本发明提供了一种基于信号统计的室内定位指纹分组方法,包括:在定位场景中选取N个参考点,获取所述定位场景中接入点的数量为m,在所述参考点进行T次信号强度采样,记录下每次采样接入点的信号强度信息,每个参考点将T次采样的信号强度信息中有相同最强信号强度的接入点的信号强度信息分为一个小组,并记录每个小组的信号强度信息的个数,判断个数是否大于或等于频次阈值α,如果是,则将该小组的信号强度信息取平均值作为所述第n个参考点的一组指纹,为所述指纹设置m个粗分组,选取每个粗分组中的参考点对应的指纹中最强的接入点为参考接入点,对指纹进行差分。本发明工作简单,有效的减小了定位时需要比对指纹的数量,从而降低了成本。
1.一种基于信号统计的室内定位指纹分组方法,其特征在于,包含以下步骤:(1)在定位场景中选取N个参考点,获取所述定位场景中接入点的数量为m;(2)在所述参考点进行T次信号强度采样,记录下每次采样接入点的信号强度信息,第n个参考点的第t次采样信息记为 S n t = ( s n 1 t , s n 2 t , . . . s nm t ) , ]]>其中t=1,2,...,T;(3)每个参考点将T次采样的信号强度信息中有相同最强信号强度的接入点的信号强度信息分为一个小组,并记录每个小组的信号强度信息的个数,第n个参考点的第i个小组的信号强度信息的个数记为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="69"/>每个参考点最多有m个这样的小组;(4)判断个数ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="50"/>是否大于或等于频次阈值α,如果是,则将该小组的信号强度信息取平均值作为所述第n个参考点的一组指纹,否则丢弃该小组的信号强度信息,这样每个参考点至多可以拥有m组指纹,第n个参考点的第i个指纹记为 S ‾ n ( i ) = ( s ‾ n 1 ( i ) , s ‾ n 2 ( i ) , . . . , s ‾ nm ( i ) ; f n i ) ; ]]>(5)为所述指纹设置m个粗分组,记为C₁,C₂,...,C_m,对于第n个参考点的所有指纹,指纹中第i个接入点最强对应的参考点和此指纹将会被分到粗分组C_i中,第n个参考点的第i个指纹中信号强度最强信号强度的接入点是ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="147"/>因此参考点n会分到粗分组C_i中,指纹ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="125"/>也将会保存于粗分组C_i中;(6)选取每个粗分组中的参考点对应的指纹中最强的接入点为参考接入点,对指纹进行差分,第n个参考点的第i个指纹中信号强度最强信号强度的接入点ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="147"/>其他接入点的信号强度与ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="130"/>作差,得到的差分指纹记为 S ‾ n d ( i ) = ( s ‾ n 1 d ( i , 1 ) , s ‾ n 2 d ( i , 2 ) , . . . , s ‾ nm d ( i , m ) , f n i ) ; ]]>(7)设置m*(m-1)个细分组,记为C₁₂,C₁₃,...,C_(m-1)m;(8)找出所述差分指纹中最强、次强的差分信号,假定第n个参考点的差分指纹 S ‾ n d ( i ) = ( s ‾ n 1 d ( i , 1 ) , s ‾ n 2 d ( i , 2 ) , . . . , s ‾ nm d ( i , m ) , f n i ) ]]>中最强、次强的两个差分信号为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="480"/>则参考点n将会被分到细分组C_i,j中;(9)判断ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="475"/>是否小于或等于相似度阈值β,若是,则参考点n还会被分到细分组C_i,k中,否则参考点n不会被分到细分组C_i,k中;(10)对所有的参考点的所有指纹,重复上述步骤(5)至(9)。
