利用信号时间相关性提高指纹室内定位精度的方法

摘要

本发明提供了一种利用信号时间相关性提高指纹室内定位精度的方法，包括：在室内区域的每个定标点处进行多次重复的信号强度测量，每个信号均对应一个时间序列向量，进而得到信号强度的指纹地图；用户上传其在某位置测量到的多个信号的信号强度时间序列；服务器对用户数据和指纹地图进行匹配，得到最可能的对应位置，并将定位结果发回用户客户端；用户得到自己的定位结果。本发明通过挖掘信号强度时间序列的时间相关性信息，提出新型定位建模和判别方法，可以调高室内定位的准确性和可靠性。

说明书

技术领域

本发明涉及通信、导航定位技术领域，具体地，涉及一种利用时间相关性提高 Wi-Fi指纹定位精度的方法。

背景技术

定位服务是多年来在众多领域拥有广泛应用前景的技术，GPS卫星定位及各类 地图导航方便了千家万户。在这移动互联快速发展的时代，室内定位是移动服务最 后一米的机会，公共安全、商场停车场定位导览、社交交友互动、商品市场推广等 诸多领域，都需要良好的室内定位技术提供支持。室内定位技术是移动互联和物联 网时代正在热门研究和发展的技术之一。

如今，室内定位主要采用无线通讯、基站定位、惯导定位等技术实现室内人员 和物体的位置确定。除了通信网络的蜂窝定位技术外，常见的室内无线定位技术还 有Wi-Fi、蓝牙、RFID、ZigBee、超声波等。其中属Wi-Fi无线局域网应用覆盖最 为广泛，目前家庭、商场、餐厅宾馆室内环境有越来越多的Wi-Fi热点提供服务。 基于Wi-Fi广泛的硬件设施基础和前提，利用Wi-Fi来实现定位的技术研究不断进 步，目前主要有两种解决方案：一种是经验测试建立指纹地图的概率模型，另一种 是利用信号传播模型进行位置估计计算。由于时间同步、信道噪声、传感器精度等 问题，TDOA技术的定位精度难以得到大幅提升。同时，大数据云计算平台给予Wi-Fi 的指纹定位方法更多思路与契机。

然而基于Wi-Fi的指纹定位方法的精度始终难以满足更高的需求，主要原因在 于信号的时变性、复杂的环境多径效应、硬件敏感度以及移动物体噪声影响等。许 多研究工作也研发出许多方法来提高Wi-Fi指纹定位方法的精度，如利用移动设备 的嵌入传感器探知移动物体的位置，群智众筹的方法能快速获取大量训练数据，还 有机器学习的方法减少定位阶段的时延等。

经过对现有技术文献的检索发现，绝大部分科学研究将信号强度值作为独立的 变量进行建模分析，同时把信号的时间相关性视作影响定位精度的因素。然而我们 发现正是由于复杂的环境因素，导致不同信号在不同位置具有不同的时间相关性， 这一信息可以提取出来作为额外的信息来提高定位的精度。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种利用信号时间相关性提高指 纹室内定位精度的方法。

根据本发明提供的一种利用信号时间相关性提高指纹室内定位精度的方法，包括 如下步骤：

步骤1：采集线下训练数据；

步骤2：为每个定标点处的每个Wi-Fi信号发射器建立高斯概率分布，并用采集的 线下训练数据得到高斯概率分布的参数；

步骤3：基于所述高斯概率分布的参数，对双曲曲面边界进行训练，得到信号强度 RSS数据在概率空间中定位的区间E，完成信号强度指纹地图；

步骤4：接收用户上传的数据，所述用户上传的数据包括信号强度矩阵x和定位 请求；其中，信号强度矩阵x的获取方法为：由用户使用移动终端进行多次测量无 线信号强度，获得不同路由器的信号强度矩阵x；

步骤5：根据定位请求，将用户上传的数据与信号强度指纹地图相比较，考虑D维 时间序列的相关性，映射为概率空间的向量，通过双曲曲面边界条件及相关系数ρ的匹 配，找到最大概率的位置作为定位结果；

