基于連續(xù)采樣及模糊聚類處理的wlan室內(nèi)定位方法
【技術領域】
[0001] 本發(fā)明涉及的是一種無線室內(nèi)定位領域的技術，具體是一種基于連續(xù)采樣及模糊 聚類處理的WLAN室內(nèi)定位方法。
【背景技術】
[0002] 隨著智能手機和無線網(wǎng)絡的快速發(fā)展，例如公共安全、急救、貨物運輸?shù)然谖恢?的服務得到愈發(fā)廣泛的關注。室外條件下的位置服務可以由全球衛(wèi)星導航系統(tǒng)提供較好的 結果。室內(nèi)條件下的位置服務根據(jù)信號種類有基于Wi -Fi、藍牙、終端內(nèi)置運動傳感器等定 位方法，Wi -Fi信號較為穩(wěn)定且獲取方便，是目前較為主流的室內(nèi)定位信號之一。基于Wi -Fi的指紋定位系統(tǒng)一般包括離線訓練階段一一用來建立指紋數(shù)據(jù)庫，及在線定位階段一一 根據(jù)當前RSS數(shù)據(jù)及數(shù)據(jù)庫進行當前位置計算兩個步驟。其中的離線訓練階段影響著最終 定位的精度，是指紋定位系統(tǒng)的關鍵。
[0003] Wi - Fi指紋定位系統(tǒng)的訓練方法一般以耗時低、可移植性強、定位精度穩(wěn)定等因 素作為標準。定位終端接收到的信號強度在空間的分布是連續(xù)的。無線信號傳輸模型中信 號強度距離接入點（AP)的距離是負相關的，當終端向背離AP的方向移動時，接收到的信號 強度就會逐漸變小，反之，當終端迎著AP的方向移動時，接收到的信號強度將逐漸變強；而 引入空間遮擋及信道間干擾的影響后，信號強度在目標區(qū)域內(nèi)表現(xiàn)為不規(guī)則分布，但仍然 為連續(xù)變化。
[0004] 經(jīng)過對現(xiàn)有技術文獻的檢索發(fā)現(xiàn)，Ye Yuan、Ling Pei等人在2015. 3的 Ubiquitous Position. Indoor Navig. Locat. Based Serv 上發(fā)表了文章 "Efficient Wi -Fi fingerprint training using semi - supervised learning"（ 一種基于 Wi -Fi 室內(nèi) 定位系統(tǒng)的離線半監(jiān)督訓練方法）中提出了一種基于連續(xù)的指紋采集方式，并通過內(nèi)插法 估計位置信息，從而獲得完整的樣本信息。此種基于連續(xù)的指紋采集方式優(yōu)點在于大大減 少了傳統(tǒng)方法中離線階段采集指紋的人力與時間成本，但也存在不足之處。僅有少量的樣 本中的位置信息準確，另外大量樣本中的位置信息為內(nèi)插估計獲得。其中在基于連續(xù)采樣 的指紋采集方式中很難保證時刻勻速往返于路徑始末點之間，所以位置的內(nèi)插估計存在累 積誤差，最終導致精度大幅下降。
[0005] 中國專利文獻號0附04507097六，公開（公告）日2015.04.08，公開了一種基于 WiFi位置指紋的半監(jiān)督訓練方法，包括：確定目標區(qū)域內(nèi)的離線訓練路線；對目標區(qū)域內(nèi) 進行樣本點的連續(xù)采樣；根據(jù)離線訓練路線起止點位置坐標及每一采樣點時間戳對以上采 集所得樣本點進行位置信息的線性內(nèi)插；根據(jù)上述步驟連續(xù)采樣及線性內(nèi)插后獲得的樣本 點，進行目標區(qū)域信號強度分布建模；將原始樣本點數(shù)據(jù)與得到的目標樣本點數(shù)據(jù)建立數(shù) 據(jù)庫。與現(xiàn)有技術相比，本發(fā)明采用離線訓練時間與定位精度兩個評價指標，利用定點測量 法對離線訓練過程進行評價，得到各自的離線訓練過程評價值，根據(jù)原始采樣數(shù)據(jù)與目標 區(qū)域拓撲結構建立信號強度分布模型，實現(xiàn)了快速、準確的數(shù)據(jù)庫建立。該技術優(yōu)點在于大 大降低了指紋采樣過程中人力時間成本，即提高了采樣的速度；缺點在于定位精度下降。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明針對現(xiàn)有技術存在的上述不足，提出一種基于連續(xù)采樣及模糊聚類處理的 WLAN室內(nèi)定位方法，采用了訓練時間和定位精度作為評價指標，實現(xiàn)了快速、準確的離線訓 練過程。
[0007] 本發(fā)明是通過以下技術方案實現(xiàn)的：
