本發(fā)明涉及基于ue速度的radiomap分類定位方法。
背景技術：
：近年來，隨著通信技術和信息技術的迅速發(fā)展和各種智能設備快速普及，基于位置的服務越來越受到廣泛關注。日常生活中的80％的信息與位置有關，足以見得位置的重要性。另一方面，5g革命性的提出了“萬物互聯(lián)”的概念，對于物聯(lián)網(wǎng)、車聯(lián)網(wǎng)而言，物體的最基本特性“動”，而如何發(fā)現(xiàn)物體的運動、如何實時獲知物體的位置顯得尤為重要。因而，高精度的定位尤其是高精度的室外定位成為越來越多研究者關注的重點。gnss(globalnavigationsatellitesystem)作為一種最廣泛使用的室外定位技術，雖然能夠達到很高的定位精度，但是其對障礙物遮擋、天氣的變化等較敏感，另一方面，獲取用戶的gnss的定位結果需要用戶終端的許可，對于it行業(yè)有終端軟件產(chǎn)品的廠家而言是很容易獲得的，而對于運營商等提供基礎業(yè)務的廠家而言，獲取這部分數(shù)據(jù)并非易事，因而需要研究一種無用戶參與的移動終端定位方法代替gnss。隨著第四代移動通信技術的普及，城區(qū)及大部分鄉(xiāng)村已經(jīng)實現(xiàn)了lte全覆蓋，故基于lte的定位系統(tǒng)逐漸成為了室外定位的研究熱點?；趌te的定位系統(tǒng)使用的技術非常廣泛，主要包括位置指紋方法、toa(timeofarrival)方法、aoa(angleofattack)方法、tdoa(timedifferenceofarrival)方法等。其中位置指紋方法作為一種有監(jiān)督的定位方法，其位置指紋地圖(radiomap)是基于真實采集的數(shù)據(jù)建立的，完全保留了實際信號傳播環(huán)境的特征，例如障礙物遮擋、非視距傳播等，即基于位置指紋的定位方法更適用于室外復雜的環(huán)境，故本發(fā)明采用基于位置指紋的定位方法。傳統(tǒng)的基于位置指紋的定位方法通過rsrp(referencesignalreceivingpower)特征與數(shù)據(jù)庫進行匹配定位。基于位置指紋的定位包括以下兩個階段：建立radiomap數(shù)據(jù)庫的離線階段，以及在線的指紋匹配與定位階段。離線階段建立一個包含參考點(rp,referencepoint)位置和rsrp指紋的位置指紋數(shù)據(jù)庫(radiomap)；在線階段，通常計算radiomap中的參考點rsrp與在線rsrp之間的信號空間歐氏距離，采用nn(nearestneighbor)或k-nn(k-nearestneighbor)算法得到定位結果。lte系統(tǒng)海量用戶的位置指紋定位不同于傳統(tǒng)意義的位置指紋定位，具有定位面積大、定位用戶多、定位場景廣等特點。本發(fā)明針對lte海量用戶定位背景下特有終端運動速度影響定位精度的問題，對傳統(tǒng)位置指紋定位算法進行改進。ue在不同運動速度下上報的mdt報告中的信號指紋是有較大區(qū)別的。在基于位置指紋的lte定位系統(tǒng)中，利用mdt(minimizationdrivetest)測量報告建立radiomap的過程中，假設測量報告中的信號指紋信息、位置信息和上報的時間信息是嚴格同步的。然而在實際應用中，這種假設是很難成立的，尤其是在ue高速移動的情況下。圖1為周期性觸發(fā)的mdt報告位置、指紋與時間錯位的示意圖。圖中三條坐標軸分別為位置信息更新時間、信號指紋信息更新時間和mdt測量報告上報時間?？梢钥闯鰧τ谥芷谛杂|發(fā)的mdt而言，mdt測量報告的上報時間是嚴格等間隔的，而報告中的位置和信號指紋則并非mdt上報時刻測量的，而是最近一次測量的結果，這就導致了在mdt測量報告中不同類信息之間的時間錯位。對于低速運動的ue，由于位置和信號指紋的變化速率都較小，這種錯位現(xiàn)象對測量報告的影響不明顯，而對于高速運動的ue，這種錯位現(xiàn)象將嚴重影響radiomap的準確性。