申请/专利权人：哈尔滨工业大学

申请日：2015-01-15

公开（公告）日：2015-04-22

公开（公告）号：CN104540221A

主分类号：H04W64/00(2009.01)I

分类号：H04W64/00(2009.01)I

优先权：

专利状态码：有效-授权

法律状态：2018.06.22#授权;2015.05.20#实质审查的生效;2015.04.22#公开

摘要：基于半监督SDE算法的WLAN室内定位方法，涉及室内定位领域。本发明是为了解决现有WiFi室内定位方法中存在的在线定位复杂度高，移动终端定位实时性差的问题。本发明通过引入半监督SDE降维算法，通过利用易于采集的未标记数据，找出表征位置信息的高维数据的低维流形，在保证WLAN室内定位系统的定位精度的同时有效地减少了定位过程的计算量。同时减少了参考点数据采集的工作量，为数据库的实时更新提供了简便易行的途径。本发明的在线定位复杂度低，移动终端定位实时性强。本发明适用于WLAN室内定位。

主权项：基于半监督SDE算法的WLAN室内定位方法，其特征是：它由以下步骤实现：步骤一、针对室内环境布置m个接入点APAPj,1≤j≤m，确保所述室内环境中任意一点被两个或两个以上的无线接入点AP发出的信号覆盖；m为正整数；步骤二、在室内环境中均匀设置参考点，选取一个参考点为原点建立直角坐标系，获得各个参考点在该直角坐标系中的坐标位置，并在每个参考点上利用信号接收机采集并记录来自每一个AP的接收信号强度RSS值k次，并进行数据处理；k为正整数；步骤三、根据K均值聚类算法将室内定位环境分成Q个子区域，为每个子区域的参考点标记各自的类别信息；步骤四、采集随机的未标记RSS数据，与步骤三获取的各个子区域的特征向量进行比较，即求取与各子区域的特征向量的距离，将随机数据类别划分在与其特征向量距离最近的子区域内；步骤五、对K个子区域中每个子区域采用SDE算法，获得特征变换矩阵；SDE算法的输入参数，即本征维数的取值，通过已有的本征维数估计算法对Radio Map分区数据进行估计，给出每个区域数据的本征维数估计值，确定每个区域的特征变换矩阵，并生成降维后的位置指纹数据库Radio Map*；步骤六、将待测点获取的信号强度RSS值与步骤三获取的各个子区域的特征向量进行比较，即求取测试点的特征向量与各子区域的特征向量的距离，将测试点定位在与其特征向量距离最近的子区域内；步骤七、在被定位的子区域内，利用步骤五得出的特征变换矩阵对待测点的RSS值进行降维，得到低维的RSS*，与指纹数据库Radio Map*进行匹配，采用K近邻位置指纹定位算法对测试点进行精确定位。

