專利名稱:基于分區(qū)信息熵增益的wlan室內(nèi)定位方法
技術(shù)領(lǐng)域:
本發(fā)明涉及一種WLAN室內(nèi)定位方法。
背景技術(shù):
目前,隨著無線網(wǎng)絡(luò)的發(fā)展,出現(xiàn)了許多與室內(nèi)定位相關(guān)的技術(shù)和應(yīng)用,其中,隨著 IEEE 802. 11 標(biāo)準(zhǔn)的提出,無線局域網(wǎng) WLAN (Wireless Local Area Networks)進(jìn)一步在世界范圍內(nèi)被各種機(jī)構(gòu)和個人在不同環(huán)境下廣泛部署。而基于WLAN技術(shù)的室內(nèi)定位系統(tǒng)因具有部署方便,成本低,不需添加定位測量專用硬件等特點(diǎn)而受到廣泛重視。
在WLAN環(huán)境下,通過測量來自接入點(diǎn)AP (Access Point)的接收信號強(qiáng)度RSS(Received Signal Strength)值獲得相應(yīng)位置信息,結(jié)合信號強(qiáng)度數(shù)據(jù)庫求解,確定移動用戶的位置。其中基于位置指紋的定位算法因?yàn)槎ㄎ痪雀?,可充分利用現(xiàn)有設(shè)施,升級和維護(hù)對用戶影響小等優(yōu)點(diǎn)而得到廣泛應(yīng)用。位置指紋定位算法分為離線測量階段和在線定位階段兩個步驟,主要包括最近鄰法、K近鄰法、概率法和神經(jīng)網(wǎng)絡(luò)法。其中K近鄰法(KNN,K Nearest Neighbors)在算法復(fù)雜度和定位精度上都具有一定優(yōu)勢。但是,在實(shí)際的應(yīng)用中發(fā)現(xiàn),不同的AP具有不同的定位能力,他們對同一區(qū)域的定位有不同的定位貢獻(xiàn)。有的AP定位能力很強(qiáng),對定位的貢獻(xiàn)較多。有的AP定位能力差,對定位的貢獻(xiàn)較小,甚至降低定位精度,這部分AP如果應(yīng)用在定位中,不僅增加了很多無用的計(jì)算,而且很可能降低了定位性能。為此,我們需要引入一個原則來區(qū)分不同AP的定位能力。傳統(tǒng)方法一般根據(jù)接收到來自AP的RSS值大小來區(qū)分AP的定位能力,即對于某一區(qū)域,接收到某一 AP的平均信號強(qiáng)度越大,則認(rèn)為該AP的定位能力越強(qiáng)。實(shí)驗(yàn)表明,這種AP選取原則是不正確的,比如一個AP在定位區(qū)域內(nèi)各處的信號強(qiáng)度都比較大但波動較小,這類AP雖然信號強(qiáng)度平均值很大,但是定位能力較弱。另外,由于RSS的統(tǒng)計(jì)特性隨著物理位置的變化而變化,建立在整個定位區(qū)域的定位模型,包括AP選擇策略、定位特征提取模型都是次優(yōu)的。例如,一個AP對于定位環(huán)境中不同的位置有不同的定位貢獻(xiàn),比如一個AP可能對某一區(qū)域定位能力很好,但對其他區(qū)域定位能力很差,在這種情況下,如果對一個面積較大的定位環(huán)境整體進(jìn)行AP選擇,則這類AP很可能由于平均定位貢獻(xiàn)小而被去除,這不利于部分區(qū)域的定位。為此,當(dāng)我們進(jìn)行AP選擇時,應(yīng)先將較大的定位區(qū)域按照接收信號強(qiáng)度RSS值之間的相似性分區(qū),然后在每個相對小的子區(qū)域內(nèi)進(jìn)行AP選取。
發(fā)明內(nèi)容
