一种基于WLAN的室内定位方法

摘要

本发明公开了一种基于WLAN的室内定位方法，属于室内无线通信和网络技术领域。方法包括：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；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；针对每组特征向量，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；采用两轮定位缩小子区域集合范围，提高定位精度。本发明充分挖掘利用了RSSI的空间分布特征，解决了大范围的室内定位搜索匹配空间过大，计算复杂度高等问题；建立新型定位模型，解决现有WLAN室内定位方法中，无法有效学习和适应RSSI信号由于非视距传输效应、RSSI衰减规律异常等原因造成的非线性、非高斯统计特性等问题。

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

[0001] 本发明涉及一种WLAN室内定位领域的定位方法，属于室内无线通信和网络技术领域。

背景技术

[0002] 近年来，随着人们物质生活水平的不断提高，人们对位置服务的需求也与日俱增，如在人员调度、资产管理、紧急救援、安全监控、安全调度、智能交通、地图导航、出行指南等诸多方面对定位的广泛需求；特别是在应对紧急情况是，如紧急救援、救灾应急指挥调度等特殊应用场景下，定位信息更显得尤为重要。

[0003] 随着普适计算机和分布式通信技术的深入研究，室内无线通信和网络技术飞速发展，衍生出了基于WLAN(Wireless Local Area Networks,无线局域网)，Bluetooth(蓝牙)，WSN(wireless sensor network,无线传感器网络)等室内定位方式，以及基于指纹和概率法的室内定位方法。

[0004] 基于WLAN，Bluetooth，WSN等的定位技术，通过在室内进行网格划分，并在室内部署大量的AP(Access Point,访问接入点)，终端检测在每个网格内接收到的多个AP的RSSI(Received Signal Strength Indication,接收信号强度指示)，由于不同位置接收到的各个信号节点所发出的信号强度不同，将在各个网格中接收到的各个节点的RSSI作为该网络的特征量以完成定位。

[0005] 基于指纹的室内定位，通过采集室内区域内不同AP的RSSI，并将对应的无线接入点的地址和坐标存储在数据库中，终端用户测量周围无线信号强度，将它与预先存储在数据库中的RSSI适量进行匹配定位，从而得到被定位终端用户的坐标信息。

[0006] 概率法利用参考点上的已有训练样本，得出各个参考点上的RSSI信号概率分布。一般采用高斯函数进行概率分布拟合，得出各个参考点的高斯概率分布的均值和带宽。概率法充分利用了信号分布的统计特征，定位精度一般较加权最近邻法要高。

[0007] 然而，它们同样存在各自的问题。基于指纹的室内定位方法，在实际应用中，对于大范围的室内定位，存在空间匹配搜索范围较大，计算复杂度高，存储空间要求较大的不足，而基于概率法的室内定位方法，在实际应用中存在RSSI信号在某个固定的参考点上的概率分布呈现非高斯、非线性、多模态的特性，使得拟合出的概率分布函数与实际概率分布相差较大，从而导致定位时较大匹配误差。

发明内容

[0008] 本发明要解决的技术问题是：克服现有技术的什么不足，提供一种基于WLAN的室内定位方法，既能降低匹配搜索范围，又能得到符合实际情况的预测模型，一定程度上降低了计算复杂度和时间复杂度。

[0009] 本发明要解决的技术问题是：降低匹配搜索范围，建立一种符合实际情况的预测模型，提供一种基于WLAN的室内定位方法，包括以下步骤实现：

[0010] 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。

[0011] 对扫描到的RSSI数据进行必要的预处理包括：删除RSSI小于-100dB的数据，删除非定位AP的数据。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(RSSI小于-95dB)或稳定性较差(方差大于20)，使用这些AP会增加计算复杂度，降低定位精度，因此予以排除。

[0012] 采用不同提取方法从原始数据中提取多种可准确量化RSSI分布规律的特征向量。包括以下步骤：

[0013] (1)将扫描到的所有AP按照MAC地址升序排序，将离线采集时扫描到的所有原始数据根据其采集位置标记上对应的采样点编号；

[0014] (2)可以按照以下两种方法提取各自的特征向量：

[0015] a.将排序后的AP两两组合，即将AP按照MAC地址分成 组，每组AP表示为(APi,APj)(其中，0

[0016] 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

[0017] 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，每个子区域反映了一种RSSI分布特征。

[0018] 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。可选的，聚类分析采用可自动发现聚类数目的X-means算法。X-means聚类算法改进了K-means算法，在算法初始运算时无须预先指定聚类数K，只需指定一个K的取值范围[K1,K2](K1