步骤6：将定位结果返回给用户。

步骤7：用户对定位结果进行反馈，如果用户反馈定位结果是正确的，则将测量 的信号强度矩阵x放入数据库中训练所述高斯概率分布；如果用户反馈定位结果是 错误的，则不将测量的信号强度矩阵x放入数据库中训练所述高斯概率分布。

优选地，所述步骤1包括如下步骤：

步骤1.1：将室内定位区域划分为多个定位区间以及设定k个定标点；

步骤1.2：在每个定标点处，打开Wi-Fi信号强度的扫描设备，标定所在定标点的 位置信息，对扫描设备的信号搜索范围内的n个Wi-Fi信号发射器发出的信号，设定扫 描时间间隔τ和扫描次数m；令扫描设备开始扫描测量，并将测量数据存储为信号强度 矩阵x：

其中，x_i,1≤i≤n，表示在一个定标点处第i个Wi-Fi信号发射器发出的信号的时间 序列向量；x_lj，1≤l≤n,1≤j≤m,表示在一个定标点处对信号搜索范围内第l个Wi-Fi 信号发射器发出的信号进行第j次信号强度测量得到的测量数据；

步骤1.3：将信号强度矩阵x作为线下训练数据。

优选地，所述步骤2包括如下步骤：

步骤2.1：对每个定标点r处的时间序列向量x_i考虑D次测量的信号时间相关性，构 建D维高斯概率分布f_r(x_i)为：

$f_r\left(x_i\right)=\frac{1}{{\left(2\pi \right)}^{\frac{D}{2}}\det {\left(\Sigma \right)}^{\frac{1}{2}}}{e}^{-\frac{1}{2}{\Delta }^2}$

其中，det(*)表示求行列式，Δ²为马氏距离，e表示自然底数；

Δ²＝[(x-μ)^T∑^-1(x-μ)]；

其中，∑表示相关矩阵；

步骤2.2：对D维高斯概率分布f_r(x_i)的每一个维度进行坐标系旋转，旋转45°，使 马氏距离Δ²变换成为只有二次项的正交表示；

步骤2.3：利用最大似然估计方法，计算高斯概率分布的参数μ,∑，得出Wi-Fi信号 强度的指纹地图；

首先，构建利用测量数据构成相关性计算矩阵A，每D个相邻数据构成一个向量：

其中，x_ij表示在一个定标点处对第i个Wi-Fi信号发射器发出的信号进行第j次信号强 度测量得到的测量数据，1≤j≤m；

然后利用A计算高斯概率分布的参数μ、∑：

$\mu =\left(\begin{array}{c}{\mu }_1\\ {\mu }_2\\ .\\ .\\ .\\ {\mu }_D\end{array}\right)$

其中，μ为信号强度的均值向量；μ_i,i＝1,2,…,D，表示A^T的第i个向量的均值；

∑＝[Cov[A_k,A_j]],k＝1,2,…,D；j＝1,2,…,D

其中，A_k为A^T的第k个向量，A_j表示A^T的第j个向量；

为信号的相关系数D维向量，由于信号传播过程为平稳随机过程，ρ_i表示i维时间 间隔下的相关系数；

Σ用ρ_i表示为：

特别地，D等于2时，相关矩阵∑表示为：

$\Sigma =\left(\begin{array}{cc}{\sigma }^2& {\mathrm{\rho \sigma }}^2\\ {\mathrm{\rho \sigma }}^2& {\sigma }^2\end{array}\right)$

其中，σ²表示信号强度矩阵x中某一行元素的方差。

优选地，所述步骤2.2包括如下步骤：

找到相关矩阵∑的一组标准正交基u_i,i＝1,2,…,m，则变换矩阵U为 U＝[u₁,u₂,...,u_m]^T，其中，u_i表示第i个标准正交基；

设分布变量y＝U(x-μ)，则f_r(x_i)经变换后得到新坐标系下的D维高斯概率分布 f_r(y|μ,∑)：

$f_r\left(y\right|\mu ,\Sigma )=\frac{1}{{\left(2\pi \right)}^{\frac{D}{2}}{\left({\Pi }_{i=1}^m{\lambda }_i\right)}^{\frac{1}{2}}}{e}^{-\frac{1}{2}\left({\Sigma }_{i=1}^m\frac{1}{{\lambda }_i}{y}_i{y_i}^T\right)}$