2.根据权利要求1所述的室内定位指纹分组方法,其特征在于,所述频次阈值的取值为0.1T到0.25T之间,所述相似度阈值β取值为自然对数的底数e。技术领域
本发明涉及通信与无线网络技术领域,具体涉及一种基于信号统计的室内定位指纹分组方法。
背景技术
基于位置的服务(Location-basedxa0service,简称LBS)在移动计算和无线通信中是一种非常重要的应用。LBS不仅仅在商业中有巨大的应用价值,而且对于公共安全、交通运输和紧急救护也是非要重要的。比较知名的定位系统有美国的GPS、中国的北斗、欧盟的伽利略和俄罗斯的格洛帕斯。这些定位系统在室外定位结果都非常好,但是在室内这些定位系统都失去了他们的用武之地,因为微弱的定位信号无法穿越墙壁。在这种背景下,人们开发出很多室内定位系统,主要有基于红外的、基于超声波的和基于无线局域网(WLAN)的。由于基于WLAN的定位系统是利用已经存在的WLAN网络,因此这种系统成本低廉,而且近些年来,WLAN的铺设越来越广,越来越密,基于WLAN的定位系统应用区域越来越大。WLAN定位系统大致可以分为两类,基于传播模型和基于位置指纹的。由于室内环境比较复杂,而且无线电信号在传播过程中会发生衍射、反射、散射和多径传输,造成传播模型的一些参数难以确定,造成基于传播模型的定位系统定位精度普遍较差。基于位置指纹的定位系统主要分为两个阶段:训练阶段和定位阶段。训练阶段,选取一些参考点进行多次采样,记录下各个接入点对应的信号强度信息,存储到指纹库中。在定位阶段,常见的定位方法有NNSS(信号空间最近邻方法),移动终端获取一条各个接入点信号强度信息,通过与指纹库中的各个参考点的指纹进行比对,找出相似度最高的参考点作为移动终端的位置。这种方法简单,易实现,但是对于比较大的定位场景,参考点的数量会相当庞大,因此在单次定位中需要比对的指纹量也相当庞大,此时要完成实时性要求很高的定位是相当困难的,特别是并行定位请求量很大的情况下更是难以实现,而且比对量太大也会增加服务器的负担和能能耗。因此减小实时定位时的指纹比对量是很有必要的。国外有很多学者发明了多种分组方法,有分组方法以参考点中最大的q个接入点为分组指标,将有相同的最大的q个接入点分为一组。这种分组方法没有考虑到信号的波动,定位时待定位点很容易发生分错组。还有分组方法利用KNN(K均值方法)方法将有着相似信号强度信息的参考点分为一个组,所有参考点的指纹取平均值,把均值做为整个分组的信号强度值,定位时先将待定位点的信号强度信息与每个组的信号强度值比较,找出相似度最大的,然后再在组内找相似度最大的参考点。以上两种方法都没有考虑到训练阶段和定位阶段终端的天线增益不同的情形,因而定位精度很有可能因为天线增益不同而下降。
发明内容
本发明的目的在于提供一种基于信号统计的室内定位指纹分组方法,其工作简单,分组后每个小组的的指纹数大大减小,而且不易出现误分组的情况,能有效的减小定位时所要比对的指纹数量,提高定位精度,减少定位服务器的工作负担,降低能耗,提高定位速度。本发明是通过以下技术方案实现的:一种基于信号统计的室内定位指纹分组方法,包括以下步骤:(1)在定位场景中选取N个参考点,获取定位场景中接入点的数量为m;(2)在参考点进行T次信号强度采样,记录下每次采样接入点的信号强度信息,第n个参考点的第t次采样信息记为 S n t = ( s n 1 t , s n 2 t , . . . s nm t ) , ]]>其中t=1,2,...,T;(3)每个参考点将T次采样的信号强度信息中有相同最强信号强度的接入点的信号强度信息分为一个小组,并记录每个小组的信号强度信息的个数,第n个参考点的第i个小组的信号强度信息的个数记为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="84"/>每个参考点最多有m个这样的小组;(4)判断个数ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="58"/>是否大于或等于频次阈值α,如果是,则将该小组的信号强度信息取平均值作为第n个参考点的一组指纹,否则丢弃该小组的信号强度信息,这样每个参考点至多可以拥有m组指纹,第n个参考点的第i个指纹记为 S ‾ n ( i ) = ( s ‾ n 1 ( i ) , s ‾ n 2 ( i ) , . . . , s ‾ nm ( i ) ; f n i ) ; ]]>(5)为指纹设置m个粗分组,记为C₁,C₂,...,C_m,对于第n个参考点的所有指纹,指纹中第i个接入点最强对应的参考点和此指纹将会被分到粗分组C_i中,第n个参考点的第i个指纹中信号强度最强信号强度的接入点是ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="160"/>因此参考点n会分到粗分组C_i中,指纹ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="138"/>也将会保存于粗分组C_i中;(6)选取每个粗分组中的参考点对应的指纹中最强的接入点为参考接入点,对指纹进行差分,第n个参考点的第i个指纹中信号强度最强信号强度的接入点ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="158"/>其他接入点的信号强度与ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="142"/>作差,得到的差分指纹记为 S ‾ n d ( i ) = ( s ‾ n 1 d ( i , 1 ) , s ‾ n 2 d ( i , 2 ) , . . . , s ‾ nm d ( i , m ) , f n i ) ; ]]>(7)设置m*(m-1)个细分组,记为C₁₂,C₁₃,...,C_(m-1)m;(8)找出差分指纹中最强、次强的差分信号,假定第n个参考点的差分指纹 S ‾ n d ( i ) = ( s ‾ n 1 d ( i , 1 ) , s ‾ n 2 d ( i , 2 ) , . . . , s ‾ nm d ( i , m ) , f n i ) ; ]]>中最强、次强的两个差分信号为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="490"/>则参考点n将会被分到细分组C_i,j中;(9)判断ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="490"/>是否小于或等于相似度阈值β,若是,则参考点n还会被分到细分组C_i,k中,否则参考点n不会被分到细分组C_i,k中;(10)对所有的参考点的所有指纹,重复上述步骤(5)至(9)。本发明具有以下的优点和技术效果:1、在一个参考点,以最大接入点为分组依据,将多次采集到的采样信息分为多个小组,设置出现频次阈值,不仅考虑到一个参考点在不同定位时间会出现不同的指纹,而且剔除了偶然出现的指纹,不仅减小了定位时误分组的可能性,而且一定程度上减小了指纹数量。2、细分组时设置一个相似度阈值,减小了因为信号波动造成的误分组的可能性。3、细分组内指纹数量相对于整个定位区域的指纹量有量级上的减小,因而定位速度变快,计算负担下降,能耗降低。4、分组中最后指纹为信号差分指纹,比一般直接采用信号强度作为指纹的分组方法,有效的抑制了因为终端增益的不同使得定位精度变差。
附图说明
图1是本发明基于信号统计的室内定位指纹分组方法流程图。图2是参考点T次采样后信号强度信息存储结构图。图3一个定位场景中粗分组示意图。图4粗分组后一个参考点信号指纹图。图5一个粗分组内参考点的指纹细分组示意图。
具体实施方式
如图1所示,本发明的基于信号统计的室内定位指纹分组方法包括以下步骤:(1)在定位场景中选取N个参考点,参考点尽量不要选择在人很少经过的位置,比如说墙角或靠近墙面的位置,定义定位场景中有m个接入点;(2)在每个参考考点进行T次信号强度采样,记录下每次采样的信号强度信息,第n个参考点的第t次采样信息记为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="550"/>图2显示了第n个参考点中T次采样的信号强度信息,如果参考点的一次采样信号中无法检测到某个接入点,则此次信号强度信息中,以-100dBm作为此接入点的信号强度;(3)将T次采样的信号强度信息中有相同最强信号强度的接入点的采样信息分为一个小组,并记录每个小组的信号强度信息的个数,第n个参考点的第i个小组信号强度信息的个数记为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="81"/>每个参考点这样的小组最多有m个;(4)设置一个频次阈值α,对于参考点,如果ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="200"/>则将这个小组的信号强度信息取平均值作为此参考点的一组指纹,反之则丢弃这个小组的的信号强度信息,这样每个参考点至多可以拥有m个指纹,第n个参考点的第i个指纹记为 