纹向量S，对S进行KPCA提取 后，得到在线特征指纹向量s/，
[0化2] c2.计算与各个特征位置指纹的欧氏距离
可 W表征s/与f/1间的相似程度，其值越小二者越相似。
[0053] c3.按Di(s/，F^ i)的大小排列，找到前m(m<N)个最小的Di，使之满足
I并找到其相对应的m个特征位置指纹和位置信息li(xi，yi)
[0054] c4.利用加权K近邻法估计出待测点的位置信息
[0化5]
[0056] 图3为本发明中使用的定位区域图，由真实环境的环境简化而来，W坐标(0,0)，为 起点，每隔2m取一个参考节点，共计22个参考节点，分布如图中RPs;又在实现区域选择31个 位置，作为的定位区域的被测节点，如图中TPs, TPs的实际位置已知，在线定位时，实时采集 各个TPs上的来自各个AP的RSS信号，构成在线指纹向量，将运个在线的指纹向量通过定位 算法输出一个估计定位位置，将TPs的估计定位位置与TPs的实际位置进行比较，来评价定 位算法。
[0057] 在实验区域可W检测到8到13个AP的RSS信号，所有AP在数据采集区域内都是非视 距的，利用手持终端采集RSS信号，每个参考节点和测试节点对于RSS信号都采集多次，并求 每个节点的RSS信号均值，得到位置指纹数据如表1所示。
[005引将位置指纹数据通过KPCA，提取NXn维位置指纹空间F的k个主要特征(k<n)，构 成NXk维特征位置指纹空间F/=(f/l，f/2…f/N)τ。KPCA算法的流程图如图4所示。
[0059] 将F作为输入，根据公式K(xi，xj) = e邱（I xi-xj I V-e2)，计算N X N阶核矩阵K，其中 核矩阵K的每个元素为Ku = e邱非/-ε2)，ε为高斯核宽度，其中i，j<=N;
[0060] 根据式玄= K-lw.K-K.lw+lw.K.lw计算修正核矩阵玄山为NXN阶矩阵，每一个元 素都是1/N;
[0061 ] 计算哀的前k个最大特征值λι > λ2…Ak-i > Ak，及对应的特征向量vi，V2---vk，其中k< N;
[00创通过施密特正交化方法将vi，V2-Vk单位正交化得到αι，α2···α^
[0063]计算特征位置指纹空间户=^.α ,其中日=(日1，日2…化)T，F'为NXk维矩阵。
[0064] 通过核函数主特征提取，提取N X η维位置指纹空间F的k个主元，构成N X k维特征 位置指纹空间F/=(f/l，fV·中N)τ，F/与L相对应，即f/l是ll(Xl，yl)的特征位置指纹
[0065] 表2为表1中的数据经过KPCA主特征提取后得到的主特征，其中高斯核宽度ε按经 验取值2,提取5个主要特征后得到的数据。用表2中的数据作为参考节点物理位置的特征位 置指纹，将其用于定位。
[0066] 定位时，算法采用加权Κ近邻算法进行定位，流程如图5所示在待测地点实时采集 各个ΑΡ的RSS信号构成在线指纹向量S，对S进行KPCA提取后，得到在线特征指纹向量s/，
? 9
[0069] 计算与各个特征位置指纹的欧氏距离，
e化W巧W表 征S/与f/ 1间的相似程度，其值越小二者越相似。
[0070] 按Di(S^，F^ 1)的大小排列，找到前m(m<N)个最小的Di，使之满足
I并找到其相对应的m个特征位置指纹和参考节点位置信息li(xi， yi)
[0071] 利用加权κ近邻法估计出待测点的位置信息
[0072] 将表1表2中的数据，输入到PC端，之后再PC端进行本算法与Κ近邻算法进行位置预 测，并将定位结果进行比较。
[0073] 定位比较结果如图6所示，为本算法与K近邻法相关算法随AP数量变化误差比较， 其中本算法与K近邻算法的近邻数选择4。从图中可W看出：
[0074] 本算法的定位误差显著小于原K近邻法的定位误差，而且与K近邻算法相比，需要 更少的AP数量，便能达到更好的定位效果。在对被测节点进行定位时，所采集的RSS信号由 于室内环境的影响存在较大误差，因此本算法表现出了较优异的性能。
[0075] 总体看来，本算法与K近邻算法相比，其定位误差能够维持在一个较小的范围内， 具有很好的鲁棒性。
[0076] 本发明首次将核函数主特征提取化PCA)引入到WIFI室内定位问题中，通过仿真和 实际环境中使用RSS信号作为位置指纹的室内定位实验表明，本发明可W有效的避免实际 WIFI环境中RSS信号的波动性对定位结果的影响，定位精度有显著的提高，而且本发明与 WK順定位算法相比有较好的定位鲁棒性。
[0077] W上所述仅为本发明的较佳实施例，对发明而言仅仅是说明性的，而非限制性的。 本专业技术人员理解，在发明权利要求所限定的精神和范围内可对其进行许多改变，修改， 甚至等效，但都将落入本发明的保护范围内。
