误差、最大定位误差。主要是为了验证滤波模型对定位算法的 优化作用。实验结果如图3、图6、图7、图8及表2所示。
[0031] 从结果中可W明显看出，对比图4、图5、图7和图8中可W看出只使用最近邻近算法 和使用数据压缩后的最近邻近算法的区别不大，虽然能很好地预测到某些点，但是有太多 预测点是重复的，而且不能很好的预测出运行轨迹。从图6、图7和图8可W看出使用滤波之 后，重复点数量很少，而且能够很好的跟踪出采样轨迹。观察图3可发现，使用了滤波后定位 效果有了明显的好转。在之前的工作中使用了数据压缩后的定位算法，在算法效率上有了 极大的提升而算法精度上只有小幅度提升，效果不明显。如表2所示在将滤波模型在定位算 法上使用之后，定位算法精度有了显著的提升。平均误差距离只有接近lm，90%定位误差精 度在1.9mW内。最大定位误差不过3.4m。
[0032] 整体流程步骤如图9所示。
【附图说明】
[0033] 图1位置指纹定位法示意图
[0034] 图2是实验场地地图及实际采样路径。
[0035] 图3是使用只使用最近邻算法、使用数据压缩定位算法、滤波模型后各算法精度比 较的CDF图。
[0036] 图4是实际采样轨迹与只使用最小近邻法的定位结果的轨迹对比。
[0037] 图5是实际采样轨迹与使用指纹数据压缩定位算法处理后定位结果的轨迹对比。
[0038] 图6是实际采样轨迹与使用滤波模型优化后的算法的轨迹对比。
[0039] 图7是几种方法下X轴坐标的模拟及与实际采样轨迹X轴坐标对比。
[0040] 图8是几种方法下Y轴坐标的模拟及与实际采样轨迹Y轴坐标对比。
[0041] 图9是基于指纹数据压缩定位算法的室内定位技术的流程图。
[0042] 具体实施方法
[0043] 步骤A:设置训练样本(位置指纹），每个位置指纹训练样本P采集各AP的RSSI值，最 后结合它们的位置信息1。=^。，￥。）得出样本集了={(51，。），（52，1^2)，...，（5。，1^。）}， Sp=(AV，I'机…如於其中；如表示指纹点P处接收到第d个AP的采集N次RSSI数据的均 值。令X=[Si，S2, . . .，Sp]，为方便说明假设有81个AP，200个位置指纹点，则有X=(Xi， X2 , . . . ,Χ200)Τ，其中Xi= (Si, S2,. . . ,Ssi)。
[0044] 步骤B:计算平均值RSSI强度：
[0045] 步骤。计算差值山，也=乂1~44 = 1，2，...，200，
[0046] 步骤D:构建协方差矩阵（及上节原理中所述Cx，由于在做位置指纹模型中其强度 均值不为0,所W公式会有所变化）
[0047]
[004引步骤E:求出协方差矩阵的特征值与特征向量U'd，构造全特征空间w' = [u'i，u '2, ...，U'81]。由于计算量较大，一般可W考虑使用奇异值分解，来处理运个矩阵，求出特征 值特征向量。
[0049]步骤F:根据对贡献率的需求，求出前P个最大的特征值及其对应的特征向量。即实 现降维的作用，挑选出一些所需要的主要的AP点来进行下一步匹配。其中贡献率是指选取 的特征值的和与占所有特征值的和比，即：
其中λι表示特征值，在作者实验 中，是取a = 96%，即训练样本在前Ρ个特征向量集上投影了96%的能量，取前ρ = 6个最大的 特征值即可，也就是取那6个信息量最大的AP的RSSI数据即可。设原协方差矩阵A特征向量 按对应特征值从大到小排列分别为m，U2, . . .，Ud=81，可W得出特征空间W=[山，U2, . . .，U6]。
[0050] 步骤G:将步骤D获得协方差矩阵投影到特征空间W中，Z = U'' /1二(Λ' - 乂），运时Z 中包含了与全部ΑΡ点数相等个向量，即81条。经过经投影处理后Ζ中各个向量间相关性基本 消除，Ζ中有占据X绝大部分信息的前Ρ个主成分，完成了数据压缩。
[0051] 步骤Η:进行在线定位阶段，在实验区域任意点处，采集各ΑΡ的RSSI值。组合成一个 采样矢量，用它减去之前计算出来的RSSI平均强度，再投影至特征空间中。此时会得出一个 6X1的向量。
[0052] 步骤I:将此向量与投影至特征空间的指纹阵进行对比，即求该向量与投影至特征 空间的指纹阵的对应不同位置的各列的向量2范数，找出最匹配的点即向量2范数最小的坐 标作为该次在线采样点的坐标。
[0053] 步骤J:使用滤波模型建立的原理，对运动目标进行建模。建立状态方程为：
[0054] χ(η) =F(n,n-l)x(n-l)+ Γ (η,η-Ι)νι(η-Ι)
[0化5] 即：
[0059] 其中Τ为采样时间，X与Υ为采样实时坐标，速度Vx与Vy即是相邻点分别沿X轴和Υ轴 的距离差。胖1，胖"，户，户理论上应该都为零均值高斯白噪声。
[0060] 状态协方差矩阵Q为：
[0064] 其中参数1\^、听、日、、^^都要根据自己周围环境来设置，具体建模步骤如下：
[0065] 设置初始条件:在初始时刻由于不能精准的知道过程方程的初始状态，则通常使 用均值和相关矩阵对它进行描述表示估计的无偏性。
[0080] w每一次在线定位阶段利用匹配算法估计出的位置及实时运动速度作为输入，即 观测值Z (η)。重复W上步骤，进行递推滤波计算
[0081] 步骤Κ:利用滤波原理建立的模型中输入之前使用指纹数据压缩定位算法计算出 的结果，则此模型会输出一个经过优化过的坐标值。
[0082] 表 1
[0083]
[0084] 表 2
[0085]
【主权项】
1. 一种基于指纹数据压缩的室内定位方法，该方法包括： 步骤1:采集训练样本，记录M个样本的位置信息，获取对应样本采集到的各AP的RSSI 值； 步骤2:计算M个样本的平均RSSI强度； 步骤3:计算各样本与平均RSSI强度的差值； 步骤4:根据步骤3获得的差值构建协方差矩阵； 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； 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：其中，口表示总贡献率，、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; 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M个P维匹配向 量的压缩数据； 步骤8:定位阶段，采集目标收到的各AP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； 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。2. 如权利要求1所述的一种基于指纹数据压缩的室内定位方法，其特征在于完成目标 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。3. 如权利要求1所述的一种基于指纹数据压缩的室内定位方法，其特征在于步骤4中构 建的协方差矩阵方法为：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，M表示样本 总个数。4. 如权利要求1所述的一种基于指纹数据压缩的室内定位方法，其特征在于步骤5中采 用奇异值分解的方法获取N个特征值及其对应的特征向量。5. 如权利要求1所述的一种基于指纹数据压缩的室内定位方法，其特征在于步骤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。
【专利摘要】该发明公开了一种基于指纹数据压缩的室内定位方法，属于室内定位技术的领域。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，首先计算所有AP点的接收信号的幅度，根据各AP点信号幅度大小计算对目标定位的共现率，提取贡献率最大的多个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，并且结合位置估计方法来对定位算法计算的结果进行优化、提高精度。
【IPC分类】H04W4/02, H04W64/00, H04W28/06
【公开号】CN105657653
【申请号】
【发明人】刘光辉, 廖亚, 谭焰文, 郭继舜
【申请人】电子科技大学
【公开日】2016年6月8日
【申请日】2015年12月28日