[发明专利]一种基于支持向量回归的室内指纹快速定位方法

说明书

本发明公开了一种基于支持向量回归的室内WLAN指纹快速定位方法，包括离线阶段和在线阶段两个步骤，步骤一离线阶段，建立参考点的特征指纹数据库和训练特征指纹与参考点位置之间的关系模型；步骤二在线阶段，利用关系模型进行粗定位，然后利用加权K近邻算法进行准确定位。采用本发明的基于支持向量回归的室内指纹快速定位方法可以减少在线指纹匹配范围，并且通过提取信号强度之间的特征值减少噪声干扰，从而提高定位精度，加快指纹匹配的速度。

技术领域

本发明属于室内定位技术领域，具体涉及一种基于支持向量回归的室内指纹快速定位方法。

背景技术

随着物联网应用的不断扩大和深入，基于位置的服务(Location-basedServices,LBS)有了越来越广泛的应用，人们对位置信息及时、快速、准确获取的需求也越来越强烈。传统的GPS和蜂窝网技术在室外能达到较高的定位精度，但在室内环境下，由于建筑物对信号的影响，定位能力受到较大的限制。无线局域网(Wireless Local AreaNetwork,WLAN)由于具有布设简单、价格低廉等特性，被广泛密集部署在室内环境中为用户提供通信服务，基于WLAN的室内定位已经成为当前室内定位的研究热点。

目前WLAN室内定位方法中研究最普遍的是位置指纹定位方法。位置指纹定位方法一般分为离线阶段和在线阶段两个阶段。离线阶段，首先根据室内环境选择一些参考点，然后在每个参考点上采集周围WLAN接入点(Access Point,AP)的接收信号强度(ReceivedSignal Strength,RSS)，以此构建RSS指纹，最后利用室内地图确定参考点的坐标，建立由参考点坐标和RSS指纹共同组成的位置指纹数据库。在线阶段，用户通过移动终端采集定位位置点的RSS指纹，然后将采集到的RSS指纹与位置指纹数据库里面的RSS指纹匹配，根据匹配结果确定用户当前的位置坐标。针对传统的指纹匹配算法，目前展开的研究有加快指纹库匹配的速度，优化指纹库匹配的算法，许多算法和技术已被应用，如K近邻算法(KNearest Neighbors，KNN)、加权K近邻法(Weighed KNN，WKNN)、支持向量回归算法(Supportvector Regression，SVR)、遗传算法等。

但上述传统WLAN指纹定位方法在实际应用中，存在在线匹配时通常会出现计算量大、匹配时间长，导致定位实时性差、或精度受影响等缺点。

发明内容

为了解决传统WLAN指纹定位方法中指纹匹配数据库过于庞大、实时性差、原始数据存在干扰噪声等问题，本发明公开了一种基于支持向量回归的室内指纹快速定位方法。

为了达到上述发明目的，本发明采用以下技术方案：

一种基于支持向量回归的室内WLAN指纹快速定位方法，包括离线阶段和在线阶段两个步骤：

步骤一离线阶段，建立参考点的特征指纹数据库和训练特征指纹与参考点位置之间的关系模型；

步骤二在线阶段，利用关系模型进行粗定位，然后利用加权K近邻算法进行准确定位。

进一步，所述粗定位采用svm粗定位。

进一步，所述准确定位采用knn细定位。

本发明与传统的指纹库不同，传统指纹库是利用RSS，本发明则利用RSS的特征值，通过svm粗定位、knn细定位实现一个指纹库的准确定位。

进一步，所述步骤一中建立参考点的特征指纹数据库包括如下步骤：

2.1根据室内地图按照均匀抽样原则确定参考点位置；

2.2在每个参考点位置采集T次全部无线AP的信号强度；

2.3在每个参考点利用采集到的信号强度数据建立特征指纹矢量；

2.4将每个参考点的特征指纹、位置录入到特征指纹数据库中。