[0078] 表1进行40次采集的原始位置指纹数据(RSS信号单位化）
[0079]
【主权项】
1. 一种基于核函数主特征提取的WIFI室内加权K近邻定位算法，其特征在于:定位区域 内存在任意n个AP，在定位区域内选定的N个定位参考节点，在各个参考节点上可W采集到 非视距的n个AP的接收信号强度(RSS)信号，运个n维的RSS信号作为参考节点位置指纹信 息，将所有参考节点的指纹信息通过核函数主特征提取，提取位置指纹的主要特征，利用加 权(WK順化近邻算法进行匹配定位计算;包括W下步骤： a. 在定位区域内选定的N个定位参考节点，采集全部N个参考节点的位置指纹信息； b. 将所有的位置指纹信息通过化PCA)核函数主特征提取，提取位置指纹信息的主要特 征，作为的参考节点的特征位置指纹； C.采集待测点的来自各个AP的RSS信号，利用加权K近邻算法进行匹配输出定位结果。2. 根据权利要求1所述的一种基于核函数主特征提取的WIFI室内加权K近邻定位算法， 其特征在于:所述的步骤a的具体过程如下： al.在选定的定位区域选定N个参考节点（Reference Points,RP)，每个参考节点的物 理位置为li(Xi，yi)，N个参考节点的物理位置构成一个位置库L=(h，b…1n)t; a2.在各个参考节点上可W采集到非视距的n个AP的RSS信号及MAC地址信息(MAC作为 AP的标识），在每个参考节点上都要进行P次采集，将RSS均值作为运个参考节点li(xi，yi)的 位置指纹信息，运个位置指纹信息是一个n维向量fi = (rssi，rss2-rssn)T，i e (1，N)，其中 rw,. = 为9次采样之后来自第i个AP的RSS信号的平均值； a3.全部参考节点的位置信息构成一个NXn维的位置指纹空间F，即F=(fl，f2…fN)T，将 全部F与L存储在数据库中，数据库中，F的每个行向量fi，代表着参考节点1 i(Xi，yi)的位置 指纹信息。3. 根据权利要求1所述的一种基于核函数主特征提取的WIFI室内加权K近邻定位算法， 其特征在于:所述的步骤b的具体过程如下： bl.将F作为输入，根据公式K(xi，xj) = exp( |xi-xj P/-e2)，计算NXN阶高斯核矩阵K，其 中核矩阵K的每个元素为Ku = e邱非/-e2)，e为高斯核宽度，其中i，j<=N; b2.根据式ミ = K-lw.K-K.lw+：lw.K.lw计算修正核矩阵ミ，lN为NXN阶矩阵，每一个元 素都是1/N; b3.计算哀的前k个最大特征值Al >入2…心1 > Ak,及对应的特征向量vi，V2---vk，其中k< N; b4.通过施密特正交化方法将Vi，V2, ? ? Vk单位正交化得到ai，〇2, ? ^CIk; b5.计算特征位置指纹空间F =玄.a,其中曰=(日1，日2...日k)T，F'为NXk维矩阵。4. 根据权利要求1所述的一种基于核函数主特征提取的WIFI室内加权K近邻定位算法， 其特征在于:所述的步骤C的具体过程如下： Cl.在待测地点实时采集各个AP的RSS信号构成在线指纹向量S，对S进行KPCA提取后， 得到在线特征指纹向量,Si =沪?<!)口)) = ￡a,^(y;，。其中c2.计算与各个特征位置指纹f/的欧氏距离， 能够表征与f/间的相似程度，其值越小二者越相似； c3.按Dl(S/，F/l)的大小排列，找到前m(m<N)个最小的Dl，使之满足，并找到其相对应的m个特征位置指纹和位置信息li(xi，yi); c4.利用加权K近邻法估计出待测点的位置信息
【专利摘要】本发明公开了一种基于核函数主特征提取的WIFI加权k近邻室内定位方法，定位区域内存在任意n个AP，在定位区域内选定的N个定位参考节点，在各个参考节点上可以采集到非视距的n个AP的记得收接收信号强度(RSS)信号，这个n维的RSS信号作为参考节点位置指纹信息，将所有参考节点的指纹信息通过核函数主特征提取(KPCA)，提取位置指纹的主要特征，利用加权K近邻算法(WKNN)进行匹配定位，本发明通过仿真和实际环境中使用RSS信号作为位置指纹的室内定位，有效的避免实际WIFI环境中RSS信号的波动性对定位结果的影响，定位精度有显著的提高，而且本发明与WKNN定位算法相比有较好的定位鲁棒性。
【IPC分类】G01S5/14, H04W64/00
【公开号】CN105657823
【申请号】
【发明人】全薇, 李华亮, 钱志鸿, 王一然
【申请人】吉林大学
【公开日】2016年6月8日
【申请日】2015年12月16日