一種用于無線室內定位的接入點選擇算法
【專利摘要】本發(fā)明公開了一種用于無線室內定位的接入點選擇算法，采集各AP的RSS信號，根據聚類算法確定目標定位區(qū)域，部署參考點RP，在每一個RP位置接收來自所有可見AP的信號，并將RSS值與對應的RP坐標存儲至指紋數據庫，建立原始指紋數據庫；對定位區(qū)域進行聚類分塊，將較大的定位區(qū)域分成若干個小的定位子區(qū)域，每一個定位子區(qū)域，根據IGW信息增益權重準則，進行AP選擇，獲取更有利于定位精度和復雜度的AP集合；根據KD-LDA算法，從AP集合對應的AP的RSS信號中提取最具判別能力的定位特征，利用定位特征，采用支持向量回歸(SVR)的方法進行位置解算。本發(fā)明的有益效果是提高室內定位的解算效率和定位精度。
【專利說明】
【技術領域】
[0001] 本發(fā)明屬于無線定位【技術領域】，涉及一種用于無線室內定位的接入點選擇算法。 一種用于無線室內定位的接入點選擇算法

【背景技術】
[0002] 來自不同AP的RSS信號所包含的信息量是不同的，在當前各個公共熱點高密度部 署AP情況下，這種差異尤為明顯。因此并不是所有的AP提供的RSS信號都有利于定位，很 多RSS受到各種各樣的噪聲影響，含有大量的不利于定位的信息，不僅不會提高系統(tǒng)的定 位精度，反而起到相反的作用。針對已有的AP選擇算法沒有考慮AP的查全率和查準率問 題，本文基于信息熵理論，提出了基于信息增益權重的AP選擇算法。對基于RSS的AP的定 位能力進行判別，篩選出最優(yōu)的AP集合用于定位。該算法更有利于去掉冗余的AP，提高定 位算法的解算效率和定位精度。
[0003] 理論上，可以利用的AP個數越多，越有利于室內定位。在WLAN室內定位初期，由 于每個室內環(huán)境AP部署數量不多，關于AP的選擇還沒引起科研人員的足夠重視。但為滿 足人們日常生活和工作的需求，絕大多數的室內環(huán)境都部署了大量的較高密度AP。隨著可 以利用的AP數量急劇增加（比如在某幢大樓，最多可感測到近200個AP)，為位置指紋的定 位帶來了兩個突出問題：
[0004] 其一，并不是所有AP的信息都是有利于定位結果的產生，有些AP由于距離或噪聲 的干擾，所攜帶的用于定位的信息量較少，可能會導致定位精度下降；
[0005] 其二，越多的AP，意味著有更多的信息需要處理，這將增加計算的復雜度。
[0006] 因此，從感測到的AP中選取最有利于定位結果的AP子集合是新室內環(huán)境下提高 定位精度、降低定位算法復雜度的重要方法和途徑。目前較流行的AP選擇法是對RSS進行 預處理。AP選擇算法的中心思想是通過某種判決準則，在已監(jiān)測到的AP中保留位置表現(xiàn)力 較強的AP用于定位。Kushki等人通過度量AP之間的分散度來選擇AP。研究證明，如選取 恰當的AP用于定位，既可以降低定位誤差，又可以降低定位算法的復雜度。定位算法往往 需要若干個AP組成集合用于定位，已有文獻中的AP選擇法往往是通過計算每個AP的最大 信息熵來加以選擇，都沒有考慮選擇接入點的全面性和準確性。本發(fā)明可充分考慮AP選擇 的查全率和查準率，避免漏選和錯選，利用本算法獲得的用于定位的AP集合能更有效地提 高系統(tǒng)的定位精度和小定位誤差的概率。并通過減少用戶定位的AP數量達到降低系統(tǒng)計 算復雜度的目的。