其中，λ_i表示第i个特征值；y_i表示第i维变量。

优选地，所述步骤3包括如下步骤：

步骤3.1：基于所述高斯概率分布，在概率空间中对样本进行边界训练；物理空间 中的定标点r对应样本空间区间为E，定义为：

E＝{x|f_r(y|μ(r),Σ(r))≥f_r±δ(y|μ(r±δ),Σ(r±δ))}

其中，x表示信号强度矩阵，y表示分布变量，δ表示误差距离，μ(r)表示定标点r 处信号强度的均值向量，Σ(r)表示定标点r处的相关矩阵，μ(r±δ)表示误差距离δ下的 定标点r±δ处信号强度的均值向量，Σ(r±δ)表示误差距离δ下的定标点r±δ处的相关 矩阵；符号±表示物理空间中对应的远近，其中，符号+表示物理空间中对应的远，符号 -表示物理空间中对应的近

步骤3.2：定位样本空间E中分类边界为双曲曲面，双曲曲面的数学表示为：

$\underset{i=1}{\overset{n}{\Sigma }}\underset{j=1}{\overset{m}{\Sigma }}\frac{{y_{i,j}}^2}{{\lambda }_{i,j}}-\underset{i=1}{\overset{n}{\Sigma }}\left[\frac{{(y_{i,j}\pm \sqrt{2}\delta ▿{\mu }_i^{\prime })}^2}{{\lambda }_{i,1}^{\pm }}+\underset{j=1}{\overset{m}{\Sigma }}\frac{{y_{i,j}}^2}{{\lambda }_{i,j}^{\pm }}\right]\le \underset{i=1}{\overset{n}{\Sigma }}\ln \frac{\det \left({\Sigma }_i\right)}{\det \left({\Sigma }_i^{\pm }\right)}$

其中，y_i,j表示第i个信号里，D维中第j维的分布变量；λ_i,j表示第i个信号的第j 个特征值，λ_i,1表示第i个信号的第一个特征值，μ′_i表示第i个信号的强度均值，∑_i表示 第i个信号的相关矩阵，符号表示梯度函数，上标±表示物理空间中对应的远近，其 中，上标+表示物理空间中对应的远，上标-表示物理空间中对应的近；

步骤3.3：利用所述高斯概率分布的参数训练双曲曲面边界的参数，作为概率空间 中定位的基准。

优选地，所述步骤5包括如下步骤：

步骤5.1：取得定位请求，将用户上传的数据与信号强度指纹地图相比较；

其中，信号强度指纹地图包括n个Wi-Fi信号的均值构成的n维均值向量mean：

mean＝[μ₁,μ₂,…,μ_n]

以及每个Wi-Fi信号的D维相关系数构成的(n*D)维相关性向量corr：

其中，σ_i表示第i个Wi-Fi信号的标准差,其中，i＝1,2,…,n；ρ_i,j表示第i个Wi-Fi 信号的第j维相关系数，其中，i＝1,2,…,n，j＝2,3，…,D；

在进行比较时，先比较指纹中的均值向量mean，找到在设定的阈值范围内比较相似 的前w个的指纹位置；再在这w个相似的指纹位置中，比较相关性向量corr的欧式距离， 找到欧式距离最小最匹配的相关性向量用以确定用户的最终位置；w<n；

步骤5.2：将定位请求的数据每相邻D个数据作为一组，以D维向量的形式置于D维 概率空间中；以线下训练的双曲曲面边界作为定位条件，通过信号的相关系数D维向量 ρ的匹配，找到信号强度矩阵x对应的物理空间位置；

