專利名稱：一種定位方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及無線通信應(yīng)用領(lǐng)域，特別涉及一種定位方法和裝置。
背景技術(shù)：
隨著物聯(lián)網(wǎng)應(yīng)用的不斷擴大和深入，位置感知計算(Location-aware Computing)、基于位置的服務(wù)(LBS，Location-based Services)顯得越來越重要，離開位置 信息，感知數(shù)據(jù)也失去了應(yīng)用價值。由于RSSI (Received signal strength index，接收信 號強度指示)無需額外的硬件裝置，成本低，能滿足大規(guī)模應(yīng)用要求，目前，室內(nèi)定位大多 采用基于RSSI的定位方式。在現(xiàn)有技術(shù)中，基于RSSI的定位方式主要通過測距的方法實現(xiàn)，根據(jù)需要通過物 理手段直接測量節(jié)點間的距離，以判斷定位目標(biāo)的位置。在對節(jié)點間的距離測量時，需要獲 取目標(biāo)的接收發(fā)射信號的信號強度。定位目標(biāo)根據(jù)接收到的信號強度，計算信號在傳播過 程中的損耗，使用理論或經(jīng)驗的信號傳播模型將傳播損耗轉(zhuǎn)化為距離，通過該距離計算與 信號發(fā)射器的距離，達(dá)到定位的目的。但是，在發(fā)明人實現(xiàn)本發(fā)明的過程中，發(fā)現(xiàn)現(xiàn)有技術(shù)至少存在如下問題定位環(huán)境通常相對復(fù)雜，尤其表現(xiàn)在對室內(nèi)環(huán)境進(jìn)行定位時，信號微弱，且多徑、 反射現(xiàn)象嚴(yán)重，測距過程很容易受其影響產(chǎn)生測距誤差，且由此帶來的定位誤差容易造成 累積，影響定位精度。并且，在進(jìn)行定位時，定位目標(biāo)經(jīng)常處于移動的狀態(tài)，每一次定位都是 獨立的，不能體現(xiàn)定位目標(biāo)前后位置的相關(guān)性，缺乏定位精度。

發(fā)明內(nèi)容
為了解決現(xiàn)有技術(shù)中定位存在的問題，本發(fā)明提出了一種定位方法和裝置。所述 技術(shù)方案如下本發(fā)明實施例提出了一種定位方法，所述方法包括獲取未知位置的無線信號及所述無線信號的信號強度和所述無線信號所屬的預(yù) 先布設(shè)的信標(biāo)節(jié)點的ID (Identity，標(biāo)識碼)；對所述無線信號所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點的ID和信號強度進(jìn)行處理得到未知 位置特征；獲取所述未知位置的上一個位置的坐標(biāo)，并根據(jù)所述上一個位置的坐標(biāo)對定位區(qū) 域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除；根據(jù)所述未知位置特征和所述定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng)格的重心坐 標(biāo)計算得到所述未知位置的坐標(biāo)。進(jìn)一步地，在獲取未知位置的無線信號及該無線信號的信標(biāo)節(jié)點和信號強度之 前，所述方法還包括獲取所述定位區(qū)域內(nèi)的網(wǎng)格的信號特征；通過訓(xùn)練建立網(wǎng)格分類模型；
相應(yīng)地，所述根據(jù)所述未知位置特征和所述定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng) 格的重心坐標(biāo)計算得到所述未知位置的坐標(biāo)，具體的為，根據(jù)所述未知位置特征和所述網(wǎng) 格分類模型對所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排序，并獲取排序靠前的約定個網(wǎng)格的 重心坐標(biāo)，根據(jù)所述排序靠前的約定個網(wǎng)格的重心坐標(biāo)計算得到所述未知位置的坐標(biāo)。進(jìn)一步地，獲取定位區(qū)域內(nèi)的網(wǎng)格的信號特征，具體包括采用在所述每一個網(wǎng)格中自由移動的方式逐一的采集所述定位區(qū)域內(nèi)的每一個 網(wǎng)格的多個位置的信號特征，并將所述定位區(qū)域內(nèi)的每一個網(wǎng)格的多個位置的信號特征集 合起來作為所述定位區(qū)域內(nèi)的網(wǎng)格的信號特征。進(jìn)一步地，所述采集所述每一個網(wǎng)格的多個位置的信號特征中的一個位置的信號 特征，具體包括接收當(dāng)前位置可得到的無線信號，測量并讀取得到所述無線信號中的信標(biāo)節(jié)點ID 和所述當(dāng)前位置接收到的每個ID的信標(biāo)節(jié)點的無線信號的信號強度，并將當(dāng)前位置接收 不到的所述預(yù)先布設(shè)的信標(biāo)節(jié)點的無線信號的信號強度設(shè)置為默認(rèn)值；對所述每個ID的信標(biāo)節(jié)點的無線信號的信號強度進(jìn)行濾波處理；將所述進(jìn)行濾波處理后得到的所述每個ID的信標(biāo)節(jié)點的無線信號的信號強度保 存為所述當(dāng)前位置的信號特征；其中，所述信號特征在保存時，每個經(jīng)過濾波處理后的無線信號的信號強度與所 述無線信號的信號強度所屬的信標(biāo)節(jié)點的ID相對應(yīng)。進(jìn)一步地，所述通過訓(xùn)練建立網(wǎng)格分類模型，具體包括對所述信號特征進(jìn)行歸一化處理，并將歸一化處理結(jié)果作為所述網(wǎng)格的網(wǎng)格特 征；根據(jù)所述網(wǎng)格特征建立所述網(wǎng)格分類模型的訓(xùn)練集；取所述訓(xùn)練集中的每個樣本中的預(yù)設(shè)部分輸入到SVM (support vector machines，支持向量機)中建立訓(xùn)練模型；將所述訓(xùn)練集中每個樣本中的剩余部分輸入到SVM中進(jìn)行測試，判斷所述訓(xùn)練模 型的準(zhǔn)確率，并根據(jù)所述準(zhǔn)確率調(diào)整訓(xùn)練模型參數(shù)，將所述準(zhǔn)確率達(dá)到最高時得出的訓(xùn)練 模型作為網(wǎng)格分類模型；其中，所述訓(xùn)練集中每個樣本中的剩余部分為所述訓(xùn)練集中除去所述每個樣本中 的預(yù)設(shè)部分后剩余的部分。進(jìn)一步地，對所述信標(biāo)節(jié)點和信號強度進(jìn)行處理得到未知位置特征，具體包括對所述信號強度進(jìn)行濾波處理，得到所述信號強度的濾波處理結(jié)果；對所述濾波處理結(jié)果進(jìn)行歸一化處理，得到所述信號強度的歸一化處理結(jié)果；將所述信號強度的歸一化處理結(jié)果與所述信號強度所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點 的ID相對應(yīng)保存得到未知位置特征。進(jìn)一步地，根據(jù)所述上一個位置的坐標(biāo)對定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除， 具體包括根據(jù)所述上一個位置的坐標(biāo)和所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的重心坐標(biāo)計算 所述上一個位置與所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的距離，將與所述上一個位置的距離大 于預(yù)定值的網(wǎng)格進(jìn)行剔除。