【發(fā)明內容】

[0007] 本發(fā)明的目的在于提供一種用于無線室內定位的接入點選擇算法，解決了現(xiàn)有的 在當前各個公共熱點高密度部署AP情況下，以往的算法沒有考慮AP選擇的查全率和查準 率，也就是來自某些AP的RSS信號所包含的信息量不利于定位精度的問題。
[0008] 本發(fā)明所采用的技術方案是按照以下步驟進行：
[0009] Stepl :采集各AP的RSS信號，根據聚類算法確定目標定位區(qū)域，部署參考點RP， 在每一個RP位置接收來自所有可見AP的信號，并將RSS值與對應的RP坐標存儲至指紋數 據庫，建立原始指紋數據庫；
[0010] Step2:對定位區(qū)域進行聚類分塊，將較大的定位區(qū)域分成若干個小的定位子區(qū) 域，并分別建模，以達到降低計算復雜度、提高定位精度的目的；
[0011] Step3 :每一個定位子區(qū)域，根據IGW信息增益權重準則，進行AP選擇，去掉不利于 定位的AP，獲取更有利于定位精度和復雜度的AP集合；
[0012] Step4 :根據KD-LDA算法，從AP集合對應的AP的RSS信號中提取最具判別能力的 定位特征，建立實用的RM;
[0013] Step5 :利用定位特征，采用支持向量回歸（SVR)的方法進行位置解算。
[0014] 進一步，所述Step2中將較大的定位區(qū)域分成若干個小的定位子區(qū)域的方法為：
[0015] 步驟一，k-means聚類在整個RM中選取k個指紋作為初始聚類中心；
[0016] 步驟二，對于除k個聚類中心之外的其它所有接收信號強度均值，則根據它們與 這些聚類中心的歐式距離，分別將它們分配給與其歐式距離最近的聚類；
[0017] 步驟三，執(zhí)行完所有的指紋后，獲得新的聚類，將新聚類的所有指紋的平均值作為 新的聚類中心；
[0018] 步驟四，不斷重復步驟二和三，直到k個聚類中心不再發(fā)生變化，終止迭代。
[0019] 進一步，所述st印3中，信息增益權重準則為：
[0020] 假設D表示數據集合，F(xiàn)表示特征集合：F = {A, f2,…，f|F|}, C表示類別集：C = {Cl，c2，…，C|c|}，同時假設C(Ck，fi)為c k的訓練例中包含的特征心數量，|ck|為ck的訓練 例個數，為ck的訓練例中不包含&的訓練例個數，C(D，A)為集合D中包含圮 的總個數，Z)為D中不包含A的個數，則定義A對D的信息增益G(D，A)為：
[0021]

【權利要求】
1. 一種用于無線室內定位的接入點選擇算法，其特征在于按照以下步驟進行： Stepl :采集各AP的RSS信號，根據聚類算法確定目標定位區(qū)域，部署參考點RP，在每 一個RP位置接收來自所有可見AP的信號，并將RSS值與對應的RP坐標存儲至指紋數據庫， 建立原始指紋數據庫； Step2:對定位區(qū)域進行聚類分塊，將較大的定位區(qū)域分成若干個小的定位子區(qū)域，并 分別建模，以達到降低計算復雜度、提高定位精度的目的； Step3 :每一個定位子區(qū)域，根據IGW信息增益權重準則，進行AP選擇，去掉不利于定位 的AP，獲取更有利于定位精度和復雜度的AP集合； Step4 :根據KD-LDA算法，從AP集合對應的AP的RSS信號中提取最具判別能力的定位 特征，建立實用的RM; Step5:利用定位特征，采用支持向量回歸（SVR)的方法進行位置解算。
2. 按照權利要求1所述一種用于無線室內定位的接入點選擇算法，其特征在于：所述 step2中將較大的定位區(qū)域分成若干個小的定位子區(qū)域的方法為： 步驟一，k-means聚類在整個RM中選取k個指紋作為初始聚類中心； 步驟二，對于除k個聚類中心之外的其它所有接收信號強度均值，則根據它們與這些 聚類中心的歐式距離，分別將它們分配給與其歐式距離最近的聚類； 步驟三，執(zhí)行完所有的指紋后，獲得新的聚類，將新聚類的所有指紋的平均值作為新的 聚類中心； 步驟四，不斷重復步驟二和三，直到k個聚類中心不再發(fā)生變化，終止迭代。
3. 按照權利要求1所述一種用于無線室內定位的接入點選擇算法，其特征在于：所述 step3中，信息增益權重準則為： 假設D表示數據集合，F(xiàn)表示特征集合：F= {A, f2,…，f|F|}，C表示類別集：C = {Cl，c2，…，C|c|}，同時假設C(Ck，fi)為c k的訓練例中包含的特征心數量，|ck|為ck的訓練 例個數，為ck的訓練例中不包含&的訓練例個數，C(D，fj為集合D中包含&的 總個數，為D中不包含&的個數，則定義&對D的信息增益G (D，fj為：
其中，i = 1，2,…，|F| ;E(D)為D的熵；E(DV)為Dv的熵，則信息增益計算公式可表達 為：
G(D，A)的物理含義是用&分割集合D導致期望熵降低的程度，此值越大，表明&對分 類越有用，ΕΦ)反映的是％在各類別中分布的混亂程度，其最小值為0,當且僅當滿足下列 條件的特征分布有利于提高分類器在Ck上的查準率，條件為：
已仇）反映的是Di在各類另IJ中分布的混亂程度，其最小值為0,當且僅當滿足下列條件 的特征分布有利于提高分類器在ck上的查全率，條件為：
為了平衡|%|和|D」對于IG值的影響，修正的信息增益為：
式中，α+β = 1，α與β值的大小分別與查準率和查全率成正比，權重系數α取值 在0.2?0.3之間，而β取在0.7?0.8之間。
【文檔編號】H04W64/00GK104093203SQ201410319663
【公開日】2014年10月8日 申請日期:2014年7月7日 優(yōu)先權日:2014年7月7日
【發(fā)明者】陳麗娜, 蘇開樂, 苗春雨 申請人:浙江師范大學