步骤5.3：综合考虑指纹的比较与信号强度矩阵x对应的物理空间位置，决定最终 的定位结果；具体综合考虑决定的方法如下：

首先计算双曲曲面边界的可靠性参数η，即能使f_r(y|μ(r),Σ(r))＝f_r±δ(y|μ(r± δ),Σ(r±δ))成立的函数最大值；

然后根据η与一个阈值η₀的比较,η₀的取值范围取(0,0.3)；如果η≤η₀，则代表双 曲曲面边界可靠，将步骤5.2得到的信号强度矩阵x对应的物理空间位置作为定位结果； 反之，即如果η＞η₀，则代表双曲曲面边界的定位结果可靠性不佳，则根据步骤5.1得 到的所述欧式距离最小最匹配的相关性向量确定出用户的最终位置作为定位结果。

与现有技术相比，本发明具有如下的有益效果：

1、本发明可以通过挖掘信号强度时间序列的时间相关性信息，提出新型定位 建模和判别方法，可以调高室内定位的准确性和可靠性；

2、本发明可以基于现有的室内定位模型，当出现不能判断的情况时，可以提 供额外的辅助定位信息，进一步完善室内定位系统的实现。

3、本发明利用信号时间相关性提高Wi-Fi指纹室内定位精度的方法，通过进 一步攫取相邻信号强度的时间相关性信息，增强对定位的可靠性和准确性。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、 目的和优点将会变得更明显：

图1为本发明的步骤流程图。

图2为二维高斯实例分布图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人 员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技 术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于 本发明的保护范围。

本发明提供了一种利用无线信号的时间相关性来提高基于Wi-Fi指纹室内定位 精度的方法，包括以下步骤：利用手机或其他具有Wi-Fi强度测量模块的设备，在 室内区域的每个定标点处，对每个信号发射器的信号，都间隔相同时间进行多次重 复的信号强度测量，每个信号均对应一个时间序列向量，存储为数据库；服务器对 数据进行处理和分析，为每个位置的每个信号都建立其强度的高维高斯概率分布模 型，并利用相同时间间隔的信号强度时间序列向量，通过最大似然估计算出概率分 布参数；基于此再通过机器学习等方法，训练分界的双曲线边界，从而得到信号强 度的指纹地图；同时对信号进行时间相关性分析，计算时间相关性数据库，以利用 信号时间相关性与物理位置信息进行辅助定位；服务器等待用户传送信号强度和定 位请求；用户上传其在某位置测量到的多个信号的信号强度时间序列，即多个向量， 上传至服务器端；服务器对用户数据和指纹地图进行匹配，得到最可能的对应位置， 并将定位结果发回用户客户端；用户得到自己的定位结果。

根据本发明提供的一种利用信号时间相关性提高指纹室内定位精度的方法，包括 如下步骤：

步骤1：采集线下训练数据；

步骤2：为每个定标点处的每个Wi-Fi信号发射器建立高斯概率分布，并用采集的 线下训练数据得到高斯概率分布的参数；

步骤3：基于所述高斯概率分布的参数，对双曲曲面边界进行训练，得到信号强度 RSS数据在概率空间中定位的区间E，完成信号强度指纹地图；

步骤4：接收用户上传的数据，所述用户上传的数据包括信号强度矩阵x和定位 请求；其中，信号强度矩阵x的获取方法为：由用户使用移动终端进行多次测量无 线信号强度，获得不同路由器的信号强度矩阵x；

步骤5：根据定位请求，将用户上传的数据与信号强度指纹地图相比较，考虑D维 时间序列的相关性，映射为概率空间的向量，通过双曲曲面边界条件及相关系数ρ的匹 配，找到最大概率的位置作为定位结果；

步骤6：将定位结果返回给用户；

步骤7：用户对定位结果进行反馈，如果用户反馈定位结果是正确的，则将测量 的信号强度矩阵x放入数据库中训练所述高斯概率分布；如果用户反馈定位结果是 错误的，则不将测量的信号强度矩阵x放入数据库中训练所述高斯概率分布。

