一种基于指纹数据压缩的室内定位方法
【技术领域】
[0001] 本发明属于室内定位技术的领域，具体的说是一种基于指纹数据压缩的室内定位 技术。 技术背景
[0002] 随着社会与科技的发展，位置信息逐渐在日常生活及科技研发当中占据了一个重 要的位置，目标位置信息的准确获取，也促使了很多实用的功能更好更快的实现，人们对定 位技术的要求也是与日俱增。而室内定位领域也越来越受到人们的关注，其应用极其广泛， 主要在家庭、商业医院等地。但在室内定位领域，传统的GI^定位由于自身局限性，在室内定 位中使用效果不理想，于是多种不同的室内定位方法被提出，而其中基于WIFI的指纹室内 定位技术拥有不错的效果。
[0003] 位置指纹识别技术是一种比较主流的室内定位方法。它主要是通过对定位空间进 行数据采集、数据描述利用各个AP(无线访问）接入点的RSSI(接收信号强度)序列描述定位 环境的位置信息，让运些不同位置的信息汇集成一个指纹库。最后通过用户移动终端测得 的RSSI数据与指纹库中数据进行匹配，选取相似度最佳的位置作为估计位置。整个过程分 为离线训练阶段，W及在线定位阶段，如图1所示。其中离线定位阶段的是要建立一个位置 指纹数据库，定位系统部署人员在定位环境中遍历所有的位置，同时在每个参考位置收集 来自不同AP接入点的RSSI值，将各个AP点的MAC地址、RSSI值及位置信息组成一个相关联的 Ξ元数组保存在数据库中。而在线定位阶段是当定位用户在定位区域时，实时采集所有AP 接入点的RSSI值，并将MAC地址和RSSI值组成二元数组，作为位置匹配算法的输入数据，W 特定的匹配算法进行位置估计。
[0004] 但运种室内定位技术目前也遇到了发展的瓶颈，而主要阻碍其进步的有两大问 题：即如何提高室内定位的算法精度及算法效率的问题。就运两个技术难点我们提出了一 种针对指纹数据的压缩方法及滤波模型来对室内定位算法的效率及精度进行改进。
[0005] 总的来讲，本发明主要是提出了一种针对指纹数据压缩的室内定位技术。本专利 在算法层面使用了基于位置指纹的WIFI室内定位技术，而传统的方法在运算效率及算法精 度上都有一定的局限性。使用了本技术后，经测试，它能通过提取主特征向量后起到压缩数 据的作用，因此能进行来极大提升算法运算效率。之后加 W根据定位对象运动情况建模的 滤波模型对定位结果进行优化，在对移动物体运动状态的建模较准确的情况下，可W极大 程度的提高算法精度。
【发明内容】
[0006] 本发明目的在于进一步提高传统室内定位算法运算效率及运算精度，提出了针对 指纹数据压缩的室内定位方法能够通过去除无效AP点，提取主要AP点作匹配工作，起到压 缩数据的作用来提高定位算法的运算效率，并且通过利用滤波来对定位算法计算的结果进 行优化、提局精度。
[0007] 传统的指纹定位方法中，在每一个指纹点上是会采集到来自多个AP点的RSSI值， 但对于众多AP点对定位工作所做出的贡献却不完全相同，有的AP接入点的RSSI值对定位工 作做出了决定性作用，而有的AP点的RSSI值对定位工作的影响微乎其微。众多的AP点的 RSSI数据会大幅度增加指纹库矩阵的维度，从而极大增加了指纹定位算法计算的负担。因 此我们提出了一种针对指纹数据压缩技术，基于变量协方差矩阵对信息进行处理、压缩和 特征抽提。该方法是根据样本点在多维模式空间的位置分布，W样本点在空间中变化最大 的方向，即方差最大的方向，作为判别矢量来实现数据特征提取及压缩。因为从概率统计的 角度来讲，一个随机变量的方差越大其所包含的信息量就越大，若一个随机变量方差为0则 他是个常数包含的信息量也为0。主要的AP成分是指原始数据的m个变量经线性组合(或映 射后)得到的变量，而该变化使其变化后方差为最大(第一主成分)的部分，各个主成分之间 是相互线性无关的，从第一主成分往后，主成分按方差大小排序(对应特征值按大小顺序排 列）。对于特征值为λι的主成分，λι也是该主成分的方差，主成分的贡献率为Ι1ι，Ι1ι = λι/(λι + λ2+.. .+λρ)。在建模时，λι较小的主成分及对应AP点的影响被认为是噪声，不会被引入模型。 运样使指纹库中主成分AP点减少从而达到降维的目的，来减小计算量，增大计算效率。