進(jìn)一步地，根據(jù)所述未知位置特征和所述網(wǎng)格分類模型對所述定位區(qū)域內(nèi)預(yù)先劃 分的網(wǎng)格進(jìn)行排序，具體包括將所述未知位置特征和所述網(wǎng)格分類模型輸入到SVM中，采用一比一的分類策略 對所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行分類，并得出每兩類的分類結(jié)果，將所述分類結(jié)果 對應(yīng)的網(wǎng)格的投票值遞增1，當(dāng)所有分類運算結(jié)束后，根據(jù)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格 中每個網(wǎng)格的投票值從高到低進(jìn)行排序，其中，在對所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行 排序時，將所述定位區(qū)域內(nèi)被剔除的網(wǎng)格置為排序的末尾。一種定位裝置，所述裝置包括無線信號獲取模塊，用于獲取未知位置的無線信號及所述無線信號的信號強度和 所述無線信號所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點的標(biāo)識碼ID ；未知位置特征獲取模塊，用于對所述無線信號獲取模塊獲取的所述無線信號所屬 的預(yù)先布設(shè)的信標(biāo)節(jié)點的ID和信號強度進(jìn)行處理得到未知位置特征；剔除模塊，用于獲取所述未知位置的上一個位置的坐標(biāo)，并根據(jù)所述上一個位置 的坐標(biāo)對定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除；計算模塊，用于根據(jù)所述未知位置特征獲取模塊獲取的所述未知位置特征和所述 剔除模塊對所述定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng)格的重心坐標(biāo)計算得到所述未知位 置的坐標(biāo)。進(jìn)一步地，所述裝置還包括信號特征獲取模塊，用于獲取所述定位區(qū)域內(nèi)的網(wǎng)格的信號特征；網(wǎng)格分類模型建立模塊，用于通過訓(xùn)練建立網(wǎng)格分類模型；相應(yīng)地，所述計算模塊，具體包括排序單元，用于根據(jù)所述未知位置特征獲取模塊獲取的所述未知位置特征和所述 網(wǎng)格分類模型建立模塊建立的所述網(wǎng)格分類模型對所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行 排序；未知位置坐標(biāo)計算單元，用于獲取排序靠前的約定個網(wǎng)格的重心坐標(biāo)，根據(jù)所述 排序靠前的約定個網(wǎng)格的重心坐標(biāo)計算得到所述未知位置的坐標(biāo)。進(jìn)一步地，所述信號特征獲取模塊，具體包括信號特征采集單元，用于采用在所述每一個網(wǎng)格中自由移動的方式逐一的采集所 述定位區(qū)域內(nèi)的每一個網(wǎng)格的多個位置的信號特征；信號特征存儲單元，用于將所述信號特征采集單元采集的所述定位區(qū)域內(nèi)的每一 個網(wǎng)格的多個位置的信號特征集合起來作為所述定位區(qū)域內(nèi)的網(wǎng)格的信號特征。進(jìn)一步地，所述信號特征采集單元，具體用于接收當(dāng)前位置可得到的無線信號，測 量并讀取得到所述無線信號中的信標(biāo)節(jié)點ID和所述當(dāng)前位置接收到的每個ID的信標(biāo)節(jié)點 的無線信號的信號強度，并將當(dāng)前位置接收不到的所述預(yù)先布設(shè)的信標(biāo)節(jié)點的無線信號的 信號強度設(shè)置為默認(rèn)值，對所述每個ID的信標(biāo)節(jié)點的無線信號的信號強度進(jìn)行濾波處理， 將所述進(jìn)行濾波處理后得到的所述每個ID的信標(biāo)節(jié)點的無線信號的信號強度保存為所述 當(dāng)前位置的信號特征，其中，所述信號特征在保存時，每個經(jīng)過濾波處理后的無線信號的信 號強度與所述無線信號的信號強度所屬的信標(biāo)節(jié)點的ID相對應(yīng)。進(jìn)一步地，所述網(wǎng)格分類模型建立模塊，具體包括
網(wǎng)格特征獲取單元，用于對所述信號特征獲取模塊獲取的所述信號特征進(jìn)行歸一 化處理，并將歸一化處理結(jié)果作為所述網(wǎng)格的網(wǎng)格特征；訓(xùn)練集建立單元，用于根據(jù)所述網(wǎng)格特征獲取單元獲取的網(wǎng)格特征建立所述網(wǎng)格 分類模型的訓(xùn)練集；訓(xùn)練模型建立單元，用于從所述訓(xùn)練集建立單元建立的所述訓(xùn)練集中的每個樣本 中取出預(yù)設(shè)的部分輸入到SVM中建立訓(xùn)練模型；網(wǎng)格分類模型建立單元，用于將所述訓(xùn)練集建立單元建立的訓(xùn)練集中的每個樣本 的剩余部分輸入到SVM中進(jìn)行測試，判斷所述訓(xùn)練模型建立單元建立的訓(xùn)練模型的準(zhǔn)確 率，并根據(jù)所述準(zhǔn)確率調(diào)整訓(xùn)練模型參數(shù)，將所述準(zhǔn)確率達(dá)到最高時得出的訓(xùn)練模型作為 網(wǎng)格分類模型；其中，所述訓(xùn)練集中每個樣本中的剩余部分為所述訓(xùn)練集中除去所述每個樣本中 的預(yù)設(shè)部分后剩余的部分。進(jìn)一步地，所述未知位置特征獲取模塊，具體包括濾波單元，用于對所述信號強度進(jìn)行濾波處理，得到所述信號強度的濾波處理結(jié) 果；歸一化單元，用于對所述濾波單元得到的濾波處理結(jié)果進(jìn)行歸一化處理，得到所 述信號強度的歸一化處理結(jié)果；未知位置特征獲取單元，用于將所述歸一化單元得到的所述信號強度的歸一化處 理結(jié)果與所述信號強度所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點的ID相對應(yīng)保存得到未知位置特征。進(jìn)一步地，所述剔除模塊，具體包括坐標(biāo)獲取單元，用于獲取所述未知位置的上一個位置的坐標(biāo)；距離計算單元，用于根據(jù)所述上一個位置的坐標(biāo)和所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng) 格的重心坐標(biāo)計算所述上一個位置與所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的距離；剔除單元，用于根據(jù)所述距離計算單元計算得出的所述上一個位置與所述定位區(qū) 域內(nèi)預(yù)先劃分的網(wǎng)格的距離，將所述與所述上一個位置的距離大于預(yù)定值的網(wǎng)格進(jìn)行剔 除。進(jìn)一步地，所述排序單元，具體用于將所述未知位置特征獲取模塊獲取的所述未 知位置特征和所述網(wǎng)格分類模型建立模塊建立的所述網(wǎng)格分類模型輸入到SVM中，采用一 比一的分類策略對所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行分類，并得出每兩類的分類結(jié)果， 將所述分類結(jié)果對應(yīng)的網(wǎng)格的投票值遞增1，當(dāng)所有分類運算結(jié)束后，根據(jù)所述定位區(qū)域內(nèi) 預(yù)先劃分的網(wǎng)格中每個網(wǎng)格的投票值從高到低進(jìn)行排序，其中，在對所述定位區(qū)域內(nèi)預(yù)先 劃分的網(wǎng)格進(jìn)行排序時，將所述定位區(qū)域內(nèi)被剔除的網(wǎng)格置為排序的末尾。本發(fā)明實施例提供的技術(shù)方案的有益效果是本發(fā)明實施例所提供的用于定位的 方法，不需要進(jìn)行測距，因此不會產(chǎn)生測距誤差，進(jìn)行定位時的精度高，受信號影響程度小， 并且能夠體現(xiàn)動態(tài)定位過程中上一個位置與當(dāng)前位置的相關(guān)性，減小定位誤差。