本發(fā)明是為了能同時減少定位所需的運(yùn)算量并提高WLAN室內(nèi)定位的精度而提出的一種WLAN室內(nèi)定位方法。基于分區(qū)信息熵增益的WLAN室內(nèi)定位方法,它由以下步驟實(shí)現(xiàn)步驟一、針對室內(nèi)環(huán)境布置m個接入點(diǎn)AP,確保所述環(huán)境中任意一點(diǎn)被兩個或兩個以上的接入點(diǎn)AP發(fā)出的信號覆蓋,并在所述室內(nèi)環(huán)境中均勻設(shè)置N個參考點(diǎn);N為正整數(shù);步驟二、選取一個參考點(diǎn)為坐標(biāo)原點(diǎn)建立二維直角坐標(biāo)系,獲得N個參考點(diǎn)在該二維直角坐標(biāo)系中的坐標(biāo)位置,并在每個參考點(diǎn)上利用信號接收機(jī)采集并記錄來自每一個接入點(diǎn)AP的接收信號強(qiáng)度RSS值k次,并進(jìn)行數(shù)據(jù)處理;k為正整數(shù);
步驟三、根據(jù)步驟二中每個參考點(diǎn)上處理后的數(shù)據(jù)采用K均值聚類算法將室內(nèi)定位環(huán)境分成K個子區(qū)域;在每個子區(qū)域中各個參考點(diǎn)的接收信號強(qiáng)度RSS值具有相似的特征向量;步驟四、在每個子區(qū)域中引入信息熵增益模型,分別將所有AP按照對該子區(qū)域定位貢獻(xiàn)按從大到小的順序進(jìn)行排列,選取前t個定位貢獻(xiàn)最大的無線接入點(diǎn)AP作為定位AP ;步驟五、采集待測試點(diǎn)的信號強(qiáng)度RSS值,并根據(jù)所述RSS值和步驟三中的每個子區(qū)域的特征向量進(jìn)行比較,獲得待測試點(diǎn)的特征向量與各子區(qū)域的特征向量的距離,并將待測試點(diǎn)定位在與該測試點(diǎn)的特征向量距離最近的子區(qū)域內(nèi);步驟六、在被定位的子區(qū)域內(nèi),利用步驟四選取的t個定位AP,采用K近鄰位置指紋定位算法對待測試點(diǎn)進(jìn)行定位,從而實(shí)現(xiàn)基于分區(qū)信息熵增益的WLAN室內(nèi)定位。在每個參考點(diǎn)上利用信號接收機(jī)采集并記錄來自每一個接入點(diǎn)AP的接收信號強(qiáng)度RSS值k次,并進(jìn)行數(shù)據(jù)處理的具體方法是步驟Al、將每個參考點(diǎn)接收到的k次來自每一個接入點(diǎn)AP的接收信號強(qiáng)度RSS值形成一個kXm的矩陣;矩陣的第i’行第j’列表示第i次采集中接收到的來自第j個AP的接收信號強(qiáng)度RSS值;i’為小于或等于k的正整數(shù);j’為小于或等于m的正整數(shù);步驟A2、將每個參考點(diǎn)得到的kXm的矩陣中的列向量中所有元素相加獲得一個值,再把這個值除以k,每個參考點(diǎn)獲得一個I Xm特征向量,作為該參考點(diǎn)處理后的數(shù)據(jù)。在步驟三中根據(jù)步驟二處理后的數(shù)據(jù)采用K均值聚類算法將室內(nèi)定位環(huán)境分成K個子區(qū)域的具體方法是步驟BI、從步驟二中每個參考點(diǎn)上處理后的數(shù)據(jù)中選取K個參考點(diǎn)的接收信號強(qiáng)度RSS值作為K個子區(qū)域的聚類中心,為了避免初始聚類中心選取的隨機(jī)性對聚類算法產(chǎn)生的負(fù)面影響,可在定位區(qū)域均勻選取K個初始聚類中心,即(RSSn,RSS12,RSSlm)1,(RSS21, RSS22,RSS2J \ ……(RSSK1,RSSk2, RSSj 1 ;步驟B2、分別計(jì)算N個參考點(diǎn)與K個子區(qū)域的聚類中心的歐式距離,并將N個參考點(diǎn)分別分配給與該參考點(diǎn)之間的歐氏距離最小的子區(qū)域,第f個參考點(diǎn)與第h個聚類中心的距離dfh如下式
權(quán)利要求