所述步骤1包括如下步骤：

步骤1.1：将室内定位区域划分为多个定位区间以及设定k个定标点；

步骤1.2：在每个定标点处，打开Wi-Fi信号强度的扫描设备，标定所在定标点的 位置信息，对扫描设备的信号搜索范围内的n个Wi-Fi信号发射器发出的信号，设定扫 描时间间隔τ和扫描次数m；令扫描设备开始扫描测量，并将测量数据存储为信号强度 矩阵x：

其中，x_i,1≤i≤n，表示在一个定标点处第i个Wi-Fi信号发射器发出的信号的时间 序列向量；x_ij，1≤l≤n,1≤j≤m,表示在一个定标点处对信号搜索范围内第l个Wi-Fi 信号发射器发出的信号进行第j次信号强度测量得到的测量数据；

步骤1.3：将信号强度矩阵x作为线下训练数据。

所述步骤2包括如下步骤：

步骤2.1：对每个定标点r处的时间序列向量x_i考虑D次测量的信号时间相关性，构 建D维高斯概率分布f_r(x_i)为：

$f_r\left(x_i\right)=\frac{1}{{\left(2\pi \right)}^{\frac{D}{2}}\det {\left(\Sigma \right)}^{\frac{1}{2}}}{e}^{-\frac{1}{2}{\Delta }^2}$

其中，det(*)表示求行列式，Δ²为马氏距离，e表示自然底数；

Δ²＝[(x-μ)^T∑^-1(x-μ)]；

其中，∑表示相关矩阵；

特别的，当D＝2时，高斯分布和马式距离具体为：

$f(x_1,x_2)=\frac{1}{2{\mathrm{\pi \sigma }}^2\sqrt{1-{\rho }^2}}{e}^{-\frac{1}{2{\sigma }^2\left(1-{\rho }^2\right)}[{(x_1-\mu )}^2+{(x_2-\mu )}^2-2\rho (x_1-\mu )(x_2-\mu )]}$

${\Delta }^2={(x-\mu )}^T{\Sigma }^{-1}(x-\mu )=\frac{1}{{\sigma }^2(1-{\rho }^2)}[{(x_1-\mu )}^2+{(x_2-\mu )}^2-2\rho (x_1-\mu )(x_2-\mu )]$

步骤2.2：对D维高斯概率分布f_r(x_i)的每一个维度进行坐标系旋转，旋转45°，使 马氏距离Δ²变换成为只有二次项的正交表示；

步骤2.3：利用最大似然估计方法，计算高斯概率分布的参数μ,∑，得出Wi-Fi信号 强度的指纹地图；

首先，构建利用测量数据构成相关性计算矩阵A，每D个相邻数据构成一个向量：

其中，x_ij表示在一个定标点处对第i个Wi-Fi信号发射器发出的信号进行第j次信号强 度测量得到的测量数据，1≤j≤m；

然后利用A计算高斯概率分布的参数μ、∑：

$\mu =\left(\begin{array}{c}{\mu }_1\\ {\mu }_2\\ .\\ .\\ .\\ {\mu }_D\end{array}\right)$

其中，μ为信号强度的均值向量；μ_i,i＝1,2,…,D，表示A^T的第i个向量的均值；

Σ＝[Cov[A_k,A_j]],k＝1,2,…,D；j＝1,2,…,D

其中，A_k为A^T的第k个向量，A_j表示A^T的第j个向量；

ρ为信号的相关系数D维向量，由于信号传播过程为平稳随机过程，ρ_i表示i维时间 间隔下的相关系数；

Σ用ρ_i表示为：

∑包含了线下训练数据获得定位参数的参考值。

当D等于2时，相关矩阵∑表示为：

$\Sigma =\left(\begin{array}{cc}{\sigma }^2& {\mathrm{\rho \sigma }}^2\\ {\mathrm{\rho \sigma }}^2& {\sigma }^2\end{array}\right)=\frac{\sqrt{2}{\sigma }^2(1+\rho )}{2}\left(\begin{array}{cc}1& 1\\ 1& 1\end{array}\right)+\frac{\sqrt{2}{\sigma }^2(1-\rho )}{2}\left(\begin{array}{cc}1& -1\\ -1& 1\end{array}\right)$

