[发明专利]一种基于WLAN的室内定位方法

摘要

本发明公开了一种基于WLAN的室内定位方法，属于室内无线通信和网络技术领域。方法包括将采样点采集到的各个AP的RSSI数据预处理，从中提取出一维和二维向量分别作为特征向量；对特征向量聚类分析将待定位区域划分为多个定位子区域；针对每组特征向量，分别训练出各自相应的分类模型；基于分类模型结合“投票”机制从所有子区域中选取票数最高的子区域集合；采用两轮定位缩小子区域集合范围，提高定位精度。本发明充分挖掘利用了RSSI的空间分布特征，解决了大范围的室内定位搜索匹配空间过大，计算复杂度高等问题；建立新型定位模型，解决现有WLAN室内定位方法中，无法有效学习和适应RSSI信号由于非视距传输效应、RSSI衰减规律异常等原因造成的非线性、非高斯统计特性等问题。

主权项

一种基于WLAN的室内定位方法，其特征在于实现步骤如下：步骤一：将采样点采集到的各个AP的RSSI数据预处理，从中提取出一维和二维向量分别作为特征向量；步骤二：对特征向量聚类分析，将待定位区域划分为多个定位子区域；步骤三：针对每组特征向量结合聚类结果，分别训练出各自相应的分类模型；基于分类模型结合“投票”机制从所有子区域中选取票数最高的子区域集合；步骤四：采用两轮定位缩小子区域集合范围，提高定位精度；所述步骤一从预处理数据中提取出一维和二维向量分别作为特征向量，包括：(1)将扫描到的所有AP按照MAC地址升序排序；(2)按照以下两种方法提取一维和二维向量作为特征向量：a.将排序后的AP两两组合，将AP按照MAC地址分成组，每组AP表示为(APi,APj)，其中，0<i<j≤m，m代表所有AP的个数，从预处理后的数据中提取出这些AP组合构成的向量作为特征向量；b.每个AP单独作为一组，即将所有离线采集数据按照AP的MAC地址分成m组，每组AP表示为APi，其中，0<i≤m，m代表所有AP的个数，从预处理后的数据中提取出这些AP构成的向量作为特征向量；所述步骤三，具体实现过程包括离线阶段和在线阶段；离线阶段，针对步骤一中提出的两种构造方法所构造的特征向量，分别训练出每种构造方法的每种特征向量所对应的支持向量机(Support Vector Machine,SVM)分类模型；在线阶段，从实时数据提取分类特征向量，读取离线阶段训练好的SVM分类模型，根据支持向量多项式展开项值，计算待分类向量对应于不同区域的概率，结合“投票”机制从所有区域中选取票数最高的区域集R；所述投票机制是指，如果AP组(APi,APj)的样本数据经过SVM预测被认定为在某一区域内，则该区域票数加1；遍历所有AP组的EV(APi,APj)并投票，选定票数最多的区域作为定位的粗粒度定位区域，每个区域的票数应当在0到之间，EV为特征向量集；所述步骤四，采用两轮定位缩小区域集范围，具体实现为：(1)读取训练好的SVM分类模型，计算支持向量多项式展开项值；(2)读取当前采集到的RSSI，提取分类特征向量，并对分类特征进行标准化；(3)通过多项式核函数将分类特征向量映射到高维空间，并根据所述支持向量多项式展开项值计算待分类向量对应于不同区域的概率，从中选取步骤三中求出的粗粒度定位区域R内各个区域的概率；(4)对于每个APi，判断划分出的每个子区域是否符合条件，且该子区域是步骤三中求出的粗粒度定位区域R的子集，如果存在多个子区域符合条件，则SVM模型认为当前设备可能处于这几个子区域的并集内；(5)结合“投票”机制从R中选取票数最高的区域集R’，具体步骤包括：如果APi的样本数据经过SVM预测被认定为在某一区域内，则该区域票数加1，根据每个AP的定位区域投票，选定票数最多的区域作为定位的细粒度定位区域，每个区域的票数应当在0到m之间。