基于序贯处理的WiFi热点数据采集与更新方法

摘要

本发明涉及一种基于序贯处理的WiFi热点数据采集与更新方法，包括以下步骤：1)WiFi信号数据采集；2)WiFi信号数据计算，根据WiFi信号传播公式，利用最小二乘原理，平差求取未知参数，该未知参数包括WiFi热点的位置以及信号传播公式中的系数，然后对平差结果进行精度评定，获得这些参数之间的方差-协方差阵；3)将WiFi热点的位置、信号传播公式中的系数和方差-协方差阵放入数据库中；4)再次采集新的WiFi信号数据；5)利用新采集到的WiFi信号数据，结合数据库中保存的数据，采用序贯处理方式，获得参数的最优估值，并重新进行精度评定；6)WiFi数据库更新；7)更新WiFi热点位置。与现有技术相比，本发明具有减少数据存储空间、提高定位精度等优点。

说明书

技术领域

本发明涉及一种定位方法，尤其是涉及一种基于序贯处理的WiFi热点数据采集与更新方法。

背景技术

近年来，WiFi热点的数量不断增加，为室内定位提供了契机。WiFi用于室内定位是一种非常方便且低成本的手段。如果已经知道一定数量的WiFi热点的位置，便可根据接收到的WiFi信号强度(RSSI)，应用信号传播模型，计算出每个WiFi热点到用户的距离，进而通过距离交会的方法计算出用户的位置。

要在室内环境中使用WiFi定位，首先要进行信号的采集。通常按照一定的距离间隔，在不同的位置采集信号，然后根据采集到的一系列信号强度信息，反算出WiFi热点的位置，并拟合出WiFi信号传播公式中的各项系数，将这些信息一并存入数据库，用于后续的用户定位计算。由于各种环境因素的影响，如障碍物和人体的遮挡、信号反射等，导致接收到的WiFi信号很不稳定，从而影响WiFi位置反算的精度，进而影响用户的位置计算。为了提高定位精度，需要经常性的在不同时期采集WiFi数据，对数据库进行更新。

对于如何将不同时期采集的WiFi数据利用起来，现有的解决方案一般分为两类：(1)将不同时期采集的WiFi信号数据都保存在服务端，每隔一定时间重新计算WiFi热点的位置，以及信号传播公式中的系数。这种方法利用了不同时期的所有观测数据，可以不断提高精度，但是需要很大的存储空间来保存这些观测数据，同时也增加了计算量。(2)不保存以前的观测数据，仅保存必要的信息，如WiFi的位置和信号传播公式的系数。当新的观测数据到来时，做一个简单的融合处理，比如用以前保存的WiFi位置和信号传播公式的系数作为初值，进行最小二乘平差，或者将新计算出的结果与以前的结果取平均。这种处理方式理论上不严谨，没有合理的利用历史观测数据，从而没法保证精度。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种减少数据存储空间、提高定位精度的基于序贯处理的WiFi热点数据采集与更新方法。

本发明的目的可以通过以下技术方案来实现：

一种基于序贯处理的WiFi热点数据采集与更新方法，其特征在于，包括以下步骤：

1)WiFi信号数据采集，在室内环境中以设定的距离间隔进行采样，记录每个采样时刻接收到的WiFi热点信息，包括每个WiFi热点的MAC地址和RSSI；

2)WiFi信号数据计算，根据WiFi信号传播公式，利用最小二乘原理，平差求取未知参数，该未知参数包括WiFi热点的位置以及信号传播公式中的系数，然后对平差结果进行精度评定，获得这些参数之间的方差-协方差阵；

