基于位置指紋的軸向解耦室內(nèi)定位方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于信號處理與模式識別技術(shù)領(lǐng)域，設(shè)及位置指紋、室內(nèi)定位、軸向解禪技 術(shù)，尤其設(shè)及一種基于位置指紋的軸向解禪室內(nèi)定位方法。
【背景技術(shù)】
[0002] 隨著無線網(wǎng)絡(luò)、移動通信和普適計算技術(shù)的日趨成熟和快速發(fā)展，基于位置的無 線定位服務(wù)顯得越來越重要。目前全球定位系統(tǒng)（GP巧是應(yīng)用較為成功的無線定位技術(shù)， 在室外寬敞環(huán)境下具有定位迅速且準(zhǔn)確穩(wěn)定等優(yōu)點。但對于室內(nèi)環(huán)境和高樓密布的城市， GI^S系統(tǒng)因為衛(wèi)星信號被阻隔導(dǎo)致定位精度嚴(yán)重下降甚至無法定位。因此近年來基于無線 接入點（Access化int,AP)的位置指紋室內(nèi)定位技術(shù)已成為國內(nèi)外研究的熱點。
[000引基于位置指紋的定位技術(shù)就是利用在感興趣區(qū)域（ROI)接收到的來自AP的RSS值來推斷觀察者或場景內(nèi)物體的位置，且事先不需知道AP的位置。此外基于位置指紋的定 位技術(shù)不需要添加額外的硬件支持可W方便的應(yīng)用在移動設(shè)備中，定位成本低，可W更好 的保護用戶的安全隱私。艾浩軍等在《一種基于Wi-Fi指紋的室內(nèi)定位方法》中公開了基 于RSS直方圖的設(shè)備校準(zhǔn)方法和時間平均法，仿真結(jié)果表明，該方法能精確定位到3米。黃 正勇等在《基于指紋聚類的新型室內(nèi)定位方法》中公開了一種基于相似性傳播聚類算法W 及最近鄰居法相結(jié)合的分層的室內(nèi)定位方法，仿真結(jié)果表明，基于指紋聚類的新型室內(nèi)定 位方法的最大定位誤差可達5. 1928米，平均定位誤差為2. 4088米，所需的定位時間為2. 49 秒。盡管位置指紋定位有諸多優(yōu)點并提出了一些定位方法，但是依然存在W下問題：
[0004] (1)位置指紋定位的一種常見思路是將其看成一個模式分類問題，目前使用 較多的基于模式分類器有K近鄰化-Nearest Nei曲bors, K-NN)、神經(jīng)網(wǎng)絡(luò)（Neural Networks, NN)和支持向量機（Suppo;rt Vector Machines, SVM)等。上述模分類的主要問題 是計算量大且所需的分類器多。如何改進定位算法來減少分類器數(shù)目，從而減少計算代價。
[0005] (2)更進一步地，如何確保在減少計算代價的同時還能提高定位精度。為了得到較 高的定位精度，在離線階段需要收集足夠多的可W代表定位區(qū)域內(nèi)時間和空間覆蓋的位置 指紋樣本。而大量的訓(xùn)練樣本必然會導(dǎo)致定位系統(tǒng)的訓(xùn)練時間變長、計算代價增大?，F(xiàn)有 的定位技術(shù)不能在減少計算代價的同時提高定位精度，而只能取其一，所W大多數(shù)定位技 術(shù)都W犧牲計算代價來獲取較高的定位精度。
[0006] 因此，有必要提供一種定位方法，既能減少了分類器數(shù)目，W此減少計算代價和定 位時間，又能同時提高定位精度。

【發(fā)明內(nèi)容】

[0007] 為了克服現(xiàn)有技術(shù)的上述缺點與不足，本發(fā)明提出一種基于位置指紋的軸向解禪 室內(nèi)定位方法，通過對X軸和Y軸獨立地進行定位決策，極大的減少了分類器數(shù)目，相應(yīng)的 定位時間也得到減少，同時提高了室內(nèi)定位系統(tǒng)的精度。
[000引本發(fā)明的技術(shù)方案為；
[0009] 一種基于位置指紋的軸向解禪室內(nèi)定位方法，該定位方法包括離線訓(xùn)練階段和在 線定位階段，離線訓(xùn)練階段包括W下步驟：