全文数据：基于半监督SDE算法的WLAN室内定位方法技术领域[0001]本发明涉及室内定位领域，具体涉及一种位置指纹室内定位方法。背景技术[0002]随着无线网络、移动通信和普适计算的广泛普及，基于位置的服务（LBS，Location-basedServices也越来越受到人们的广泛关注，其中如何确定用户的位置是实现LBS的关键。众所周知，全球卫星定位GPS，GlobalPositioningSystem系统通过接收器测量来自5〜24个卫星信号的到达时间差估计位置，可以提供较高精度的定位估计。但是，GPS在室内和高楼密集的城市由于卫星信号的非视距而无法实现定位。随着IEEE802.11标准的提出，无线局域网WLAN,WirelessLocalAreaNetworks已广泛分布在校园、办公大楼及家庭。而基于接收信号强度的室内定位系统因具有部署方便、成本低、不需添加定位测量专用硬件等特点而受到广泛重视。[0003]在WLAN环境下，通过移动终端的无线网卡及相应软件测量来自无线接入点（AP，AccessPoint的接收信号强度RSS，ReceivedSignalStrength值，获得与相应位置有关的信息，进而通过匹配算法来预测移动用户所处位置。其中基于位置指纹的定位算法因为定位精度高，可充分利用现有设施，升级和维护对用户影响小等优点而得到广泛应用。位置指纹定位算法分为离线测量阶段和在线定位阶段两个步骤，离线阶段主要是建立位置与接收信号强度之间的对应关系，即在待定位区域按一定规则设置参考点，通过测量参考点处接收到的不同AP信号强度值，建立对应的位置指纹数据库RadioMap。在线定位阶段，通过测试点接收到的RSS值，采用相应的匹配算法，主要包括最近邻法，K近邻法，概率法和神经网络法。其中K近邻法KNN，KNearestNeighbors在算法复杂度和定位精度上都具有一定优势，广泛的用于在线定位匹配，找到位置指纹数据库中与其最接近的位置，作为最终的位置估计结果。离线阶段建立的RadioMap包含有大量的数据信息，且随着定位区域扩大、参考点的增加，导致RadioMap信息量呈指数形势增长。[0004]基于位置指纹的WLAN室内定位系统，通过离线阶段采集尽可能多的数据信息，可以有效地提高系统的定位精度。而在线定位阶段处理大量的数据信息，增加定位过程的数据运算量，对移动终端来讲其处理能力有限，导致定位算法运行困难。同时某些特征信息不仅不能提供有效的位置信息，甚至还会影响定位结果的准确性。[0005]当AP数目增加，RadioMap中表示AP数目的维数信息就变成了高维数据，可通过维数约减来减轻处理高维数据的负担。高维数据可能包含很多特征，这些特征都在描述同一个事物，这些特征一定程度上是紧密相连的。如当从多个角度对同一个物体同时拍照时，得到的数据就含有重叠的信息。如果能得到这些数据的一些简化的不重叠的表达，将会极大地提高数据处理运行的效率并一定程度上提高准确度。降维算法的目的也正是在于提高高维数据的处理效率。[0006]目前有很多基于不同目的的降维算法，包括线性与非线性降维算法。其中PCA和LDA是典型的线性降维算法。这一类算法对于具有线性结构的高维数据有很好的降维结果，但不适用于非线性结构的高维数据。非线性降维算法则以流形学习算法为主。SDE算法是基于流形学习算法中LDE算法提出的，它是一种典型的基于特征提取的流形学习算法。发明内容[0007]本发明是为了解决现有WiFi室内定位方法中存在的在线定位复杂度高，移动终端定位实时性差的问题，从而提供一种基于半监督SDE算法的WLAN室内定位方法。