本发明公开了一种面向大规模复杂场景的WIFI室内定位方法及系统，该方法包括：基于定位区域的参考点信息，构建定位区域的位置指纹库；对位置指纹库进行聚类分析，生成位置指纹的多个初始聚类结果；基于初始聚类结果，构建位置指纹库的加权相似性矩阵，并基于加权相似性矩阵，将位置指纹库中的位置指纹数据划分为多个网格；将实时获取的RSSI数据与位置指纹库的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中；在匹配程度最高的网格当中，利用预设匹配算法获得目标的定位结果。本发明能有效抑制噪声和奇异值对定位结果的影响，进而保证室内定位结果的可靠有效，通过降低在线匹配阶段的计算量显著提高定位结果生成效率。
1.一种面向大规模复杂场景的WIFI室内定位方法，其特征在于，包括：基于定位区域的参考点信息，构建所述定位区域的位置指纹库；
对所述位置指纹库进行聚类分析，生成位置指纹的多个初始聚类结果；
基于所述初始聚类结果，构建所述位置指纹库的加权相似性矩阵，并基于所述加权相似性矩阵，将所述位置指纹库中的位置指纹数据划分为多个网格；
将实时获取的接收信号强度指示RSSI数据与所述位置指纹库的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中；
在所述匹配程度最高的网格当中，利用预设匹配算法获得目标的定位结果；
对位置指纹库进行聚类分析，生成多个位置指纹的初始聚类结果，包括：使用多种预设聚类方法在不同的初始化条件下对所述位置指纹库中的位置指纹数据进行类别划分，生成多个初始聚类结果；其中，所述预设聚类方法为k‑means、k‑medoids、高斯混合聚类、AGNES或DBSCAN；
为所述位置指纹库的每个初始聚类结果分配一个聚类符号向量；
所述基于初始聚类结果，构建位置指纹库的加权相似性矩阵，并基于所述加权相似性矩阵，将位置指纹库中的位置指纹数据划分为多个网格，包括：利用高斯核函数对所述位置指纹库中的位置指纹数据进行标准化处理，使标准化处理后的位置指纹数据符合正态分布；
针对生成的多个初始聚类结果，计算任意两个位置指纹在每个初始聚类结果中对聚类空间数据描述的一致性水平；
计算位置指纹的每个初始聚类结果对特征空间数据描述的一致性水平；
计算位置指纹的每个初始聚类结果的质量权重，并构建所述位置指纹库的加权相似性矩阵；
依据所述加权相似性矩阵，利用谱聚类方法将所述位置指纹库中的位置指纹数据划分为多个网格；
其中，κ(·)为高斯核函数，Fi和Fj分别表示第i个和第j个参考点的位置指纹数据，参数2
α的取值设为||Fi‑Fj||的标准差，||Fi‑Fj||表示位置指纹数据Fi与Fj之间的欧氏距离，ψi和ψj分别表示Fi和Fj映射后的标准化位置指纹数据；
所述针对生成的多个初始聚类结果，计算任意两个位置指纹在每个初始聚类结果中对聚类空间数据描述的一致性水平，包括：利用下式，计算聚类符号向量集合Γ关于所述位置指纹库 的条件信息熵，用于表示所述位置指纹库 对符号空间数据描述的不确定性：其中， 为第t个初始聚类结果Ct的聚类符号向量τt关于所述位置指纹库 的条件信息熵，其由下式计算：
其中， 表示类别标签τt,k关于所述位置指纹库 的条件概率，其由下式计算：其中，Fi(lt)表示位置指纹Fi在第t个初始聚类结果中对应的类别标签，表示所述位置指纹库 的第t个初始聚类结果中类别标签为τt,k的位置指纹数据的数量；
对于所述位置指纹库 中的任意两个位置指纹数据Fi和Fj，它们在第t个初始聚类结果Ct中所属的类别分别为 和 利用下式计算聚类符号向量集合Γ关于这两个类别的条件信息熵，用于表示利用这两个类别对符号空间数据描述的不确定性：其中， 为类别 和 构成的集合， 为第t个初始聚类结果Ct的聚类符号向量τt关于集合 的条件信息熵，其由下式计算：
其中， 表示类别标签τt,k关于集合 的条件概率，其由下式计算：
其中，Fd表示集合 中任一位置指纹，Fd(τt)表示位置指纹Fd在第t个初始聚类结果中对应的类别标签；
通过下式，计算位置指纹数据Fi和Fj在初始聚类结果Ct中对符号空间数据描述的一致性水平：
遍历计算所述位置指纹库 中任意两个位置指纹在每个初始聚类结果中对符号空间数据描述的一致性水平；
所述计算位置指纹的每个初始聚类结果对特征空间数据描述的一致性水平，包括：利用下式计算标准化位置指纹数据集合Ψ关于所述位置指纹库 的条件信息熵，用于表示利用位置指纹库 对特征空间数据描述的不确定性：其中， 为标准化位置指纹数据集合Ψ关于所述位置指纹库 的条件信息熵，表示标准化位置指纹数据集合Ψ数据分布的方差，由下式计算：其中，μΨ为标准化位置指纹数据集合Ψ数据分布的期望，满足下式：其中Fa，Fb，Fc分别表示位置指纹库 中Fi以外的任意三个位置指纹数据；
采用下式，计算标准化位置指纹数据集合Ψ关于每个初始聚类结果的条件信息熵，用于描述各初始化聚类结果对特征空间数据描述的不确定性：其中，H(Ψ|Ct)为标准化位置指纹数据集合Ψ关于第t个初始聚类结果Ct的条件信息熵， 表示Ct中位置指纹数据分布的方差，由下式进行计算：其中，Fe为Ct中任一位置指纹数据，ψe为Fe经过标准化处理后的位置指纹数据， 为Ct中位置指纹数据分布的期望，满足下式：其中，Ff，Fg，Fh分别表示第t个初始聚类结果Ct中除了Fe以外的任意三个位置指纹数据；
采用下式，计算初始聚类结果对特征空间数据描述的一致性水平：I(Ψ|Ct)＝H(Ψ|X)‑H(Ψ|Ct)其中I(Ψ|Ct)表示第t个初始聚类结果Ct对特征空间数据描述的一致性水平；
所述计算位置指纹的每个初始聚类结果的质量权重，并构建所述位置指纹库的加权相似性矩阵，包括：
采用下式，计算每个初始聚类结果的质量权重：其中，ωt表示第t个初始聚类结果Ct的质量权重，Cp为第p个初始聚类结果，参数β的取值为各初始聚类结果对特征空间数据描述的一致性水平的标准差；
采用下式，计算所述位置指纹库 中两个位置指纹数据的加权相似性：其中，sim(Fi,Fj)表示位置指纹Fi和Fj之间的加权相似性；
遍历计算位置指纹库 中任意两个位置指纹数据间的加权相似性，构建位置指纹库的加权相似性矩阵Θ＝[θ(Fi,Fj)]M×M，其矩阵元素θ(Fi,Fj)采用下式计算：其中，参数γ的取值为所述位置指纹库 中sim(Fi,Fj)分布的标准差；
所述依据所述加权相似性矩阵，利用谱聚类方法将所述位置指纹库中的位置指纹数据划分为多个网格，包括：
以加权相似性矩阵Θ每一列上元素之和为元素，构建一个M维对角矩阵，记为D，并定义矩阵Λ＝D‑Θ；
求出矩阵Λ按从小到大顺序排列的前K*个特征值 以及对应的特征向量其中，λu为第u个特征值，χu为λu对应的特征向量，K*为对位置指纹库划分的网格数量；