3)将WiFi热点的位置、信号传播公式中的系数和方差-协方差阵放入数据库中；

4)再次采集新的WiFi信号数据；

5)利用新采集到的WiFi信号数据，结合数据库中保存的数据，采用序贯处理方式，获得参数的最优估值，并重新进行精度评定；

6)WiFi数据库更新；

7)更新WiFi热点位置，返回步骤4)。

所述的步骤1)中的WiFi信号数据采集设备为具有WiFi功能的手机、电脑等信号接收设备。

所述的步骤2)中的WiFi信号数据计算具体过程如下：

信号衰减公式：$>\mathrm{RSSI}=-10·n·{\log }_{10}^d+A$>

上式中，n和A为设定的常数，d为采样点到WiFi热点的距离，将RSSI简记为R；

采样点到WiFi热点的距离d的计算公式：

$>d=\sqrt{{(x_s-x)}^2+{(y_s-y)}^2+{(z_s-z)}^2}$>

上式中x、y、z为采样点的位置，x_s、y_s、z_s为WiFi热点的位置；

WiFi信号传播公式建立的平差模型公式：

$>v=B·\hat{x}-l$>

上式中，v为观测值残差，l、B、的表达式如下

$>l=10·n·{\log }_{10}^d-A+R$>

$>B={\left(\begin{array}{c}-10·{\log }_{10}^d\\ 1\\ -10·n·\frac{1}{d·\ln \left(10\right)}·\frac{x-x_s}{d}\\ -10·n·\frac{1}{d·\ln \left(10\right)}·\frac{y-y_s}{d}\\ -10·n·\frac{1}{d·\ln \left(10\right)}·\frac{z-z_s}{d}\end{array}\right)}^T$>

$>\hat{x}=\left(\begin{array}{c}\mathrm{\delta n}\\ \mathrm{\delta A}\\ \mathrm{\delta x}\\ \mathrm{\delta y}\\ \mathrm{\delta z}\end{array}\right)$>

最小二乘原理求得参数的估值，如下

$>\hat{x}={\left(B^T\mathrm{PB}\right)}^{-1}{B}^T\mathrm{Pl}$>

上式中的P为观测值权阵，；

接下来进行精度评定，先计算观测值残差v

v=B·(B^TPB)^-1B^TPl-l

然后计算单位权中误差，公式如下

$>{\hat{\sigma }}_0=\sqrt{\frac{v^T\mathrm{Pv}}{n-5}}$>

上式中，为单位权中误差；

求得参数之间的方差-协方差阵，

$>D_{\hat{x}\hat{x}}={\left(B^T\mathrm{PB}\right)}^{-1}{\hat{\sigma }}_0^2$>

上式中，为参数的方差-协方差阵。

所述的步骤5)中的数据处理采用数据序贯处理的方式，具体过程如下：

设总的观测方程为

$>v=B\hat{x}-l$>

将观测数据分为两组，则观测方程可以写成以下形式

$>\left(\begin{array}{c}{v}_1=B_1\hat{x}-l_1\\ v_2=B_2\hat{x}-l_2\end{array}\right)$>其中v₁、B₁、l₁分别为第一个方程的观测值残差、观测矩阵、观测值自由项，v₂、B₂、l₂分别为第二个方程的观测值残差、观测矩阵、观测值自由项；

假设上式第一个方程中的观测值个数足够，按最小二乘原理求解第一个方程，得：

$>\left(\begin{array}{c}{\hat{x}}_1={\left(B_1^T{P}_1{B}_1\right)}^{-1}{B}_1^T{P}_1{l}_1\\ Q_{{\hat{x}}_1}={\left(B_1^T{P}_1{B}_1\right)}^{-1}\end{array}\right)$>

上式中的P₁表示第一个方程中观测值的权阵，表示协因数阵；

结合式可知，协因数阵与协方差阵满足以下关系

$>D_{\hat{x}\hat{x}}=Q_{\hat{x}}·{\hat{\sigma }}_0^2$>

同时求解式中的两个方程，得：

$>\left(\begin{array}{c}\hat{x}={(B_1^T{P}_1{B}_1+B_2^T{P}_2{B}_2)}^{-1}(B_1^T{P}_1{l}_1+B_2^T{P}_2{l}_2)\\ Q_{\hat{x}}={(B_1^T{P}_1{B}_1+B_2^T{P}_2{B}_2)}^{-1}\end{array}\right)$>

上式中的P₂表示第二个方程中观测值的权阵，根据矩阵反演公式可以导出序贯平差的计算公式，如下所示

$>\left(\begin{array}{c}\hat{x}={\hat{x}}_1+Q_{{\hat{x}}_1}{B}_2^T{(P_2^{-1}+B_2{Q}_{{\hat{x}}_1}{B}_2^T)}^{-1}(l_2-B_2{\hat{x}}_1)\\ Q_{\hat{x}}=Q_{{\hat{x}}_1}-Q_{{\hat{x}}_1}{B}_2^T{(P_2^{-1}+B_2{Q}_{{\hat{x}}_1}{B}_2^T)}^{-1}{B}_2{Q}_{{\hat{x}}_1}\end{array}\right)$>

上式中，表示采用第一组观测值平差后得到的参数估值和参数之间的协因数阵。

与现有技术相比，本发明有以下两个优点：

(1)采用序贯处理的方式，不需要保存以前采集的WiFi信息，仅需保存根据以前WiFi信息计算出的每个热点的位置和信号传播公式中的系数，以及相应的精度信息(方差-协方差)，因此减少了数据存储空间。