[0008]基于半监督SDE算法的WLAN室内定位方法，它由以下步骤实现：[0009]步骤一、针对室内环境布置m个接入点APAPj，1彡j彡m，确保所述室内环境中任意一点被两个或两个以上的无线接入点AP发出的信号覆盖;m为正整数；[0010]步骤二、在室内环境中均匀设置参考点，选取一个参考点为原点建立直角坐标系，获得各个参考点在该直角坐标系中的坐标位置，并在每个参考点上利用信号接收机采集并记录来自每一个AP的接收信号强度RSS值k次，并进行数据处理;k为正整数；[0011]步骤三、根据K均值聚类算法将室内定位环境分成Q个子区域，为每个子区域的参考点标记各自的类别信息；[0012]步骤四、采集随机的未标记RSS数据，与步骤三获取的各个子区域的特征向量进行比较，即求取与各子区域的特征向量的距离，将随机数据类别划分在与其特征向量距离最近的子区域内；[0013]步骤五、对K个子区域中每个子区域采用SDE算法，获得特征变换矩阵；[0014]SDE算法的输入参数，即本征维数的取值，通过已有的本征维数估计算法对RadioMap分区数据进行估计，给出每个区域数据的本征维数估计值，确定每个区域的特征变换矩阵，并生成降维后的位置指纹数据库RadioMap%[0015]步骤六、将待测点获取的信号强度RSS值与步骤三获取的各个子区域的特征向量进行比较，即求取测试点的特征向量与各子区域的特征向量的距离，将测试点定位在与其特征向量距离最近的子区域内；[0016]步骤七、在被定位的子区域内，利用步骤五得出的特征变换矩阵对待测点的RSS值进行降维，得到低维的RSS'与指纹数据库RadioMap^i行匹配，采用K近邻位置指纹定位算法对测试点进行精确定位。[0017]步骤二所述的在每个参考点上利用信号接收机采集并记录来自每一个AP的接收信号强度RSS值k次，并进行数据处理的具体步骤为：[0018]步骤二一、对每个参考点得到一个kXm阶矩阵，矩阵的第i行第j列表示第i次采集中接收到的来自第j个AP的RSS值;k、m、i、j均为正整数；[0019]步骤二二、将每个参考点得到的kXm阶矩阵列向量里所有的元素相加得到一个值，再把这个值除以k，则每个参考点都得到了一个IXm的向量，对于每一个参考点，该向量称为该参考点的特征向量，向量中的第j个元素做为该参考点的第j个特征;如果一个参考点上某些AP的RSS值检测不到，则将其赋值为该环境下能接收到的最小信号值-IOOdBm,故而任意参考点的接收信号强度RSS值V的范围为-IOOdBmSvSOdBm;这组向量用于实现步骤三的聚类分区。[0020]步骤三所述的根据K均值聚类算法对室内定位环境划分成Q个子区域的具体步骤为：[0021]步骤三一、输入步骤二二测得的所有参考点的特征向量和子区域个数Q;[0022]步骤三二、随机从步骤二二得到得数据里选取K个参考点的RSS，即：各参考点的特征向量值作为K个子区域的聚类中心；[0023]步骤三三、计算每个参考点和K个聚类中心特征向量的欧式距离，将各个参考点分配给与其欧氏距离最小的子区域；[0024]步骤三四、把每个子区域中各个参考点的RSS值求均值，得到新的聚类中心；[0025]步骤三五、重复步骤三三和步骤三四直到每个子区域的中心不再改变；[0026]步骤三六、得到K个子区域及各子区域对应的聚类中心向量，S卩：一个IXm的向量，称该向量为这个子区域的特征向量，该向量的第j个元素表示这个子区域的第j个特征，也是这个子区域获得的来自第j个AP的RSS均值。[0027]步骤四随机RSS数据的类别划分的具体过程为：[0028]步骤四一、输入随机采集的未标记数据，所述未标记数据仅有信号强度值而没有位置信息；[0029]步骤四二、将未标记数据与步骤三获取的各个子区域的特征向量进行比较，即求取与各子区域的特征向量的距离，将随机数据分配在与其特征向量距离最近的子区域内，作为其所属的类别。