為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例中使用的附圖并做 簡單地介紹，顯而易見地，下面所列附圖僅僅是本發(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為本發(fā)明實施例1所提供的一種定位方法的流程圖；圖2為本發(fā)明實施例2所提供的一種定位方法的流程圖；圖3為本發(fā)明實施例3所提供的一種定位裝置的結(jié)構(gòu)示意圖；圖4為本發(fā)明實施例3所提供的一種定位裝置的第二種結(jié)構(gòu)示意圖；圖5為本發(fā)明實施例3所提供的一種定位裝置中計算模塊的結(jié)構(gòu)示意圖；圖6為本發(fā)明實施例3所提供的一種定位裝置中信號特征獲取模塊的結(jié)構(gòu)示意 圖；圖7為本發(fā)明實施例3所提供的一種定位裝置中網(wǎng)格分類模型建立模塊的結(jié)構(gòu)示 意圖；圖8為本發(fā)明實施例3所提供的一種定位裝置中未知位置特征獲取模塊的結(jié)構(gòu)示 意圖；圖9為本發(fā)明實施例3所提供的一種定位裝置中剔除模塊的結(jié)構(gòu)示意圖。
具體實施例方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明實施方 式作進(jìn)一步地詳細(xì)描述。實施例1本發(fā)明實施例1提出了一種定位的方法，其流程如圖1所示，包括步驟101、獲取未知位置的無線信號及該無線信號的信號強度和該無線信號所屬 的預(yù)先布設(shè)的信標(biāo)節(jié)點的標(biāo)識碼ID ；步驟102、對無線信號所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點的ID和信號強度進(jìn)行處理得到 未知位置特征；步驟103、獲取未知位置的上一個位置的坐標(biāo)，并根據(jù)該上一個位置的坐標(biāo)對定位 區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除；步驟104、根據(jù)未知位置特征和定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng)格的重心坐 標(biāo)計算得到未知位置的坐標(biāo)。本發(fā)明實施例所提供的用于定位的方法，不需要進(jìn)行測距，因此不會產(chǎn)生測距誤 差，進(jìn)行定位時的精度高，受信號影響程度小，并且能夠體現(xiàn)動態(tài)定位過程中上一個位置與 當(dāng)前位置的相關(guān)性，減小定位誤差。實施例2本發(fā)明實施例2提出了一種定位的方法，是在實施例1基礎(chǔ)上改進(jìn)而來，其流程如 圖2所示，包括步驟201、獲取未知位置的無線信號，并獲取該無線信號所屬的預(yù)先布設(shè)的信標(biāo)節(jié) 點的ID和該無線信號的信號強度；其中，在未知位置使用無線信號接收裝置對無線信號進(jìn)行接收，無線信號接收裝 置在接收到無線信號后，可以讀取該無線信號中的信標(biāo)節(jié)點ID和該無線信號的信號強度。 并且，在未知位置無線信號接收裝置接收到的無線信號為多個，為由不同ID的預(yù)先布設(shè)的 信標(biāo)節(jié)點所發(fā)送，且對同一 ID的信標(biāo)節(jié)點發(fā)送的無線信號接收多個。
需要說明的是，當(dāng)未知位置不能接收到定位區(qū)域內(nèi)所有預(yù)先布設(shè)的信標(biāo)節(jié)點所發(fā) 出的無線信號時，將未知位置不能接收到的信標(biāo)節(jié)點的無線信號的信號強度設(shè)為默認(rèn)值， 例如，可以為-lOOdbm。在本實施例中，獲取未知位置的無線信號前，還可以包括建立網(wǎng)格分類模型。其 中，該建立網(wǎng)格分類模型的過程包括步驟2011-2014，具體如下2011、對定位區(qū)域進(jìn)行網(wǎng)格劃分；在本步驟中，對定位區(qū)域進(jìn)行網(wǎng)格劃分，具體的為將有定位需求的定位區(qū)域進(jìn)行 網(wǎng)格劃分，每個網(wǎng)格為一個單元，并分別對劃分得到的網(wǎng)格設(shè)置網(wǎng)格屬性，保存在位置指紋 數(shù)據(jù)庫。其中，上述網(wǎng)格屬性至少包括網(wǎng)格編號、網(wǎng)格重心坐標(biāo)。定位區(qū)域包括室外環(huán)境和室內(nèi)環(huán)境，室內(nèi)環(huán)境可以為工作室、休息室、衛(wèi)生間、大 廳、走廊以及樓層之間的樓梯區(qū)域等。相應(yīng)地，此時網(wǎng)格屬性還應(yīng)該包括樓層編號等，用以 確定當(dāng)前網(wǎng)格在定位區(qū)域中的位置。需要說明的是，在對定位區(qū)域進(jìn)行網(wǎng)格劃分時，根據(jù)定位的精度需求確定網(wǎng)格的 大小，當(dāng)需提高定位的精度時，應(yīng)縮小網(wǎng)格的大小。例如，當(dāng)定位需求精度較高時，可將定位 區(qū)域劃分為多個米級網(wǎng)格，當(dāng)定位精度較低時，即區(qū)域性定位(比如工作室、休息室、衛(wèi)生 間)，可將整個房間劃分為一個網(wǎng)格。上述網(wǎng)格進(jìn)行劃分時，可以為二維或三維空間，相應(yīng) 地，網(wǎng)格重心坐標(biāo)為二維或三維坐標(biāo)。2012、對定位區(qū)域布設(shè)信標(biāo)節(jié)點；在本步驟中，對定位區(qū)域布設(shè)信標(biāo)，優(yōu)選地為為定位區(qū)域布置信標(biāo)節(jié)點，使得在 定位區(qū)域內(nèi)的任一個位置均可以收到3個以上的可識別的不同的信標(biāo)節(jié)點的無線信號。信標(biāo)節(jié)點具體為無線信號發(fā)射裝置，例如可以為無線局域網(wǎng)AP(ACCeSS Point，接 入點)或無線傳感器網(wǎng)絡(luò)WSN(Wireless Sensor Networks)節(jié)點，用以向周圍不斷發(fā)射無 線信號(即廣播信息)，無線信號中帶有信標(biāo)節(jié)點ID，無線信號接收裝置在接收到無線信號 后，可以根據(jù)接收到的無線信號分辨出接收到的當(dāng)前無線信號來自哪一信標(biāo)節(jié)點，在定位 區(qū)域的任一位置應(yīng)可以接收到3個-75dbm以上信號強度的來自不同信標(biāo)的無線信號。同 時，在對信標(biāo)設(shè)置時，應(yīng)考慮無冗余，使得保證每個網(wǎng)格內(nèi)接收到的無線信號具有差異性。在本實施例中，以對定位區(qū)域內(nèi)預(yù)先布設(shè)的信標(biāo)節(jié)點的個數(shù)為5個為例進(jìn)行說 明，且上述5個信標(biāo)節(jié)點的ID分別為001、002、003、004、005。2013、獲取定位區(qū)域內(nèi)的網(wǎng)格的信號特征；在本實施例中，獲取定位區(qū)域內(nèi)的網(wǎng)格的信號特征，具體的為在定位區(qū)域內(nèi)對每 個網(wǎng)格逐一獲取該網(wǎng)格的信號特征，并且在獲取每一個網(wǎng)格的信號特征時，采用移動采集 的方式在每個網(wǎng)格內(nèi)自由移動獲取該網(wǎng)格中多個位置的無線信號，并對無線信號進(jìn)行處理 得到該網(wǎng)格的信號特征。下面具體以采集一個網(wǎng)格中的多個位置中的一個位置的信號特征進(jìn)行說明獲取 信號特征的方法，具體見步驟2013a到步驟2013c 2013a、使用無線信號接收裝置接收當(dāng)前位置可得到的全部無線信號，測量并讀取 無線信號中的信標(biāo)節(jié)點ID和當(dāng)前位置接收到的每個ID的信標(biāo)節(jié)點的無線信號的信號強 度；