[0019] 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。其中包括：

[0020] 离线阶段，针对步骤二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。SVM是建立在统计学习的VC维(VC dimension)理论和结构风险最小化(structural risk minimization)原则基础上的。SVM通过对分类精度(对特定样本的分类正确性)和分类能力(对任意样本进行无错误分类)进行折衷，以期使分类器获得最好的推广能力。特征值作为SVM分类器的输入，是对数据的抽象描述，因此特征值的选取非常重要，能否准确的反映待分类数据特点将直接影响最终的分类效果。

[0021] 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对应的SVM分类模型，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，结合“投票”机制从所有区域中选取票数最高的区域集R。

[0022] 在线定位阶段的具体操作包括：

[0023] (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；

[0024] (2)读取当前采集到的RSSI，提取分类特征向量；

[0025] (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；

[0026] (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；

[0027] 所述符合条件的区域是指，当AP组(APi,APj)在某一子区域的预测概率大于某一阈值ε(0<ε<1)时，就认为该区域是符合条件的；

[0028] (5)结合“投票”机制从所有区域中选取票数最高的区域集R，具体步骤包括：

[0029] 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。从几何上表现为选取被覆盖次数最多的区域当作粗粒度的定位区域，每个区域的票数应当在0到 之间。

[0030] 步骤四：采用两轮定位缩小区域集范围，提高定位精度。具体包括：

[0031] (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；

[0032] (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；

[0033] (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；

[0034] (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；

[0035] 所述符合条件的区域是指，当APi在某一区域的预测概率大于某一阈值ε(0<ε<1)时，就认为该区域是符合条件的；

[0036] (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。从几何上表现为选取被覆盖次数最多的区域当作细粒度的定位区域，每个区域的票数应当在0到m之间。

[0037] 本发明提供的技术方案的有益效果是：本发明充分挖掘利用了RSSI的空间分布特征，降低了因区域划分不当造成的定位区域偏差；建立新型定位模型，解决现有WLAN室内定位方法中，无法有效学习和适应RSSI信号的由于非视距传输效应、多径传播效应和RSSI衰减规律异常等原因造成的非线性、非高斯统计特性，以及大范围的室内定位，搜索匹配空间过大，计算复杂度高等问题。

附图说明

[0038] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0039] 图1为本发明方法实现流程图；

[0040] 图2为本发明方法的聚类流程图；

[0041] 图3为本发明方法的另一种聚类流程图；

[0042] 图4为本发明方法的训练流程图；

[0043] 图5为本发明方法的一种粗粒度定位流程图；

[0044] 图6为本发明方法的一种细粒度定位流程图。

具体实施方式

[0045] 下面结合流程图和具体实施例对本发明具体实施方案做进一步说明。

[0046] 图2为本发明方法的聚类流程图，该流程属于离线阶段的一部分。具体可以包括如下步骤：

[0047] 201、在每个校标点使用智能手机高频扫描周边AP信号，扫描出的数据格式如表1所示。需要注意的是，每个校标点采集的数据条数不固定，因采集时间长短而异。如果当前位置未能采集到相应AP的RSSI，用-100dB填补。

[0048] 表1 扫描数据格式

[0049]校标点编号 AP1 AP2 AP3 AP4 AP5 AP6 AP7
1 -85 -97 -63 -100 -100 -90 -72
1 -83 -92 -65 -100 -98 -85 -69
2 -70 -73 -95 -82 -63 -100 -100
…… …… …… …… …… …… …… ……

[0050] 202、从采集的数据中提取所有AP，按照MAC地址升序排序。其目的在于，定位阶段使用的SVM算法与向量顺序相关，因此必须人为地确定一种向量排列顺序。在本发明实施例中，使用AP的MAC升序排列作为排序方法。

[0051] 203、将排序后的AP两两组合成(APi,APj)(其中，0

[0052] 表2 提取数据格式

[0053]校标点编号 AP1 AP2
1 -85 -97
1 -83 -92
2 -70 -73
…… …… ……

[0054] 表3 提取数据格式

[0055]校标点编号 AP2 AP3
1 -97 -63
1 -92 -65
2 -73 -95
…… …… ……

[0056] 204、以步骤203构造的向量为输入，以向量之间的距离作为相似度度量函数，采用可自动发现聚类数目的X-means算法进行聚类分析。分别记录每个二维AP组合对整个定位区域的划分情况。

[0057] X-means算法聚类分析的具体实现过程如下：

[0058] Step1.指定聚类数目k范围[kmin,kmax]，并初始化k＝kmin。K的范围根据实际待测区域的大小选择，每个子区域的范围在200m2到700m2，以此方法计算[kmin,kmax]；

[0059] Step2.从步骤202中提取的特征向量集EV中随机选取k个AP组合数据点u1,u2,u3...uk作为初始聚类中心；特征向量集EV如表2，表3所示，从中挑选出k个特征向量作为初始中心；