[0030]步骤五所述的对K个子区域中的每个子区域采用SDE算法进行降维，确定每个区域的特征变换矩阵，并生成新的位置指纹数据库的具体方法为：[0031]步骤五一、构造邻接图：[0032]根据高维数据点的类标记信息及其近邻关系构造无方向图G及G’；其中近邻关系是采用KNN算法给出的准则，即选择数据点最近的K个点作为其邻居，G表示当^与^的类标记信息yi=yj时且Xi、Xj互为K近邻关系;G’示当Xi与Xj的类标记信息yi#yj时且Xi、Xj互为K近邻关系；[0033]步骤五二、计算权值矩阵：[0034]根据步骤五一构造的邻接图，采用类高斯函数进行权值矩阵的计算，其表达式为⑴所示：[0036]其中：Wij表示近邻点Xi与Xj之间的权值，为近邻点Xi与Xj之间的范数距离，采用矩阵方式计算范数距离，t为权值归一化参数；[0037]步骤五三、确定目标函数及其求解：[0038]根据SDE算法的目标:最大化类间散度的同时最小化类内散度;散度采用表示同类及非同类数据点的范数距离表示；[0039]由SDE算法的目标得出其相应的优化目标函数，如式⑵所示，特征变换矩阵P为待求的最优解：[0041]根据式⑵给出的优化目标函数可知：[0042]已知矩阵范数的计算式IH亥式与矩阵的迹的计算式一致，因此式⑵表示为矩阵的迹：[0044]式⑶进一步简化为：[0046]由矩阵迹的计算标量性质及权值元素均为实数，将式⑷简化为：[0048]同理，将式⑵简化成：[0050]式6中，X为输入高维数据，W、W’分别为G与G’对应的权值矩阵;D及D’为对角阵，其对角元素由式⑺求得：[0052]对式⑹应用拉格朗日乘数法，得出式⑻所示：[0054]对式8进行广义特征值分解，得出其特征值分解的特征值τ及特征向量P=[Ρΐ，Ρ2，···，Ρη]Τ;[0055]步骤五四、本征维数估计：[0056]根据步骤五三求出的特征值及其特征向量，按照式⑼估计本征维数：[0058]其中：rf是投影空间保留信息的阈值，通常取值大于80%，即选取前d个最大特征值之和与全部特征值总和之比不小于80%，即满足对原始数据信息较好的低维嵌入；[0059]步骤五五、计算嵌入结果：[0060]根据步骤五四设定本征维数估计阈值，选取的d个特征值对应的特征向量构成变换矩阵P=[P1，p2,…，Pd]，在按式10计算输入高维数据点X1降维后的数据为：[0061]Zi=PtXi10[0062]通过SDE算法得出低维的信号指纹数据及特征变换矩阵，分别记为RadioMap，口P。[0063]步骤七所述的对K个子区域中的每个子区域，分别利用步骤五求得的低维RadioMap*S特征变换矩阵，采用k近邻位置指纹定位算法对测试点进行定位的具体方法为：[0064]步骤七一、步骤六将测试点定位在子区域中，测试点接收的RSS信号为高维实时信号，表示为Rtest=[n，r2，…，rn];与该区域的特征变换矩阵P利用公式（10相乘，计算降维后的信号值[0065]步骤七二、测试点的低维特征向量与该区域低维RadioMap#中第i个参考点之间的距离由公式11求得：[0067]步骤七三、从结果中从小到大选取k个与测试点特征向量距离最近的参考点，按公式12计算测试点的位置估计坐标[0069]完成对测试点的定位。[0070]本发明通过引入半监督SDE降维算法，通过利用易于采集的未标记数据，找出表征位置信息的高维数据的低维流形，在保证WLAN室内定位系统的定位精度的同时有效地减少了定位过程的计算量。同时减少了参考点数据采集的工作量，为数据库的实时更新提供了简便易行的途径。本发明的在线定位复杂度低，移动终端定位实时性强。附图说明[0071]图1是是本发明的具体实施方式三中所述的室内场景示意图。具体实施方式[0072]具体实施方式一、本实施方式所述的半监督SDE算法的WLAN室内定位方法的定位过程为：[0073]步骤一、针对室内环境布置m个APAPj，1彡j彡m，确保所述环境中任意一点被两个或两个以上的AP发出的信号覆盖；[0074]步骤二、在室内环境中均匀设置参考点，选取一个参考点为原点建立直角坐标系，获得各个参考点在该直角坐标系中的坐标位置，并在每个参考点上利用信号接收机采集并记录来自每一个AP的接收信号强度RSS值k次并进行相应的数据处理；[0075]步骤三、根据K均值聚类算法将室内定位环境分成Q个子区域，为每个子区域的参考点标记各自的类别信息。