[0010] S1.將所需定位區(qū)域按XY坐標(biāo)軸劃分為l,Xly個網(wǎng)格，在各網(wǎng)格中，采集移動終 端接收到的各無線AP的RSS值【接收信號強度】，將得到的網(wǎng)格的RSS指紋作為樣本，記為 兩=レ巧'，n喊…n片，…，nv4p=l，2，…，w，其中w為樣本總數(shù)，i為樣本編號；r5<表示第i個樣本 中的第n個無線AP的RSS值，n= 1，2,. . .，N，N為可用的無線AP的總數(shù)；樣本的RSS特征 向量表示為=訪，其中叫和ni分別為第i個樣本對應(yīng)的網(wǎng)格在X軸和Y軸上的 類別號，且叫=1，2,. . .，1X，rii= 1，2,. . .，1y;再將按坐標(biāo)軸拆分為X軸和Y軸樣本， 分別表示為：為=訪，巧)，/；:.=(瓦巧）；
[0011] S2.對X軸和Y軸樣本進行歸一化處理；
[0012]S3.利用歸一化的X軸樣本和Y軸樣本分別訓(xùn)練基于模式的分類器，分別得到X軸 分類器與Y軸分類器；
[0013] 所述的在線定位階段包括W下步驟：
[0014]S4.采集移動終端在待定位區(qū)域接收到的各無線AP的RSS值，得到待定位區(qū)域的 RSS指紋7=(/-巧，'W2，...^ss。，...，^Mw；)，將J分別作為離線訓(xùn)練階段訓(xùn)練好的X軸分類器與Y 軸分類器的輸入，獨立地形成X軸和Y軸的決策結(jié)果；
[0015] S5.組合X軸和Y軸決策結(jié)果，確定待定位區(qū)域所屬網(wǎng)格，得到定位結(jié)果。
[0016]【所述S1中的網(wǎng)格并不局限于矩形，可W是非規(guī)則網(wǎng)格。所述S1采集各網(wǎng)格的 RSS指紋是在持續(xù)的一段時間內(nèi)進行，W避免各網(wǎng)格的RSS指紋采集時間不同，帶來的計算 誤差?！?br>[0017] 所述步驟S3中，基于模式的分類器為最小二乘支持向量機（LeastSquares Su卵ortVectorMachines,LS-SVM)分類器、支持向量機（Suppo;rtVectorMachines,SVM) 分類器或K近鄰化-NearestNei曲bors，K-NN)分類器。【本發(fā)明采用的基于模式分類器有 多重選擇，各分類器只是構(gòu)造的函數(shù)不一樣，雖然本發(fā)明中只WLS-SVM分類器為例來構(gòu)造 X軸，Y軸分類器，但應(yīng)該注意的是，使用其它基于模式分類器來實現(xiàn)本發(fā)明的技術(shù)方案，也 屬于本發(fā)明的保護范圍?！?br>[0018] 所述X軸分類器的決策函數(shù)尤(巧為：
[0019]
[0020] 其中，/為待定位區(qū)域的RSS指紋屯為闊值，= "…"')是拉格朗日乘子； Kf(7,巧是滿足Mercer條件的核函數(shù)；
[0021] 由于ス與X軸上的類別號叫對應(yīng)，若函數(shù)si即（?）括號中的數(shù)值是正數(shù)，貝U = 1，判斷待定位區(qū)域在X軸上屬于第叫類；否則若函數(shù)sign( ?)括號中的數(shù)值是負(fù) 數(shù)，則/、. (7) = -1，判斷待定位區(qū)域在X軸上不屬于第叫類；
[00巧滿足Mercer條件的核函數(shù)K,-(7,巧可W是多項式函數(shù)、徑向基函數(shù)（RB巧和 Sigmoid函數(shù)等，選擇不同的核函數(shù)構(gòu)造的分類器不同，本發(fā)明WRBF核函數(shù)、LS-SVM分類 器為例進行說明。
[002引所述(7,巧的計算方法為：
[0024]
[0025] 其中g(shù)y為核寬度，它決定了樣本特征子空間分布的復(fù)雜程度；II?II是向量的 2-范數(shù)：
[0026] 所述闊值6,與《,,0'=I，2，.由下式確定：
[0027]
[002引其中Cy為正則化參數(shù)。