将K*个特征向量排列在一起组成一个M×K*的矩阵，将其中每一行看作K*维空间中的一个行向量，并使用K‑means算法对M个行向量进行聚类，将划分出的每个类别中对应的所有位置指纹数据作为定位区域的一个网格；将位置指纹库 表示为由多个网格构成的集合其中 表示第v个网格，Fm为网格Gν中的第m个位置指纹；
2.如权利要求1所述的面向大规模复杂场景的WIFI室内定位方法，其特征在于，所述基于定位区域的参考点信息，构建定位区域的位置指纹库，包括：在定位区域中选取多个参考点，并记录每一参考点的位置信息；
在每一参考点分别多次采集各无线接入点的RSSI数据，并对多次采集的RSSI数据进行均值滤波，将均值滤波后的RSSI数据作为各参考点的RSSI向量；
将各参考点的位置信息和RSSI向量进行拼接，作为各参考点的位置指纹数据；将定位区域内全部参考点的位置指纹数据构建为定位区域的位置指纹库。
3.如权利要求2所述的面向大规模复杂场景的WIFI室内定位方法，其特征在于，所述将实时获取的接收信号强度指示RSSI数据与所述位置指纹库的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中，包括：计算实时获取的接收信号强度指示RSSI数据与位置指纹库的各网格中心向量的RSSI数据之间的欧氏距离；
将待定位目标匹配到与其欧氏距离最小的网格中心所在的网格当中；
所述在所述匹配程度最高的网格当中，利用预设匹配算法获得目标的定位结果，包括：在匹配程度最高的网格当中，遍历计算待定位点的RSSI数据与网格内所有参考点的RSSI数据之间的欧式距离，选取欧式距离最小的K个参考点，计算选取出的参考点的位置均值，作为目标的定位结果；其中，K为K近邻算法参数。
4.一种面向大规模复杂场景的WIFI室内定位系统，其特征在于，包括：离线指纹库构建单元，用于基于定位区域的参考点信息，构建所述定位区域的位置指纹库；
指纹数据网格划分单元，用于对所述指纹数据网格划分单元构建的位置指纹库进行聚类分析，生成多个位置指纹的初始聚类结果；基于所述初始聚类结果，构建所述位置指纹库的加权相似性矩阵，并基于所述加权相似性矩阵，将所述位置指纹库中的位置指纹数据划分为多个网格；
在线匹配定位单元，用于将实时获取的接收信号强度指示RSSI数据与所述位置指纹库的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中；在匹配程度最高的网格当中，利用预设匹配算法获得目标的定位结果；
对位置指纹库进行聚类分析，生成多个位置指纹的初始聚类结果，包括：使用多种预设聚类方法在不同的初始化条件下对所述位置指纹库中的位置指纹数据进行类别划分，生成多个初始聚类结果；其中，所述预设聚类方法为k‑means、k‑medoids、高斯混合聚类、AGNES或DBSCAN；
为所述位置指纹库的每个初始聚类结果分配一个聚类符号向量；
所述基于初始聚类结果，构建位置指纹库的加权相似性矩阵，并基于所述加权相似性矩阵，将位置指纹库中的位置指纹数据划分为多个网格，包括：利用高斯核函数对所述位置指纹库中的位置指纹数据进行标准化处理，使标准化处理后的位置指纹数据符合正态分布；
针对生成的多个初始聚类结果，计算任意两个位置指纹在每个初始聚类结果中对聚类空间数据描述的一致性水平；
计算位置指纹的每个初始聚类结果对特征空间数据描述的一致性水平；
计算位置指纹的每个初始聚类结果的质量权重，并构建所述位置指纹库的加权相似性矩阵；
依据所述加权相似性矩阵，利用谱聚类方法将所述位置指纹库中的位置指纹数据划分为多个网格；
其中，κ(·)为高斯核函数，Fi和Fj分别表示第i个和第j个参考点的位置指纹数据，参数2
α的取值设为||Fi‑Fj||的标准差，||Fi‑Fj||表示位置指纹数据Fi与Fj之间的欧氏距离，ψi和ψj分别表示Fi和Fj映射后的标准化位置指纹数据；
所述针对生成的多个初始聚类结果，计算任意两个位置指纹在每个初始聚类结果中对聚类空间数据描述的一致性水平，包括：利用下式，计算聚类符号向量集合Γ关于所述位置指纹库 的条件信息熵，用于表示所述位置指纹库 对符号空间数据描述的不确定性：其中， 为第t个初始聚类结果Ct的聚类符号向量τt关于所述位置指纹库 的条件信息熵，其由下式计算：
其中， 表示类别标签τt,k关于所述位置指纹库 的条件概率，其由下式计算：其中，Fi(lt)表示位置指纹Fi在第t个初始聚类结果中对应的类别标签，表示所述位置指纹库 的第t个初始聚类结果中类别标签为τt,k的位置指纹数据的数量；
对于所述位置指纹库 中的任意两个位置指纹数据Fi和Fj，它们在第t个初始聚类结果Ct中所属的类别分别为 和 利用下式计算聚类符号向量集合Γ关于这两个类别的条件信息熵，用于表示利用这两个类别对符号空间数据描述的不确定性：其中， 为类别 和 构成的集合， 为第t个初始聚类结果Ct的聚类符号向量τt关于集合 的条件信息熵，其由下式计算：
其中， 表示类别标签τt,k关于集合 的条件概率，其由下式计算：
其中，Fd表示集合 中任一位置指纹，Fd(τt)表示位置指纹Fd在第t个初始聚类结果中对应的类别标签；
通过下式，计算位置指纹数据Fi和Fj在初始聚类结果Ct中对符号空间数据描述的一致性水平：
遍历计算所述位置指纹库 中任意两个位置指纹在每个初始聚类结果中对符号空间数据描述的一致性水平；
所述计算位置指纹的每个初始聚类结果对特征空间数据描述的一致性水平，包括：利用下式计算标准化位置指纹数据集合Ψ关于所述位置指纹库 的条件信息熵，用于表示利用位置指纹库 对特征空间数据描述的不确定性：其中， 为标准化位置指纹数据集合Ψ关于所述位置指纹库 的条件信息熵，表示标准化位置指纹数据集合Ψ数据分布的方差，由下式计算：其中，μΨ为标准化位置指纹数据集合Ψ数据分布的期望，满足下式：其中Fa，Fb，Fc分别表示位置指纹库 中Fi以外的任意三个位置指纹数据；
采用下式，计算标准化位置指纹数据集合Ψ关于每个初始聚类结果的条件信息熵，用于描述各初始化聚类结果对特征空间数据描述的不确定性：其中，H(Ψ|Ct)为标准化位置指纹数据集合Ψ关于第t个初始聚类结果Ct的条件信息熵， 表示Ct中位置指纹数据分布的方差，由下式进行计算：其中，Fe为Ct中任一位置指纹数据，ψe为Fe经过标准化处理后的位置指纹数据， 为Ct中位置指纹数据分布的期望，满足下式：其中，Ff，Fg，Fh分别表示第t个初始聚类结果Ct中除了Fe以外的任意三个位置指纹数据；
采用下式，计算初始聚类结果对特征空间数据描述的一致性水平：I(Ψ|Ct)＝H(Ψ|X)‑H(Ψ|Ct)其中I(Ψ|Ct)表示第t个初始聚类结果Ct对特征空间数据描述的一致性水平；
所述计算位置指纹的每个初始聚类结果的质量权重，并构建所述位置指纹库的加权相似性矩阵，包括：
采用下式，计算每个初始聚类结果的质量权重：其中，ωt表示第t个初始聚类结果Ct的质量权重，Cp为第p个初始聚类结果，参数β的取值为各初始聚类结果对特征空间数据描述的一致性水平的标准差；