在每个子区域中各个参考点的接收信号强度RSS值具有相似的特征，即每个参考点的特征向量相似；[0076]步骤四、采集随机的未标记RSS数据与参考点区别在于仅有信号强度值而没有位置信息），与步骤三获取的各个子区域的特征向量进行比较，即求取与各子区域的特征向量的距离，将随机数据类别划分在与其特征向量距离最近的子区域内；[0077]步骤五、对K个子区域中每个子区域采用SDE算法。作为SDE算法的输入参数:本征维数（IntrinsicDimensionality的取值，通过已有的本征维数估计算法对RadioMap分区数据进行估计，给出每个区域数据的本征维数估计值。确定每个区域的特征变换矩阵，并生成降维后的位置指纹数据库RadioMap*;[0078]步骤六、将待测点获取的信号强度RSS值与步骤三获取的各个子区域的特征向量进行比较，即求取测试点的特征向量与各子区域的特征向量的距离，将测试点定位在与其特征向量距离最近的子区域内；[0079]步骤七、在被定位的子区域内，利用步骤五得出的特征变换矩阵对待测点的RSS值进行降维，得到低维的RSS'与指纹数据库RadioMap^i行匹配，采用K近邻位置指纹定位算法对测试点进行精确定位。[0080]具体实施方式二、本实施方式是对具体实施方式一所述的半监督SDE算法的WLAN室内定位方法的进一步说明，具体实施方式一中步骤二所述的在每个参考点上利用信号接收机采集并记录来自每一个AP的接收信号强度RSS值k次并进行相应的数据处理的具体步骤为：[0081]步骤二一、对每个参考点得到一个kXm阶矩阵，矩阵的第i行第j列表示第i次采集中接收到的来自第j个AP的RSS值；[0082]步骤二二、将每个参考点得到的kXm阶矩阵列向量里所有的元素相加得到一个值，再把这个值除以k，这样每个参考点都得到了一个IXm的向量，对于每一个参考点，该向量称为该参考点的特征向量，向量中的第j个元素（即从APj获得的信号强度RSS均值可以做为该参考点的第j个特征。有些时候在一个参考点上某些AP的RSS值检测不到，则将其赋值为该环境下能接收到的最小信号值-IOOdBm,故而任意参考点的接收信号强度RSS值V的范围为-IOOdBm彡V彡OdBm。这组向量将用于实现步骤三的聚类分区。[0083]本实施方式为后续具体实施方式提供了指纹数据库样本。[0084]具体实施方式三、本实施方式是对具体实施方式一所述的半监督SDE算法的WLAN室内定位方法的进一步说明，具体实施方式一中步骤三所述的根据K均值聚类算法对室内定位环境划分成Q个子区域的具体步骤为：[0085]步骤三一、输入步骤二二测得的所有参考点的特征向量和子区域个数Q;[0086]步骤三二、随机从步骤二二得到得数据里选取K个参考点的RSS即各参考点的特征向量值作为K个子区域的聚类中心；[0087]步骤三三、计算每个参考点和K个聚类中心特征向量的欧式距离，将各个参考点分配给与其欧氏距离最小的子区域；[0088]步骤三四、把每个子区域中各个参考点的RSS值求均值，得到新的聚类中心；[0089]步骤三五、重复步骤三三和步骤三四直到每个子区域的中心不再改变；[0090]步骤三六、得到K个子区域及各子区域对应的聚类中心向量（即一个IXm的向量，称该向量为这个子区域的特征向量，该向量的第j个元素表示这个子区域的第j个特征，也是这个子区域获得的来自第j个AP的RSS均值）。[0091]本实施方式能保证对定位环境进行有效的分区，使每个子区域内的参考点接收到的来自各个AP的信号强度RSS值，即个参考点的特征向量相似程度大于来自两个不同子区域的参考点的特征向量相似度，这也为步骤四中的随机RSS数据类别划分奠定基础。