技術(shù)特征：

1.一種基于插值的室內(nèi)指紋定位方法，其特征在于，包括如下步驟：

步驟1，卡爾曼濾波；

步驟11，以已知位置待處理的接收信號(hào)強(qiáng)度RSSI值為輸入，由于RSSI值易受干擾噪聲的影響，而卡爾曼濾波是高斯過(guò)程最優(yōu)濾波的一種有效算法，經(jīng)處理得到目標(biāo)RSSI值；

步驟2，協(xié)同克里格插值算法；

步驟21，以步驟11獲取的RSSI值為主變量、節(jié)點(diǎn)的通訊鏈路質(zhì)量LQI值為輔變量作為輸入，使用協(xié)同克里個(gè)插值算法對(duì)定位區(qū)域內(nèi)的未知位置點(diǎn)的RSSI值進(jìn)行最優(yōu)、無(wú)偏、線性估計(jì)，具體步驟包括為：

步驟211，使用協(xié)同克里格插值算法找到樣本點(diǎn)之間的依存關(guān)系，首先利用配對(duì)關(guān)系Pair_i＝(d_i,RSSI_i)、Pair_j＝(d_j,LQI_j)進(jìn)行自相關(guān)性和互相關(guān)心過(guò)的空間建模，d_i和d_j分別表示兩個(gè)傳感器節(jié)點(diǎn)間的距離，RSSI_i和LQI_j表示傳感器節(jié)點(diǎn)所獲取的RSSI值和對(duì)應(yīng)的LQI值，具體步驟包括為：

步驟2111，根據(jù)測(cè)量的樣本點(diǎn)在空間上的分布情況，分析自相關(guān)性的半變異函數(shù)，如公式(1)所示

$\mathrm{\γ}\left(h\right)=\frac{1}{2n}\underset{i=1}{\overset{n}{\Σ}}{\left(z\right(x_a)-z(x_a+h\left)\right)}^2---\left(1\right)$

式(1)中n表示關(guān)系對(duì)Pair_i的數(shù)量，z(x_a)和z(x_a+h)分別表示配對(duì)的兩個(gè)節(jié)點(diǎn)的屬性值RSSI和LQI，h表示兩節(jié)點(diǎn)間距離，γ(h)表示半變異函數(shù)，通過(guò)公式(1)獲得關(guān)系對(duì)Pair_i和Pair_j各自的半變異函數(shù)值；

步驟2112，根據(jù)測(cè)量的樣本點(diǎn)在空間上的分布情況，分析互相關(guān)性的半變異函數(shù)，如公式(2)示

${\mathrm{\γ}}_{ij}\left(h\right)=\frac{1}{2n}\underset{i=1}{\overset{n}{\Σ}}\[z_i\left(x_a\right)-z_i(x_a+h)\]\×\[z_j\left(x_a\right)-z_j(x_a+h)\]---\left(2\right)$

式(2)中n表示Pair的數(shù)量，z_i(x_a)和z_i(x_a+h)分別表示兩個(gè)節(jié)點(diǎn)的RSSI值，z_j(x_a)和z_j(x_a+h)分別表示兩個(gè)節(jié)點(diǎn)的LQI值，且距離均為h,γ_ij(h)表示互半變異函數(shù)，通過(guò)公式(2)獲得各個(gè)Pair_i的半變異函數(shù)值；

步驟2113，以步驟2111獲取的關(guān)系對(duì)Pair_i和Pair_j各自的自相關(guān)的半變異函數(shù)和步驟2112獲取的互相關(guān)的半變異函數(shù)為輸入，接著采用最小二乘法進(jìn)行擬合建立相關(guān)的半變異模型；

步驟212，以步驟2113獲取的自相關(guān)的和互相關(guān)的經(jīng)驗(yàn)半變異模型為輸入，對(duì)未知位置點(diǎn)的RSSI值進(jìn)行預(yù)測(cè)，預(yù)測(cè)過(guò)程如下公式所示

$Z_{0i}=\underset{1}{\overset{m}{\Σ}}{\mathrm{\λ}}_i{Z}_i+\underset{1}{\overset{n}{\Σ}}{\mathrm{\λ}}_j{Z}_j---\left(3\right)$

式(3)中Z_0i表示待估計(jì)位置的RSSI值，Z_i和Z_j分別表示距離待估計(jì)位置最近的節(jié)點(diǎn)測(cè)量得到的RSSI和LQI值，m和n分別代表RSSI和LQI所對(duì)應(yīng)樣本數(shù)量，同位屬性m＝n，λ_i和λ_j分別代表RSSI和LQI的權(quán)重系數(shù),具體計(jì)算過(guò)程如下：

$\underset{1}{\overset{m}{\Σ}}{\mathrm{\λ}}_i=1;\underset{1}{\overset{n}{\Σ}}{\mathrm{\λ}}_j=0---\left(4\right)$