采用下式，计算所述位置指纹库 中两个位置指纹数据的加权相似性：其中，sim(Fi,Fj)表示位置指纹Fi和Fj之间的加权相似性；
遍历计算位置指纹库 中任意两个位置指纹数据间的加权相似性，构建位置指纹库的加权相似性矩阵Θ＝[θ(Fi,Fj)]M×M，其矩阵元素θ(Fi,Fj)采用下式计算：其中，参数γ的取值为所述位置指纹库 中sim(Fi,Fj)分布的标准差；
所述依据所述加权相似性矩阵，利用谱聚类方法将所述位置指纹库中的位置指纹数据划分为多个网格，包括：
以加权相似性矩阵Θ每一列上元素之和为元素，构建一个M维对角矩阵，记为D，并定义矩阵Λ＝D‑Θ；
求出矩阵Λ按从小到大顺序排列的前K*个特征值 以及对应的特征向量其中，λu为第u个特征值，χu为λu对应的特征向量，K*为对位置指纹库划分的网格数量；
将K*个特征向量排列在一起组成一个M×K*的矩阵，将其中每一行看作K*维空间中的一个行向量，并使用K‑means算法对M个行向量进行聚类，将划分出的每个类别中对应的所有位置指纹数据作为定位区域的一个网格；将位置指纹库 表示为由多个网格构成的集合其中 表示第v个网格，Fm为网格Gν中的第m个位置指纹；
一种面向大规模复杂场景的WIFI室内定位方法及系统
技术领域
[0001] 本发明涉及室内定位技术领域，特别涉及一种面向大规模复杂场景的WIFI 室内定位方法及系统。
背景技术
[0002] 随着无线网络技术的迅速发展和各种智能终端的广泛应用，室内定位技术的应用需求越发突出，呈现出不断增长的势头。近年来智能手机的兴起更是推动了室内定位的迅
速发展和普及，在日常生活、军事和商业等多个领域中显示出良好的发展前景和开阔的市
场应用空间：在日常生活领域，大型机场候机厅的室内定位能够使得乘客快速准确的找到
登机口；在火灾救援领域，消防官兵能够根据用户的位置信息精准的定位人员的当前位置，
为火灾抢救争取时间，减少人员的伤亡机率；在商业领域，商家能够根据用户的当前位置，
推送周围一定范围内的商品信息以激发顾客购买欲和提升顾客的购物体验。
[0003] 从现有的研究和应用情况来看，常见的室内定位技术主要包括红外线 (Infrared)室内定位、超声(Ultrasonic)室内定位、蓝牙(Bluetooth)室内定位、射频识别
(RFID)室内定位、超宽带(UWB)室内定位和WIFI室内定位。其中，WIFI室内定位技术基于
IEEE802.11协议的无线局域网(WLAN)，具有架设成本低、操作简便、覆盖范围广等优势，是
一种易于实施、成本低廉的室内定位技术。室内WIFI无线定位技术根据定位原理主要分为
两类：基于测距的定位方法和无需测距的定位方法。其中，基于测距的定位方法需要事先获
得一个或多个已知点的位置坐标，然后运用无线信号的传播特性测量出已知点到定位目标
的距离，从而确定目标位置；无需测距的定位方法通过接收无线信号强度来实现目标定位，
相比基于测距的定位方法具有更高的可操作性和定位精度，最具代表性的无需测距的定位
方法是由离线采集建库和在线匹配定位两个阶段组成的位置指纹定位方法。在离线采集阶
段，在多个参考点采集接收的信号强度指示(received signal strength indication,
RSSI)建立相应的位置指纹数据库；在线匹配定位阶段，通过与位置指纹库的信息进行比较
和匹配，利用与待定位点测得的指纹信息相似的一个或多个指纹点的位置坐标估算出待定
位点位置。
[0004] 目前对于位置指纹定位方法的研究主要集中于在线匹配定位阶段，如何设计匹配算法从而在位置指纹库中寻找与待定位点相似的参考点。常用的匹配算法有：最近邻算法
(Nearest Neighborhood,NN)、K近邻算法(K Nearest Neighborhood,KNN)、加权K近邻算法
(Weighted K‑Nearest Neighborhood,WKNN) 等。利用这些算法进行在线匹配的位置指纹
定位技术能够满足简单小规模室内场景下的定位需求，而对于大规模复杂室内场景则可能
由于匹配算法对初始化较为敏感导致定位精度较低，以及需要遍历整个位置指纹库进行匹
配导致定位结果实时性较差。因此，如何在大规模复杂室内环境中确保定位精度和执行效
率，对于WIFI室内定位技术的研究和应用具有重要意义。
发明内容
[0005] 本发明提供了一种面向大规模复杂场景的WIFI室内定位方法及系统，以解决对于大规模复杂室内场景，现有室内定位方法可能由于匹配算法对初始化较为敏感导致定位精
度较低以及需要遍历整个位置指纹库进行匹配导致定位结果实时性较差的技术问题。实现
在大规模复杂室内环境中对目标准确高效的定位。
[0006] 为解决上述技术问题，本发明提供了如下技术方案：
[0007] 一方面，本发明提供一种面向大规模复杂场景的WIFI室内定位方法，包括：
[0008] 基于定位区域的参考点信息，构建所述定位区域的位置指纹库；
[0009] 对所述位置指纹库进行聚类分析，生成位置指纹的多个初始聚类结果；
[0010] 基于所述初始聚类结果，构建所述位置指纹库的加权相似性矩阵，并基于所述加权相似性矩阵，将所述位置指纹库中的位置指纹数据划分为多个网格；
[0011] 将实时获取的接收信号强度指示RSSI数据与所述位置指纹库的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中；
[0012] 在所述匹配程度最高的网格当中，利用预设匹配算法获得目标的定位结果。
[0013] 可选地，基于定位区域的参考点信息，构建定位区域的位置指纹库，包括：
[0014] 在定位区域中选取多个参考点，并记录每一参考点的位置信息；
[0015] 在每一参考点分别多次采集各无线接入点的RSSI数据，并对多次采集的 RSSI数据进行均值滤波，将均值滤波后的RSSI数据作为各参考点的RSSI向量；
[0016] 将各参考点的位置信息和RSSI向量进行拼接，作为各参考点的位置指纹数据；将定位区域内全部参考点的位置指纹数据构建为定位区域的位置指纹库。
[0017] 可选地，所述对所述位置指纹库进行聚类分析，生成多个位置指纹的初始聚类结果，包括：
[0018] 使用多种预设聚类方法在不同的初始化条件下对所述位置指纹库中的位置指纹数据进行类别划分，生成多个初始聚类结果；其中，所述预设聚类方法为 k‑means、k‑
medoids、高斯混合聚类、AGNES或DBSCAN；
[0019] 为所述位置指纹库的每个初始聚类结果分配一个聚类符号向量。
[0020] 可选地，所述基于初始聚类结果，构建位置指纹库的加权相似性矩阵，并基于加权相似性矩阵，将位置指纹库中的位置指纹数据划分为多个网格，包括：
[0021] 利用高斯核函数对所述位置指纹库中的位置指纹数据进行标准化处理，使标准化处理后的位置指纹数据符合正态分布；