[0060] Step3.对于特征向量集EV中的每一个AP组合数据点xi，根据相似度判定其所属的类簇， 其中s(arg1,arg2)为相似度计算函数；

[0061] Step4.重复以上过程，将所有的数据点都指派到最相似的类簇，从而将所有AP组数据点都初步划分到对应的类簇中；

[0062] Step5.对于每一个类簇，重新计算其聚类中心， 其中，c(i)表示该数据点xi初步认定所属的类型；c(i)＝j指的是：如果数据点xi属于类簇j，则(c(i)＝j)＝1，否则(c(i)＝j)＝0；该中心表示每个类簇的加权平均中心点位置；

[0063] Step6.计算准则函数， 其中xi是数据集中的数据点，uj是类簇j的聚类中心；k指的是聚类中心的个数；

[0064] Step7.如果准则函数不再变化转向Step8，说明该聚类结果已经稳定；否则跳到Step3，重新进行聚类；

[0065] Step8.对已聚出的各个类簇进行进一步划分并计算划分前后的贝叶斯信息准则BICpre,BICpost；贝叶斯信息准则(Bayesian Information Criterions，BIC)是贝叶斯理论的一个重要组成部分，可以基于后验概率对相同数据集上的不同模型进行评价，适合作为选取复杂度较低且对数据集描述较好的模型的参考依据。

[0066] 其中对于聚类数目k对应的聚类模型，贝叶斯信息准则的计算公式：其中，EV是步骤202中提取出的特征向量的集合；R为EV中
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

[0067]

[0068] 其中， u(i)为类簇i的聚类中心；

[0069] Step9.如果BICpre＞BICpost，察看结果模型是否比原始的得分高，分数高则接受分裂,转向Step10，否则令k＝k+1并跳到Step8；

[0070] Step10.如果k＞kmax，则需要重新进行聚类，转向Step7；否则令k＝k+1并跳到Step2，计算增加一个类的聚类情况；

[0071] Step11.选取BIC最大的划分方式作为聚类结果；

[0072] 假定M为不同聚类数目k对应的模型集合，则有 即为最佳聚类模型。每个类型都表示为一种信号特征，信号特征反映了在某一区域内信号分布的聚集现象。

[0073] 图3为本发明方法的另一种聚类流程图，该流程属于离线采样阶段的一部分。具体可以包括如下步骤：

[0074] 301、在每个校标点使用智能手机高频扫描周边AP信号，扫描出的数据格式如表1所示。需要注意的是，每个校标点采集的数据条数不固定，因采集时间长短而异。如果当前位置未能采集到相应AP的RSSI，用-100dB填补。

[0075] 302、将AP按照MAC地址分成m组(m代表所有AP的个数)。从标记了采样点的各个RSSI数据中提取出对应AP的一维RSSI向量，作为分类原始数据。如表4，表5所示。

[0076] 表4提取数据格式

[0077]校标点编号 AP1
1 -85
1 -83
2 -70
…… ……

[0078] 表5提取数据格式

[0079]校标点编号 AP2
1 -97
1 -92

[0080]2 -73
…… ……

[0081] 303、以步骤302构造的向量为输入，以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，聚类方法与步骤203类似，区别在于将步骤203中的特征向量由AP组合的二维向量改为单一AP的一维向量。信号模式反映了在某一区域内信号分布的聚集现象，分别记录每个AP对整个定位区域的划分情况。需要注意的是，对于同一个定位区域，不同AP对该区域的划分会有所不同，其原因在于这些AP的部署位置在空间上相距很远，受到非视距传输效应、多径传播效应和RSSI衰减规律异常各不相同，因此可能会对划分结果产生差异。

[0082] 图4为本发明方法的训练流程图，该流程属于离线采样阶段的一部分。具体可以包括如下步骤：

[0083] 401、在各个标定点提取出AP两两组合的二维RSSI向量，如表2，表3所示，并将标定点的编号替换为相应聚类后的类别编号。

[0084] 402、在各个标定点提取出单个AP的一维RSSI向量，如表4，表5所示，并将标定点的编号替换为相应聚类后的类别编号。

[0085] 403、对步骤401,402得到的向量分别进行SVM训练，计算支持向量机的分类特征值。分类特征值的计算为后续的判断初始化范围和缩小定位范围的有效性提供数据支持。本实施例选取的分类特征就是步骤401,402得到的RSSI向量。