其中，σ²表示信号强度矩阵x中某一行元素的方差，即一个定标点处某个Wi-Fi信号 发射器发出的信号序列的方差。

所述步骤2.2包括如下步骤：

可以利用GSO(GramSchmidtOrthogonallization)正交化方法，找到相关矩阵∑的 一组标准正交基u_i,i＝1,2,…,m，则变换矩阵U为U＝[u₁,u₂,...,u_m]^T，其中，u_i表示第 i个标准正交基；

设分布变量y＝U(x-μ)，则f_r(x_i)经变换后得到新坐标系下的D维高斯概率分布 f_r(y|μ,∑)：

$f_r\left(y\right|\mu ,\Sigma )=\frac{1}{{\left(2\pi \right)}^{\frac{D}{2}}{\left({\Pi }_{i=1}^m{\lambda }_i\right)}^{\frac{1}{2}}}{e}^{-\frac{1}{2}\left({\Sigma }_{i=1}^m\frac{1}{{\lambda }_i}{y}_i{y_i}^T\right)}$

其中，λ_i表示第i个特征值，即能使等式成立的λ_i；y_i表示第i维 变量。

当D＝2时，正交基和特征值分别为：

$\left(\begin{array}{cc}{u}_1=\left(\begin{array}{c}\frac{\sqrt{2}}{2}\\ \frac{\sqrt{2}}{2}\end{array}\right)& u_2=\left(\begin{array}{c}-\frac{\sqrt{2}}{2}\\ \frac{\sqrt{2}}{2}\end{array}\right)\end{array}\right)$

$\left(\begin{array}{cc}{\lambda }_1=\frac{\sqrt{2}{\sigma }^2(1+\rho )}{2}& {\lambda }_2=\frac{\sqrt{2}{\sigma }^2(1-\rho )}{2}\end{array}\right)$

所述步骤3包括如下步骤：

步骤3.1：基于所述高斯概率分布，在概率空间中对样本进行边界训练；物理空间 中的定标点r对应样本空间区间为E，定义为：

E＝{x|f_r(y|μ(r),Σ(r))≥f_r±δ(y|μ(r±δ),Σ(r±δ))}

其中，x表示信号强度矩阵，y表示分布变量，δ表示误差距离，μ(r)表示定标点r 处信号强度的均值向量，Σ(r)表示定标点r处的相关矩阵，μ(r±δ)表示误差距离δ下的 定标点r±δ处信号强度的均值向量，Σ(r±δ)表示误差距离δ下的定标点r±δ处的相关 矩阵；符号±表示物理空间中对应的远近，其中，符号+表示物理空间中对应的远，符号 -表示物理空间中对应的近

步骤3.2：定位样本空间E中分类边界为双曲曲面，双曲曲面的数学表示为：

$\underset{i=1}{\overset{n}{\Sigma }}\underset{j=1}{\overset{m}{\Sigma }}\frac{{y_{i,j}}^2}{{\lambda }_{i,j}}-\underset{i=1}{\overset{n}{\Sigma }}\left[\frac{{(y_{i,j}\pm \sqrt{2}\delta ▿{\mu }_i^{\prime })}^2}{{\lambda }_{i,1}^{\pm }}+\underset{j=2}{\overset{m}{\Sigma }}\frac{{y_{i,j}}^2}{{\lambda }_{i,j}^{\pm }}\right]\le \underset{i=1}{\overset{n}{\Sigma }}\ln \frac{\det \left({\Sigma }_i\right)}{\det \left({\Sigma }_i^{\pm }\right)}$