在3gppts32.422中規(guī)定了對于e-utran的mdt兩種測量上報模式：loggedmdt和immediatemdt。對于loggedmdt，當ue處于idle狀態(tài)時，ue根據(jù)網(wǎng)絡側下發(fā)的mdt配置信息進行mdt測量、存儲，并在此后進入連接狀態(tài)且網(wǎng)絡側索要測量報告時再上報給網(wǎng)絡。而immediatemdt在ue連接狀態(tài)下進行測量，并在測量完后立即將測量報告上報給網(wǎng)絡。由于對于定位的實時性要求高，因而在基于位置指紋的lte定位系統(tǒng)中采用immediatemdt模式。immediatemdt模式有三種觸發(fā)方式：周期性測量、a2事件觸發(fā)和a2事件觸發(fā)的周期性測量。a2事件是一種同頻系統(tǒng)事件，表示當服務質量差于閾值。當滿足條件時ue觸發(fā)a2事件，當滿足條件時ue離開a2事件。ms+hys<thresh(1)ms-hys>thresh(2)其中ms是服務小區(qū)的測量結果，當ms表示rsrp時單位為dbm，當表示rsrq或rs-sinr時單位為db；hys是a2事件的滯后參數(shù)，單位為db；thresh是a2事件的閾值參數(shù)(在reportconfigeutra中進行配置)，單位和測量結果ms相同。當ue高速運動時，由于多普勒效應的影響，rsrq和rs_sinr都會很差，因而會觸發(fā)a2事件，從而開啟更多的同頻鄰小區(qū)測量，得到的信號指紋長。而低速運動的情況下，通常不會觸發(fā)a2事件，測量的鄰區(qū)少，信號指紋長度短。因此可以得出結論，對于高速運動的用戶，報告中的時間、位置信息和信號指紋信息的指紋失配現(xiàn)象嚴重，但是信號指紋通常較長；低速運動的用戶的指紋失配現(xiàn)象同樣存在，但是對指紋的精度影響不大，且信號指紋通常較短。如果能將這兩類指紋分開來定位，就能夠發(fā)揮運動用戶的指紋長度優(yōu)勢和低速運動用戶的指紋精度優(yōu)勢，從而提高定位精度。目前僅人工高速dt(drivetest)測試和低速cqt(callqualitytest)測試能夠確知采樣點的大概運動情況，而普通用戶上報的mdt測量報告中用戶的速度信息是未知的。因而基于mdt測量報告中的信息將對用戶速度進行劃分，進而將這兩類指紋分開建立radiomap和定位是有必要的。技術實現(xiàn)要素：本發(fā)明的目的是為了解決在海量用戶lte定位背景下，針對ue低速運動時信號指紋較短、ue高速運動時指紋失配現(xiàn)象嚴重，導致定位精度低的問題，而提出一種基于ue速度的radiomap分類定位方法。一種基于ue速度的radiomap分類定位方法具體過程為：步驟一、獲取dt/cqt/mdt采樣點；所述dt為路測；cqt為呼叫質量測試，mdt為最小化路測；步驟二、對步驟一獲取的dt/cqt/mdt采樣點提取rsrp共生向量；所述rsrp為參考信號接收功率；步驟三、根據(jù)步驟二設計基于adaboost分類算法的強分類函數(shù)；步驟四：利用步驟三中訓練得到的強分類函數(shù)構建離線radiomap；所述radiomap為位置指紋地圖；步驟五、利用步驟三中訓練得到的強分類函數(shù)和步驟四得到的離線radiomap進行在線定位。本發(fā)明的有益效果為：本發(fā)明lte指紋定位系統(tǒng)中一種基于ue速度的radiomap分類定位方法，在ue速度分類訓練模塊中，首先對連續(xù)的mdt加滑動時間窗，并對每一個時間窗中的rsrp值提取rsrp共生向量，訓練以分類回歸樹(cart,classificationandregressiontree)為弱分類器的adaboost分類模型。在ue速度分類模塊中，同樣對連續(xù)mdt加同樣長度的滑動時間窗，對一個時間窗中的rsrp值提取rsrp共生向量，基于離線建立的adaboost模型得出當前時間窗對應的速度分類。離線階段，基于分類結果建立dt和cqt兩個radiomap；在線階段，基于分類結果匹配對應radiomap采用knn算法得出分類結果。