其中，在對無線信號進(jìn)行采集時，可以選取在每一個網(wǎng)格中進(jìn)行自由移動的方式， 例如，測試人員可以手持無線信號接收裝置，在當(dāng)前網(wǎng)格中自由移動，可以將無線信號接收 裝置設(shè)置為每5ms采集一次無線信號，并根據(jù)此無線信號得到一條無線信號樣本，每個網(wǎng) 格的無線信號采集時間為50ms，則可得到10條無線信號樣本。在本實施例中，將無線信號接收裝置當(dāng)前正在采集無線信號時所處的位置定義為 當(dāng)前位置。下面舉例說明對當(dāng)前位置進(jìn)行無線信號采集得到一條無線信號樣本的過程；例如，無線信號接收裝置在當(dāng)前位置可獲得12個無線信號，讀取得到此12 個無線信號中的信標(biāo)節(jié)點的ID分別為001、002、003、004，并讀取此12個無線信號 的信號強度，得到ID為001的信標(biāo)節(jié)點的信號強度分別為48dbm、-30dbm、-29dbm, ID為002的信標(biāo)節(jié)點的信號強度分別為-50dbm、-51dbm、-52dbm, ID為003的信標(biāo)節(jié) 點的信號強度分別為-20dbm、-20dbm、-21dbm, ID為004的信標(biāo)節(jié)點的信號強度分別 為-30dbm、-30dbm、-31dbm，未接收到ID為005的信標(biāo)節(jié)點的無線信號，將ID為005的信 標(biāo)節(jié)點的信號強度設(shè)為默認(rèn)值-lOOdbm、-lOOdbm、_100dbm，并且得到的信號強度與預(yù)先布 設(shè)的信標(biāo)節(jié)點的ID需要相對應(yīng)。2013b、對步驟2013a中獲得的無線信號樣本進(jìn)行濾波處理，得到當(dāng)前位置的信號 特征；需要說明的是，對步驟2013a中獲得的每個ID的信標(biāo)節(jié)點的信號強度進(jìn)行濾波處 理具體的為，通過濾波的方法去掉步驟2013a中獲取的無線信號樣本中的每個ID的信標(biāo)節(jié) 點的無線信號的信號強度中震蕩的值，進(jìn)行限幅，并取均值，得到當(dāng)前位置的信號特征，并 作為當(dāng)前位置所屬的網(wǎng)格的一條信號特征進(jìn)行保存。其中，每一條信號特征在保存時，每個經(jīng)過濾波處理后的無線信號的信號強度與 該無線信號的信號強度所屬的信標(biāo)節(jié)點的ID相對應(yīng)。在采集完上述當(dāng)前位置的信號特征后，使用同步驟2013a到201 的方法，獲取當(dāng) 前網(wǎng)格內(nèi)下一個位置的無線信號并得到下一條信號特征，直到當(dāng)前網(wǎng)格的信號特征獲取結(jié) 束，例如，在本實施例中，每隔5ms采集一次無線信號，共采集50ms，則在當(dāng)前網(wǎng)格內(nèi)可獲取 10條信號特征，當(dāng)前網(wǎng)格的信號特征獲取結(jié)束，將這10條信號特征作為一個集合進(jìn)行存儲 即為當(dāng)前網(wǎng)格的信號特征。其中，在每次的無線信號采集時，自由移動無線信號接收裝置。按照上述方法，對每一個網(wǎng)格內(nèi)的信號特征進(jìn)行獲取，直到定位區(qū)域內(nèi)所有的網(wǎng) 格的信號特征都獲取結(jié)束。將獲取的定位區(qū)域內(nèi)所有的網(wǎng)格的信號特征存儲在位置指紋 庫，并且在保存時，信號特征與其所屬的網(wǎng)格相對應(yīng)。進(jìn)一步地，在獲得網(wǎng)格的信號特征后，還可以包括對網(wǎng)格的信號特征中的數(shù)值取 倒數(shù)。2014、通過訓(xùn)練建立網(wǎng)格分類模型。在本實施例中，通過訓(xùn)練得出網(wǎng)格分類模型的方法見步驟201 到2014d，具體 為2014a、對每個網(wǎng)格內(nèi)的每一條信號特征進(jìn)行歸一化處理，并將歸一化處理結(jié)果作 為所述網(wǎng)格的網(wǎng)格特征存入位置指紋庫；
12
需要說明的是，對信號特性進(jìn)行歸一化，目的是使信號特征的值保持在一個范圍 內(nèi)以得到網(wǎng)格特征，優(yōu)選地，可以采取如下公式進(jìn)行信號強度的歸一化處理y = (x-MinValue)/(MaxValue-MinValue)其中，χ為進(jìn)行歸一化處理前信號特征的值，y為進(jìn)行歸一化處理后得到的信號特 征的值，MaxValueJinValue分別為與X在同一網(wǎng)格內(nèi)獲取的同一 ID的信標(biāo)節(jié)點的信號特 征的最大值和最小值。在對全部信號特征進(jìn)行歸一化處理后，將每個網(wǎng)格的歸一化處理結(jié)果存為一個樣 本，作為該網(wǎng)格的網(wǎng)格特征存入位置指紋庫。2014b、建立網(wǎng)格分類模型的訓(xùn)練集；具體地，網(wǎng)格分類模型使用SVM進(jìn)行構(gòu)造，在本實施例中，定位區(qū)域被預(yù)先劃分為 N個網(wǎng)格，因此網(wǎng)格分類模型的訓(xùn)練集中包括N個樣本，每一個樣本為一個網(wǎng)格的網(wǎng)格特 征，也就是本實施例中應(yīng)包括N個網(wǎng)格特征。其中，在SVM中每個樣本包括多維，在本實施 例中體現(xiàn)為，維數(shù)與定位區(qū)域內(nèi)預(yù)先布設(shè)的信標(biāo)節(jié)點的個數(shù)相同，當(dāng)預(yù)先布設(shè)的信標(biāo)節(jié)點 的個數(shù)為5個時，則每個樣本空間為5維，每一維中的數(shù)據(jù)為該網(wǎng)格中獲取的同一 ID的信 標(biāo)節(jié)點的信號強度的歸一化處理結(jié)果。2014c、取訓(xùn)練集中每個樣本的預(yù)設(shè)部分輸入SVM中建立訓(xùn)練模型；具體地，取訓(xùn)練集中每個樣本的預(yù)設(shè)部分輸入SVM中建立訓(xùn)練模型，在將訓(xùn)練集 輸入SVM進(jìn)行運算前，采用相同的規(guī)則將每個樣本分為預(yù)設(shè)部分和剩余部分，將每個樣本 的的預(yù)設(shè)部分輸入到SVM中，運算得出訓(xùn)練模型。其中，因在本實施例中存在N個網(wǎng)格，因此將對N個網(wǎng)格的定位分為N類問題，使 用SVM對每兩個網(wǎng)格進(jìn)行一對一的分類，具體的為將所有的網(wǎng)格的網(wǎng)格特征作為樣本，并 將每個樣本中的預(yù)設(shè)部分輸入到SVM中進(jìn)行運算，可得出NX (N-I)/2個SVM分類器，并將 這NX (N-I)/2個SVM分類器組合為訓(xùn)練模型。2014d、將訓(xùn)練集中每個樣本的剩余部分輸入到SVM中對訓(xùn)練模型進(jìn)行測試，判斷 訓(xùn)練模型的準(zhǔn)確率，并根據(jù)準(zhǔn)確率調(diào)整訓(xùn)練模型參數(shù)，當(dāng)訓(xùn)練模型的準(zhǔn)確率達(dá)到最高時，將 此時的訓(xùn)練模型作為網(wǎng)格分類模型。其中，上述訓(xùn)練模型參數(shù)包括懲罰系數(shù)、損失函數(shù)的系數(shù)、核函數(shù)的類型等，SVM為 現(xiàn)有技術(shù)，這里不再贅述。上述訓(xùn)練集中每個樣本中的剩余部分為訓(xùn)練集中除去上述每個樣本中的預(yù)設(shè)部 分的部分。步驟202、對上述信號強度所屬的信標(biāo)節(jié)點ID和該信號強度進(jìn)行處理，得到未知 位置特征；其中，對信號強度進(jìn)行處理，得到未知位置特征具體的為，對信號強度進(jìn)行濾波處 理，得到濾波處理結(jié)果，對該濾波處理結(jié)果進(jìn)行歸一化處理，得到歸一化處理結(jié)果，將歸一 化處理結(jié)果保存為未知位置特征，并且在保存時，將歸一化處理結(jié)果與信號強度所屬的信 標(biāo)節(jié)點的ID相對應(yīng)；對無線信號的信號強度進(jìn)行濾波處理和歸一化處理的方法與步驟201中相同，這 里不再贅述。其中，該未知位置特征與網(wǎng)格特征相同，分為多維，維數(shù)與定位區(qū)域內(nèi)預(yù)先布設(shè)的信標(biāo)節(jié)點的個數(shù)相同，每一維為該未知位置接收到的同一 ID的信標(biāo)節(jié)點的信號強度的歸