[0086] 图5为本发明方法的一种粗粒度定位流程图，该流程属于在线阶段的一部分。具体可以包括如下步骤：

[0087] 501、加载训练好的每个二维AP组(APi,APj)的SVM分类模型，读取当前采集到的RSSI，根据AP的MAC地址升序排序，再提取每组AP组合作为分类向量。需要注意的是，SVM算法与向量顺序相关，因此必须人为地确定一种向量排列顺序。在本例中，使用AP的MAC升序排列作为排序方法。

[0088] 502、将步骤501提取出的AP组合形成的分类向量，使用相应的SVM模型对其进行预测，分别求出每组AP在其对应区域划分模式下在各个区域的概率。由于当前位置可能处于多个区域的边缘处，或者由于该二维AP组合中某个或某些AP由于受到非视距传输效应、多径传播效应和RSSI衰减规律异常等原因导致RSSI波动，可能会出现多个区域都符合要求的情况，可以按照以下方法进行选取：

[0089]

[0090] 每次AP采样提取出的特征向量，经过对应的SVM模型预测后可能会有多个预测结果符合要求，每个预测结果对应于该AP组将待定位区域划分出的一个子区域。上式中s代表符合条件的预测结果个数，即代表SVM模型认定当前设备可能处于几个子区域内；areak表示第k个符合条件的区域，即代表SVM模型认定当前设备可能在哪几个子区域内。Area(APi,APj)代表AP组(APi,APj)所确定的当前位置所在的区域，即代表SVM模型认为当前设备可能处于这几个子区域的并集。符合要求的子区域的选取方法是，如果预测出当前特征向量在某个子区域的概率不小于某个阈值ε(0<ε<1)，就认为该子区域符合要求。在本例中，选取的ε＝1/n，n代表该AP组合划分出的子区域个数。

[0091] 503、对步骤502中获得的所有AP组(APi,APj)的Area(APi,APj)采用“投票”方式计算定位结果。如果某AP组合的样本数据经过步骤502预测被认定为可能在某一区域内，则该区域票数加1。遍历所有AP组合的Area(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，每个区域的票数在0到 之间。从几何上表现为选取被Area(APi,APj)覆盖次数最多的区域当作粗粒度的定位区域。如果所有区域的票数都小于某一阈值ξ，认为定位失败，结束定位；如果存在多个区域的票数最多且大于ξ，则求这些区域的并集，作为定位的粗粒度定位区域。由于正常定位至少需要3个AP参与计算，因此在本例中，ξ取值为4。

[0092] 图6为本发明方法的一种细粒度定位流程图，该流程属于在线阶段的一部分。具体可以包括如下步骤：

[0093] 601、加载之前训练好的每个AP的SVM分类模型，读取当前采集到的RSSI，将该RSSI形成一个一维的分类向量，使用之前训练好的每个AP的SVM分类模型对其进行预测，分别求出每个AP在其对应区域划分模式下在各个区域的概率，从中选取上一步求出的粗粒度定位区域R内各个区域的概率。由于当前位置可能处于多个区域的边缘处，或者由于该AP由于受到非视距传输效应、多径传播效应和RSSI衰减规律异常等原因导致RSSI波动，可能会出现多个区域都比较符合要求的情况，可以按照以下方法进行选取：

[0094]

[0095] 每次AP采样提取出的特征向量，经过对应的SVM模型预测后可能会有多个预测结果符合要求，每个预测结果对应于该AP将待定位区域划分出的一个子区域。上式中s代表符合条件的预测结果个数，即代表SVM模型认定当前设备可能处于几个子区域内；areak表示第k个符合条件的区域，即代表SVM模型认定当前设备可能在哪几个子区域内，该区域必须是步骤四中求出的粗粒度定位区域R的子集。Area(APi)代表APi所确定的当前位置所在的区域，即代表SVM模型认为当前设备可能处于这几个子区域的并集。符合要求的子区域的选取方法是，如果预测出当前特征向量在某个子区域的概率不小于某个阈值ε(0<ε<1)，就认为该子区域符合要求。在本例中，选取的ε＝1/n，n代表该AP划分出的子区域个数。

[0096] 602、对步骤601中的所有APi的Area(APi)采用“投票”方式计算，即如果某AP的样本数据经过步骤601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的Area(APi)并投票，选定票数最多的区域作为定位的细粒度定位区域，每个区域的票数在0到m之间。从几何上表现为选取被Area(APi)覆盖次数最多的区域当作粗粒度的定位区域。如果所有区域的票数都小于某一阈值ξ，认为定位失败，结束定位；如果存在多个区域的票数最多且大于ξ，则求这些区域的并集，求出其中心点坐标和半径，作为最终的定位区域。由于正常定位至少需要3个AP参与计算，因此在本例中，ξ取值为4。

[0097] 本发明未详细阐述部分属于本领域公知技术。

[0098] 以上所述，仅为本发明部分具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。