解決了ue低速運動時信號指紋較短、ue高速運動時指紋失配現(xiàn)象嚴重，導致定位精度低的問題。在海量用戶lte定位背景下，本發(fā)明提出的定位方法能夠高精度的區(qū)分高速和低速的采樣點，發(fā)揮各自指紋優(yōu)勢，并能夠有效的提高定位精度。結合表2得出采用本發(fā)明方法在ue速度分類中低速的檢測概率為99.92％，高速的檢測概率為93.59％；低速的虛警概率為0.47％，高速的虛警概率為1.17％；結合圖3得出在定位誤差為10m時，本發(fā)明的累積概率分布為0.4，現(xiàn)有技術knn算法的累積概率分布為0.38；定位誤差為60m時，本發(fā)明的累積概率分布為0.87，現(xiàn)有技術knn算法的累積概率分布為0.82；定位誤差為100m時，本發(fā)明的累積概率分布為0.89，現(xiàn)有技術knn算法的累積概率分布為0.84。附圖說明圖1為周期性觸發(fā)的mdt報告位置、指紋與時間錯位的示意圖，mdt為最小化路測(minimizationofdrivetest)，△t為mdt報告的時間間隔，t為時間軸，t1、t2、t3、t4、t5為等間隔的mdt報告上報時刻；圖2為本發(fā)明lte指紋定位系統(tǒng)框圖，lte為第四代通信技術(longtermevolution)；圖3為本發(fā)明仿真定位精度cdf曲線對比示意圖，cdf為累積概率分布，knn算法為k近鄰分類算法。具體實施方式具體實施方式一：本實施方式的一種基于ue速度的radiomap分類定位方法具體過程為：步驟一、獲取dt、cqt和mdt采樣點；所述dt為路測；cqt為呼叫質量測試，mdt為最小化路測；步驟二、對步驟一獲取的dt/cqt/mdt采樣點提取rsrp共生向量；所述rsrp為參考信號接收功率；步驟三、根據(jù)步驟二設計基于adaboost分類算法的強分類函數(shù)；步驟四：利用步驟三中訓練得到的強分類函數(shù)構建離線radiomap；所述radiomap為位置指紋地圖；步驟五、利用步驟三中訓練得到的強分類函數(shù)和步驟四得到的離線radiomap進行在線定位。具體實施方式二：本實施方式與具體實施方式一不同的是：所述步驟一中獲取dt/cqt/mdt采樣點；具體過程為：步驟一一：從lte網(wǎng)絡優(yōu)化數(shù)據(jù)中獲取dt/cqt/mdt采樣點數(shù)據(jù)包，將dt采樣點標記為高速運動ue，cqt采樣點標記為低速運動ue或靜止ue，mdt采樣點無運動標簽；ue為用戶終端設備(userequipment)；ue速度大于等于30km/h為高速，ue速度小于30km/h為低速；步驟一二：將dt、cqt和有位置的mdt采樣點經(jīng)緯度進行位置網(wǎng)格化，將采樣點位置固定于距離最近的網(wǎng)格節(jié)點，為使經(jīng)度、緯度的有效位數(shù)與gps的定位精度相匹配，設置網(wǎng)格間隔為1米；由公式(3)計算得到1米對應經(jīng)度差及緯度差，該差值與用戶位置有關，以哈爾濱市城區(qū)(126°e,45°n)為例，經(jīng)度差約為1.3×10-6°，緯度差約為0.9×10-6°；其中，λ為采樣點ue經(jīng)度，為采樣點ue緯度，r為地球半徑(本專利設為6371km)，λa為a點經(jīng)度，為a點緯度，λb為b點經(jīng)度，為b點緯度，lab為a、b兩點的距離，取值為1m；步驟一三：從步驟一一中獲取的dt/cqt/mdt采樣點數(shù)據(jù)包中提取ue的imsi(internationalmobilesubscriberidentity)以唯一識別ue；imsi為國際移動用戶識別碼；步驟一四：從步驟一一中獲取的dt/cqt/mdt采樣點數(shù)據(jù)包中提取當前測試采樣點測量時間戳(timestamp)；步驟一五：從步驟一一中獲取的dt/cqt/mdt采樣點數(shù)據(jù)包中提取服務小區(qū)的全球小區(qū)識別碼，記為cgi0；提取服務小區(qū)rsrp測量結果，記為rsrp0；步驟一六：從步驟一一中獲取的dt/cqt/mdt采樣點數(shù)據(jù)包中提取鄰區(qū)小區(qū)pci(physicalcellidentifier)，最多包含6個鄰小區(qū)，記為pci1～pci6；獲取對應于鄰區(qū)pci的rsrp測量結果，記為rsrp1～rsrp6；rsrp1為鄰區(qū)1參考信號接收功率；rsrp6為鄰區(qū)6參考信號接收功率；pci為物理小區(qū)標識；rsrp為參考信號接收功率；步驟一七：將鄰區(qū)pci與工參進行對比，當鄰區(qū)pci與工參完全一致，得到鄰區(qū)cgi，記為cgi1～cgi6；cgi1為鄰區(qū)1全球小區(qū)識別碼，cgi6為鄰區(qū)6全球小區(qū)識別碼；cgi為鄰區(qū)全球小區(qū)識別碼；工參包括基站位置、物理小區(qū)表示、載頻頻點、全球小區(qū)識別碼，由運營商提供，lte網(wǎng)絡優(yōu)化人員每天根據(jù)網(wǎng)絡優(yōu)化項目更新工參。步驟一八：經(jīng)過以上步驟一一～步驟一七，已獲取位置指紋定位所需的全部信息，見下表1，重復步驟一一～步驟一七直到獲取所有dt/cqt/mdt采樣點：表1采樣點信息及含義對應表其它步驟及參數(shù)與具體實施方式一相同。本發(fā)明中具體實施方式二針對tdd-lte指紋定位系統(tǒng)、fdd-lte指紋定位系統(tǒng)設計，對具體實施方式二中數(shù)據(jù)獲取方式進行變形可推廣應用于gsm指紋定位系統(tǒng)、td-scdma指紋定位系統(tǒng)、wcdma指紋定位系統(tǒng)、cdma2000指紋定位系統(tǒng)等各種移動通信網(wǎng)絡指紋定位系統(tǒng)。具體實施方式三：本實施方式與具體實施方式一或二不同的是：所述步驟二中對步驟一獲取的dt/cqt/mdt采樣點提取rsrp共生向量；具體過程為：步驟二一：從步驟一獲取的dt/cqt/mdt采樣點中篩選相同imsi的采樣點，即來自同一終端上報的采樣點；將相同imsi的采樣點按timestamp升序排列；在相同imsi的采樣點序列上加滑動時間窗，窗長度60s，間隔12s滑動；所述imsi為國際移動用戶識別碼；timestamp為當前測試采樣點測量時間戳；步驟二二：在一個時間窗內，從ue檢測到多個主區(qū)或鄰區(qū)中選擇檢測比例最高的小區(qū)c，提取其rsrp向量rc，n為當前時間窗內小區(qū)c被檢測出的次數(shù)，取值為正整數(shù)；為實數(shù)；步驟二三：求rc向量中元素的最小值rcmin，元素的最大值rcmax，則rsrp的跨度為m＝rcmax-rcmin+1；對rc進行如下處理：r′c＝rc-rcmin+1(4)其中rcmin＝[rcminrcmin…rcmin]n×1，1＝[11…1]n×1，如此得到的r′c中的元素均為正整數(shù)且最小值為1；r′c為中間變量；步驟二四：初始化rsrp共生矩陣取r′c中任意一元素r′ci及下一時刻元素r′ci+1，即得到一個信號強度變化對(r′ci,r′ci+1)，令gm中第r′ci行第r′ci+1列元素+1；將r′c中所有信號強度變化對取遍，則gm構造完成；m為rsrp的跨度，取值為正整數(shù)；步驟二五：r′c中共有n-1個信號強度變化對，對gm進行歸一化處理得到歸一化rsrp共生矩陣步驟二六：將rsrp共生矩陣pm主對角線方向元素求和，令求和得到的新向量長度為11，如果求和得到的向量長度小于11，則在向量兩端補相同個數(shù)的0；如果求和得到的向量長度大于11，則在向量兩端截斷相同個數(shù)的0，即得到等長的rsrp共生向量如圖2基于ue速度的radiomap分類的lte指紋定位系統(tǒng)框圖，本設計主要包含ue速度分類訓練模塊和ue速度分類模塊兩部分。其它步驟及參數(shù)與具體實施方式一或二相同。