[0029] 所述未知參數(shù)對（C,，g,)的取值方法為：先采用網(wǎng)格捜索法（gridsearch)選擇參 數(shù)對，然后采用交叉驗證法KrossValidation)進行尋優(yōu)，將使得分類準(zhǔn)確率最高的參數(shù) 對作為佔，吊）的取值；所述C,，g亦值范圍均為巧-W，2a步距為1。
[0030] 所述Y軸分類器的決策函數(shù)/,.(巧為：
[0031]
[003引其中，/為待定位區(qū)域的RSS指紋；by為闊值，《,,(/' = 1.2....，0是拉格朗日乘子； (7,別是滿足Mercer條件的核函數(shù)：
[0033] 由于Z與Y軸上的類別號n;對應(yīng)，若函數(shù)sign('）括號中的數(shù)值是正數(shù)，貝U /,..(巧=1，判斷待定位區(qū)域在Y軸上屬于第n;類；否則若函數(shù)sign( ?)括號中的數(shù)值是負(fù) 數(shù)，則/,.(巧=-1，判斷待定位區(qū)域在Y軸上不屬于第n;類；
[0034] 滿足Mercer條件的核函數(shù)K,..(7,巧可W是多項式函數(shù)、徑向基函數(shù)（RB巧和 Sigmoid函數(shù)等，選擇不同的核函數(shù)構(gòu)造的分類器不同，本發(fā)明WRBF核函數(shù)、LS-SVM分類 器為例進行說明。
[0035] 所述(7,巧的計算方法為：
[0036]
[0037] 其中；其中g(shù)y為核寬度，它決定了樣本特征子空間分布的復(fù)雜程度；
[003引所述闊值by與《,,0'=1，2，...，0由下式確定；
[0039]
[0040] 其中Cy為正則化參數(shù)。
[0041] 所述未知參數(shù)對（Cy，gy)的取值方法為：先采用網(wǎng)格捜索法（gridsearch)選擇參 數(shù)對，然后采用交叉驗證法KrossValidation)進行尋優(yōu)，將使得分類準(zhǔn)確率最高的參數(shù) 對作為（Cy，gy)的取值。所述Cy，gy取值范圍均為巧4°，2w]，步距為1。
[0042] 本發(fā)明的性能分析如下：
[0043] 傳統(tǒng)的位置指紋定位法是將區(qū)域劃分為若干個子區(qū)域，每個子區(qū)域代表一類，再 應(yīng)用多類分類器進行決策。如果將所需定位的二維定位區(qū)域劃分為lyXly的網(wǎng)格。其中每 個網(wǎng)格對應(yīng)于一個類別，那么有1,?ly個類別，并且位置坐標(biāo)為網(wǎng)格的中屯、，將該種方法稱 為網(wǎng)格法。而本發(fā)明提出的軸向解禪定位法不是同時估計X軸和Y軸坐標(biāo)，而是同時獨立 地估計兩軸坐標(biāo)。因此，對于X維，將所需定位劃分為個相等的列條紋，且每一列代表一 類；類似地，將Y維劃分為ly個相等的行條紋，且每一行代表一類。由此，可W得出軸向解 禪法有l(wèi)y+ly個類別，遠(yuǎn)遠(yuǎn)小于1yXly。即分類器數(shù)目很大程度上得到減少，同時相應(yīng)的訓(xùn) 練時間也得到減少。
[0044] 與現(xiàn)有技術(shù)相比，本發(fā)明具有W下優(yōu)點和有益效果：
[0045] 本發(fā)明提出的軸向解禪室內(nèi)定位方法是通過對X軸和Y軸獨立地進行定位決策， 大大減少了分類器數(shù)目，根據(jù)大量的計算機仿真證實，相應(yīng)的訓(xùn)練時間也得到減少，而且也 提高了定位精度。此外，本發(fā)明擁有位置指紋定位的優(yōu)點：可W很好的集成在移動終端且 不需要添加額外的硬件設(shè)備，降低了定位成本；用戶在定位過程中不需要知道無線AP的位 置，提高了系統(tǒng)的實用性。該種低復(fù)雜度的計算處理W及高精度的定位方法使在移動終端 上的實時定位成為可能。
【附圖說明】
[0046] 圖1 ;基于位置指紋的軸向解禪室內(nèi)定位框架；
[0047] 圖2 ;實施例中測試區(qū)域的地圖；
[0048] 圖3 ;LS-SV