(2)有效利用了所有的历史观测数据，保证系统的精度和稳定性，且随着观测数据的增加，系统的定位精度也会不断提高。

附图说明

图1为本发明的步骤流程图；

图2为本发明的数据平差处理结果。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例：

如图1，一种基于序贯处理的WiFi热点数据采集与更新方法，包括以下步骤：

1)WiFi信号数据采集：

以智能手机作为数据采集设备，在待实施定位功能的室内环境中，打开WiFi，以一定的距离间隔进行采样，在某些重要的兴趣点可以多次采样，运行于智能手机上的软件将记录每个采样时刻对应的采样点的坐标，以及接收到的WiFi热点信息，包括每个WiFi热点的MAC地址和RSSI。软件将数据采集的结果保存在文件中，用于后续的处理。下表作为一个示例，列出了其中一个采样时刻所记录的信息。

表1中，第1行记录采样点的序号；第2行的数据表示采样点的坐标，分别为经度(单位：度)、纬度(单位：度)、高度(单位：米)；第3行记录的是采样开始时刻(单位：毫秒)和结束时刻(单位：毫秒)；第4行记录的是本次采样所接收到的WiFi信号的数量；第5-12行记录的是每个WiFi信号对应的MAC地址和RSSI(单位：dBm)。

表1.一个采样时刻所记录的信息

1114.17973537  22.30638789  3.782016  354386c：f3：7f：50：10：63  -526c：f3：7f：50：10：62  -5324：de：c6：df：6b：63  -696c：f3：7f：50：0c：03  -676c：f3：7f：50：0c：04  -67

24：de：c6：df：6b：60  -6900：21：29：9d：ea：c2  -756c：f3：7f：50：0f：60  -67

2)WIFI信号数据计算：

(1)首先将上一步中采集的WiFi信号数据进行预处理，得到分别对应每个WiFi热点的全部采样信息。下表作为一个示例，列出了其中一个WiFi热点所对应的全部采样信息。

表2.一个WiFi热点所对应的全部采样信息

16c：f3：7f：50：10：6368114.17973537  22.30638789  3.78  -52114.17974293  22.30637673  3.78  -48114.17975039  22.30635727  3.78  -57114.17975871  22.30636628  3.78  -63···············..  ···············..  ···..  ···.

表2中，第1行表示WiFi热点的ID号；第2行表示WiFi热点的MAC地址；第3行表示采样点的数量；从第4行开始，每一行表示一个采样点信息，分别为经度(单位：度)、纬度(单位：度)、高度(单位：米)，RSSI(单位：dBm)。

(2)根据WiFi信号传播公式，建立平差模型。WiFi信号传播公式，即信号衰减公式，其表达式如下：

$>\mathrm{RSSI}=-10·n·{\log }_{10}^d+A---\left(1\right)$>

上式中，n和A为待定的常数，d为采样点到WiFi热点的距离。d的计算公式如下：

$>d=\sqrt{{(x_s-x)}^2+{(y_s-y)}^2+{(z_s-z)}^2}---\left(2\right)$>

对(1)式两边加一阶扰动，并将RSSI简记为R，得

$>R+\mathrm{\delta R}=-10·n·{\log }_{10}^d-10·{\log }_{10}^d·\mathrm{\delta n}-10·n·\frac{1}{d·\ln \left(10\right)}·\mathrm{\delta d}+A+\mathrm{\delta A}$>

       (3)

对(2)式两边加一阶扰动，并整理得

$>\mathrm{\delta d}=\frac{x-x_s}{d}·\mathrm{\delta x}+\frac{y-y_s}{d}·\mathrm{\delta y}+\frac{z-z_s}{d}·\mathrm{\delta z}---\left(4\right)$>

将(4)式代入(3)式，并整理得

$>\left(\begin{array}{c}\mathrm{\delta R}=-10·{\log }_{10}^d·\mathrm{\delta n}+\mathrm{\delta A}\\ -10·n·\frac{1}{d·\ln \left(10\right)}·\frac{x-x_s}{d}·\mathrm{\delta x}-10·n·\frac{1}{d·\ln \left(10\right)}·\frac{y-y_s}{d}·\mathrm{\delta y}\\ -10·n·\frac{1}{d·\ln }\frac{1}{d·\ln \left(10\right)}·\frac{z-z_s}{d}·\mathrm{\delta z}-(10·n·{\log }_{10}^d-A+R)\end{array}\right)---\left(5\right)$>

