一种基于WLAN的室内定位方法转让专利
申请号 : CN201410458932.0
文献号 : CN104185275B
文献日 : 2017-11-17
发明人 : 诸彤宇 , 刘帅 , 宋志新
申请人 : 北京航空航天大学
摘要 :
权利要求 :
1.一种基于WLAN的室内定位方法,其特征在于实现步骤如下:
步骤一:将采样点采集到的各个AP的RSSI数据预处理,从中提取出一维和二维向量分别作为特征向量;
步骤二:对特征向量聚类分析,将待定位区域划分为多个定位子区域;
步骤三:针对每组特征向量结合聚类结果,分别训练出各自相应的分类模型;基于分类模型结合“投票”机制从所有子区域中选取票数最高的子区域集合;
步骤四:采用两轮定位缩小子区域集合范围,提高定位精度;
所述步骤一从预处理数据中提取出一维和二维向量分别作为特征向量,包括:(1)将扫描到的所有AP按照MAC地址升序排序;
(2)按照以下两种方法提取一维和二维向量作为特征向量:
a.将排序后的AP两两组合,将AP按照MAC地址分成 组,每组AP表示为(APi,APj),其中,0
b.每个AP单独作为一组,即将所有离线采集数据按照AP的MAC地址分成m组,每组AP表示为APi,其中,0
所述步骤三,具体实现过程包括离线阶段和在线阶段;
离线阶段,针对步骤一中提出的两种构造方法所构造的特征向量,分别训练出每种构造方法的每种特征向量所对应的支持向量机(Support Vector Machine,SVM)分类模型;
在线阶段,从实时数据提取分类特征向量,读取离线阶段训练好的SVM分类模型,根据支持向量多项式展开项值,计算待分类向量对应于不同区域的概率,结合“投票”机制从所有区域中选取票数最高的区域集R;
所述投票机制是指,如果AP组(APi,APj)的样本数据经过SVM预测被认定为在某一区域内,则该区域票数加1;遍历所有AP组的EV(APi,APj)并投票,选定票数最多的区域作为定位的粗粒度定位区域,每个区域的票数应当在0到 之间,EV为特征向量集;
所述步骤四,采用两轮定位缩小区域集范围,具体实现为:
(1)读取训练好的SVM分类模型,计算支持向量多项式展开项值;
(2)读取当前采集到的RSSI,提取分类特征向量,并对分类特征进行标准化;
(3)通过多项式核函数将分类特征向量映射到高维空间,并根据所述支持向量多项式展开项值计算待分类向量对应于不同区域的概率,从中选取步骤三中求出的粗粒度定位区域R内各个区域的概率;
(4)对于每个APi,判断划分出的每个子区域是否符合条件,且该子区域是步骤三中求出的粗粒度定位区域R的子集,如果存在多个子区域符合条件,则SVM模型认为当前设备可能处于这几个子区域的并集内;
(5)结合“投票”机制从R中选取票数最高的区域集R’,具体步骤包括:如果APi的样本数据经过SVM预测被认定为在某一区域内,则该区域票数加1,根据每个AP的定位区域投票,选定票数最多的区域作为定位的细粒度定位区域,每个区域的票数应当在0到m之间。
2.根据权利要求1所述的基于WLAN的室内定位方法,其特征在于:所述步骤一将采样点采集到的各个AP的RSSI数据预处理,包括:删除RSSI过低的数据,删除非定位AP的数据,填补未被扫描到的RSSI数据;
所述删除RSSI过低的数据是指,将RSSI强度低于某一阈值的数据删除;所述删除非定位AP的数据是指,删除不适于定位的AP的RSSI,不适于定位AP的特征为强度过低,即RSSI小于-95dB或稳定性较差,即方差大于20。
3.根据权利要求1所述的基于WLAN的室内定位方法,其特征在于:所述步骤二中,对特征向量聚类分析,将待定位区域划分为多个定位子区域,具体步骤为:以步骤一中构造的特征向量为输入,以特征向量之间的距离作为相似度度量函数进行聚类分析,聚类分析采用可自动发现聚类数目的X-means算法。
4.根据权利要求1所述的基于WLAN的室内定位方法,其特征在于:所述在线定位阶段的具体操作包括:(1)读取训练好的SVM分类模型,计算支持向量多项式展开项值;
(2)读取当前采集到的RSSI,提取分类特征向量;
(3)通过多项式核函数将分类特征向量映射到高维空间,并根据所述支持向量多项式展开项值计算待分类向量对应于不同区域的概率;
(4)对于每个AP组(APi,APj),判断划分出的每个子区域是否符合条件,如果存在多个子区域符合条件,则SVM模型认为当前设备可能处于这几个子区域的并集内。
说明书 :
一种基于WLAN的室内定位方法
技术领域
背景技术
发明内容
附图说明
具体实施方式
1 -85 -97 -63 -100 -100 -90 -72
1 -83 -92 -65 -100 -98 -85 -69
2 -70 -73 -95 -82 -63 -100 -100
…… …… …… …… …… …… …… ……
1 -85 -97
1 -83 -92
2 -70 -73
…… …… ……
1 -97 -63
1 -92 -65
2 -73 -95
…… …… ……
包含的特征向量的个数,在此处特征向量个数等于AP组采集到的在所有位置的RSSI组合的个数;p表示参数个数,称为Schwarz准则,在本发明中其计算公式为p=k+k·d,其中,d为EV中特征向量的维度,即d=2; 可看作是对聚类模型复杂度的惩罚; 是聚类模型Mk在特征向量集合EV上的极大后验对数似然估计,其计算公式如下式所
1 -85
1 -83
2 -70
…… ……
1 -97
1 -92
…… ……