[0008] 本發(fā)明通過對連續(xù)采集的指紋原始數(shù)據(jù)進行異常點剔除，然后采用模糊聚類的方 式對剩余的指紋原始數(shù)據(jù)，即樣本點進行誤差點判定和修正，再將修正后的指紋數(shù)據(jù)按簇 生成指紋庫，最后將指紋庫用于室內(nèi)定位。
[0009] 本發(fā)明具體包括以下步驟：
[0010] 步驟一，根據(jù)基于連續(xù)的指紋采集方式獲得的原始數(shù)據(jù)進行數(shù)據(jù)預處理，即采用 基于密度的異常值處理方法根據(jù)樣本點的分布進行異常點剔除，具體為：將指紋原始數(shù)據(jù) 構成散點分布圖，根據(jù)樣本點分布采用基于樣本點的密度值的異常值處理，判定刪除異常 點。
[0011] 所述的連續(xù)是指：移動終端在采樣路徑上勻速移動的同時對接收到的各接入點信 號強度以及每次采樣的時間戳進行連續(xù)采樣，并且手動記錄當前路線的起止點位置坐標。
[0012] 所述的散點分布圖中橫坐標為路徑位置坐標，縱坐標為某接入點AP的接收信號 強度向量（Received Signal Strength，rss) 〇
[0013] 所述的樣本點的密度值是指：
其中：x為 待計算密度值的某樣本點，k為最近鄰的樣本的個數(shù)，N(x，k)是包含X的最近鄰k的集合， |N(x，k) I為樣本點集合的大小，y為X的一個最近鄰，distance (x，y)是樣本點X和樣本點 y的歐式距離，y是N(X，k)中的任一樣本點。
[0014] 所述的判定刪除異常點是指：根據(jù)樣本點的密度值判定密度大小順序，通過設置 密度門限值的方式剔除低于門限的樣本點。
[0015] 步驟二，采用基于模糊聚類的誤差修正方法對樣本點進行誤差點的判定，并采用 平均值方法對誤差點進行修正。
[0016] 所述的誤差點，通過以下方式進行判定：
[0017] 1)設定模糊聚類的簇的個數(shù)，并對不同樣本的信號強度向量（rss)進行模糊聚 類，得到各個樣本點分別歸屬于不同簇的歸屬度。
[0018] 所述的簇的個數(shù)優(yōu)選為兩個。
[0019] 2)選擇各個樣本歸屬任一個簇的概率與位置坐標關系的散點分布圖，基于一維線 性回歸對位置坐標和所屬簇的概率的變化關系進行判斷：當一維線性回歸斜率參數(shù)大于或 是小于〇,判定圖中所示散點分布關系為單調(diào)遞增還是單調(diào)遞減。
[0020] 3)基于樣本所屬簇的概率判定誤差點，具體為：
[0021] 3. 1)當步驟2)中判定變化關系為單調(diào)遞增，則橫坐標分布在： 坐 標區(qū)間上，歸屬簇A概率大于0.5的樣本點判定為誤差點；橫坐標分布在
坐標區(qū)間上，歸屬簇A概率小于0. 5的樣本點判定為誤差點，或者是：
[0022] 3. 2)當步驟2)中判定變化關系為單調(diào)遞減，則橫坐標分布在
坐 標區(qū)間上，歸屬簇A概率小于0. 5的樣本點判定為誤差點；橫坐標分布在
坐標區(qū)間上，歸屬簇A概率大于0. 5的樣本點判定為誤差點，其中和lOTd分別為散點 分布圖中的起點和終點。
[0023] 所述的平均值方法進行修正，即將誤差點位置周圍的最近鄰的M個非誤差點的信 號強度向量的平均值作為誤差點平滑修正后的信號強度向量。
[0024] 步驟三，在目標區(qū)域內(nèi)設定若干個參考點，并將樣本點劃歸到位置距離最近的參 考點所屬的簇，將每個簇中包含的樣本點按照高斯正態(tài)分布生成指紋庫。
[0025] 所述的參考點，優(yōu)選為在目標區(qū)域內(nèi)平面坐標上橫軸縱軸每隔一米設定一個參考 點。
[0026] 所述的指紋庫，由參考點位置坐標以及相對應的各個接入點AP在每一個信號強 度值上的概率構成。本發(fā)明將固定坐標位置上某一個接入點AP在一段時間內(nèi)采集到的信 號強度近似視為滿足高斯正態(tài)分布。因此，為了建立可以基于概率的指紋定位算法，計算各 個接入點AP在每一個信號強度值上的概率，并存儲于指紋庫中。
[0027] 所述的接入點AP在每一個信號強度值上的概率ρ_即為該信號強度值從-0. 5到 +0. 5的概率分布函數(shù)的積分，
.,其 中：rss為每一個信號強度值，范圍-90~OdBm，μ為某參考點所對應簇中樣本點其中某接 入點的信號強度的均值，σ 2為某參考點所對應簇中樣本點其中某接入點的信號強度的方 差。
[0028] 由此可計算出在每一個采樣點上每一個接入點信號強度值上的概率，進而生成指 紋庫。
[0029] 步驟四，根據(jù)指紋庫進行定位。
[0030] 所述的定位，采用但不限于基于樸素貝葉斯分類的在線端定位算法實現(xiàn)。