡相同，室內(nèi)障礙物多都會信號的傳播隨著環(huán)境的不同產(chǎn)生較大的不同。室內(nèi)的墻壁和物品等障礙物都會對信號進(jìn)行反射、散射、衍射，引起信號波動，從而導(dǎo)致多徑效應(yīng)。

目前為止，人們對于樓層定位關(guān)注甚少，室內(nèi)定位的研究都主要集中于平面二維定位，很少關(guān)注樓層這一信息。從目前兩類主流定位算法：1)基于額外硬件的樓層定位算法，2)基于手機(jī)傳感器的樓層定位算法。我們可以了解到這些算法存在的一些缺陷：

1)由于室內(nèi)環(huán)境的復(fù)雜性和阻隔性，GSM信號隨著用戶的移動在室內(nèi)變化顯著，從而會導(dǎo)致定位精度下降，也可以說是GSM并不是一細(xì)粒度的信號，其本身精度并不高。

2)在數(shù)據(jù)采集階段，需要用戶參與樓層的標(biāo)定，同時每一棟樓宇都需要標(biāo)定，這大大增加用戶的使用成本，影響用戶的交互體驗(yàn)，從而導(dǎo)致其適用性差

3)不能適用于沒有內(nèi)置氣壓傳感器的手機(jī)。目前來說，市面上絕大數(shù)智能手

機(jī)并不具備氣壓傳感器，所以限制了其在真實(shí)環(huán)境中的應(yīng)用。

4)該算法得到的樓層的氣壓指紋數(shù)據(jù)庫不具備離線性質(zhì)。基于氣壓傳感器的

算法在下述場景并不適用。場景為氣壓指紋數(shù)據(jù)庫由三個用戶手機(jī)采集數(shù)據(jù)訓(xùn)練得到的，而此時三個用戶都已離開，新的用戶進(jìn)來就無法實(shí)現(xiàn)定位，由于無法將原有的指紋轉(zhuǎn)化為當(dāng)前樓層的氣壓指紋圖譜。

基于上述兩種樓層定位算法的缺陷，我們提出了基于氣壓計(jì)和WiFi的混合樓層定位系統(tǒng)，利用氣壓輔助WiFi的RSS值建立樓層的RSS指紋圖譜以獲得高定位精度。

技術(shù)實(shí)現(xiàn)要素：

為了充分融合氣壓計(jì)與WiFi的優(yōu)點(diǎn)，提高樓層定位的精度，本發(fā)明提出了一種基于氣壓計(jì)和WiFi的混合樓層定位方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案包括以下步驟：

步驟1、以眾包方式采集整棟大樓內(nèi)所有用戶的數(shù)據(jù)，數(shù)據(jù)主要包括用戶所在位置的RSS向量和氣壓值；

步驟2、云服務(wù)平臺對所有用戶上傳數(shù)據(jù)進(jìn)行預(yù)處理；

步驟3、云服務(wù)平臺對預(yù)處理后的數(shù)據(jù)進(jìn)行校準(zhǔn)，得到標(biāo)準(zhǔn)化的數(shù)據(jù)；

步驟4、對校準(zhǔn)后的數(shù)據(jù)進(jìn)行數(shù)據(jù)分析聚類，獲得樓層的Baro-RSS指紋圖譜；

步驟5、用戶對自己所在位置進(jìn)行實(shí)時定位；

所述的步驟1具體實(shí)施過程如下：

1-1.用戶在室內(nèi)活動時，通過用戶手機(jī)中BarFi客戶端以一定頻率采集附近AP的RSS向量，如果用戶手機(jī)配備氣壓傳感器，則同時采集氣壓值；

1-2.步驟1-1采集的RSS向量是一種混合的RSS-Baro的指紋，BarFi客戶端會將采集時間和當(dāng)前手機(jī)唯一標(biāo)識碼IMEI也一并記錄到該指紋中；假設(shè)一個采樣點(diǎn)附近里有n個路由器，則每個采樣點(diǎn)的RSS-Baro指紋用以下向量表示：