一化處理結(jié)果。步驟203、讀取未知位置的上一個位置的坐標(biāo)，并計算上一個位置與各個網(wǎng)格的距 離，剔除與上一個位置的距離大于預(yù)定值的網(wǎng)格；需要說明的是，讀取未知位置的上一個位置的坐標(biāo)，其中，上一個位置的坐標(biāo)可以 通過以下方式獲得在本次定位前，對上一個位置定位得到的坐標(biāo)，該坐標(biāo)具體的為對上一個位置進(jìn) 行定位時，確定的上一個位置的坐標(biāo)。例如，在定位過程中，通常是采用動態(tài)定位的方式，即 目標(biāo)移動時，對目標(biāo)進(jìn)行連續(xù)定位，此時上一個位置的坐標(biāo)即進(jìn)行連續(xù)定位時上一個點的 位置的坐標(biāo)；或，在本次定位前，目標(biāo)未進(jìn)入定位區(qū)域，則將目標(biāo)進(jìn)入定位區(qū)域的初始位置的坐標(biāo) 作為上一個位置的坐標(biāo)。其中，剔除與上一個位置的距離大于預(yù)定值的網(wǎng)格，具體的為，將被剔除掉的網(wǎng)格 的投票值設(shè)置為0，并在本次定位完成前，上述被剔除掉的網(wǎng)格的投票值持續(xù)固定為0。步驟204、將未知位置特征使用一比一的策略與定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行 投票，并按投票值由高到低進(jìn)行排序；在本步驟中，將未知位置特征使用一比一的策略與定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn) 行投票，并進(jìn)行投票排序，具體地為將未知位置特征和網(wǎng)格分類模型輸入到SVM中采用一 比一的分類策略對定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行分類，并得出每兩類的分類結(jié)果，將分 類結(jié)果對應(yīng)的網(wǎng)格投票值遞增1，按照此方法進(jìn)行分類結(jié)束后，根據(jù)每個網(wǎng)格的投票值從高 到低對網(wǎng)格進(jìn)行排序。其中，進(jìn)行分類前，給定位區(qū)域內(nèi)每個未被剔除的網(wǎng)格設(shè)定投票值， 并且投票值初始均為0，在步驟203中被剔除的網(wǎng)格的投票值設(shè)置為本次定位結(jié)束前固定 為0。步驟205、讀取投票值排名靠前的約定個數(shù)的網(wǎng)格的重心坐標(biāo)，根據(jù)上述約定個數(shù) 的網(wǎng)格的重心坐標(biāo)計算得到未知位置的坐標(biāo)。在本步驟中，根據(jù)上述約定個數(shù)的網(wǎng)格的重心坐標(biāo)計算得到未知位置的坐標(biāo)具體 的為假設(shè)約定個數(shù)的網(wǎng)格為投票值排名最前的K個網(wǎng)格，讀取這K個網(wǎng)格的重心坐標(biāo)，以 這K個網(wǎng)格距離上一個位置的距離為權(quán)重計算得出未知位置的坐標(biāo)。例如有定位需求的定位區(qū)域劃分網(wǎng)格時為二維網(wǎng)格，在計算未知位置坐標(biāo)時，使 用投票排名前兩名的網(wǎng)格，且分別為S1、S2，其中，Sl的坐標(biāo)為(X1，Y1)，S2的坐標(biāo)為(X2， Y2)，Sl到上一個位置的距離為Dl，S2到上一個位置的距離為D2，優(yōu)選地，可以采用如下公 式計算未知位置的坐標(biāo)X = [D2/(D1+D2)]*X1+[D1/(D1+D2)]*X2 ；Y= [D2/(D1+D2)]*Y1+[D1/(D1+D2)]*Y2其中，(X，Y)為計算后得到的未知位置的坐標(biāo)。當(dāng)Sl的坐標(biāo)為(10，5)，S2的坐標(biāo) 為00，10)，Sl到上一個位置的距離為4，S2到上一個位置的距離為6，則可以采用上述公 式計算未知位置的坐標(biāo)X = [6/ (4+6) ] *10+ [4/ (4+6) ] *20 = 14
Y = [6/ (4+6) ] *5+ [4/ (4+6) ] *10 = 7因此，計算得到未知位置的坐標(biāo)為(14，7)。需要說明的是，本實施例中，在對未知位置的坐標(biāo)進(jìn)行計算時，不只上述一種方 法，還可以將上一點的坐標(biāo)加入到公式中作為權(quán)重的一個參考量，或?qū)?quán)重參考量進(jìn)行預(yù) 設(shè)，或?qū)⒐竭M(jìn)行變形，這都是本領(lǐng)域技術(shù)人員很容易想到的，都應(yīng)屬于本發(fā)明的保護范圍。進(jìn)一步地，在計算得到未知位置的坐標(biāo)后，還可以包括對計算得到的未知位置的 坐標(biāo)使用濾波算法進(jìn)行濾波，使得得到的未知位置的坐標(biāo)更加準(zhǔn)確，并將進(jìn)行濾波后的未 知位置的坐標(biāo)作為最終定位結(jié)果，并將此結(jié)果作為下一次定位的依據(jù)。例如，在本實施例 中，可以將計算得到的未知位置的坐標(biāo)使用卡爾曼濾波方法，加入上一個位置的坐標(biāo)、定位 目標(biāo)的移動速度等，進(jìn)行卡爾曼濾波，得到最終的定位結(jié)果。本發(fā)明實施例所提供的用于定位的方法，不需要進(jìn)行測距，因此不會產(chǎn)生測距誤 差，進(jìn)行定位時的精度高，受信號影響程度小，并且能夠體現(xiàn)動態(tài)定位過程中上一個位置與 當(dāng)前位置的相關(guān)性，減小定位誤差。實施例3本發(fā)明實施例3提出了一種定位裝置，其結(jié)構(gòu)如圖3所示，包括無線信號獲取模塊301，用于獲取未知位置的無線信號及該無線信號的信號強度 和所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點的標(biāo)識碼ID ；未知位置特征獲取模塊302，用于對無線信號獲取模塊301獲取的無線信號所屬 的預(yù)先布設(shè)的信標(biāo)節(jié)點的ID和信號強度進(jìn)行處理得到未知位置特征；剔除模塊303，用于獲取未知位置的上一個位置的坐標(biāo)，并根據(jù)上一個位置的坐標(biāo) 對定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除；計算模塊304，用于根據(jù)未知位置特征獲取模塊302獲取的未知位置特征和剔除 模塊303對定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng)格的重心坐標(biāo)計算得到未知位置的坐標(biāo)。