将上式记为

$>v_i=B_i·\hat{x}-l_i---\left(6\right)$>

上式中，v_i为观测值残差，B_i，l_i的表达式如下

$>l_i=10·n·{\log }_{10}^{d_i}-A+R_i---\left(7\right)$>

$>B_i={\left(\begin{array}{c}-10·{\log }_{10}^{d_i}-A+R_i\\ 1\\ -10·n·\frac{1}{d_i·\ln \left(10\right)}·\frac{x-x_{\mathrm{si}}}{d_i}\\ -10·n·\frac{1}{d_i·\ln \left(10\right)}·\frac{y-y_{\mathrm{si}}}{d_i}\\ -10·n·\frac{1}{d_i·\ln \left(10\right)}·\frac{z-z_{\mathrm{si}}}{d_i}\end{array}\right)}^T---\left(8\right)$>

$>\hat{x}=\left(\begin{array}{c}\mathrm{\delta n}\\ \mathrm{\delta A}\\ \mathrm{\delta x}\\ \mathrm{\delta y}\\ \mathrm{\delta z}\end{array}\right)---\left(9\right)$>

式(6)是针对一个采样点所建立的观测方程，现将全部采样点考虑进去，建立以下形式的观测方程

$>\left(\begin{array}{c}{v}_1=B_1·\hat{x}-l_1\\ v_2=B_2·\hat{x}-l_2\\ ..........\\ v_n=B_n·\hat{x}-l_n\end{array}\right)---\left(10\right)$>

式中的n为对应于该WiFi热点的全部采样数量。将上式简记为

$>v=B·\hat{x}-l---\left(11\right)$>

上式即为根据WiFi信号传播公式建立的平差模型。

(3)平差计算，求取未知参数，并对结果进行精度评定。利用最小二乘原理进行平差，首先需要给定参数的初始值，其中n和A的初值按经验值给定，如下：

$>\left(\begin{array}{c}n=3.2\\ A=-30\end{array}\right)---\left(12\right)$>

坐标x，y，z的初值则取所有采样点中RSSI值最大的点对应的坐标。然后根据最小二乘原理可以求得参数的估值，如下

$>\hat{x}={\left(B^T\mathrm{PB}\right)}^{-1}{B}^T\mathrm{Pl}---\left(13\right)$>

上式中的P为观测值权阵。在本例中，P直接取单位阵。

接下来进行精度评定，先计算观测值残差v

v=B·(B^TPB)^-1B^TPl-l  (14)

然后计算单位权中误差，公式如下

$>{\hat{\sigma }}_0=\sqrt{\frac{v^T\mathrm{Pv}}{n-5}}---\left(15\right)$>

上式中，为单位权中误差。于是可以求得参数之间的方差-协方差阵。

$>D_{\hat{x}\hat{x}}={\left(B^T\mathrm{PB}\right)}^{-1}{\hat{\sigma }}_0^2---\left(16\right)$>

上式中，为参数的方差-协方差阵。

3)平差结果入库：

将平差结果写入数据库，每一个WiFi热点的信息作为一条记录，内容包括WiFi热点的ID号、MAC地址、信号传播公式中的系数n，A，热点的坐标X，Y，Z，以及这些量之间的方差-协方差阵的元素。

4)再次WiFi信号数据采集：

当WiFi数据库建立之后，便可用于定位，这时会不断的有新的WiFi信号数据传送到服务端，这些数据对应的采样点可能是随机的。为了进一步提供定位精度，可以在室内环境中按一定的距离间隔重新进行WiFi信号数据的采集，运行于智能手机上的软件将记录每个采样时刻对应的采样点的坐标，以及接收到的WiFi热点信息，包括每个WiFi热点的MAC地址和RSSI。软件将数据采集的结果保存在文件中，用于后续的处理。

5)数据处理：

本步骤采用序贯处理的方式，序贯处理是一种基于最小二乘原理的平差方法，适用于分期获得观测数据的情况。假设在不同时期对系统进行了观测，而且利用先前的观测值对系统进行过平差处理，获得了参数估值，以及参数的精度信息(方差-协方差阵)，当有新增的观测数据到来时，便可根据先前保存的参数估值和精度信息，一起进行融合处理，得到更加优化的参数估值。

设总的观测方程为

$>v=B\hat{x}-l---\left(17\right)$>

将观测数据分为两组，则观测方程可以写成以下形式

$>\left(\begin{array}{c}{v}_1=B_1\hat{x}-l_1\\ v_2=B_2\hat{x}-l_2\end{array}\right)---\left(18\right)$>