S ‾ n ( i ) = ( s ‾ n 1 ( i ) , s ‾ n 2 ( i ) , . . . , s ‾ nm ( i ) ; f n i ) ; ]]>(5)设置m个粗分组,记为C₁,C₂,...,C_m,对于所有的参考点,将指纹中有着相同最强信号强度的接入点的参考点分到同一个粗分组中,第n个参考点的一条指纹 S ‾ n ( i ) = ( s ‾ n 1 ( i ) , s ‾ n 2 ( i ) , . . . , s ‾ nm ( i ) ; f n i ) ; ]]>中信号强度最强信号强度的接入点是ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="164"/>因此参考点n的这条指纹会分到粗分组C_i中,指纹ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="134"/>也将会保存于粗分组C_i中。图3给出了一个粗分组的示意图,图3显示了有5个接入点的定位场景,采样次数T=200,根据每个参考点最强的接入点将所有参考点分为5个粗分组,图中有的参考点会被分到多个粗分组中,因为T次采样中,可能由于信号的波动,一个参考点不同采样时间上最强的接入点不相同,而且出现的频次大于频次的阈值α,这里不同粗分组中相同的参考点对应的指纹不同。图4给出了一个参考点对应的指纹的实例,这里如果规定,T=200,α=20,则这个参考点的第一条指纹会被分到粗分组C₁,第二条指纹会被分到粗分组C₂中;(6)选取每个粗分组中的参考点对应的指纹中最强的接入点为参考接入点对指纹进行差分,第n个指纹点的一条指纹 S ‾ n ( i ) = ( s ‾ n 1 ( i ) , s ‾ n 2 ( i ) , . . . , s ‾ nm ( i ) ; f n i ) ; ]]>参考接入点的信号强度为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="160"/>其他接入点的信号强度与ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="140"/>作差,得到的差分指纹记为 S ‾ n d ( i ) = ( s ‾ n 1 d ( i , 1 ) , s ‾ n 2 d ( i , 2 ) , . . . , s ‾ nm d ( i , m ) , f n i ) ; ]]>图4中的第一条指纹中最强信号强度的接入点对应的信号强度为-40.3,差分后指纹为(0,-2.2,-7.9,-8,-19.9;140);(7)设置m*(m-1)个细分组,记为C₁₂,C₁₃,...,C_(m-1)m;(8)找出所述差分指纹中最强、次强的差分信号,假定第n个参考点的一条差分指纹 S ‾ n d ( i ) = ( s ‾ n 1 d ( i , 1 ) , s ‾ n 2 d ( i , 2 ) , . . . , s ‾ nm d ( i , m ) , f n i ) ; ]]>中最强的两个差分信号为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="492"/>参考点n将会被分到细分组C_i,j中,设置一个相似度阈值β>0,比较ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="204"/>和剩下差分信号的差值,如果满足ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="631"/>则参考点n不仅会被分到细分组C_i,j,而且会分到细分组C_i,k中。图4中,第一条指纹差分后的信号强度信息为(0,-2.2,-9.9,-8,-19.9;140),这里如果设置β=6,这条指纹首先会被分到细分组C₁₂中,这里-2.2-(-8)=5.8<6,因此这条指纹还会被分到细分组C₁₄中。图5给出了一个粗分组C₄内参考点对应的指纹细分组的情况,参考点RP_k对应的指纹中第二个差分后的信号强度信息和第三个差分后的信号强度信息的差值小于相似度阈值β,因此RP_k将会被分到细分组C₄₂,C₄₃中;(9)对所有的参考点的所有指纹,重复上述步骤(5)至(9)。