進(jìn)一步地，如圖4所示，上述定位裝置還可以包括信號特征獲取模塊305，用于獲取定位區(qū)域內(nèi)的網(wǎng)格的信號特征；網(wǎng)格分類模型建立模塊306，用于通過訓(xùn)練建立網(wǎng)格分類模型；相應(yīng)地，如圖5所示，計算模塊304，具體包括排序單元3041，用于根據(jù)未知位置特征獲取模塊302獲取的未知位置特征和網(wǎng)格 分類模型建立模塊306建立的網(wǎng)格分類模型對定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排序；未知位置坐標(biāo)計算單元3042，用于獲取排序靠前的約定個網(wǎng)格的重心坐標(biāo)，根據(jù) 排序靠前的約定個網(wǎng)格的重心坐標(biāo)計算得到未知位置的坐標(biāo)。其中，排序單元3041，具體用于將未知位置特征獲取模塊302獲取的未知位置特 征和網(wǎng)格分類模型建立模塊306建立的網(wǎng)格分類模型輸入到SVM中，采用一比一的分類策 略對定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行分類，并得出每兩類的分類結(jié)果，將分類結(jié)果對應(yīng)的 網(wǎng)格的投票值遞增1，當(dāng)所有分類運算結(jié)束后，根據(jù)定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格中每個網(wǎng)格 的投票值從高到低進(jìn)行排序，其中，在對定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排序時，將定位區(qū) 域內(nèi)被剔除的網(wǎng)格置為排序的末尾。未知位置坐標(biāo)計算單元3042，具體用于獲取排序單元3041得到的排名靠前的約定個網(wǎng)格的重心坐標(biāo)，并以上一個位置與排名靠前的約定個網(wǎng)格的距離作為權(quán)重，根據(jù)排 名靠前的約定個網(wǎng)格的重心坐標(biāo)計算得出未知位置的坐標(biāo)。進(jìn)一步地，如圖6所示，信號特征獲取模決305，具體包括信號特征采集單元3051，用于采用在每一個網(wǎng)格中自由移動的方式逐一的采集定 位區(qū)域內(nèi)的每一個網(wǎng)格的多個位置的信號特征；信號特征存儲單元3052，用于將信號特征采集單元3051采集的定位區(qū)域內(nèi)的每 一個網(wǎng)格的多個位置的信號特征集合起來作為定位區(qū)域內(nèi)的網(wǎng)格的信號特征。其中，信號特征采集單元3052，具體用于，接收當(dāng)前位置可得到的無線信號，測量 并讀取得到所述無線信號中的信標(biāo)節(jié)點ID和所述當(dāng)前位置接收到的每個ID的信標(biāo)節(jié)點的 無線信號的信號強度，并將當(dāng)前位置接收不到的所述預(yù)先布設(shè)的信標(biāo)節(jié)點的無線信號的信 號強度設(shè)置為默認(rèn)值，對所述每個ID的信標(biāo)節(jié)點的無線信號的信號強度進(jìn)行濾波處理，將 所述進(jìn)行濾波處理后得到的所述每個ID的信標(biāo)節(jié)點的無線信號的信號強度保存為所述當(dāng) 前位置的信號特征，其中，所述信號特征在保存時，每個經(jīng)過濾波處理后的無線信號的信號 強度與所述無線信號的信號強度所屬的信標(biāo)節(jié)點的ID相對應(yīng)。進(jìn)一步地，如圖7所示，網(wǎng)格分類模型建立模塊306，具體包括網(wǎng)格特征獲取單元3061，用于對信號特征獲取模塊305獲取的信號特征進(jìn)行歸一 化處理，并將歸一化處理結(jié)果作為網(wǎng)格的網(wǎng)格特征；訓(xùn)練集建立單元3062，用于根據(jù)網(wǎng)格特征獲取單元3061獲取的網(wǎng)格特征建立網(wǎng) 格分類模型的訓(xùn)練集；訓(xùn)練模型建立單元3063，用于從訓(xùn)練集建立單元3062建立的訓(xùn)練集中的每個樣 本中取出預(yù)設(shè)的部分輸入SVM中建立訓(xùn)練模型；網(wǎng)格分類模型建立單元3064，用于將訓(xùn)練集建立單元3063建立的訓(xùn)練集中的每 個樣本的剩余部分輸入到SVM中進(jìn)行測試，判斷訓(xùn)練模型建立單元3063建立的訓(xùn)練模型的 準(zhǔn)確率，并根據(jù)準(zhǔn)確率調(diào)整訓(xùn)練模型參數(shù)，將準(zhǔn)確率達(dá)到最高時得出的訓(xùn)練模型作為網(wǎng)格 分類模型；其中，所述訓(xùn)練集中每個樣本中的剩余部分為訓(xùn)練集中除去每個樣本中的預(yù)設(shè)部 分后剩余的部分。進(jìn)一步地，如圖8所示，未知位置特征獲取模塊301，具體包括濾波單元3011，用于對信號強度進(jìn)行濾波處理，得到信號強度的濾波處理結(jié)果；歸一化單元3012，用于對濾波單元3011得到的濾波處理結(jié)果進(jìn)行歸一化處理，得 到信號強度的歸一化處理結(jié)果；未知位置特征獲取單元3013，用于將歸一化單元3013得到的信號強度的歸一化 處理結(jié)果與信號強度所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點的ID相對應(yīng)保存得到未知位置特征。進(jìn)一步地，剔除模塊303，如圖9所示，具體包括坐標(biāo)獲取單元3031，用于獲取未知位置的上一個位置的坐標(biāo)；距離計算單元3032，用于根據(jù)上一個位置的坐標(biāo)和定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的 重心坐標(biāo)計算上一個位置與定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的距離；剔除單元3033，用于根據(jù)距離計算單元3032計算得出的上一個位置與定位區(qū)域 內(nèi)預(yù)先劃分的網(wǎng)格的距離，將與上一個位置的距離大于預(yù)定值的網(wǎng)格進(jìn)行剔除。
本發(fā)明實施例所提供的定位裝置，不需要進(jìn)行測距，因此不會產(chǎn)生測距誤差，進(jìn)行 定位時的精度高，受信號影響程度小，并且能夠體現(xiàn)動態(tài)定位過程中上一個位置與當(dāng)前位 置的相關(guān)性，減小定位誤差。需要說明的是上述實施例提供的定位裝置，僅以上述各功能模塊的劃分進(jìn)行舉 例說明，實際應(yīng)用中，可以根據(jù)需要而將上述功能分配由不同的功能模塊完成，即將裝置的 內(nèi)部結(jié)構(gòu)劃分成不同的功能模塊，以完成以上描述的全部或者部分功能。另外，上述實施例 提供的定位裝置與定位方法實施例屬于同一構(gòu)思，其具體實現(xiàn)過程詳見方法實施例，這里 不再贅述。上述本發(fā)明實施例序號僅僅為了描述，不代表實施例的優(yōu)劣。本發(fā)明實施例中的全部或部分步驟，可以利用軟件實現(xiàn)，相應(yīng)的軟件程序可以存 儲在可讀取的存儲介質(zhì)中，如光盤或硬盤等。以上僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則 之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。
權(quán)利要求