假设上式第一个方程中的观测值个数足够，按最小二乘原理求解第一个方程，得

$>\left(\begin{array}{c}{\hat{x}}_1={\left(B_1^T{P}_1{B}_1\right)}^{-1}{B}_1^T{P}_1{l}_1\\ Q_{{\hat{x}}_1}={\left(B_1^T{P}_1{B}_1\right)}^{-1}\end{array}\right)---\left(19\right)$>

上式中的P₁表示第一个方程中观测值的权阵，表示协因数阵。

结合式(16)可知，协因数阵与协方差阵满足以下关系

$>D_{\hat{x}\hat{x}}=Q_{\hat{x}}·{\hat{\sigma }}_0^2---\left(20\right)$>

同时求解式(18)中的两个方程，得：

$>\left(\begin{array}{c}\hat{x}={(B_1^T{P}_1{B}_1+B_2^T{P}_2{B}_2)}^{-1}(B_1^T{P}_1{l}_1+B_2^T{P}_2{l}_2)\\ Q_{\hat{x}}={(B_1^T{P}_1{B}_1+B_2^T{P}_2{B}_2)}^{-1}\end{array}\right)---\left(21\right)$>

上式中的P₂表示第二个方程中观测值的权阵。根据矩阵反演公式可以导出序贯平差的计算公式，如下所示

$>\left(\begin{array}{c}\hat{x}={\hat{x}}_1+Q_{{\hat{x}}_1}{B}_2^T{(P_2^{-1}+B_2{Q}_{{\hat{x}}_1}{B}_2^T)}^{-1}(l_2-B_2-{\hat{x}}_1)\\ Q_{\hat{x}}=Q_{{\hat{x}}_1}-Q_{{\hat{x}}_1}{B}_2^T{(P_2^{-1}+B_2{Q}_{{\hat{x}}_1}{B}_2^T)}^{-1}{B}_2{Q}_{{\hat{x}}_1}\end{array}\right)---\left(22\right)$>

上式中，表示采用第一组观测值平差后得到的参数估值和参数之间的协因数阵。对应于本例，则表示根据之前采集的全部WiFi信号数据进行平差计算所求得的WiFi热点相关的参数估值，以及参数之间的协因数阵。根据前面的步骤已知，这些信息都已经保存在数据库中，现在从数据库读出即可。上式中的其它量，如B₂，P₂，l₂，则需要根据第二组观测值，即新增加的WiFi信号数据来构建，计算方式详见(7)、(8)、(9)式。

确定以上这些量，则根据式(22)计算新的参数估值，以及参数之间的协因数阵，再根据式(20)计算协方差阵。

6)WiFi数据库更新：

将序贯平差处理得到的结果更新到数据库，包括新的参数估值，如信号传播公式中的系数n，A，WiFi热点的坐标X，Y，Z，以及这些量之间的方差-协方差阵的元素。

7)更新WiFi热点位置，返回步骤4)：为了保持系统的稳定性和提高定位精度，需要不断的重复步骤4)-6)的过程。

实验结果：

基于本发明提出的方法，开发了Android手机端的软件，WiFi热点数据则存储在服务器端。目前，该软件已经在多个室内环境进行过实验测试。以下介绍在其中一个室内环境的实验过程和处理结果。实验地点位于上海浦东新区某办公楼，实验工具为安装了数据采集软件的Android手机。实验过程如下：2013年10月16日上午进行第一次WiFi信号数据采集，然后处理，入库。两周后(2013年10月30日)进行了第二次数据采集，然后处理、并对数据库进行更新。为了便于对结果进行分析，事先制作了室内地图，并精确的测定了WiFi热点的位置，标注在地图上，作为参考。

图2显示了对WiFi信号数据进行平差处理的结果。图中的三角形点代表WiFi热点的真实位置，六边形点代表第一次WiFi信号数据采集后进行平差处理所计算出来的WiFi热点的位置，圆形点代表对两次采样数据进行序贯处理得到的WiFi热点的位置。从图中可以直观的看出，通过平差计算所得出的WiFi热点的位置，与真实位置存在一定差异。通过统计，其中对一次采样数据进行平差处理所计算出的WiFi位置，与真实位置的差值约为4.3m；对两次采样数据进行序贯处理计算出的WiFi位置，与真实位置的差值约为2.8m。以上结果说明了多次采样对提高精度的重要性，也验证了本发明方法的可行性。