[发明专利]利用信号时间相关性提高指纹室内定位精度的方法

权利要求书

1.一种利用信号时间相关性提高指纹室内定位精度的方法，其特征在于，包括如下步骤：

步骤1：采集线下训练数据；

步骤2：为每个定标点处的每个Wi-Fi信号发射器建立高斯概率分布，并用采集的线下训练数据得到高斯概率分布的参数；

步骤3：基于所述高斯概率分布的参数，对双曲曲面边界进行训练，得到信号强度RSS数据在概率空间中定位的区间E，完成信号强度指纹地图；

步骤4：接收用户上传的数据，所述用户上传的数据包括信号强度矩阵x和定位请求；其中，信号强度矩阵x的获取方法为：由用户使用移动终端进行多次测量无线信号强度，获得不同路由器的信号强度矩阵x；

步骤5：根据定位请求，将用户上传的数据与信号强度指纹地图相比较，考虑D维时间序列的相关性，映射为概率空间的向量，通过双曲曲面边界条件及相关系数ρ的匹配，找到最大概率的位置作为定位结果；

步骤6：将定位结果返回给用户；

所述步骤2包括如下步骤：

步骤2.1：对每个定标点r处的时间序列向量x_i考虑D次测量的信号时间相关性，构建D维高斯概率分布f_r(x_i)为：

其中，det(*)表示求行列式，Δ²为马氏距离，e表示自然底数；

Δ²＝[(x_i-μ)^T∑^-1(x_i-μ)]；

其中，∑表示相关矩阵；

步骤2.2：对D维高斯概率分布f_r(x_i)的每一个维度进行坐标系旋转，旋转45°，使马氏距离Δ²变换成为只有二次项的正交表示；

步骤2.3：利用最大似然估计方法，计算高斯概率分布的参数μ,∑，得出Wi-Fi信号强度的指纹地图；

首先，构建利用测量数据构成相关性计算矩阵A：

其中，x_ij表示在一个定标点处对第i个Wi-Fi信号发射器发出的信号进行第j次信号强度测量得到的测量数据，1≤j≤m；

然后利用A计算高斯概率分布的参数μ、∑：

其中，μ为信号强度的均值向量；μ_i,i＝1,2,…,D，表示A^T的第i个向量的均值；

∑＝[Cov[A_k,A_j]],k＝1,2,…,D；j＝1,2,…,D

其中，A_k为A^T的第k个向量，A_j表示A^T的第j个向量；

ρ为信号的相关系数D维向量，由于信号传播过程为平稳随机过程，ρ_i表示i维时间间隔下的相关系数；σ²表示信号强度矩阵x中某一行元素的方差；

Σ用σ,ρ_i表示为：

所述步骤2.2包括如下步骤：

找到相关矩阵∑的一组标准正交基u_i,i＝1,2,…,m，则变换矩阵U为U＝[u₁,u₂,...,u_m]^T，其中，u_i表示第i个标准正交基；

设分布变量y＝U(x-μ)，则f_r(x_i)经变换后得到新坐标系下的D维高斯概率分布f_r(y|μ,∑)：

其中，λ_i表示第i个特征值；y_i表示第i维变量；

当D＝2时，正交基和特征值分别为：

所述步骤3包括如下步骤：

步骤3.1：基于所述高斯概率分布，在概率空间中对样本进行边界训练；物理空间中的定标点r对应样本空间区间为E，定义为：

E＝{x|f_r(y|μ(r),∑(r))≥f_r±δ(y|μ(r±δ),∑(r±δ))}

其中，x表示信号强度矩阵，y表示分布变量，δ表示误差距离，μ(r)表示定标点r处信号强度的均值向量，∑(r)表示定标点r处的相关矩阵，μ(r±δ)表示误差距离δ下的定标点r±δ处信号强度的均值向量，∑(r±δ)表示误差距离δ下的定标点r±δ处的相关矩阵；符号±表示物理空间中对应的远近，其中，符号+表示物理空间中对应的远，符号-表示物理空间中对应的近；

步骤3.2：定位样本空间E中分类边界为双曲曲面，双曲曲面的数学表示为：

其中，y_i,j表示第i个信号里，D维中第j维的分布变量；λ_i,j表示第i个信号的第j个特征值，λ_i,1表示第i个信号的第一个特征值，μ_i′表示第i个信号的强度均值，∑_i表示第i个信号的相关矩阵，符号表示梯度函数，上标±表示物理空间中对应的远近，其中，上标+表示物理空间中对应的远，上标-表示物理空间中对应的近；

步骤3.3：利用所述高斯概率分布的参数训练双曲曲面边界的参数，作为概率空间中定位的基准；

所述步骤5包括如下步骤：

步骤5.1：取得定位请求，将用户上传的数据与信号强度指纹地图相比较；

其中，信号强度指纹地图包括n个Wi-Fi信号的均值构成的n维均值向量mean：

mean＝[μ₁,μ₂,…,μ_n]

以及每个Wi-Fi信号的D维相关系数构成的(n*D)维相关性向量corr：

其中，σ_i表示第i个Wi-Fi信号的标准差,其中，i＝1,2,…,n；ρ_i,j表示第i个Wi-Fi信号的第j维相关系数，其中，i＝1,2,…,n，j＝2,3，…,D；

在进行比较时，先比较指纹中的均值向量mean，找到在设定的阈值范围内比较相似的前w个的指纹位置；再在这w个相似的指纹位置中，比较相关性向量corr的欧式距离，找到欧式距离最小最匹配的相关性向量用以确定用户的最终位置；w<n；

步骤5.2：将定位请求的数据每相邻D个数据作为一组，以D维向量的形式置于D维概率空间中；以线下训练的双曲曲面边界作为定位条件，通过信号的相关系数D维向量ρ的匹配，找到信号强度矩阵x对应的物理空间位置；

步骤5.3：综合考虑指纹的比较与信号强度矩阵x对应的物理空间位置，决定最终的定位结果；具体综合考虑决定的方法如下：

首先计算双曲曲面边界的可靠性参数η，即能使f_r(y|μ(r),∑(r))＝f_r±δ(y|μ(r±δ),∑(r±δ))成立的函数最大值；

然后根据η与一个阈值η₀的比较,η₀的取值范围取(0,0.3)；如果η≤η₀，则代表双曲曲面边界可靠，将步骤5.2得到的信号强度矩阵x对应的物理空间位置作为定位结果；反之，即如果η>η₀，则代表双曲曲面边界的定位结果可靠性不佳，则根据步骤5.1得到的所述欧式距离最小最匹配的相关性向量确定出用户的最终位置作为定位结果。