1.一種定位方法，其特征在于，所述方法包括獲取未知位置的無線信號及所述無線信號的信號強度和所述無線信號所屬的預(yù)先布 設(shè)的信標(biāo)節(jié)點的標(biāo)識碼ID ；對所述無線信號所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點的ID和信號強度進(jìn)行處理得到未知位置 特征；獲取所述未知位置的上一個位置的坐標(biāo)，并根據(jù)所述上一個位置的坐標(biāo)對定位區(qū)域內(nèi) 預(yù)先劃分的網(wǎng)格進(jìn)行剔除；根據(jù)所述未知位置特征和所述定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng)格的重心坐標(biāo)計 算得到所述未知位置的坐標(biāo)。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在獲取未知位置的無線信號及該無線信 號的信標(biāo)節(jié)點和信號強度之前，所述方法還包括獲取所述定位區(qū)域內(nèi)的網(wǎng)格的信號特征； 通過訓(xùn)練建立網(wǎng)格分類模型；相應(yīng)地，所述根據(jù)所述未知位置特征和所述定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng)格的 重心坐標(biāo)計算得到所述未知位置的坐標(biāo)，具體的為，根據(jù)所述未知位置特征和所述網(wǎng)格分 類模型對所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排序，并獲取排序靠前的約定個網(wǎng)格的重心 坐標(biāo)，根據(jù)所述排序靠前的約定個網(wǎng)格的重心坐標(biāo)計算得到所述未知位置的坐標(biāo)。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，獲取定位區(qū)域內(nèi)的網(wǎng)格的信號特征，具體 包括采用在所述每一個網(wǎng)格中自由移動的方式逐一的采集所述定位區(qū)域內(nèi)的每一個網(wǎng)格 的多個位置的信號特征，并將所述定位區(qū)域內(nèi)的每一個網(wǎng)格的多個位置的信號特征集合起 來作為所述定位區(qū)域內(nèi)的網(wǎng)格的信號特征。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述采集所述每一個網(wǎng)格的多個位置的 信號特征中的一個位置的信號特征，具體包括接收當(dāng)前位置可得到的無線信號，測量并讀取得到所述無線信號中的信標(biāo)節(jié)點ID和 所述當(dāng)前位置接收到的每個ID的信標(biāo)節(jié)點的無線信號的信號強度，并將當(dāng)前位置接收不 到的所述預(yù)先布設(shè)的信標(biāo)節(jié)點的無線信號的信號強度設(shè)置為默認(rèn)值； 對所述每個ID的信標(biāo)節(jié)點的無線信號的信號強度進(jìn)行濾波處理； 將所述進(jìn)行濾波處理后得到的所述每個ID的信標(biāo)節(jié)點的無線信號的信號強度保存為 所述當(dāng)前位置的信號特征；其中，所述信號特征在保存時，每個經(jīng)過濾波處理后的無線信號的信號強度與所述無 線信號的信號強度所屬的信標(biāo)節(jié)點的ID相對應(yīng)。
5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述通過訓(xùn)練建立網(wǎng)格分類模型，具體包括對所述信號特征進(jìn)行歸一化處理，并將歸一化處理結(jié)果作為所述網(wǎng)格的網(wǎng)格特征； 根據(jù)所述網(wǎng)格特征建立所述網(wǎng)格分類模型的訓(xùn)練集；取所述訓(xùn)練集中的每個樣本中的預(yù)設(shè)部分輸入到支持向量機SVM中建立訓(xùn)練模型； 將所述訓(xùn)練集中每個樣本中的剩余部分輸入到SVM中進(jìn)行測試，判斷所述訓(xùn)練模型的 準(zhǔn)確率，并根據(jù)所述準(zhǔn)確率調(diào)整訓(xùn)練模型參數(shù)，將所述準(zhǔn)確率達(dá)到最高時得出的訓(xùn)練模型作為網(wǎng)格分類模型；其中，所述訓(xùn)練集中每個樣本中的剩余部分為所述訓(xùn)練集中除去所述每個樣本中的預(yù) 設(shè)部分后剩余的部分。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，對所述信標(biāo)節(jié)點和信號強度進(jìn)行處理得 到未知位置特征，具體包括對所述信號強度進(jìn)行濾波處理，得到所述信號強度的濾波處理結(jié)果； 對所述濾波處理結(jié)果進(jìn)行歸一化處理，得到所述信號強度的歸一化處理結(jié)果； 將所述信號強度的歸一化處理結(jié)果與所述信號強度所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點的ID 相對應(yīng)保存得到未知位置特征。
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)所述上一個位置的坐標(biāo)對定位區(qū)域 內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除，具體包括根據(jù)所述上一個位置的坐標(biāo)和所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的重心坐標(biāo)計算所述 上一個位置與所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的距離，將與所述上一個位置的距離大于預(yù) 定值的網(wǎng)格進(jìn)行剔除。
8.根據(jù)權(quán)利要求2所述的方法，其特征在于，根據(jù)所述未知位置特征和所述網(wǎng)格分類 模型對所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排序，具體包括將所述未知位置特征和所述網(wǎng)格分類模型輸入到SVM中，采用一比一的分類策略對所 述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行分類，并得出每兩類的分類結(jié)果，將所述分類結(jié)果對應(yīng) 的網(wǎng)格的投票值遞增1，當(dāng)所有分類運算結(jié)束后，根據(jù)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格中每 個網(wǎng)格的投票值從高到低進(jìn)行排序，其中，在對所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排序 時，將所述定位區(qū)域內(nèi)被剔除的網(wǎng)格置為排序的末尾。
9.一種定位裝置，其特征在于，所述裝置包括無線信號獲取模塊，用于獲取未知位置的無線信號及所述無線信號的信號強度和所述 無線信號所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點的標(biāo)識碼ID ；未知位置特征獲取模塊，用于對所述無線信號獲取模塊獲取的所述無線信號所屬的預(yù) 先布設(shè)的信標(biāo)節(jié)點的ID和信號強度進(jìn)行處理得到未知位置特征；剔除模塊，用于獲取所述未知位置的上一個位置的坐標(biāo)，并根據(jù)所述上一個位置的坐 標(biāo)對定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除；計算模塊，用于根據(jù)所述未知位置特征獲取模塊獲取的所述未知位置特征和所述剔除 模塊對所述定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng)格的重心坐標(biāo)計算得到所述未知位置的 坐標(biāo)。