[0022] 针对生成的多个初始聚类结果，计算任意两个位置指纹在每个初始聚类结果中对聚类空间数据描述的一致性水平；
[0023] 计算位置指纹的每个初始聚类结果对特征空间数据描述的一致性水平；
[0024] 计算位置指纹的每个初始聚类结果的质量权重，并构建所述位置指纹库的加权相似性矩阵；
[0025] 依据所述加权相似性矩阵，利用谱聚类方法将所述位置指纹库中的位置指纹数据划分为多个网格。
[0026] 可选地，所述高斯核函数的表达式如下：
[0027]
[0028] 其中，κ(·)为高斯核函数，Fi和Fj分别表示第i个和第j个参考点的位置指纹数据，2
参数α的取值设为||Fi‑Fj|| 的标准差，||Fi‑Fj||表示位置指纹数据Fi与Fj之间的欧氏距
离，ψi和ψj分别表示Fi和Fj映射后的标准化位置指纹数据。
[0029] 可选地，所述针对生成的多个初始聚类结果，计算任意两个位置指纹在每个初始聚类结果中对聚类空间数据描述的一致性水平，包括：
[0030] 利用下式，计算聚类符号向量集合Γ关于所述位置指纹库 的条件信息熵，用于表示所述位置指纹库 对符号空间数据描述的不确定性：
[0031]
[0032] 其中， 为第t个初始聚类结果Ct的聚类符号向量τt关于所述位置指纹库的条件信息熵，其由下式计算：
[0033]
[0034] 其中， 表示类别标签τt,k关于所述位置指纹库 的条件概率，其由下式计算：
[0035]
[0036] 其中，Fi(lt)表示位置指纹Fi在第t个初始聚类结果中对应的类别标签，表示所述位置指纹库 的第t个初始聚类结果中类别标签为τt,k
的位置指纹数据的数量；
[0037] 对于所述位置指纹库 中的任意两个位置指纹数据Fi和Fj，它们在第t个初始聚类结果Ct中所属的类别分别为CFi(τt)和CFj(τt)，利用下式计算聚类符号向量集合Γ关于这
两个类别的条件信息熵，用于表示利用这两个类别对符号空间数据描述的不确定性：
[0038]
[0039] 其 中 ， 为 类 别 和 构 成 的 集 合 ，为第t个初始聚类结果Ct的聚类符号向量τt关于集合
的条件信息熵，其由下式计算：
[0040]
[0041] 其中， 表示类别标签τt,k关于集合 的条件概率，其由下式计算：
[0042]
[0043] 其中，Fd表示集合 中任一位置指纹，Fd(τt)表示位置指纹Fd在第t个初始聚类结果中对应的类别标签；
[0044] 通过下式，计算位置指纹数据Fi和Fj在初始聚类结果Ct中对符号空间数据描述的一致性水平：
[0045]
[0046] 遍历计算所述位置指纹库 中任意两个位置指纹在每个初始聚类结果中对符号空间数据描述的一致性水平。
[0047] 可选地，所述计算位置指纹的每个初始聚类结果对特征空间数据描述的一致性水平，包括：
[0048] 利用下式计算标准化位置指纹数据集合Ψ关于所述位置指纹库 的条件信息熵，用于表示利用位置指纹库 对特征空间数据描述的不确定性：
[0049]
[0050] 其中， 为标准化位置指纹数据集合Ψ关于所述位置指纹库 的条件信息熵， 表示标准化位置指纹数据集合Ψ数据分布的方差，由下式计算：
[0051]
[0052] 其中，μΨ为标准化位置指纹数据集合Ψ数据分布的期望，满足下式：
[0053]
[0054] 其中Fa，Fb，Fc分别表示位置指纹库 中Fi以外的任意三个位置指纹数据；
[0055] 采用下式，计算标准化位置指纹数据集合Ψ关于每个初始聚类结果的条件信息熵，用于描述各初始化聚类结果对特征空间数据描述的不确定性：
[0056]
[0057] 其中，H(Ψ|Ct)为标准化位置指纹数据集合Ψ关于第t个初始聚类结果Ct的条件信息熵， 表示Ct中位置指纹数据分布的方差，由下式进行计算：
[0058]
[0059] 其中，Fe为Ct中任一位置指纹数据，ψe为Fe经过标准化处理后的位置指纹数据，为Ct中位置指纹数据分布的期望，满足下式：
[0060]
[0061] 其中，Ff，Fg，Fh分别表示第t个初始聚类结果Ct中除了Fe以外的任意三个位置指纹数据；
[0062] 采用下式，计算初始聚类结果对特征空间数据描述的一致性水平：
[0063] I(Ψ|Ct)＝H(Ψ|X)‑H(Ψ|Ct)
[0064] 其中I(Ψ|Ct)表示第t个初始聚类结果Ct对特征空间数据描述的一致性水平。
[0065] 可选地，所述计算位置指纹的每个初始聚类结果的质量权重，并构建所述位置指纹库的加权相似性矩阵，包括：
[0066] 采用下式，计算每个初始聚类结果的质量权重：
[0067]
[0068] 其中，ωt表示第t个初始聚类结果Ct的质量权重，Cp为第p个初始聚类结果，参数β的取值为各初始聚类结果对特征空间数据描述的一致性水平的标准差；
[0069] 采用下式，计算所述位置指纹库 中两个位置指纹数据的加权相似性：
[0070]
[0071] 其中，sim(Fi,Fj)表示位置指纹Fi和Fj之间的加权相似性；
[0072] 遍历计算位置指纹库 中任意两个位置指纹数据间的加权相似性，构建位置指纹库的加权相似性矩阵Θ＝[θ(Fi,Fj)]M×M，其矩阵元素θ(Fi,Fj)采用下式计算：
[0073]
[0074] 其中，参数γ的取值为所述位置指纹库 中sim(Fi,Fj)分布的标准差；
[0075] 所述依据所述加权相似性矩阵，利用谱聚类方法将所述位置指纹库中的位置指纹数据划分为多个网格，包括：
[0076] 以加权相似性矩阵Θ每一列上元素之和为元素，构建一个M维对角矩阵，记为D，并定义矩阵Λ＝D‑Θ；
[0077] 求出矩阵Λ按从小到大顺序排列的前K*个特征值 以及对应的特征向量其中，λu为第u个特征值，χu为λu对应的特征向量，K*为对位置指纹库划分的网格数
量；
[0078] 将K*个特征向量排列在一起组成一个M×K*的矩阵，将其中每一行看作K*维空间中的一个行向量，并使用K‑means算法对M个行向量进行聚类，将划分出的每个类别中对应的
所有位置指纹数据作为定位区域的一个网格；将位置指纹库 表示为由多个网格构成的
集合 其中 表示第v 个网格，Fm为网格Gν中的第m个位置指
纹； 为第v个网格的中心向量。
[0079] 可选地，所述将实时获取的接收信号强度指示RSSI数据与所述位置指纹库的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中，包括：
[0080] 计算实时获取的接收信号强度指示RSSI数据与位置指纹库的各网格中心向量的RSSI数据之间的欧氏距离；
[0081] 将待定位目标匹配到与其欧氏距离最小的网格中心所在的网格当中；
[0082] 所述在所述匹配程度最高的网格当中，利用预设匹配算法获得目标的定位结果，包括：