具體實施方式四：本實施方式與具體實施方式一至三之一不同的是：所述步驟三中根據(jù)步驟二設計基于adaboost分類算法的強分類函數(shù)；具體過程為：步驟三一：對步驟一獲取的所有dt/cqt采樣點按步驟二中所述方法提取rsrp共生向量；步驟三二：將dt/cqt采樣點權重初始化為d1(i)＝0.5/w(class(i))，其中w(class(i))為采樣點i所屬標簽的dt/cqt采樣點總數(shù)；class(i)為采樣點i的先驗類別標簽；i為dt/cqt采樣點中第i個；步驟三三：將cart作為弱分類器；訓練每個弱分類器cart時，得到每個弱分類器cart的預測輸出，從而得到預測序列gt(x)的預測誤差和，其計算公式為：其中，i滿足gt(xi)為預測值，yi為期望值；φ為閾值，取值為0-0.5；dt(i)為第t次迭代的dt/cqt采樣點權重；步驟三四：根據(jù)預測序列gt(x)的預測誤差εt，計算預測序列gt(x)的權重at，計算公式為：步驟三五：根據(jù)預測序列gt(x)的權重at，得到下一輪dt/cqt采樣點的權重，調整公式為：其中，zt為歸一化因子，以使dt+1(i)為第t+1次迭代的樣本權重；w為dt/cqt采樣點總數(shù)w＝w(-1)+w(+1)，取值為正整數(shù)；步驟三六：經(jīng)過以上步驟三三～步驟三五，已完成一次adaboost迭代。重復步驟三三～步驟三五直到達到迭代次數(shù)上限t，得到t個弱分類函數(shù)f(gt(x),at)，將其組合得到強分類函數(shù)h(x)：式中，at為第t次迭代的弱分類器權重；迭代次數(shù)上限t為人為設定，越大越準，計算量越大，耗時越長，取值為10-1000；f(gt(x),at)為第t次迭代的弱分類器。其它步驟及參數(shù)與具體實施方式一至三之一相同。具體實施方式五：本實施方式與具體實施方式一至四之一不同的是：所述步驟四中利用步驟三中訓練得到的強分類函數(shù)構建離線radiomap；具體過程為：步驟四一：利用步驟三中訓練得到的強分類函數(shù)，對離線階段采樣點的運動狀態(tài)進行分類；離線階段采樣點為步驟一獲取的所有mdt采樣點中有位置的采樣點；滑動時間窗長度為60s，間隔為12s，則每個離線階段采樣點能得到5個分類結果，設離線階段采樣點低速運動的狀態(tài)標簽為-1，離線階段采樣點高速運動的狀態(tài)標簽為+1，則每一個離線階段采樣點的狀態(tài)label表示為：hi(x)為adaboost強分類器預測結果；離線階段采樣點高速運動的狀態(tài)標簽label為-1時，標記為cqt的采樣點；離線階段采樣點高速運動的狀態(tài)標簽label為+1時，標記為dt的采樣點；步驟四二：將標記為dt的采樣點合并構建dt離線radiomap；合并相同的標記為dt的采樣點，即得到一個rp，對于相同的cgi，將各個標記為dt的采樣點測量的rsrp取平均值；重復以上步驟直到所有標記為dt的采樣點合并完成，得到radiomap，radiomap中包含位置、小區(qū)編號和信號強度三部分信息；假設有j個rp，由于測量報告中的鄰區(qū)個數(shù)不定，則每個rp對應的ap個數(shù)可能不同；λ為采樣點ue經(jīng)度；為采樣點ue緯度；j取值為正整數(shù)，rp為參考點，ap為接入點；步驟四三：將標記為cqt的采樣點合并構建cqt離線radiomap，合并相同的標記為cqt的采樣點，即得到一個rp，對于相同的cgi，將各個標記為cqt的采樣點測量的rsrp取平均值；重復以上步驟直到所有標記為cqt的采樣點合并完成，得到radiomap，radiomap中包含位置、小區(qū)編號和信號強度三部分信息；假設有d個rp，由于測量報告中的鄰區(qū)個數(shù)不定，則每個rp對應的ap個數(shù)可能不同；λ為采樣點ue經(jīng)度；為采樣點ue緯度；d取值為正整數(shù)；dt離線radiomap和cqt離線radiomap構成離線radiomap。其它步驟及參數(shù)與具體實施方式一至四之一相同。具體實施方式六：本實施方式與具體實施方式一至五之一不同的是：所述步驟五中利用步驟三中訓練得到的強分類函數(shù)和步驟四得到的離線radiomap進行在線定位；具體過程為：具體過程為：步驟五一：利用步驟三中訓練得到的強分類函數(shù)，對在線階段采樣點的運動狀態(tài)進行分類；方法同步驟四一。