10.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述裝置還包括 信號特征獲取模塊，用于獲取所述定位區(qū)域內(nèi)的網(wǎng)格的信號特征； 網(wǎng)格分類模型建立模塊，用于通過訓(xùn)練建立網(wǎng)格分類模型； 相應(yīng)地，所述計算模塊，具體包括排序單元，用于根據(jù)所述未知位置特征獲取模塊獲取的所述未知位置特征和所述網(wǎng) 格分類模型建立模塊建立的所述網(wǎng)格分類模型對所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排 序；未知位置坐標(biāo)計算單元，用于獲取排序靠前的約定個網(wǎng)格的重心坐標(biāo)，根據(jù)所述排序靠前的約定個網(wǎng)格的重心坐標(biāo)計算得到所述未知位置的坐標(biāo)。
11.根據(jù)權(quán)利要求10所述的裝置，其特征在于，所述信號特征獲取模塊，具體包括信號特征采集單元，用于采用在所述每一個網(wǎng)格中自由移動的方式逐一的采集所述定 位區(qū)域內(nèi)的每一個網(wǎng)格的多個位置的信號特征；信號特征存儲單元，用于將所述信號特征采集單元采集的所述定位區(qū)域內(nèi)的每一個網(wǎng) 格的多個位置的信號特征集合起來作為所述定位區(qū)域內(nèi)的網(wǎng)格的信號特征。
12.根據(jù)權(quán)利要求11所述的裝置，其特征在于，所述信號特征采集單元，具體用于接收 當(dāng)前位置可得到的無線信號，測量并讀取得到所述無線信號中的信標(biāo)節(jié)點ID和所述當(dāng)前 位置接收到的每個ID的信標(biāo)節(jié)點的無線信號的信號強度，并將當(dāng)前位置接收不到的所述 預(yù)先布設(shè)的信標(biāo)節(jié)點的無線信號的信號強度設(shè)置為默認(rèn)值，對所述每個ID的信標(biāo)節(jié)點的 無線信號的信號強度進(jìn)行濾波處理，將所述進(jìn)行濾波處理后得到的所述每個ID的信標(biāo)節(jié) 點的無線信號的信號強度保存為所述當(dāng)前位置的信號特征，其中，所述信號特征在保存時， 每個經(jīng)過濾波處理后的無線信號的信號強度與所述無線信號的信號強度所屬的信標(biāo)節(jié)點 的ID相對應(yīng)。
13.根據(jù)權(quán)利要求10所述的裝置，其特征在于，所述網(wǎng)格分類模型建立模塊，具體包括網(wǎng)格特征獲取單元，用于對所述信號特征獲取模塊獲取的所述信號特征進(jìn)行歸一化處 理，并將歸一化處理結(jié)果作為所述網(wǎng)格的網(wǎng)格特征；訓(xùn)練集建立單元，用于根據(jù)所述網(wǎng)格特征獲取單元獲取的網(wǎng)格特征建立所述網(wǎng)格分類 模型的訓(xùn)練集；訓(xùn)練模型建立單元，用于從所述訓(xùn)練集建立單元建立的所述訓(xùn)練集中的每個樣本中取 出預(yù)設(shè)的部分輸入到SVM中建立訓(xùn)練模型；網(wǎng)格分類模型建立單元，用于將所述訓(xùn)練集建立單元建立的訓(xùn)練集中的每個樣本的剩 余部分輸入到SVM中進(jìn)行測試，判斷所述訓(xùn)練模型建立單元建立的訓(xùn)練模型的準(zhǔn)確率，并 根據(jù)所述準(zhǔn)確率調(diào)整訓(xùn)練模型參數(shù)，將所述準(zhǔn)確率達(dá)到最高時得出的訓(xùn)練模型作為網(wǎng)格分 類模型；其中，所述訓(xùn)練集中每個樣本中的剩余部分為所述訓(xùn)練集中除去所述每個樣本中的預(yù) 設(shè)部分后剩余的部分。
14.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述未知位置特征獲取模塊，具體包括 濾波單元，用于對所述信號強度進(jìn)行濾波處理，得到所述信號強度的濾波處理結(jié)果； 歸一化單元，用于對所述濾波單元得到的濾波處理結(jié)果進(jìn)行歸一化處理，得到所述信號強度的歸一化處理結(jié)果；未知位置特征獲取單元，用于將所述歸一化單元得到的所述信號強度的歸一化處理結(jié) 果與所述信號強度所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點的ID相對應(yīng)保存得到未知位置特征。
15.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述剔除模塊，具體包括 坐標(biāo)獲取單元，用于獲取所述未知位置的上一個位置的坐標(biāo)；距離計算單元，用于根據(jù)所述上一個位置的坐標(biāo)和所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的 重心坐標(biāo)計算所述上一個位置與所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的距離；剔除單元，用于根據(jù)所述距離計算單元計算得出的所述上一個位置與所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的距離，將所述與所述上一個位置的距離大于預(yù)定值的網(wǎng)格進(jìn)行剔除。
16.根據(jù)權(quán)利要求10所述的裝置，其特征在于，所述排序單元，具體用于將所述未知位 置特征獲取模塊獲取的所述未知位置特征和所述網(wǎng)格分類模型建立模塊建立的所述網(wǎng)格 分類模型輸入到SVM中，采用一比一的分類策略對所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行分 類，并得出每兩類的分類結(jié)果，將所述分類結(jié)果對應(yīng)的網(wǎng)格的投票值遞增1，當(dāng)所有分類運 算結(jié)束后，根據(jù)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格中每個網(wǎng)格的投票值從高到低進(jìn)行排序， 其中，在對所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排序時，將所述定位區(qū)域內(nèi)被剔除的網(wǎng)格 置為排序的末尾。
全文摘要
本發(fā)明提出了一種定位方法和裝置，屬于無線通信應(yīng)用領(lǐng)域。方法包括獲取未知位置的無線信號，獲取無線信號的信號強度和所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點的標(biāo)識碼ID，對信標(biāo)節(jié)點的ID和信號強度進(jìn)行處理得到未知位置特征，獲取未知位置的上一個位置的坐標(biāo)，并根據(jù)上一個位置的坐標(biāo)對定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除，使用支持向量機對定位區(qū)域內(nèi)的網(wǎng)格進(jìn)行排序，并獲取排序靠前的約定個網(wǎng)格的重心坐標(biāo)，通過計算得出未知位置的坐標(biāo)。本發(fā)明提供的用于定位的定位方法和裝置，不需要進(jìn)行測距，因此不會產(chǎn)生測距誤差，進(jìn)行定位時的精度高，受信號影響程度小，并且能夠體現(xiàn)動態(tài)定位過程中上一個位置與當(dāng)前位置的相關(guān)性，減小定位誤差。
文檔編號H04B17/00GK102098780SQ20101060291
公開日2011年6月15日 申請日期2010年12月14日 優(yōu)先權(quán)日2010年12月14日
發(fā)明者劉文龍, 劉晨, 劉雯, 史丹丹, 孫子硯, 崔艷雯, 徐連明, 方靈, 朱宇佳, 李欣欣, 畢乾, 王珂, 盛慶, 裘昕, 鄧中亮 申請人:北京郵電大學(xué)