[发明专利]基于自适应贝叶斯综合学习粒子群优化的WLAN指纹定位方法

说明书

本发明公开基于自适应贝叶斯综合学习粒子群优化的WLAN指纹定位方法，包括相似性度量和最优位置预测计算：1)使用双面板均匀性模型计算查询指纹与训练指纹的相关性和余弦距离；2)建立定位模型适应度函数；3)采用自适应贝叶斯综合学习粒子群优化算法计算最优适应值的参数并得到最优预测位置。该方法可高效准确地进行室内定位，采用双面板指纹均匀性模型来衡量定位指纹的相似性，利用相关性来测量指纹之间的匹配度，并引入余弦距离来反映指纹在方向上的差异，提高定位模块的多样性和鲁棒性；采用自适应贝叶斯综合学习粒子群优化算法进行参数寻优，自适应机制采用区间划分来选择粒子的综合学习概率水平，提高粒子群优化算法性能。系统更具鲁棒性，可提高定位精度。

技术领域

本发明涉及室内定位技术和优化算法领域，具体是基于自适应贝叶斯综合学习粒子群优化的WLAN指纹定位方法。

背景技术

随着室内定位系统在现代社会的需求越来越强烈，许多技术(如超宽带UWB、惯性传感器IMU、蓝牙Bluetooth、地磁传感器、激光等)被研究和发展的同时，基于WiFi的室内定位技术以其信号范围宽、部署成本低、无需额外硬件部署、不受非视距影响等优点得到学术研究和工程应用等方面的关注。位置指纹定位法作为WiFi室内定位方法之一，通常以WiFi信号来表征位置信息，信号强度RSS、信噪比及信道状态信息被主要研究和用以作为位置辨识指纹，由于RSS易于在普通商用WiFi设备上直接获取，基于RSS指纹的定位方法成为WiFi室内定位中的主流。

定位的准确性和稳定性是定位服务终端用户最关注或唯一关注的指标，然而，由于无线信号在复杂多变的室内环境中容易受到外部因素的影响，信号接受强度RSS具有敏感和多变的特性，基于RSS的指纹在空间辨识率和时间稳定性方面并不显著。

随着越来越多的机器学习算法的研究，基于粒子滤波器(PF)、支持向量机(SVM)、神经网络(NN)、分类算法等方法被引入到室内定位，许多定位模型被广泛提出并在一定程度上改进了基于WiFi指纹的室内定位。而现有算法的精度有限和性能不稳定成为推广WiFi室内定位技术的制约因素，许多系统的定位模型鲁棒性不足，平均误差在实践中通常较大。

粒子群优化PSO算法作为一种生物进化算法，在最优化问题上体现出了较好的性能。许多学者在之基础上研究了不同参数配置对PSO算法的影响、粒子学习策略等。基于贝叶斯迭代方法的综合学习粒子群优化方法(BCLPSO)中，粒子以基于贝叶斯公式的后验概率最大的粒子位置作为学习样本，能有效地避免粒子陷入局部优化、遗漏潜在的全局最优解，在基于WiFi指纹的室内定位技术中具有较好的适用性。

发明内容

本发明的目的是针对现有技术的不足，提供了基于自适应贝叶斯综合学习粒子群优化的WLAN指纹定位方法。该方法利用相关性来测量指纹之间的匹配度，并引入余弦距离来反映指纹在方向上的差异，提高定位模块的多样性和鲁棒性；采用自适应贝叶斯综合学习粒子群优化算法进行参数寻优，使系统更具鲁棒性，可提高定位精度。

为了实现上述目的，本发明所提供的技术方案为以下步骤：

基于自适应贝叶斯综合学习粒子群优化的WLAN指纹定位方法，该方法包括采用双面板均匀性模型进行指纹相似性度量、采用自适应贝叶斯综合学习粒子群优化算法进行定位参数寻优与位置预测，具体如下：

假设在室内环境中有M个信号接入点AP，并均匀选择N个物理位置作为参考点RP。设和分别表示AP和RP的集合。设表示第i(i＝1,2,…,N)个RP的位置坐标，s_ij表示该位置处第j个AP的RSS。定义第i个RP位置相应的指纹(RSS向量)为综上所述，定位环境中参考点RP的训练指纹集可以表示为：

设表示移动设备在在线阶段收集的、用于移动设备定位的RSS向量。如果有多个用户进行定位查询，则将指纹集表示为：