FP＝{Time,IMEI,Baro,(RSS1,RSS2,RSS3,…,RSSn)}

其中，Time表示當(dāng)前指紋的采樣時間；IMEI表示當(dāng)前指紋是由哪部手機(jī)采樣的，用于后續(xù)氣壓聚類；Baro表示該采樣點(diǎn)采樣時的氣壓值；RSS1，RSS2，…,RSSn表示附近AP的信息，其中包括附近AP的SSID、BSSID和信號強(qiáng)度RSS值；SSID表示為AP名稱，BSSID表示為AP的MAC地址，即路由器的唯一標(biāo)識碼。

所述的步驟2預(yù)處理的具體實(shí)施過程如下：

2-1.數(shù)據(jù)合并

由于BarFi客戶端采樣的時間為200毫秒，因此將同一部手機(jī)連續(xù)的5條數(shù)據(jù)，即1s內(nèi)的數(shù)據(jù)進(jìn)行數(shù)據(jù)合并為一條，合并的方法為氣壓和WiFi的RSS向量都取均值，從而達(dá)到降低數(shù)據(jù)量的需求，同時也降低傳感器偏移對BarFi造成影響；在合并完數(shù)據(jù)之后，得出一組Baro-RSS的指紋圖譜向量FPS＝{FPi,I＝1,2,...,n}；

2-2.數(shù)據(jù)標(biāo)準(zhǔn)化

由于每個采樣點(diǎn)附近的AP都各有不同，從而會導(dǎo)致BarFi客戶端在對RSS向量進(jìn)行聚類時沒有統(tǒng)一的維度；因此需要進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化，具體標(biāo)準(zhǔn)化實(shí)現(xiàn)過程如下的：

記第i組RSS向量為V_i，總共有n組向量：

在標(biāo)準(zhǔn)化的過程中需對所有向量中的分量求并集，即對V_i到V_n求并集Union，按照并集Union將V_i映射到F_i，如公式2所示；對于該采樣點(diǎn)檢測不到的AP的值設(shè)為經(jīng)驗(yàn)最小值-110，最終形成標(biāo)準(zhǔn)化RSS向量F_i；

所述的步驟3具體實(shí)施過程如下：

3-1.云服務(wù)平臺對步驟2-1標(biāo)準(zhǔn)化處理后的數(shù)據(jù)進(jìn)行校準(zhǔn)；將數(shù)據(jù)校準(zhǔn)分為兩部分：不同設(shè)備之間的氣壓值的校準(zhǔn)和不同設(shè)備之間的WiFi的RSS向量校準(zhǔn)；

所述的不同設(shè)備之間的氣壓值的校準(zhǔn)，具體的：

3-1-1.上下樓活動的檢測

定義數(shù)據(jù)結(jié)構(gòu)Activity＝{t_s:startBaro,t_e:endBaro}，來記錄用戶上下樓活動，其中t_s表示上下樓開始的時間，startBaro為開始時間用戶所在樓層的氣壓值，t_e表示上下樓結(jié)束的時間，endBaro為結(jié)束時間用戶所在樓層的氣壓；同時也定義U/DTrace(Up/Down Trace)來記錄用戶上下樓軌跡，假設(shè)用戶有m次上下樓活動，即Activity1、Activity2、…、Activitym，那么該用戶的上下樓軌跡U/DTrace＝{IMEI:Activity1，Activity2，…，Activitym}，其中IMEI為用戶的唯一標(biāo)識碼；

3-1-2.基于時間維度的氣壓校準(zhǔn)

首先，在獲得不同用戶在不同時間的上下樓軌跡U/DTrace之后，U/DTrace包含的氣壓數(shù)據(jù)在大多數(shù)情況下并不能包含整個樓層，為獲得大樓所有樓層的氣壓數(shù)據(jù)，將用戶的U/DTrace映射到同一時間戳，從U/DTrace中提取每個樓層的氣壓值，因此定義新的樓層軌跡FTrace，來獲取每個樓層的氣壓信息：