[0083] 在匹配程度最高的网格当中，遍历计算待定位点的RSSI数据与网格内所有参考点的RSSI数据之间的欧式距离，选取欧式距离最小的K个参考点，计算选取出的参考点的位置
均值，作为目标的定位结果；其中，K为K近邻算法参数。
[0084] 另一方面，本发明还提供了一种面向大规模复杂场景的WIFI室内定位系统，该面向大规模复杂场景的WIFI室内定位系统包括：
[0085] 离线指纹库构建单元，用于基于定位区域的参考点信息，构建所述定位区域的位置指纹库；
[0086] 指纹数据网格划分单元，用于对所述指纹数据网格划分单元构建的位置指纹库进行聚类分析，生成多个位置指纹的初始聚类结果；基于所述初始聚类结果，构建所述位置指
纹库的加权相似性矩阵，并基于所述加权相似性矩阵，将所述位置指纹库中的位置指纹数
据划分为多个网格；
[0087] 在线匹配定位单元，用于将实时获取的接收信号强度指示RSSI数据与所述位置指纹库的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中；在匹配程度
最高的网格当中，利用预设匹配算法获得目标的定位结果。
[0088] 再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0089] 又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0090] 本发明提供的技术方案带来的有益效果至少包括：
[0091] 本发明通过在离线指纹库构建阶段将位置指纹库划分为若干网格，在线定位时首先将待定位目标匹配到某一网格中，在该网格内部实现目标定位，显著降低了在线匹配阶
段的计算量，避免了传统方法遍历整个位置指纹库进行在线匹配搜索导致的实时性较差的
问题，有效降低室内定位结果的时间迟滞。通过对多个初始聚类结果的有效集成实现对位
置指纹库进行网格划分，能有效降低噪声和奇异值对定位结果的影响。此外，在对位置指纹
库的多个初始聚类结果进行集成时，基于信息熵评估各初始聚类结果的质量，能保证对位
置指纹库进行网格划分的可靠性和有效性，进而可保证获得的室内定位结果是可靠有效
的。
附图说明
[0092] 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。
[0093] 图1是本发明第一实施例提供的面向大规模复杂场景的WIFI室内定位方法的流程示意图；
[0094] 图2是本发明第二实施例提供的面向大规模复杂场景的WIFI室内定位方法的流程示意图；
[0095] 图3是本发明第三实施例提供的面向大规模复杂场景的WIFI室内定位系统的系统结构示意图。
具体实施方式
[0096] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0097] 第一实施例
[0098] 本实施例提供了一种面向大规模复杂场景的WIFI室内定位方法，本实施例的面向大规模复杂场景的WIFI室内定位方法可以由电子设备实现，该电子设备可以是终端或者服
务器。该方法的执行流程如图1所示，包括以下步骤：
[0099] S101，基于定位区域的参考点信息，构建定位区域的位置指纹库；
[0100] 具体地，在本实施例中，上述S101的实现过程如下：
[0101] 在定位区域中选取多个参考点，并记录每一参考点的位置信息；在每一参考点分别多次采集各无线接入点的RSSI数据，并对多次采集的RSSI数据进行均值滤波，将均值滤
波后的RSSI数据作为各参考点的RSSI向量；将各参考点的位置信息和RSSI向量进行拼接，
作为各参考点的位置指纹数据；将定位区域内全部参考点的位置指纹数据构建为定位区域
的位置指纹库。
[0102] S102，对位置指纹库进行聚类分析，生成位置指纹的多个初始聚类结果；
[0103] 具体地，在本实施例中，上述S102的实现过程如下：
[0104] 使用多种预设聚类方法在不同的初始化条件下对S101构建的位置指纹库中的位置指纹数据进行类别划分，生成多个初始聚类结果；并为位置指纹库的每个初始聚类结果
分配一个聚类符号向量。其中，本实施例使用的预设聚类方法为k‑means、k‑medoids、高斯
混合聚类、AGNES或DBSCAN。
[0105] S103，基于初始聚类结果，构建位置指纹库的加权相似性矩阵，并基于加权相似性矩阵，将位置指纹库中的位置指纹数据划分为多个网格；
[0106] 具体地，在本实施例中，上述S103的实现过程如下：
[0107] 利用高斯核函数对位置指纹库中的位置指纹数据进行标准化处理，使处理后的数据符合正态分布；针对生成的多个初始聚类结果，计算任意两个位置指纹在每个初始聚类
结果中对聚类空间数据描述的一致性水平；计算位置指纹的每个初始聚类结果对特征空间
数据描述的一致性水平；计算位置指纹的每个初始聚类结果的质量权重，构建位置指纹库
的加权相似性矩阵；依据加权相似性矩阵，利用谱聚类方法将位置指纹库中的位置指纹数
据划分为多个网格。
[0108] S104，将实时获取的接收信号强度指示RSSI数据与位置指纹库的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中；
[0109] 具体地，在本实施例中，上述S104的实现过程如下：
[0110] 计算获取的RSSI数据与位置指纹库的各网格中心向量的RSSI数据之间的欧氏距离；将待定位目标匹配到与其欧氏距离最小的网格中心所在的网格当中。
[0111] S105，在匹配程度最高的网格当中，利用预设匹配算法获得目标定位结果。
[0112] 具体地，在本实施例中，上述S105的实现过程如下：
[0113] 在匹配程度最高的网格当中，遍历计算待定位点的RSSI数据与网格内所有参考点的RSSI数据之间的欧式距离，选取欧式距离最小的K个参考点，计算选取出的参考点的位置
均值，作为目标的定位结果；其中，K为K近邻算法参数。
[0114] 本实施例通过构建定位区域的位置指纹库；对位置指纹库进行聚类分析，生成多个初始聚类结果；基于初始聚类结果，构建位置指纹库的加权相似性矩阵，基于加权相似性
矩阵，将位置指纹库中的位置指纹数据划分为多个网格；将获取的RSSI数据与位置指纹库
的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中；在匹配程度最高
的网格当中，利用匹配算法获得目标的定位结果。从而实现了在大规模复杂室内环境中对
目标准确高效的定位。
[0115] 第二实施例
[0116] 本实施例提供了一种面向大规模复杂场景的WIFI室内定位方法，本实施例的面向大规模复杂场景的WIFI室内定位方法可以由电子设备实现，该电子设备可以是终端或者服
务器。该方法的执行流程如图2所示，包括以下步骤：
[0117] S1，基于定位区域的参考点信息，构建定位区域的位置指纹库；