在線階段采樣點為步驟一獲取的所有mdt采樣點中沒有位置的采樣點；滑動時間窗長度為60s，間隔為12s，則每個在線階段采樣點能得到5個分類結果，設在線階段采樣點低速運動的狀態(tài)標簽為-1，在線階段采樣點高速運動的狀態(tài)標簽為+1，則每一個在線階段采樣點的狀態(tài)label表示為：式中，hi(x)為adaboost強分類器預測結果；在線階段采樣點高速運動的狀態(tài)標簽label為-1時，標記為cqt的采樣點；label為+1時，標記為dt的采樣點；步驟五二：由步驟五一得到的在線階段采樣點運動狀態(tài)分類結果，在步驟四得到的離線radiomap中匹配對應的離線radiomap；篩選同時包含cgi0～cgin的參考點，并計算在線rsrp與離線radiomap中的參考點的信號空間歐氏距離；假設第p個參考點同時包含所有的在線cgi，且在參考點中對應的cgi為cgip0～cgipn，對應的rsrp為rsrpp0～rsrppn，則在線采樣點rsrp與radiomap中第p個參考點的信號空間歐氏距離dp為：參考點為步驟一獲取的所有mdt采樣點中有位置的采樣點合并后的點；p取值為正整數(shù)；式中||·||2為矩陣的l2范數(shù)；rsrpp為針對1個參考點的參考點p的rsrp測量結果；rsrp為參考信號接收功率；cgi0為針對1個參考點的服務小區(qū)的全球小區(qū)識別碼；cgin為針對1個參考點的鄰小區(qū)n的全球小區(qū)識別碼；n取值為1-6；cgip0為參考點p的服務小區(qū)的全球小區(qū)識別碼；cgipn為參考點p的鄰小區(qū)n的全球小區(qū)識別碼；rsrpp0為參考點p的服務小區(qū)的rsrp測量結果；rsrppn為參考點p的鄰小區(qū)n的rsrp測量結果；p為正整數(shù)；步驟五三：選擇歐氏距離dp最小的k個參考點，通過下式估計測試點位置：式中，為在線參考點估計經(jīng)度；為在線參考點估計緯度；k取值為3-5；λl為選出的第l個參考點的經(jīng)度；為選出的第l個參考點的緯度；dp為在線采樣點rsrp與第p個參考點的信號空間歐氏距離。其它步驟及參數(shù)與具體實施方式一至四之一相同。采用以下實施例驗證本發(fā)明的有益效果：實施例一：本實施例一種基于ue速度的radiomap分類定位方法具體是按照以下步驟制備的：選擇的實驗環(huán)境是哈爾濱市的一塊長2.91km，寬2.47km的密集城區(qū)對所提算法進行仿真驗證，實驗數(shù)據(jù)取自4glte基站獲取的真實數(shù)據(jù)。各類別采樣點檢測概率、虛警概率見表2。表2ue速度分類效果低速(cqt)高速(dt)檢測概率99.92％93.59％虛警概率0.47％1.17％本發(fā)明提出的定位方法能夠高精度的區(qū)分高速和低速的采樣點，發(fā)揮各自指紋優(yōu)勢，并能夠有效的提高定位精度。結合表2得出采用本發(fā)明方法在低速的檢測概率為99.92％，高速的檢測概率為93.59％；低速的虛警概率為0.47％，高速的虛警概率為1.17％；實驗仿真定位精度cdf曲線見圖3。結合圖3得出在定位誤差為10m時，本發(fā)明的累積概率分布為0.4，現(xiàn)有技術knn算法的累積概率分布為0.38；定位誤差為60m時，本發(fā)明的累積概率分布為0.87，現(xiàn)有技術knn算法的累積概率分布為0.82；定位誤差為100m時，本發(fā)明的累積概率分布為0.89，現(xiàn)有技術knn算法的累積概率分布為0.84。本發(fā)明提出的定位方法能夠高精度的區(qū)分高速和低速的采樣點，發(fā)揮各自指紋優(yōu)勢，并能夠有效的提高定位精度。為了方便理解，將本發(fā)明的全部變量與物理意義列表如下：本發(fā)明還可有其它多種實施例，在不背離本發(fā)明精神及其實質的情況下，本領域技術人員當可根據(jù)本發(fā)明作出各種相應的改變和變形，但這些相應的改變和變形都應屬于本發(fā)明所附的權利要求的保護范圍。當前第1頁12