FTrace＝{(t,b),d1,d2,…,di,…,dk-1} 公式3

其中(t,b)為參考點(diǎn)的時間和氣壓，參考點(diǎn)為用戶最底層，即氣壓值最高的點(diǎn)；di表示相鄰樓層的氣壓差值；

其次，對樓層軌跡進(jìn)行基于時間維度的校準(zhǔn)，將兩條樓層軌跡FTrace的時間轉(zhuǎn)換到同一時間點(diǎn)，假定i和j用戶的樓層軌跡FTrace分別為FT_i和FT_j，以用戶i，j的氣壓軌跡BTrace中相同時間區(qū)域中某一時刻作為FT_i和FT_j的參考時間點(diǎn)t0，然后將FT_i的參考時間點(diǎn)從(t1,b1)轉(zhuǎn)換為(t0，bm-d2-d1)，F(xiàn)T_j的參考時間點(diǎn)從(t1,b1)轉(zhuǎn)換為(t0，bn-d6-d5)；其中(t1,b1)為FT_i和FT_j的樓層軌跡的參考時間點(diǎn)；BTrace＝{IMEI,B₁,B₂,….,B_n}，其中IMEI為P手機(jī)的唯一標(biāo)識碼，B_n表示n時刻的氣壓。

最后對氣壓軌跡進(jìn)行基于時間維度的校準(zhǔn)，具體：

將所有的FTrace參照點(diǎn)的氣壓轉(zhuǎn)換為同一時刻下，校準(zhǔn)氣壓由時間波動引起的誤差，為后續(xù)的氣壓的層次聚類做準(zhǔn)備；假定FTrace的集合為C，存放結(jié)果的集合R，所有FTrace映射到同一時刻的步驟：

①基于時間的交集找出C中最大子集C1，然后將C1存入R中并從C中移除；

②然后選擇時間交集中的某一時刻，將C1中的FTrace都映射到該參考點(diǎn)；通過T1時刻，將FTrace集合C中的元素轉(zhuǎn)換為T1時刻的FTrace；

③重復(fù)上述步驟①和②，直到C為空集；

④從R中選擇最大的兩個子集R1，R2，同樣的將R1，R2轉(zhuǎn)換為同一時刻的FTrace，合并R1和R2；

⑤重復(fù)步驟④，直到R只包含一個元素；

所述的不同設(shè)備之間的WiFi的RSS向量的校準(zhǔn)，具體的：

由于室內(nèi)環(huán)境的復(fù)雜性以及WiFi的多徑效應(yīng)，這里對WiFi的RSS向量的校準(zhǔn)很難采用前面氣壓校準(zhǔn)的方式來進(jìn)行；通過對一組RSS向量相似度的聚類分析而非單個AP的RSS值分析，在不校準(zhǔn)不同手機(jī)之間的RSS偏差的情況下達(dá)到令人滿意的定位精度。

所述的步驟4具體實(shí)施過程如下：

4-1.基于氣壓的層次聚類，具體是：

在氣壓基于時間維度校準(zhǔn)完畢后，對氣壓的數(shù)據(jù)采用合并模式的層次聚類算法，采用歐式距離作為相似度度量方法，以獲得總樓層數(shù)K和每一層的氣壓值；

4-2.基于WiFi的RSS向量的K-Means聚類，具體是：

將4-1中得到的總樓層數(shù)k和每一層的氣壓值作為K-Means聚類的類別數(shù)和初始聚類中心，對WiFi的RSS向量進(jìn)行K-Means聚類，直到聚類中心不在移動時，就能夠得到最終樓層的指紋圖譜數(shù)據(jù)庫。

所述的步驟5具體實(shí)施過程如下：

5-1.通過4-2得到最終樓層的指紋圖譜數(shù)據(jù)庫，每位用戶都可以獲知自己目前所處樓層數(shù)，即使用戶的手機(jī)沒有內(nèi)置氣壓傳感器；用戶只需要將手機(jī)唯一標(biāo)識碼IMEI，采集的附近AP的RSS向量上傳到BarFi客戶端的云服務(wù)平臺；云服務(wù)平臺能夠在K-Means聚類方法后獲得的指紋圖譜數(shù)據(jù)庫中匹配該用戶的RSS向量，然后得到與其最近的中心點(diǎn)，并將該中心點(diǎn)的樓層數(shù)返回給用戶；

所述的中心點(diǎn)是指K-Means聚類后的每一層的聚類中心。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下：

基于氣壓計(jì)和WiFi的混合樓層定位算法通過兩種聚類方法解決樓層定位問題。分別為氣壓的層次聚類分析和WiFi的RSS向量的K-Means聚類。

基于氣壓計(jì)和WiFi的混合樓層定位算法以眾包的方式采集數(shù)據(jù)避免費(fèi)時費(fèi)力的現(xiàn)場勘探，也無需預(yù)知樓層和WiFi的相關(guān)信息。

