[发明专利]一种基于集成HWKNN的WiFi室内定位方法

说明书

本发明公开一种基于集成HWKNN的WiFi室内定位方法，包括：1)构建可靠的室内WiFi指纹数据库；2）根据建立的指纹数据库，估计出每个接入点的位置坐标以及对应的室内路径损耗模型；3）当计算待定位节点和指纹数据库之间的欧式距离时，利用2）得到的室内路径损耗模型为相应的维度赋予权重；4）对步骤3）得到的欧式距离选出K个距离最小的参考点，并根据信号强度相似度对K个参考点进行加权并确定待定位节点位置；5）将步骤2‑4）的方法作为一种弱定位方法，通过随机选取K值的大小和接入点的个数组建若干个弱定位估计器来最终估计出待定位节点的位置坐标。本发明中提出的定位算法能够有效的增强室内定位的鲁棒性，最终实现室内的精准定位。

技术领域

本发明涉及机器学习、无线传输以及室内定位领域，具体涉及一种基于集成HWKNN的WiFi室内定位方法。

背景技术

随着移动设备的广泛应用和无线网络的普及，使得基于位置的服务(LBS)不但可以获取用户位置信息还可以进一步挖掘用户行为信息，因此LBS显示出了良好的学术发展前景和广阔的市场需求。在户外定位领域，全球定位系统(GPS)已经实现了精密定位，但在室内环境中仍然难以实现精确的定位。

在过去十年中，随着WiFi技术的发展和无线接入点覆盖率的逐渐增加，基于无线局域网(WLAN)的室内定位已经提出了一系列方法。但是，由于室内无线信号传播复杂性，不容易找到接入点(AP)的位置，并确定传播模型的系数。基于WiFi的传播模型定位方法中，主要技术有AOA模型，TOA模型，TDOA模型和信号路径损耗模型。但由于室内环境的复杂性，用户自我阻挡，移动电话的不同方向和其他干扰因素使得室内定位不能满足高精度要求。因此，迫切需要为LBS开发低成本，高精度的基于WiFi的室内定位系统(IPS)。

相比于基于传播模型的室内定位，基于WiFi指纹的室内定位更易于部署，低成本和有效地容忍无线信号噪声，从而达到最高的精度。传统的K最近邻(KNN)算法是室内定位中最常用的算法之一，首先通过计算待定位节点处接收到的各个WiFi接入点的信号强度和指纹数据库中的参考点的信号强度之间的欧式距离，然后找出K个最邻近的参考点，利用不同的加权方式来增加相似度较大的参考点对定位结果的影响，最后估计出待定位节点位置坐标。但是由于室内环境的复杂性，来自不同WiFi接入点的信号强度往往受到不同程度的外界干扰，信号强度和物理位置之间的关系并不是简单的线性映射关系，并且在待定位节点处无法确定不稳定的WiFi接入点，从而导致定位精度的下降。

发明内容

本发明的目的主要在于克服上述的技术缺陷，提供了一种基于集成HWKNN的WiFi室内定位方法，该方法在定位时不仅考虑到参考指纹间的欧式距离，还考虑到信号强度和物理位置的非线性关系和不同强度的信号值对定位结果的影响，并且由若干个弱定位估计器组成强定位估计器来增加定位系统的鲁棒性，从而提高了定位的精度。

为了实现上述目的，本发明的技术方案为：

一种基于集成HWKNN的WiFi室内定位方法，方法包括以下步骤：

1)构建可靠的室内WiFi指纹数据库；

2)根据建立的指纹数据库，估计出各个接入点的位置坐标以及每个接入点的室内路径损耗模型；

3)在计算待定位的指纹信息和构建的指纹数据库中的每个指纹之间的欧式距离时，利用步骤2)得到的不同接入点的室内路径损耗模型为相应的维度赋予权重；

4)从步骤3)得到的欧式距离中选出K个距离最小的指纹作为参考点，并根据信号强度相似度对K个参考点进行加权确定待定位节点位置；

5)将步骤2-4)的方法作为一种弱定位方法，随机选取K值的大小和WiFi接入点的个数(在本申请的实例中共采用了20个WiFi接入点，k值的随机范围被设定为5-15以及WiFi接入点的个数的随机范围被设定为16-20)组建若干个弱定位估计器，由这若干个弱定位估计器组成的强定位估计器得出最终的待定位的位置坐标。