[发明专利]基于位置指纹算法的室内定位优化方法

说明书

本发明公开了一种基于位置指纹算法的室内定位优化方法。本发明在现有的位置指纹定位方法的基础上，对信号强度采集、指纹库密度、指纹库精度、定位效率、设备误差进行了对应的优化处理，从而实现对定位过程的精度提升和效率提升。本发明在定位处理过程中，无需额外硬件的支持，因此其具有较低的定位成本。在信号强度测量精准，以及位置指纹库的精度和密度较高的情况下，本发明可以提供较高定位精度。

技术领 域

本发明属于室内定位技术领域，具体涉及一种基于位置指纹算法的室内定位方法。

背景技术

指纹定位算法通过RSSI(Received Signal Strength Indication，接收信号强度指示)信息之间的相关性完成定位，通过将定位点处的RSSI信息与位置指纹的RSSI信息进行匹配来实现定位坐标的估算。指纹定位算法的定位原理如图1所示，其定位过程分为两个阶段：一、离线训练阶段：在区域中选择n个点作为参考点进行位置指纹采集，从而完成位置指纹库的构建，其中，位置指纹由参考点处的位置坐标和RSSI信息构成；二、在线定位阶段：采集定位点处的RSSI信息，并将采集到的RSSI信息与位置指纹库中的位置指纹进行匹配，筛选出匹配度最高的前K个位置指纹实现位置估算。位置指纹定位常用的算法包括最近邻法、K近邻法(KNN)、加权K近邻法(WKNN)。

最近邻算法依据样本之间的相似度进行定位，其核心思想是在位置指纹库中选取与定位点处RSSI向量最相似的参考点的坐标作为定位节点的坐标，其中，RSSI向量之间的相似度通过RSSI向量之间的欧氏距离来判断，欧式距离越小，表示两个RSSI向量之间的相似度越高。RSSI向量之间的欧式距离其中rssi_i表示在定位节点处的第 i个无线AP(接入节点)的信号强度，rssi_k,i表示位置指纹库中第k个参考点处的第i个无线 AP的信号强度，m表示无线AP的个数。

K近邻算法作为最近邻算法的改进，其也是依据节点之间的相似度来进行定位。在定位时，K近邻算法会在位置指纹库中选出与定位节点之间相似度最高的K个参考点，并计算K 个参考点所组成的多边形的质心，质心所在的位置即为定位节点的位置：其中，(x_i,y_i)表示参考点的坐标。

加权K近邻算法是对K近邻算法的改进，进一步降低了定位过程中的误差。相比于K近邻算法，加权K近邻算法在得到K个相似度最高的参考点之后，不是直接计算K个参考点组成的多边形的质心，而是根据每个参考点与定位节点之间的相似度对参考点的坐标位置进行加权，加权相加的结果即为最终的定位结果：其中，d_i表示节点之间RSSI向量的欧式距离，(x_i,y_i)表示参考点的坐标。加权K近邻算法通过加权来控制参考点对定位点的影响，使定位的结果更加准确。

但是，现有的位置指纹定位方法在指纹采集过程中，只是简单的进行RSSI信息采集来构建位置指纹库，其指纹采集精度存不够；而在构建位置指纹库时，只是简单的通过人工采集的方式进行构建，一旦位置指纹库的密度要求提高，其构建工作量将会大量增加；并且对于位置指纹库中存在的噪点，未采用任何的方式进行去除，其位置指纹库中的指纹精准度有待进一步提升；同时，在匹配位置指纹时，采用的方式为逐个匹配，其匹配处理的时间复杂度相对较高，另外，对于设备差异性带来的定位误差并未进行特殊的处理，对定位结果会带来一定的定位误差。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种有效提升定位精确度并指纹匹配处理时间复杂度的定位优化方法。

本发明的基于位置指纹算法的室内定位优化方法包括下列步骤：

构建位置指纹库步骤：

101：在待定位区域部署m个无线接入设备，设置n个参考点(例如对室内平面图进行网格划分，将网格点作为参考点)，并记录各参考点的位置信息；