基于氣壓計(jì)和WiFi的混合樓層定位算法對于設(shè)備要求低，僅需部分手機(jī)內(nèi)置氣壓傳感器。而目前智能手機(jī)的現(xiàn)狀也如此，絕大部分配備WiFi芯片，部分手機(jī)內(nèi)置氣壓傳感器。

在真實(shí)環(huán)境中基于Android手機(jī)實(shí)現(xiàn)了BarFi系統(tǒng)，該系統(tǒng)獲得了令人滿意的定位準(zhǔn)確度，僅以占總數(shù)12％的氣壓數(shù)據(jù)，BarFi定位準(zhǔn)確度達(dá)到了96.3％。

附圖說明

圖1為U/DTrace轉(zhuǎn)換為FTrace的過程圖。

圖2為兩條FTrace轉(zhuǎn)換為同一參考點(diǎn)原理圖。

圖3為所有的FTrace映射到同一時刻的原理圖。

圖4為本發(fā)明流程圖；

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施方式僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

如圖4所示，一種利用氣壓計(jì)和WiFi混合的樓層定位方法，具體步驟如下：

步驟1、以眾包方式采集整棟大樓內(nèi)所有用戶的數(shù)據(jù)，數(shù)據(jù)主要包括用戶所在位置的RSS向量和氣壓值(如果手機(jī)內(nèi)置氣壓傳感器)。

步驟2、云服務(wù)平臺對所有用戶上傳數(shù)據(jù)進(jìn)行預(yù)處理。

步驟3、云服務(wù)平臺對預(yù)處理后的數(shù)據(jù)進(jìn)行校準(zhǔn)，得到標(biāo)準(zhǔn)化的數(shù)據(jù)。

步驟4、對校準(zhǔn)后的數(shù)據(jù)進(jìn)行數(shù)據(jù)分析聚類，獲得樓層的Baro-RSS指紋圖譜。

步驟5、用戶的定位。

所述的步驟1具體實(shí)施過程如下：

1-1.用戶在室內(nèi)活動時，通過用戶手機(jī)中BarFi客戶端以一定頻率采集附近AP的RSS向量，如果用戶手機(jī)配備氣壓傳感器，則同時采集氣壓值。數(shù)據(jù)的采集以后臺形式運(yùn)行，絲毫不會打擾到用戶。

所述的BarFi客戶端就是用于實(shí)現(xiàn)定位的app，需提前安裝在手機(jī)中。

1-2.步驟1-1采集的RSS向量是一種混合的RSS-氣壓(下文簡稱RSS-Baro)的指紋，BarFi客戶端會將采集時間和當(dāng)前手機(jī)唯一標(biāo)識碼IMEI也一并記錄到該指紋中。假設(shè)一個采樣點(diǎn)附近里有n個路由器，則每個采樣點(diǎn)的RSS-Baro指紋用以下向量表示：

FP＝{Time,IMEI,Baro,(RSS1,RSS2,RSS3,…,RSSn)}

其中，Time表示當(dāng)前指紋的采樣時間；IMEI表示當(dāng)前指紋是由哪部手機(jī)采樣的，用于后續(xù)氣壓聚類；Baro表示該采樣點(diǎn)采樣時的氣壓值；RSS1，RSS2，…,RSSn表示附近AP的信息，其中包括附近AP的SSID(AP名稱)BSSID(AP的MAC地址，即路由器的唯一標(biāo)識碼)和信號強(qiáng)度RSS值。

所述的步驟2具體實(shí)施過程如下：

2-1.通過眾包方式采集來的數(shù)據(jù)量較大，需要對該數(shù)據(jù)進(jìn)行預(yù)處理，降低數(shù)據(jù)的冗余度和復(fù)雜性，其中預(yù)處理具體如下：

