[发明专利]基于指纹聚类的新型室内定位方法

说明书

技术领域

本发明涉及室内定位方法，具体涉及一种基于室内无线系统中指纹聚类匹配的室内定位方法。

背景技术

随着移动互联网技术的快速发展，智慧城市概念的提出和迅速普及，基于位置的服务(Location Based Service,LBS)受到越来越多的关注，在医疗保健、紧急救助、个性化信息传递等科技生活领域显示出巨大的活力。以智能终端为平台，基于WLAN的室内定位因为其能够以纯软件的方式实现，定位系统成本低等特点，成为近年来普适计算和位置感知领域的一个研究热点。WLAN热点服务的高覆盖率是保证精确室内外无缝定位技术实现的可能，这一点正好契合智慧城市无线网络全覆盖的需求，同时大型的超市，卖场WLAN热点的覆盖率也正在逐步上升。从目前针对室内定位的技术研究方向来说，主要是从指纹库的建立和定位匹配算法两个方面进行。主要由于WLAN热点的信号强度在室内的多径环境下的不稳定性导致的定位精度的下降以及指纹信息如何得到最大效用是广大研究人员所关注的重点。但是，实际的应用场景中仍然有这许多亟待解决的问题。比如说，如何高效地建立并维护指纹库，如何降低算法复杂度，提高响应速度，如何提高定位精度，以及如何解决在多用户情况下的高并发问题，这些都是室内定位技术走进应用所必须面临和解决的问题。

经对现有技术的文献检索发现，Chen Feng和Shahrokh Valaee于2010年在INFOCOM(International Conference on Computer Communications)发表了“Compressive Sensing Based Positioning Using RSS of WLAN Access Points”(2010年IEEE组织在通信网络领域的会议，《利用无线局域网的信号强度值的压缩感知定位方法》)，提出了利用相似性传播聚类算法给指纹库分类，进一步使用压缩感知的算法进行定位匹配从而达到提升定位精度的目的。然而此方法具有定位过程复杂度较高，并且定位算法的响应时间较长等缺点，不能在保证精度的同时实现移动终端的实时定位功能，进而降低了用户的体验。

发明内容

本发明针对现有技术的不足，提出了一种基于指纹聚类的新型室内定位方法，包括了基于相似性传播聚类算法（Affinity Propagation Cluster）以及最近邻居法相结合的分层的室内定位方法。其采用相似性传播聚类算法来给指纹库进行预分类处理，并进一步地通过分类后得到的有特点的指纹集合分步解算定位结果的方法，极高地缩短了定位解算所需的时间，同时保证了室内定位系统的精度及稳定性。

根据本发明提供的基于指纹聚类的新型室内定位方法，其特征在于，包括如下步骤：

步骤A：指纹信息的采集和分类，得到分类的指纹子集以及每个子集中的特征指纹；采集工作后得到的定位目标区域中L个采集位置的指纹库f，f={f1,f2,f3,…,fL},利用指纹之间的相似性将指纹库中的指纹分为不同的子集；

步骤B：分类匹配，利用定位设备在定位请求时所采集的定位信息与指纹库中的分类后的各个分类中的代表特征指纹进行匹配，即重新计算得到定位信息和各个分类子集的相似度；

步骤C：定位匹配，利用步骤B中得到的定位信息和各个分类子集的相似度选取M个最佳分类子集中的指纹与定位信息进行定位匹配解算，得到最终定位结果。

优选地，通过相似性传播算法，利用指纹之间的相似性将指纹库中的指纹分为不同的子集，通过步骤A执行所述相似性传播算法，具体如下；

所述的步骤A包括如下步骤：

步骤A1：将s(i,j)定义为两个指纹间的“相似度”,具体为欧式距离的相反数，即s(i,j)＝-||f_i-f_j||²，f_i,f_j分别表示指纹库f中位置i和位置j处的指纹值；定义“责任率”r(i,k)为指纹f_i发送至潜在的特征点指纹f_k，表示指纹f_i在接收到来自其它点的信息后，认为指纹f_k能够代表指纹f_i的概率；定义“可用率”a(i,k)为由潜在的特征点指纹k发送至指纹f_i，表示指纹f_k在接收到来自其他点的信息后，认为能够作为指纹f_i的特征点的概率；初始化a(i,k)＝0；

步骤A2：迭代计算“责任率”和“可用率”；其中