1.基于分區(qū)信息熵增益的WLAN室內(nèi)定位方法,其特征是它由以下步驟實(shí)現(xiàn) 步驟一、針對室內(nèi)環(huán)境布置m個接入點(diǎn)AP,確保所述環(huán)境中任意一點(diǎn)被兩個或兩個以上的接入點(diǎn)AP發(fā)出的信號覆蓋,并在所述室內(nèi)環(huán)境中均勻設(shè)置N個參考點(diǎn);N為正整數(shù); 步驟ニ、選取ー個參考點(diǎn)為坐標(biāo)原點(diǎn)建立ニ維直角坐標(biāo)系,獲得N個參考點(diǎn)在該ニ維直角坐標(biāo)系中的坐標(biāo)位置,并在每個參考點(diǎn)上利用信號接收機(jī)采集并記錄來自每ー個接入點(diǎn)AP的接收信號強(qiáng)度RSS值k次,并進(jìn)行數(shù)據(jù)處理;k為正整數(shù); 步驟三、根據(jù)步驟ニ中每個參考點(diǎn)上處理后的數(shù)據(jù)采用K均值聚類算法將室內(nèi)定位環(huán)境分成K個子區(qū)域;在每個子區(qū)域中各個參考點(diǎn)的接收信號強(qiáng)度RSS值具有相似的特征向量; 步驟四、在每個子區(qū)域中引入信息熵增益模型,分別將所有AP按照對該子區(qū)域定位貢獻(xiàn)按從大到小的順序進(jìn)行排列,選取前t個定位貢獻(xiàn)最大的無線接入點(diǎn)AP作為定位AP ; 步驟五、采集待測試點(diǎn)的信號強(qiáng)度RSS值,井根據(jù)所述RSS值和步驟三中的每個子區(qū)域的特征向量進(jìn)行比較,獲得待測試點(diǎn)的特征向量與各子區(qū)域的特征向量的距離,并將待測試點(diǎn)定位在與該測試點(diǎn)的特征向量距離最近的子區(qū)域內(nèi); 步驟六、在被定位的子區(qū)域內(nèi),利用步驟四選取的t個定位AP,采用K近鄰位置指紋定位算法對待測試點(diǎn)進(jìn)行定位,從而實(shí)現(xiàn)基于分區(qū)信息熵增益的WLAN室內(nèi)定位。
2.根據(jù)權(quán)利要求I所述的基于分區(qū)信息熵增益的WLAN室內(nèi)定位方法,其特征在于在每個參考點(diǎn)上利用信號接收機(jī)采集并記錄來自每ー個接入點(diǎn)AP的接收信號強(qiáng)度RSS值k次,并進(jìn)行數(shù)據(jù)處理的具體方法是 步驟Al、將每個參考點(diǎn)接收到的k次來自每ー個接入點(diǎn)AP的接收信號強(qiáng)度RSS值形成ー個kXm的矩陣;矩陣的第i’行第j’列表示第i次采集中接收到的來自第j個AP的接收信號強(qiáng)度RSS值;i’為小于或等于k的正整數(shù);j為小于或等于m的正整數(shù); 步驟A2、將每個參考點(diǎn)得到的kXm的矩陣中的列向量中所有元素相加獲得ー個值,再把這個值除以k,每個參考點(diǎn)獲得ー個I Xm特征向量,作為該參考點(diǎn)處理后的數(shù)據(jù)。
3.根據(jù)權(quán)利要求2所述的基于分區(qū)信息熵增益的WLAN室內(nèi)定位方法,其特征在于在步驟三中根據(jù)步驟ニ處理后的數(shù)據(jù)采用K均值聚類算法將室內(nèi)定位環(huán)境分成K個子區(qū)域的具體方法是 步驟BI、從步驟ニ中每個參考點(diǎn)上處理后的數(shù)據(jù)中選取K個參考點(diǎn)的接收信號強(qiáng)度RSS值作為K個子區(qū)域的聚類中心,在定位區(qū)域均勻選取K個初始聚類中心,即(RSS11, RSS12,RSSlm)1, (RSS21, RSS22,RSS2J \ ……(RSSK1,RSSk2, RSSj 1 ; 步驟B2、分別計(jì)算N個參考點(diǎn)與K個子區(qū)域的聚類中心的歐式距離,并將N個參考點(diǎn)分別分配給與該參考點(diǎn)之間的歐氏距離最小的子區(qū)域,第f個參考點(diǎn)與第h個聚類中心的距離dfh如下式:
