基于稀疏表示的WLAN室内定位方法

摘要

基于稀疏表示的WLAN室内定位方法，它涉及模式识别领域中的室内定位方法。它包含如下步骤：一、在室内设置n个接入点AP，最好能保证室内每个节点都接收到三个或者三个以上AP信号，组成WLAN室内定位系统。二、在室内选择若干个参考点，测量参考点接收到每个AP的信号强度值组成RSS向量，建立位置指纹数据库。三、在欲定位点测量RSS向量，通过稀疏表示方法用参考点的RSS向量对欲定位点的RSS值进行稀疏重构，求得权重系数向量。四、对所有参考点坐标根据求解出来的权重系数加权求和得到估计坐标。本发明解决了K近邻算法中因为参数K选择不当导致定位精度下降问题以及选择的K近邻权重设置问题。

说明书

技术领域

本发明涉及一种模式识别领域中的室内定位方法，具体涉及到基于稀疏表示的WLAN室内定位方法。

背景技术

随着科技进步和人民生活水平的提高，越来越多的用户对定位技术需求变得日益迫切，如导航服务等。 室外导航目前最常用的定位技术是GPS，在无遮挡情况下GPS的精度能够得到较好的保证。但是在室内 导航中，由于建筑物的遮挡，往往接收不到GPS信号，无法提供定位服务。并且一般民用GPS的精度也 不够高（10m左右），相对于室内导航的要求（1m左右）还有一段距离。

[0003] 近年来，在智能手机普及以及移动互联网的迅猛发展的背景下，为了切合用户移动办公和移动生 活的需要，越来越多的机构和厂商在各种环境下广泛部署了无线局域网（WLAN）。基于WLAN的室内定位技 术研究在此背景下应运而生，由于其充分能利用现有设备，无需增加或仅需增加极少数设备，因而得到的 广泛的关注和研究，具有广阔的发展前景。

基于WLAN的定位算法主要有到达角度定位（AOA），到达时间定位（TOA），信号强度分析法（RSS）和 位置指纹定位法等。AOA和TOA算法都需要额外添加专门的设备，并且容易受非视距离以及多径影响。RSS 则受传输模型以及周围环境影响较大，而位置指纹算法有效的克服了上述缺点，得到了广泛应用。

位置指纹算法主要分为两个步骤：1)选择合适的参考点，离线测量建立位置指纹数据库阶段；2) 测 量欲定位点，通过搜索匹配算法在线匹配位置指纹数据库进而估计位置信息。在搜索匹配算法中，K近邻 法由于其简单、效果较好具备一定的优势。K近邻法是选取欲定位点RSS值的K个近邻（通常是选前K个 和欲测试点RSS值欧氏距离最小的参考点），然后把这K个近邻的平均坐标作为估计坐标输出。但是该算 法需要指定选取其近邻的个数，不同的近邻个数会显著影响其准确度。同时，K近邻算法在定位的过程中， 只用到了K个近邻的信息，没有充分利用其它参考点的信息，潜在地造成性能损失。

发明内容

本发明的目的是提供一种基于稀疏表示的WLAN室内定位方法，以解决K近邻方法中参数选择问题、 不能综合利用全局参考点信息问题。

本发明基于稀疏表示的WLAN室内定位方法，包括以下步骤：

步骤一、在室内设置n个接入点AP，保证室内每个节点都接收到三个或者三个以上AP信号，组成WLAN 室内定位系统；

步骤二、在室内设置m个参考点，测量参考点接收到每个AP的信号强度值组成RSS向量，建立位置 指纹数据库；假设第i个参考点对应的坐标为Loc_i＝(x_i,y_i)^T且其接收到第j个AP的信号强度为其 中1≤j≤n，则第i个参考点对应的RSS向量可以表示为其中1≤i≤m， 则所有参考点接收的信号强度可以用矩阵的形式表示为RSS＝[RSS₁,RSS₂,...,RSS_m]，其对应的坐标为 Loc＝[Loc₁,Loc₂,...,Loc_m]；

步骤三、在欲定位点测量RSS向量通过稀疏表示方法用参考点的RSS 向量对欲定位点的RSS值进行稀疏重构，即使得权重系数向量W＝[w₁,w₂,...,w_m]^T满足公式（1）所示关 系：

其中|| ||₀表示0范数，表示向量中的非零个数；

步骤四、解公式（1）中的优化问题，求得权重系数向量W＝[w₁,w₂,...,w_m]，由于稀疏表示的性质， 权重系数向量W中的大部分元素都为0；

步骤五、根据步骤四计算出来的权重向量W，对所有参考点坐标加权求和即为欲定位点的坐标Loc_u， 即${\mathrm{Loc}}_u=\mathrm{Loc}\times W=\underset{i=1}{\overset{m}{\Sigma }}{w}_i·{\mathrm{Loc}}_i.$

本发明解决了K近邻算法中因为参数K选择不当导致定位精度下降问题以及选择的K近邻权重设置问 题，能够比较准确的选择相似的参考点并给每个参考点设置相似度，定位比较准确，具有较高的可靠性。

