一種WiFi室內定位中概率型指紋匹配方法
2023-10-10 13:30:29
一種WiFi室內定位中概率型指紋匹配方法
【專利摘要】本發明提供一種WiFi室內定位中概率型指紋匹配方法，它是一種基於感知概率和核密度估計的概率型室內定位方法，有五大步驟。具體說是一種將感知概率和無參數核密度估計技術引入到最大似然概率中的方法。該方法能夠通過核密度估計方法更準確表徵複雜射頻信號的分布特徵，從而降低定位誤差，獲得較好的定位精度。
【專利說明】一種WiFi室內定位中概率型指紋匹配方法
【技術領域】
[0001] 本發明提供一種WiFi室內定位中概率型指紋匹配方法，具體說是一種將感知概 率和無參數核密度估計技術引入到最大似然概率中的方法。該方法能夠通過核密度估計方 法準確表徵複雜射頻信號的分布特徵，獲得較好的定位精度，屬於WiFi室內定位及無線傳 輸和導航【技術領域】。
【背景技術】
[0002] 隨著現代定位和導航技術的發展，各種基於位置的服務日益成為智能生活中重要 的組成部分，全球衛星導航系統（GNSS)為人們提供了高精度、全天候的定位服務，但是由 於其測量信號不能穿透建築物的特點，在高密集建築群區和室內無法有效進行定位服務， 因此為了在室內獲得有效的定位服務，室內定位系統得到了很快的發展。
[0003] 基於指紋匹配的室內定位技術通常工作在兩個階段：離線訓練階段和在線定位 階段。在離線訓練階段，目標區域中所有參考點接收到的來自可用接入點的信號強度信息 形成指紋資料庫。在線定位階段，將實時採集的接收信號強度（RSSI)與指紋資料庫中的指 紋進行匹配，從而得到定位設備的位置信息。
[0004] 概率型算法把實測RSSI與指紋庫中指紋的匹配過程看成概率估計問題，基於 RSSI信號的統計特性，建立室內環境中射頻信號的概率分布模型，解決了複雜環境下RSSI 值的不確定性。常用的基於概率型算法為最大似然算法（ML)，基於貝葉斯框架理論，將後驗 概率轉化為似然概率問題，匹配最大的似然概率，得到估計位置信息。
[0005] 核密度估計方法不利用有關數據分布的先驗知識，對數據分布不附加任何假定， 是一種從數據樣本本身出發研宄數據分布特徵的方法，可以更準確的表徵複雜信號的分 布，從而提高定位精度。核函數的核寬參數反映了單個樣本對總體密度分布所做"貢獻"的 影響範圍。在一定時間內採樣的樣本變化範圍是有限的，且每個值都有參與計算的可能。樣 本值的變化範圍越大說明每個樣本應該在更大的範圍內對總體密度分布有貢獻，這時，核 函數應該有較大的核寬；相反，樣本值的變化範圍越小，說明每個樣本對總體密度分布的貢 獻相對集中，核函數應該具有較小的核寬。因此，用核密度估計算法進行更新時，選擇合適 的核寬參數是非常重要的。
[0006] 基於指紋匹配的概率型室內定位方法中似然概率的計算是關鍵的步驟，本發明通 過對WiFi定位技術和核密度估計技術的研宄，提出了一種基於感知概率和核密度估計的 概率型室內定位方法。
【發明內容】
[0007]本發明的目的在於：提供一種WiFi室內定位中概率型指紋匹配方法，它是一種修 正的基於指紋匹配的概率型室內定位方法，利用無參數的核密度估計技術計算似然概率， 並與參考點的感知概率相融合，以消除傳統直方圖統計方法計算的不連續性，提高系統的 定位精度。
[0008] 本發明的技術方案：
[0009] 本發明提出了一種WiFi室內定位中概率型指紋匹配方法。概率型室內定位方法 主要是將基於概率定位模型，把測得信號與位置指紋資料庫信息的匹配看成是一個概率估 計問題。將後驗概率問題轉化為似然概率問題，利用每個位置先驗RSSI統計特性信息，在 某些情況下還可以利用定位目標的歷史狀態信息和環境布局信息，以較大的計算複雜度為 代價，獲得比基於決策定位技術更高的定位精度。
[0010] 本發明提出的WiFi室內定位中概率型指紋匹配方法的主要特徵在於：將感知概 率和核密度估計技術融入到概率型室內定位算法中，感知概率在一定程度上反映了信號的 分布特性，採用無參數核密度估計技術計算似然概率，結合感知概率，將感知似然概率作為 定位標準以提尚定位精度。
[0011] 基於非參數模型的核密度估計方法，不需要事先給出具體的分布模型，也不需要 進行參數估計就可以對系統進行建模。由於傳統的直方圖模型通過統計不同分組區間的樣 本數目計算似然概率值，分組區間的設置將導致計算的似然概率值不連續，所以採用核密 度估計計算似然函數值。由於核密度估計方法的無參數特性，以及核函數的連續性，更適合 於複雜室內環境下的射頻信號分布。
[0012] 本發明一種WiFi室內定位中概率型指紋匹配方法，包括以下幾個步驟：