2-1-1.數(shù)據(jù)合并

由于BarFi客戶端采樣的時間為200毫秒，因此將同一部手機(jī)連續(xù)的5條數(shù)據(jù)，即1s內(nèi)的數(shù)據(jù)進(jìn)行數(shù)據(jù)合并為一條，合并的方法為氣壓和WiFi的RSS向量都取均值，從而達(dá)到降低數(shù)據(jù)量的需求，同時也降低傳感器偏移對BarFi造成影響。在合并完數(shù)據(jù)之后，得出一組Baro-RSS的指紋圖譜向量FPS＝{FPi,I＝1,2,...,n}。

2-1-2.數(shù)據(jù)標(biāo)準(zhǔn)化

由于每個采樣點(diǎn)附近的AP都各有不同，會導(dǎo)致BarFi在對RSS向量進(jìn)行聚類時沒有統(tǒng)一的維度。如果RSS向量不進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化，會增加BarFi樓層定位算法的時間復(fù)雜度。具體的：

記第i組RSS向量為V_i，總共有n組向量：

在標(biāo)準(zhǔn)化的過程中需對所有向量中的分量求并集，即對V_i到V_n求并集Union，按照并集Union將V_i映射到F_i，如下面公式所示。對于該采樣點(diǎn)檢測不到的AP的值設(shè)為經(jīng)驗(yàn)最小值-110，最終形成標(biāo)準(zhǔn)化RSS向量F_i。

所述的步驟3具體實(shí)施過程如下：

3-1.云服務(wù)平臺對步驟2-1標(biāo)準(zhǔn)化處理后的數(shù)據(jù)進(jìn)行校準(zhǔn)。由于每部手機(jī)采用的無線芯片和氣壓傳感器各有不同，會導(dǎo)致采集的RSS向量和氣壓值出現(xiàn)偏差，所以需要校準(zhǔn)不同設(shè)備之間的偏差。將數(shù)據(jù)校準(zhǔn)分為兩部分，不同設(shè)備之間的氣壓值的校準(zhǔn)和不同設(shè)備之間的WiFi的RSS向量校準(zhǔn)。

3-2.不同設(shè)備之間的氣壓值的校準(zhǔn)，具體的：

3-2-1.上下樓活動的檢測

定義數(shù)據(jù)結(jié)構(gòu)Activity＝{t_s:startBaro,t_e:endBaro}，來記錄用戶上下樓活動，其中t_s表示上下樓開始的時間，startBaro為開始時間用戶所在樓層的氣壓值，t_e表示上下樓結(jié)束的時間，endBaro為結(jié)束時間用戶所在樓層的氣壓。同時也定義U/DTrace(Up/Down Trace)來記錄用戶上下樓軌跡，假設(shè)用戶有m次上下樓活動，即Activity1、Activity2、…、Activitym，那么該用戶的上下樓軌跡U/DTrace＝{IMEI:Activity1，Activity2，…，Activitym}，其中IMEI為用戶的唯一標(biāo)識碼。

3-2-2.基于時間維度的氣壓校準(zhǔn)

在獲得不同用戶在不同時間的上下樓軌跡U/DTrace之后，U/DTrace包含的氣壓數(shù)據(jù)在大多數(shù)情況下并不能包含整個樓層，為獲得大樓所有樓層的氣壓數(shù)據(jù)，將用戶的U/DTrace映射到同一時間戳，從U/DTrace中提取每個樓層的氣壓值，因此定義新的樓層軌跡FTrace：

FTrace＝{(t,b),d1,d2,…,di,…,dk-1}

其中(t,b)為參考點(diǎn)的時間和氣壓，參考點(diǎn)為用戶最底層，即氣壓值最高的點(diǎn)；di表示相鄰樓層的氣壓差值。

因?yàn)橄噜弮蓪訕侵g的氣壓差值恒定，我們可以將U/DTrace轉(zhuǎn)換為FTrace，如圖1所示，圖中b3，b4是同一層樓不同時刻的氣壓值，可以得到b3-b2＝b4-b5+d3，我們可以推測出b5是比b2高的樓層氣壓值，氣壓差為d3，即用戶在t5時刻所處樓層比t2時刻高，樓層氣壓差為d3，我們通過這種方式將U/DTrace轉(zhuǎn)換為FTrace。