[0118] 具体地，在本实施例中，上述S1的实现过程包括以下步骤：
[0119] S11，由预设数据集导入定位区域的参考点数据，抽取各参考点的位置信息，将第i个(1＜i＜M)参考点的位置信息记为Li＝(xi,yi)；其中，M＝1230表示定位区域中的参考点
数量，xi和yi分别为第i个参考点的位置坐标值；
[0120] 具体地，在本实施例中，预设数据集选用UCI UJIIndoorLoc数据集，该数据集是由西班牙海梅一世大学的图像技术研究所于2013年通过20个不同用户及25台Android移动设
备采集和构建的，覆盖3栋4层以上建筑共计11000余平米。该数据集共包含19937条训练数
据和1111条测试数据，每条WIFI指纹数据由RSSI数据、位置坐标及各类信息共529个属性构
成。本实施例选取该数据集中1号建筑物的第4层作为定位区域，对本实施例方法流程进行
详细阐述。
[0121] S12，由定位区域的参考点数据抽取各参考点的RSSI信号强度数据，将在第i个参考点第n次采集到的RSSI信号强度数据记录为RSSIi,n，其中1＜n＜N， N＝25为用于在每个
参考点采集信号的移动设备数量；对多次采集的数据进行均值滤波如式(1)所示，作为各参
考点的RSSI向量；
[0122]
[0123] 其中，RSSIi表示第i个参考点的RSSI向量；
[0124] S13，将各参考点的位置信息和RSSI向量进行拼接，作为各参考点的位置指纹，将第i个参考点的位置指纹记做Fi＝(Li,RSSIi)，将定位区域内全部参考点的位置指纹数据构
建为位置指纹库，记为
[0125] S2，对位置指纹库进行聚类分析，生成位置指纹的多个初始聚类结果；
[0126] 具体地，在本实施例中，上述S2的实现过程包括以下步骤：
[0127] S21，使用多种传统聚类方法(如k‑means、k‑medoids、高斯混合聚类、AGNES 以及DBSCAN等)在不同的初始化条件下对位置指纹库中的指纹数据进行类别划分，生成共T＝5
个初始聚类结果；将这些初始聚类结果构成的集合记作 其中，
表示集合 中的第t个初始聚类结果(1＜t＜T)， Ct，k表示初始聚类结果Ct
中的第k个类别，Kt为Ct中包含的类别数量；
[0128] S22，为位置指纹库的每个初始聚类结果分配一个聚类符号向量，将第t个初始聚类结果Ct的聚类符号向量记作 其中τt,k为聚类符号向量τt的第k个分量，表
示初始聚类结果Ct中第k个类别的类别标签；T个初始聚类结果对应的聚类符号向量构成的
集合记作Γ＝{τt}t＝1,…,T，则Fi(τt)表示位置指纹Fi在第t 个聚类符号向量上的取值，即Fi
在第t个初始聚类结果中对应的类别标签。
[0129] S3，利用高斯核函数对位置指纹库中的位置指纹数据进行标准化处理，使处理后的数据符合正态分布；
[0130] 具体地，在本实施例中，上述S3的实现过程包括以下步骤：
[0131] 利用如式(2)所示的高斯核函数对位置指纹库中的数据进行标准化处理，使处理后的位置指纹数据符合正态分布：
[0132]
[0133] 其中，κ(·)为高斯核函数，Fi和Fj分别表示第i个和第j个参考点的位置指纹数据，2
参数α的取值设为||Fi‑Fj|| 的标准差，||Fi‑Fj||表示位置指纹数据Fi与Fj之间的欧氏距
离，ψi和ψj分别表示Fi和Fj映射后的标准化位置指纹数据，将映射后的标准化数据构成的集
合记为Ψ。
[0134] S4，针对生成的多个初始聚类结果，计算任意两个位置指纹在每个初始聚类结果中对聚类空间数据描述的一致性水平；
[0135] 具体地，在本实施例中，上述S4的实现过程包括以下步骤：
[0136] S41，利用式(3)计算聚类符号向量集合Γ关于位置指纹库 的条件信息熵，用于表示位置指纹库 对符号空间数据描述的不确定性：
[0137]
[0138] 其中， 为第t个初始聚类结果Ct的聚类符号向量τt关于位置指纹库的条件信息熵，可由式(4)计算：
[0139]
[0140] 其中， 表示类别标签τt,k关于位置指纹库 的条件概率，可由式(5) 计算：
[0141]
[0142] 其中，Fi(lt)表示位置指纹Fi在第t个聚类符号向量上的取值，即位置指纹Fi在第t个初始聚类结果中对应的类别标签， 表示位置指纹库 的第t个
初始聚类结果中类别标签为τt,k的位置指纹数据的数量；
[0143] S42，对于位置指纹库 中的任意两个位置指纹数据Fi和Fj，它们在第t个初始聚类结果Ct中所属的类别分别为 和 利用式(6)计算聚类符号向量集合Γ关于
这两个类别的条件信息熵，用于表示利用这两个类别对符号空间数据描述的不确定性：
[0144]
[0145] 其 中 ， 为 类 别 和 构 成 的 集 合 ，为第t个初始聚类结果Ct的聚类符号向量τt关于集合
的条件信息熵，可由式(7)计算：
[0146]
[0147] 其中， 表示类别标签τt,k关于集合 的条件概率，可由式(8)计算：
[0148]
[0149] 其中，Fd表示集合 中任一位置指纹，Fd(τt)表示位置指纹Fd在第t个聚类符号向量上的取值，即位置指纹Fd在第t个初始聚类结果中对应的类别标签；
[0150] S43，计算位置指纹数据Fi和Fj在初始聚类结果Ct中对符号空间数据描述的一致性水平，如式(9)所示：
[0151]
[0152] S44，利用S41～S43的方法，遍历计算位置指纹库 中任意两个位置指纹在每个初始聚类结果中对符号空间数据描述的一致性水平。
[0153] S5，计算位置指纹的每个初始聚类结果对特征空间数据描述的一致性水平；
[0154] 具体地，在本实施例中，上述S5的实现过程包括以下步骤：
[0155] S51，利用式(10)计算标准化集合Ψ关于位置指纹库 的条件信息熵，用于表示利用位置指纹库 对特征空间数据描述的不确定性：
[0156]
[0157] 其中， 为标准化集合Ψ关于位置指纹库 的条件信息熵， 表示标准化集合Ψ数据分布的方差，由式(11)进行计算：
[0158]
[0159] 其中，μΨ为标准化集合Ψ数据分布的期望，满足式(12)：
[0160]
[0161] 其中Fa，Fb，Fc分别表示位置指纹库 中Fi以外的任意三个位置指纹数据；
[0162] S52，计算标准化集合Ψ关于每个初始聚类结果的条件信息熵如式(13)所示，用于描述各初始化聚类结果对特征空间数据描述的不确定性：
[0163]
[0164] 其中，H(Ψ|Ct)为标准化集合Ψ关于第t个初始聚类结果Ct的条件信息熵， 表示Ct中位置指纹数据分布的方差，由式(14)进行计算：
[0165]
[0166] 其中，Fe为Ct中任一位置指纹数据，ψe为Fe经过标准化处理后的数据， 为 Ct中位置指纹数据分布的期望，满足式(15)：
[0167]
[0168] 其中，Ff，Fg，Fh分别表示第t个初始聚类结果Ct中Fe以外的任意三个位置指纹数据；