4.根據(jù)權(quán)利要求3所述的基于分區(qū)信息熵增益的WLAN室內(nèi)定位方法,其特征在于步驟四中在每個子區(qū)域中引入信息熵增益模型,分別將所有AP按照對該子區(qū)域定位貢獻(xiàn)按從大到小的順序進(jìn)行排列,選取前t個定位貢獻(xiàn)最大的無線接入點(diǎn)AP作為定位AP的具體方法是 步驟Cl、設(shè)各子區(qū)域內(nèi)有η個參考點(diǎn),對每ー個參考點(diǎn)在k次接收信號強(qiáng)度RSS值測量中接收到的來自每個AP的接收信號強(qiáng)度RSS值進(jìn)行統(tǒng)計(jì),并在每ー個參考點(diǎn)都生成ー個mXlOl的矩陣,該矩陣的第i”行第j”列表示該參考點(diǎn)接收到的來自APi的接收信號強(qiáng)度RSS值大小為-(j-1) dBm的概率;i”為小于或等于m的正整數(shù);j”為小于或等于101的正整數(shù);i為小于或等于m的正整數(shù); 步驟C2、在每個子區(qū)域內(nèi),以每個參考點(diǎn)為中心做大小相等、相互連接的方格Cg,g為小于或等于η的正整數(shù);其中,將每ー參考點(diǎn)離線階段接收到的來自各無線接入點(diǎn)AP的信號強(qiáng)度RSS值作為該參考點(diǎn)對應(yīng)方格的定位信息; 當(dāng)沒有導(dǎo)入待測試點(diǎn)獲得的來自任一無線接入點(diǎn)AP的信號強(qiáng)度RSS值時,待測試點(diǎn)的實(shí)際位置在各個方格中的熵值為
5.根據(jù)權(quán)利要求3所述的基于分區(qū)信息熵增益的WLAN室內(nèi)定位方法,其特征在于步驟六中在被定位的子區(qū)域內(nèi),利用步驟四選取的t個定位AP,采用K近鄰位置指紋定位算法對待測試點(diǎn)進(jìn)行定位的具體方法是 步驟DI、在被定位的子區(qū)域中,η個參考點(diǎn)中姆ー個參考點(diǎn)都對應(yīng)ー個I Xm的向量,該向量中的第j’個元素表示在該參考點(diǎn)處獲得的來自AP^的接收信號強(qiáng)度RSS均值; 根據(jù)已經(jīng)確定的該子區(qū)域內(nèi)定位能力最強(qiáng)的前t個AP,將該子區(qū)域內(nèi)不參與定位的接收信號強(qiáng)度RSS值去除,則測試點(diǎn)的特征向量(RSS1, RSS2,... RSSt)與第g個參考點(diǎn)的特征向量(RSSgl,RSSg2,. . . RSSgt)之間的距離 dg(1 為
全文摘要
基于分區(qū)信息熵增益的WLAN室內(nèi)定位方法,涉及一種WLAN室內(nèi)定位方法。它是為了能同時減少定位所需的運(yùn)算量并能夠提高WLAN室內(nèi)定位的精度而提出的。本發(fā)明首先在離線階段通過在各參考點(diǎn)測量接收到的來自各個AP的信號強(qiáng)度RSS值作為位置指紋信息,然后利用K均值聚類算法對定位空間分區(qū),并在每個子區(qū)域中引入信息熵增益模型選出定位能力最強(qiáng)的t個AP;在線階段,首先根據(jù)測試點(diǎn)與各聚類中心的特征向量距離大小確定測試點(diǎn)在哪個子區(qū)域,然后在每個子區(qū)域中分別利用已選擇的t個AP應(yīng)用K近鄰定位算法實(shí)現(xiàn)對測試點(diǎn)的精確定位。本發(fā)明適用于WLAN室內(nèi)定位。
文檔編號H04W64/00GK102821465SQ20121032966
公開日2012年12月12日 申請日期2012年9月7日 優(yōu)先權(quán)日2012年9月7日
發(fā)明者馬琳, 馬欣茹, 劉曦, 周才發(fā), 徐玉濱, 強(qiáng)蔚 申請人:哈爾濱工業(yè)大學(xué)