[0013] 步驟一：離線階段在測試區域採集數據，建立指紋資料庫，用於在線階段匹配計 算。其中，在採集數據之前，首先對測試區域進行勘測，確定參考點的位置，其次在各個參考 點採集一定數目的樣本信息，構建指紋資料庫。
[0014] 步驟二：根據參考點訓練樣本信息，求得各個參考點RP相對接入點的感知概率。 其中，如果在測試位置處的AP信號強度小於採樣設備可以感知到的最小信號強度，表示設 備不能夠感知到AP信號，用一個固定的信號強度代替不能感知到的信號強度信息。因此把 AP信號採集可以看成一個伯努利過程，對特定RP，每次採樣可以獲得一個二進位序列B= (b"b2，…bj，…，bn)，其中b# (〇, 1)。感知概率定義為：參考點感知到的AP次數與總的訓 練樣本數之比。第i個RP對第j個AP的感知概率計算如下：
【權利要求】
1. 一種WiFi室內定位中概率型指紋匹配方法，其特徵在於：它包括以下步驟： 步驟一：離線階段在測試區域採集數據，建立指紋資料庫，用於在線階段匹配計算；其 中，在採集數據之前，首先對測試區域進行勘測，確定參考點的位置，其次在各個參考點採 集一定數目的樣本信息，構建指紋資料庫； 步驟二：根據參考點訓練樣本信息，求得各個參考點RP相對接入點的感知概率；其中， 如果在測試位置處的AP信號強度小於採樣設備感知到的最小信號強度，表示設備不能夠 感知到AP信號，用一個固定的信號強度代替不能感知到的信號強度信息，因此把AP信號採 集看成一個伯努利過程，對特定RP，每次採樣獲得一個二進位序列B= (Id1,b2，…bj,…，bn)， 其中bjG(〇, 1);感知概率定義為：參考點感知到的AP次數與總的訓練樣本數之比；第i個 RP對第j個AP的感知概率計算如下：
其中，為參考點位置，IftO為第i個RP可以感知到的第j個AP的次數，N(11Oi)為總的訓練樣本數； 步驟三：把實測RSSI與指紋庫中指紋的匹配，採用核密度估計方法求得第i個RP對第j個AP的匹配似然概率P(RSS^ ? ); 首先根據貝葉斯定理，將最大後驗概率問題轉化為最大似然概率問題，貝葉斯定理表 達式為：
其中，P(Oi)為對應參考點位置的概率，在不考慮定位歷史信息的情況下P(Oi)為常 量，P(RSS)為常量；P(RSS|Wi)為參考點Wi的似然概率，因此將最大後驗概率問題轉化為 最大似然概率問題，即： P(RSS|Qi) >P(RSS|Oj.)i，j=i，2，...，m，j乒i 各個AP之間是相互獨立，因此得到似然概率的表達式：
其中，P(RSS^ ?J為第i個RP對第j個AP的匹配似然概率，求匹配似然概率的計算 步驟如下：
其中，&z?為第j個AP的實時接收信號強度為x時的似然概率，K( ?)是核方程，h 為核寬參數，Xk(l<k<N)為訓練資料庫中的第k個值； 3) 最優化核寬參數h;
4. Sk為設備接收到的第k個AP的實時信號強度，求得匹配似然概率為 其中，在核密度估計方法中，由於核寬參數h的取值對基於訓練樣本的核密度估計曲 線的平滑性有較大的影響，h越小，核密度估計曲線不光滑，雖然能更好地反映每個訓練樣 本包含的信息，但密度估計偏向於把概率密度分配得太局限於觀測數據附近，致使估計密 度函數有很多錯誤的峰值；相反地，如果h越大，核密度估計曲線越光滑，但密度估計就把 概率密度貢獻散得太開，也將導致樣本數據中包含的部分重要特徵丟失，所以需要對h進 行優化選擇，採用最小化均方誤差來實現h的優化步驟如下： 1)假設真實核方程為f，則核密度估計方程/與真實核方程之間的積分均方誤差為：
3)假定核方程K(U)連續，真實核密度方程f?有界，且二次導數連續，定義兩個常數a和0，其中a= =/ {K(t)}2dt，根據泰勒展開式，MiSE展開為如下方程：
其中，n為AP數目，6為所有AP的方差均值； 步驟四：根據感知概率和匹配似然概率，計算感知似然概率P'（RSS|Qi); 首先，用一個特定值C代替未能感知到的信號強度，求得第i個RP對第j個AP的感知 似然概率P'（RSS^ ?J，計算方程如下：
步驟五：通過最大似然概率（ML)方法，求得測量位置的坐標； 測量位置的坐標的計算步驟如下： 1) 通過ML方法，求得感知似然概率最大的參考點的序號為：
2) 設參考點序號為t的坐標為（xt，yt)，可求得測量位置的估計坐標為：
【文檔編號】H04W4/04GK104507050SQ201410680673
【公開日】2015年4月8日 申請日期:2014年11月24日 優先權日:2014年11月24日
【發明者】修春娣, 楊萌, 楊東凱, 劉源, 羅智勇 申請人:北京航空航天大學