$\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\λ}}_i{\mathrm{\γ}}_{11}(x_{1i}-x_i)+\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\λ}}_j{\mathrm{\γ}}_{12}(x_{2j}-x_1)+u_1={\mathrm{\γ}}_{11}(x_0-x_i)---\left(5\right)$

$\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\λ}}_i{\mathrm{\γ}}_{21}(x_{1i}-x_1)+\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\λ}}_j{\mathrm{\γ}}_{22}(x_{2j}-x_1)+u_2={\mathrm{\γ}}_{12}(x_0-x_j)---\left(6\right)$

式(4)、式(5)和式(6)中γ₁₁和γ₂₂分別是Z_i(RSSI)和Z_j(LQI)的自變異函數(shù)的理想模型，γ₁₂和γ₂₁代表的是兩變量的互變異函數(shù)的理想模型，其中γ₁₂＝γ₂₁，樣本的權(quán)重系數(shù)λ_i和λ_j之和分別均為1，m和n分別為樣本RSSI和LQI的數(shù)量，u₁和u₂為拉格朗日系數(shù)、權(quán)重系數(shù)λ_i和λ_j均可通過(guò)線性方程組(4)、(5)和(6)解得；

步驟3，RSSI指紋建立；

步驟31，采用步驟2的協(xié)同克里格插值算法可以建立一個(gè)信標(biāo)節(jié)點(diǎn)對(duì)應(yīng)在定位區(qū)域內(nèi)的單維度指紋向量；

步驟32，所有信標(biāo)節(jié)點(diǎn)廣播信號(hào)建立對(duì)應(yīng)的單維度指紋向量，再對(duì)所有單維度指紋向量進(jìn)行并集操作，具體步驟包括：

步驟321，定位區(qū)域的長(zhǎng)、寬分別為L(zhǎng)和W，并將它劃分為m行和n列，每個(gè)小格子的長(zhǎng)和寬分別為C_l＝L/m、C_w＝W/N；

步驟322，步驟321將定位區(qū)域D劃分后，通過(guò)協(xié)同克里格插值算法計(jì)算每個(gè)小格子對(duì)應(yīng)的RSSI值，這樣就建立了信標(biāo)節(jié)點(diǎn)A對(duì)應(yīng)的單維度指紋f_A，f_A是一個(gè)m×n的指紋；

步驟323，對(duì)信標(biāo)節(jié)點(diǎn)B、C、D、E重復(fù)步驟322，分別構(gòu)建單維度指紋f_B、f_C、f_D和f_E，最后對(duì)單維度指紋做并集建立定位區(qū)域的多維度指紋向量，那么第i個(gè)格子對(duì)應(yīng)的5維向量就是五個(gè)單維度指紋在該位置的RSSI值的并集，i∈{1,2,3,…,m×n}，通過(guò)321、322、323三個(gè)步驟就可以建立完整的定位區(qū)域多維度指紋向量，

F_finger＝f_A∪f(wàn)_B∪f(wàn)_C∪f(wàn)_D∪f(wàn)_E (5)

式(5)中f_i表示信標(biāo)節(jié)點(diǎn)i廣播信號(hào)在定位區(qū)域內(nèi)建立的單維指紋向量，i∈{A,B,C,D,E}，F(xiàn)_finger表示信標(biāo)節(jié)點(diǎn)A、B、C、D、E對(duì)應(yīng)的5個(gè)單維指紋向量的一個(gè)并集；

步驟4，匹配定位算法；

步驟41，以步驟323獲得的多維指紋向量和需定位節(jié)點(diǎn)所獲取到的多維RSSI向量為輸入，使用向量相似度匹配算法得到相似度從高到低的前number個(gè)向量對(duì)應(yīng)的格子，即是節(jié)點(diǎn)定位的范圍，多維RSSI向量如下所示

$T_5=\left[\begin{array}{c}{\mathrm{RSSI}}_a\\ {\mathrm{RSSI}}_b\\ {\mathrm{RSSI}}_c\\ {\mathrm{RSSI}}_d\\ {\mathrm{RSSI}}_e\end{array}\right]---\left(6\right)$

式(6)中RSSI_i表示所對(duì)應(yīng)的信標(biāo)節(jié)點(diǎn)i廣播信號(hào)時(shí)定位節(jié)點(diǎn)所獲取的RSSI值，i∈{a,b,c,d,e}，T₅表示定位節(jié)點(diǎn)所獲取到的5維RSSI指紋向量；

步驟5，K-中心點(diǎn)算法聚類提取定位結(jié)果；

步驟51，以步驟41獲得的前number個(gè)格子為輸入，使用K-中心店算法對(duì)這些格子進(jìn)行分類，提取出含格子數(shù)最多簇的簇首(簇的幾何中心)作為節(jié)點(diǎn)的實(shí)際定位結(jié)果輸出，簇首是簇的幾何中心。