[0008] 滤波模型的建立主要是系统通过将先前预测坐标输入进根据目标运动状态建模 的模型里，将预测坐标与运动状态进行拟合，最终对坐标信息做出一个最优估计。运是一个 不断预测、修正的过程，运种算法不需要存储大量预测坐标数据、并且当得到新的预测坐标 数据时，可W随时算得新的参数滤波值，便于实时的处理观测结果，因此运种滤波模型可W 被应用在动态室内定位处理当中。在室内定位应用中，该滤波模型可W用来减小位置预测 的误差，提高对移动对象运动轨迹的预测精度。它通过一直递归的方法，输入实时预测的坐 标数据，输出一个在线性系统下有最小均方误差的最佳坐标估计值。而运种算法运用成功 的关键与否，在于对系统动态模型及观测模型建模是否准确，运就要求对物体的运动情况 了解的比较清楚，若建模准确则可W在一定程度上有效提高定位算法精度。
[0009] 为了验证运种针对指纹数据压缩的室内定位技术的优越性，我们进行了两次实 验。实验场地地图及实际采样路径如图2所示。
[0010] 第一次实验采用的定位算法为统一为目前定位算法中使用的比较多的最小近邻 法，评价标准主要参考为平均误差、90%定位误差、最大定位误差及计算时间，主要是通过 对比使用针对指纹数据压缩的室内定位算法的结果来验证该算法的优越性。实验结果表1 所示。
[0011] 在结果中可W看出，使用针对指纹数据压缩的定位算法后平均误差距离有了些许 的改善，而且最突出的是计算时间大约缩减了2/3。运充分说明了运用该技术能够提高算法 的精度及效率。至于原因，是因为由于RSSI信号在传播过程中不可避免地会受到多径效应、 阴影效应等因素的影响，在相同位置上接收某个AP的RSSI值会随着时间的推移有不同程度 的波动变化，在运种RSSI信号的统计特性下，很可能出现相邻几个指纹点之间的RSSI信号 均值比较相近。此时应用针对指纹数据压缩的室内定位技术分析方法来提取具有稳定性的 主要定位特征，不仅解决了上述可能出现的情况，还压缩了数据维度，为后面的算法运算降 低了复杂度，可W提高定位的精度及效率。
[0012] 因而本发明一种基于指纹数据压缩的室内定位方法，该方法包括：
[0013] 步骤1:采集训练样本，记录Μ个样本的位置信息，获取对应样本采集到的各AP的 RSSI值；
[0014] 步骤2:计算Μ个样本的平均RSSI强度；
[0015] 步骤3:计算各样本与平均RSSI强度的差值；
[0016] 步骤4:根据步骤3获得的差值构建协方差矩阵；
[0017] 步骤5:计算协方差矩阵的特征值与对应的特征向量，获得N个特征值及其对应的 特征向量，N表示AP的总个数；
[0018] 步骤6:解出最大的P个特征值及其对应的特征向量W保证此P个特征值能够满足 所要求的总贡献率阔值，总贡献率满足如下公式：
[0019]
[0020] 其中，巧表示总贡献率，λι表示特征值，a表示事先根据要求设定的总贡献率阔值； 将获得P个特征值建立特征空间W;
[0021] 步骤7:将步骤4获得协方差矩阵投影到步骤6获得的特征空间W中，获得Μ个P维匹 配向量的压缩数据；
[0022] 步骤8:定位阶段，采集目标收到的各ΑΡ的RSSI值，用它减去步骤2计算出来的RSSI 平均强度，再投影至特征空间中W中，获得目标向量；
[0023] 步骤9:将步骤8获取的目标向量与步骤7获得压缩数据进行匹配，获取最匹配的向 量，该向量对应的位置即为目标位置。
[0024] 进一步的，在完成目标位置定位之后，再根据目标上一时刻的位置信息对当前时 刻位置进行进一步的精确。
[0025] 进一步的，步骤4中构建的协方差矩阵方法为：
[0026]
[0027] 其中：C为协方差矩阵，di为步骤3获得的第i个样本与平均RSSI强度的差值，Μ表示 样本总个数。
[0028] 进一步的，步骤5中采用奇异值分解的方法获取Ν个特征值及其对应的特征向量。
[0029] 进一步的，步骤9的匹配方法为计算目标向量与压缩数据中各匹配向量的2范数， 其中2范数最小的匹配向量对应的位置为目标位置。
[0030] 第二次实验采用的定位算法统一为经过数据压缩处理过的定位算法，评价标准主 要参考为平均误差、90%定位