在得到一組FTrace后，我們需要合并所有FTrace以獲取某個時刻整個樓層的氣壓值。由于氣壓在較長時間后會出現(xiàn)變化，首先我們將兩條FTrace中參照點(diǎn)的氣壓轉(zhuǎn)換為同一時刻下，如圖2所示，假定i和j用戶的FTrace分別為FT_i和FT_j，我們以用戶i，j的BTrace中相同時間區(qū)域中某一時刻作為FT_i和FT_j參考時間點(diǎn)t₀，然后將FT_i的參考點(diǎn)從(t₁,b₁)轉(zhuǎn)換為(t₀，b_m-d₂-d₁)，F(xiàn)T_i的參考點(diǎn)從(t₁,b₁)轉(zhuǎn)換為(t₀，b_n-d₆-d₅)。

參照上述將兩條FTrace中參照點(diǎn)的氣壓轉(zhuǎn)換為同一時刻下的方法，將所有的FTrace參照點(diǎn)的氣壓轉(zhuǎn)換為同一時刻下，校準(zhǔn)氣壓由時間波動引起的誤差，為后續(xù)的氣壓的層次聚類做準(zhǔn)備。假定FTrace的集合為C，存放結(jié)果的集合R，然后結(jié)合圖3說明所有FTrace映射到同一時刻的步驟：

①基于時間的交集找出C中最大子集C1，然后將C1存入R中并從C中移除。如圖1中{C,D,E}為最大子集。

②然后選擇時間交集中的某一時刻，將C1中的FTrace都映射到該參考點(diǎn)。通過T1時刻，將C、D、E的FTrace轉(zhuǎn)換為T1時刻的FTrace。

③重復(fù)上述步驟，直到C為空集。

④從R中選擇最大的兩個子集R1，R2，同樣的將R1，R2轉(zhuǎn)換為同一時刻的FTrace，合并R1和R2。如圖3中{C,D,E}和{A，B}為最大的兩個子集，T3為兩個集合選中的參考點(diǎn)，將兩集合內(nèi)所有FTrace都映射到T3時刻。

⑤重復(fù)步驟4，直到R只包含一個元素。

3-3.不同設(shè)備之間的WiFi的RSS向量的校準(zhǔn)，具體的：

由于室內(nèi)環(huán)境的復(fù)雜性以及WiFi的多徑效應(yīng)，這里對WiFi的RSS向量的校準(zhǔn)很難采用前面氣壓校準(zhǔn)的方式來進(jìn)行。但是，我們通過實(shí)驗(yàn)可以觀察到不同手機(jī)間的信號波動并不是很大，而且我們基于氣壓計(jì)和WiFi的混合樓層定位算法針對于一組RSS向量相似度的聚類分析而非單個AP的RSS值，所以我們的算法可以在不校準(zhǔn)不同手機(jī)之間的RSS偏差的情況下達(dá)到令人滿意的定位精度。

所述的步驟4具體實(shí)施過程如下：

4-1.基于氣壓的層次聚類，具體是：

在氣壓基于時間維度校準(zhǔn)完畢后，對氣壓的數(shù)據(jù)采用合并模式的層次聚類算法，采用歐式距離作為相似度度量方法，以獲得總樓層數(shù)K和每一層的氣壓值。

4-2.基于WiFi的RSS向量的K-Means聚類，具體是：

將4-1中得到的總樓層數(shù)k和每一層的氣壓值作為K-Means聚類的類別數(shù)和初始聚類中心，對WiFi的RSS向量進(jìn)行K-Means聚類，直到聚類中心不在移動時，就可以得到最終樓層的指紋圖譜數(shù)據(jù)庫。

所述的步驟5具體實(shí)施過程如下：

5-1.通過4-2得到最終樓層的指紋圖譜數(shù)據(jù)庫，每位用戶都可以獲知自己目前所處樓層數(shù)，即使用戶的手機(jī)沒有內(nèi)置氣壓傳感器。用戶只需要將手機(jī)唯一標(biāo)識碼IMEI，采集的附近AP的RSS向量上傳到BarFi客戶端的云服務(wù)平臺。云服務(wù)平臺能夠在K-Means聚類方法后獲得的指紋圖譜數(shù)據(jù)庫中匹配該用戶的RSS向量，然后得到與其最近的中心點(diǎn)，并將該中心點(diǎn)的樓層數(shù)返回給用戶。

所述的中心點(diǎn)是指K-Means聚類后的每一層的聚類中心。