其中，y_i,j表示第i个信号里，D维中第j维的分布变量；λ_i,j表示第i个信号的第j 个特征值，λ_i,1表示第i个信号的第一个特征值，μ′_i表示第i个信号的强度均值，∑_i表示 第i个信号的相关矩阵，符号表示梯度函数，上标±表示物理空间中对应的远近，其 中，上标+表示物理空间中对应的远，上标-表示物理空间中对应的近；

当D＝2时，该边界为双曲面，其表达式为：

$\left(\begin{array}{c}(\frac{{y_1}^2}{{\lambda }_1}+\frac{{y_2}^2}{{\lambda }_2})-(\frac{{(y_1+\sqrt{2}\delta ▿\mu )}^2}{{{\lambda }_1}^{\prime }}+\frac{{y_2}^2}{{{\lambda }_2}^{\prime }})\le log\frac{{\lambda }_1{\lambda }_2}{{{\lambda }_1}^{\prime }{{\lambda }_2}^{\prime }}\\ (\frac{{y_1}^2}{{\lambda }_1}+\frac{{y_2}^2}{{\lambda }_2})-(\frac{{(y_1-\sqrt{2}\delta ▿\mu )}^2}{{{\lambda }_1}^{\prime \prime }}+\frac{{y_2}^2}{{{\lambda }_2}^{\prime \prime }})\le log\frac{{\lambda }_1{\lambda }_2}{{{\lambda }_1}^{\prime \prime }{{\lambda }_2}^{\prime \prime }}\end{array}\right)$

步骤3.3：利用所述高斯概率分布的参数训练双曲曲面边界的参数，作为概率空间 中定位的基准。

所述步骤5包括如下步骤：

步骤5.1：取得定位请求，将用户上传的数据与信号强度指纹地图相比较；

其中，信号强度指纹地图包括n个Wi-Fi信号的均值构成的n维均值向量mean：

mean＝[μ₁,μ₂,…,μ_n]

以及每个Wi-Fi信号的D维相关系数构成的(n*D)维相关性向量corr：

其中，σ_i表示第i个Wi-Fi信号的标准差,其中，i＝1,2,…,n；ρ_i,j表示第i个Wi-Fi 信号的第j维相关系数，其中，i＝1,2,…,n，j＝2,3，…,D；

在进行比较时，先比较指纹中的均值向量mean，找到在设定的阈值范围内比较相似 的前w个的指纹位置；再在这w个相似的指纹位置中，比较相关性向量corr的欧式距离， 找到欧式距离最小最匹配的相关性向量用以确定用户的最终位置；w<n；

步骤5.2：将定位请求的数据每相邻D个数据作为一组，以D维向量的形式置于D维 概率空间中；以线下训练的双曲曲面边界作为定位条件，通过信号的相关系数D维向量 ρ的匹配，找到信号强度矩阵x对应的物理空间位置；

步骤5.3：综合考虑指纹的比较与信号强度矩阵x对应的物理空间位置，决定最终 的定位结果；具体综合考虑决定的方法如下：

首先计算双曲曲面边界的可靠性参数η，即能使f_r(y|μ(r),Σ(r))＝f_r±δ(y|μ(r± δ),Σ(r±δ))成立的函数最大值；

然后根据η与一个阈值η₀的比较,η₀的取值范围取(0,0.3)；如果η≤η₀，则代表双 曲曲面边界可靠，将步骤5.2得到的信号强度矩阵x对应的物理空间位置作为定位结果； 反之，即如果η＞η₀，则代表双曲曲面边界的定位结果可靠性不佳，则根据步骤5.1得 到的所述欧式距离最小最匹配的相关性向量确定出用户的最终位置作为定位结果。

在一个实施例中，环境参数为：

移动终端设备：六部Android智能手机，都是Nexus4，每部智能手机都配置有1.5 GHzSnapdragonAPQ8064CPU和2GRAM六部智能手机的操作系统都是AndroidJelly Bean(4.2)。这六部智能手机并列作为测试手机进行室内定位。

服务器：宏基4930G笔记本电脑，酷睿双核处理器，2G的内存，2G的主频。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上 述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改， 这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的 特征可以任意相互组合。