附图说明

图1为本发明实施例实验环境俯瞰图。

图2为本发明实施例参考点选择示意图。

图3为本发明实验结果示意图。

图4为本发明实施例基于稀疏表示的WLAN室内定位方法流程图。

具体实施方式

下面结合实施例和附图对本发明方法进一步详细描述。

实施例：本实施例基于稀疏表示的WLAN室内定位方法流程图如附图4所示，主要分为离线建立位置 指纹数据库阶段和定位阶段。

离线建立位置指纹数据库阶段包括如下两个步骤：

步骤一、在室内设置n个接入点AP，为了使定位系统能够精确定位，最好能保证室内每个节点都接收 到三个或者三个以上AP信号，组成WLAN室内定位系统。

步骤二、在室内设置m个参考点，测量参考点接收到每个AP的信号强度值组成RSS向量，建立位置 指纹数据库。假设第i个参考点对应的坐标为Loc_i＝(x_i,y_i)^T且其接收到第j个AP的信号强度为其 中1≤j≤n。则第i个参考点对应的RSS向量可以表示为其中1≤i≤m。 则所有参考点接收的信号强度可以用矩阵的形式表示为RSS＝[RSS₁,RSS₂,...,RSS_m]，其对应的坐标为 Loc＝[Loc₁,Loc₂,...,Loc_m]。

定位阶段包括下面三个步骤：

步骤三、在欲定位点测量RSS向量通过稀疏表示方法用参考点的RSS 向量对欲定位点的RSS值进行稀疏重构，即使得权重系数向量W＝[w₁,w₂,...,w_m]^T满足公式（1）所示关 系：

其中|| ||₀为0范数，表示向量中非零元素的个数。

步骤四、解公式（1）中的优化问题，求得权重系数向量W＝[w₁,w₂,...,w_m]，由于稀疏表示的性质， 权重系数向量W中的大部分元素都为0。

步骤五、根据步骤四计算出来的权重向量W，对所有参考点坐标加权求和即为欲定位点的坐标Loc_u， 即${\mathrm{Loc}}_u=\mathrm{Loc}\times W=\underset{i=1}{\overset{m}{\Sigma }}{w}_i·{\mathrm{Loc}}_i.$

下面结合实施例来进行分析：

图1为实施例实验场所俯瞰图，其中有四个房间和一个走廊，总面积为12×12m²。首先把该实验区域 进行划分，以房间3左下角作为坐标原点，建立直角坐标系。每隔一米选取一个参考点如图2所示，共计 121个参考点，并把参考点的坐标记录到数据库中。在布置AP的时候要注意AP的位置，保证每个参考点 能接收到多个AP信号。在该实验场所共布置了8个AP，名称分别为AP1，AP2，…，AP8。

测量每个参考点接收到的AP信号强度，把每个AP的信号强度记录到RSS向量对应的项中，如果某个 AP的信号在该参考点接收不到，则把该AP对应的RSS向量中的那项置为0。例如，在本实验场地中，假 定参考点i能接收到AP1,AP3,AP7的信号且信号强度分别为则对应的RSS向量为 在本例中，因为总共有8个AP，所以RSS向量的维度为8×1。在 实际应用中，如果有d个AP，则RSS的向量为维度d×1。将所有121个参考点测量完毕后，得到一个121×8 维位置指纹数据库RSS＝[RSS₁,RSS₂,...,RSS₁₂₁]及与位置指纹数据库对应的121×2维坐标数据库 Loc＝[Loc₁,Loc₂,...,Loc₁₂₁]。

如有欲定位点Loc_u，能接收到AP3，AP4，AP6，AP74个AP的信号，信号强度分别为则其对应的RSS向量为然后用已经建立好的位置指纹数 据库RSS对RSS_u进行稀疏表示，求得公式（1）的稀疏解W。该稀疏解W的每个元素体现了其对应参考 点和欲定位点Loc_u的相似度关系。权重越大的元素说明其对应的参考点与欲定位点Loc_u越相似，因此在 计算欲定位点Loc_u的坐标时应该占据较大比重；而稀疏性保证W中元素大部分都为0，其含义为只选取 小部分相似度较高的参考点参与估计欲定位点Loc_u的坐标。最后根据计算出来的权重向量W，对所有121 个参考点坐标加权求和即为欲定位点的坐标Loc_u，即和基于K近邻的 WLAN室内定位方法相比，基于稀疏表示的WLAN室内定位方法的优点在于不用手动指定K的大小，而是由 算法自动设置，并同时对所有的参考点相似度进行评价，因而不会有因为K的设置不当导致定位精度下降 的问题。

以坐标(3.5,3.5)^T为例，测量其对应的RSS向量，用离线建好的位置指纹数据库对其进行稀疏表示， 求得稀疏解W，我们发现其中非0元素只有4个，大小分别为0.42，0.26,0.17，0.15，其对应的坐标分 别为(3,3)^T，(3,4)^T，(4,3)^T，(4,4)^T，则最后的定位结果为

Loc_u＝0.42×(3,3)^T+0.26×(3,4)^T+0.17×(4,3)^T+0.15×(4,4)^T＝(3.32,3.41)^T

定位结果如图3所示。黑色方框中的黑点是欲定位点，四个加号表示用基于稀疏表示的WLAN室内定 位方法自动选择出来的欲定位点较相似的点，差号表示最后定位结果。从结果可以见到，基于稀疏表示的 WLAN室内定位方法能够比较准确的选择相似的参考点并给每个参考点设置相似度，定位比较准确，具有较 高的可靠性。