[0169] S53，计算初始聚类结果对特征空间数据描述的一致性水平如式(16)计算：
[0170] I(Ψ|Ct)＝H(Ψ|X)‑H(Ψ|Ct) (16)
[0171] 其中，I(Ψ|Ct)表示第t个初始聚类结果Ct对特征空间数据描述的一致性水平；
[0172] S54，利用S51～S53的方法，逐个计算每个初始聚类结果对特征空间数据描述的一致性水平。
[0173] S6，计算位置指纹的每个初始聚类结果的质量权重，并构建位置指纹库的加权相似性矩阵；
[0174] 具体地，在本实施例中，上述S6的实现过程包括以下步骤：
[0175] S61，计算每个初始聚类结果的质量权重如式(17)所示：
[0176]
[0177] 其中，ωt表示第t个初始聚类结果Ct的质量权重，Cp为第p个初始聚类结果，参数β的取值为S54获得的各初始聚类结果对特征空间数据描述的一致性水平的标准差；
[0178] S62，计算位置指纹库 中两个位置指纹数据的加权相似性如式(18)所示：
[0179]
[0180] 其中，sim(Fi,Fj)表示位置指纹Fi和Fj之间的加权相似性；
[0181] S63，按照S62所述方法遍历计算位置指纹库 中任意两个位置指纹数据之间的加权相似性，并构建位置指纹库的加权相似性矩阵 其矩阵元素θ(Fi,
Fj)的计算方法如式(19)所示：
[0182]
[0183] 其中，参数γ的取值为位置指纹库 中sim(Fi,Fj)分布的标准差。
[0184] S7，依据加权相似性矩阵，利用谱聚类方法将位置指纹库中的位置指纹数据划分为多个网格；
[0185] 具体地，在本实施例中，上述S7的实现过程包括以下步骤：
[0186] S71，以加权相似性矩阵Θ每一列上元素之和为元素，构建一个M维对角矩阵，记为D，并定义矩阵Λ＝D‑Θ；
[0187] S72，求出矩阵Λ按从小到大顺序排列的前K*个特征值 以及对应的特征向量 其中λu为第u个特征值，χu为λu对应的特征向量，K*＝10为对位置指纹库划分的网
格数量；
[0188] S73，将K*个特征向量排列在一起组成一个M×K*的矩阵，将其中每一行看作K*维空间中的一个行向量，并使用K‑means算法对M个行向量进行聚类，将划分得到的每个类别中
对应的所有位置指纹数据作为定位区域的一个网格；这样，位置指纹库 可表示为由一系
列网格构成的集合 其中 表示第v个网格，Fm为网格Gν中的
第m个位置指纹； 为第v个网格的中心向量。
[0189] S8，将实时获取的接收信号强度指示RSSI数据与位置指纹库的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中；
[0190] 具体地，在本实施例中，上述S8的实现过程包括以下步骤：
[0191] S81，计算移动端在待定位目标实时接收到的RSSI信号强度数据与指纹库的各网格中心向量的RSSI数据之间的欧氏距离；
[0192] S82，将待定位目标匹配到与其欧氏距离最小的网格中心所在的网格当中。
[0193] S9，在匹配程度最高的网格当中，利用预设匹配算法获得目标定位结果。
[0194] 具体地，在本实施例中，上述S9的实现过程包括以下步骤：
[0195] 在S82匹配的网格中，利用K近邻方法获得目标的定位结果。具体为：遍历计算待定位点的RSSI数据与网格内所有参考点的RSSI数据之间的欧式距离，选取欧式距离最小的K
个参考点，计算这些参考点的位置均值作为目标的定位结果；其中，K为K近邻算法参数，其
值可设为网格中参考点数量的1/5。
[0196] 下面对本实施例方法的技术效果进行验证：
[0197] 为验证本实施例提出的技术方案的有效性和先进性，将本实施例的方法与基于最近邻(Nearest Neighbor,NN)、K近邻(K Nearest Neighbor,KNN)、加权K 近邻(Weighted K
Nearest Neighbor,WKNN)以及K均值(K‑means)的室内定位方法进行室内WIFI定位对比。以
10次实验的平均定位精度和定位生成时间为评价指标，通过实施例中的UCI UJIIndoorLoc
数据集对上述方法的室内定位结果进行评价，结果如表1所示：
[0198] 表1各算法试验结果数据
[0199]
[0200] 由表中结果可以看出，本实施例的技术方案在进行室内定位时，能获得精度较高的定位结果，并且具有较好的实时性。
[0201] 综上，本实施例通过在离线指纹库构建阶段将位置指纹库划分为若干网格，在线定位时首先将待定位目标匹配到某一网格中，在该网格内部实现目标定位，显著降低了在
线匹配阶段的计算量，避免了传统方法遍历整个位置指纹库进行在线匹配搜索导致的实时
性较差的问题，降低了室内定位结果的时间迟滞。通过对多个初始聚类结果的有效集成实
现对位置指纹库进行网格划分，有效降低噪声和奇异值对定位结果的影响。此外，在对位置
指纹库的多个初始聚类结果进行集成时，基于信息熵评估各初始聚类结果的质量，能保证
对位置指纹库进行网格划分的可靠性和有效性，进而可保证获得的室内定位结果是可靠有
效的。
[0202] 第三实施例
[0203] 本实施例提供了一种面向大规模复杂场景的WIFI室内定位系统，该系统的系统结构如图3所示，该系统包括以下模块：
[0204] 离线指纹库构建单元，用于基于定位区域的参考点信息，构建定位区域的位置指纹库；
[0205] 指纹数据网格划分单元，用于对指纹数据网格划分单元构建的位置指纹库进行聚类分析，生成多个位置指纹的初始聚类结果；基于初始聚类结果，构建位置指纹库的加权相
似性矩阵，并基于加权相似性矩阵，将位置指纹库中的位置指纹数据划分为多个网格；
[0206] 在线匹配定位单元，用于将实时获取的接收信号强度指示RSSI数据与位置指纹库的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中；在匹配程度最高
的网格当中，利用预设匹配算法获得目标的定位结果。其中，获取的定位结果可输出至各类
用户，为各种基于位置的服务应用提供位置数据。
[0207] 本实施例的面向大规模复杂场景的WIFI室内定位系统与上述实施例的面向大规模复杂场景的WIFI室内定位方法相对应；其中，本实施例的面向大规模复杂场景的WIFI室
内定位系统中的各功能模块所实现的功能与上述实施例的面向大规模复杂场景的WIFI室
内定位方法中的各流程步骤对应；故，在此不再赘述。
[0208] 第四实施例
[0209] 本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述实施例的方法。
[0210] 该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存
储有至少一条指令，所述指令由处理器加载并执行以下步骤：
[0211] S1，基于定位区域的参考点信息，构建定位区域的位置指纹库；
[0212] S2，对位置指纹库进行聚类分析，生成多个位置指纹的初始聚类结果；
[0213] S3，利用高斯核函数对位置指纹库中的位置指纹数据进行标准化处理，使处理后的数据符合正态分布；
[0214] S4，针对生成的多个初始聚类结果，计算任意两个位置指纹在每个初始聚类结果中对聚类空间数据描述的一致性水平；
[0215] S5，计算位置指纹的每个初始聚类结果对特征空间数据描述的一致性水平；
[0216] S6，计算位置指纹的每个初始聚类结果的质量权重，构建位置指纹库的加权相似性矩阵；
[0217] S7，依据加权相似性矩阵，利用谱聚类方法将位置指纹库中的位置指纹数据划分为多个网格；
[0218] S8，将实时获取的接收信号强度指示RSSI数据与位置指纹库的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中；
[0219] S9，在匹配程度最高的网格当中，利用预设匹配算法获得目标定位结果。
[0220] 本实施例的电子装置用于执行上述实施例的面向大规模复杂场景的WIFI室内定位方法，通过构建定位区域的位置指纹库；对位置指纹库进行聚类分析，生成多个初始聚类
结果；基于初始聚类结果，构建位置指纹库的加权相似性矩阵，基于加权相似性矩阵，将位
置指纹库中的位置指纹数据划分为多个网格；将获取的RSSI数据与位置指纹库的各网格中
心进行匹配，将待定位目标划分到匹配程度最高的网格当中；在匹配程度最高的网格当中，
利用匹配算法获得目标的定位结果。从而实现了在大规模复杂室内环境中对目标准确高效
的定位。
[0221] 第五实施例
[0222] 本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述方法。其中，该计算机可读存储介质可以是ROM、随
机存取存储器(RAM)、CD‑ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中
的处理器加载并执行以下步骤：
[0223] S1，基于定位区域的参考点信息，构建定位区域的位置指纹库；
[0224] S2，对位置指纹库进行聚类分析，生成多个位置指纹的初始聚类结果；
[0225] S3，利用高斯核函数对位置指纹库中的位置指纹数据进行标准化处理，使处理后的数据符合正态分布；
[0226] S4，针对生成的多个初始聚类结果，计算任意两个位置指纹在每个初始聚类结果中对聚类空间数据描述的一致性水平；
[0227] S5，计算位置指纹的每个初始聚类结果对特征空间数据描述的一致性水平；
[0228] S6，计算位置指纹的每个初始聚类结果的质量权重，构建位置指纹库的加权相似性矩阵；
[0229] S7，依据加权相似性矩阵，利用谱聚类方法将位置指纹库中的位置指纹数据划分为多个网格；
[0230] S8，将实时获取的接收信号强度指示RSSI数据与位置指纹库的各网格中心进行匹配，将待定位目标划分到匹配程度最高的网格当中；
[0231] S9，在匹配程度最高的网格当中，利用预设匹配算法获得目标定位结果。
[0232] 本实施例的存储介质用于存储上述实施例的面向大规模复杂场景的WIFI室内定位方法，通过构建定位区域的位置指纹库；对位置指纹库进行聚类分析，生成多个初始聚类
结果；基于初始聚类结果，构建位置指纹库的加权相似性矩阵，基于加权相似性矩阵，将位
置指纹库中的位置指纹数据划分为多个网格；将获取的RSSI数据与位置指纹库的各网格中
心进行匹配，将待定位目标划分到匹配程度最高的网格当中；在匹配程度最高的网格当中，
利用匹配算法获得目标的定位结果。从而实现了在大规模复杂室内环境中对目标准确高效
的定位。
[0233] 此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。
而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存
储介质上实施的计算机程序产品的形式。
[0234] 本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图
中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些
计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以
产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生
用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的
装置。
[0235] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包
括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方
框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处
理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机
实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一
个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0236] 还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间
存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非
排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要
素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端
设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排
除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0237] 最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概
念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应
视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明
实施例范围的所有变更和修改。