[0092]在图1所示的室内场景中进行实验，拥有19个实验室，1个会议室和1个乒乓球室，表示电梯，墙的材料是砖块，铝合金窗户和金属门，无线接入点AP为LinksysWAP54G-CN，且用AP1、AP2、……、AP27标示1至27号AP，各AP固定在距地面2m高度的位置。信号接收机离地面1.2m，图中箭头标志为1至27号AP放置的位置，选择走廊作为实验场所，即图中的网格状区域，相邻参考点之间间隔为Im，共247个参考点。[0093]使用IntelPROWireless3945ABGnetworkconnection的无线网卡连接入网，在联想V450笔记本上安装NetStumbler软件，采集来自27个接入点AP的信号强度RSS值;离线阶段，在所有参考点的四个不同的方位上，以2个秒采样频率，连续采样记录AP的100个RSS值，以及AP的相关信息。将所有的参考点的物理坐标及RSS值存储为定位过程所调用的数据，建立RadioMap。随机采集定位区域580个点的RSS数据，方向随机且以2个秒频率，每个点采样10秒，取均值作为SDE算法中的未标记数据，这些数据只记录信号强度值而没有具体位置信息。与RadioMap—起作为SDE算法的输入数据。[0094]具体实施方式四、本实施方式是对具体实施方式一所述的半监督SDE算法的WLAN室内定位方法的进一步说明，具体实施方式一中步骤四随机RSS数据的类别划分的具体过程为：[0095]步骤四一、输入随机采集的未标记数据仅有信号强度值而没有位置信息）；[0096]步骤四二、将未标记数据与步骤三获取的各个子区域的特征向量进行比较，即求取与各子区域的特征向量的距离，将随机数据分配在与其特征向量距离最近的子区域内，作为其所属的类别。[0097]本实施方式能划分随机采集的未标记数据所属的类别，为步骤五中的SDE算法构建全部数据邻接图矩阵提供类别信息。[0098]具体实施方式五、本实施方式是对具体实施方式一所述的半监督SDE算法的WLAN室内定位方法的进一步说明，具体实施方式一中步骤五所述的对K个子区域中的每个子区域采用SDE算法进行降维，确定每个区域的特征变换矩阵，并生成新的位置指纹数据库进行具体说明：[0099]SDE算法是基于类间散度及类内散度最大化的一种流形学习算法。在对SDE算法进行理论分析之前对输入数据做如下说明：输入高维已标记数据和未标记数据，两类数据主要区别在于:前者对应参考点处采集的数据，含有位置信息Xlx，yly及其类标记e{1，2，…，c}。其中c表示将高维数据划分为c个子流形，即将输入的高维数据分成c类。未标记数据经过步骤四后也获得相应的类信息。[0100]步骤五一、构造邻接图[0101]根据高维数据点的类标记信息及其近邻关系构造无方向图G及G’。其中近邻关系是采用KNN算法给出的准则，即选择数据点最近的K个点作为其邻居，G表示当^与^的类标记信息yi=yj时且Xi、Xj互为K近邻关系;G’示当Xi与Xj的类标记信息yi#yj时且Xi、Xj互为K近邻关系。[0102]步骤五二、计算权值矩阵[0103]根据步骤五一构造的邻接图，采用类高斯函数进行权值矩阵的计算。其表达式为1所示。公式⑴中Wlj表示近邻点以与幻之间的权值，I|Xl-Xj|12为近邻点^与幻之间的范数距离，采用矩阵方式计算范数距离，t为权值归一化参数。[0105]步骤五三、确定目标函数及其求解[0106]根据SDE算法的目标:最大化类间散度的同时最小化类内散度。散度采用表示同类及非同类数据点的范数距离表示。由SDE算法的目标可以得出其相应的优化目标函数，如式2所示，特征变换矩阵P为待求的最优解。[0108]式中：Maximize表示:最大化，subjectto表示:服从；[0109]根据式⑵给出的优化目标函数作以下分析：[0110]已知矩阵范数的计算式，该式与矩阵的迹的计算式IIAI12=trAAt一致，因此式⑵可以表示为矩阵的迹：[0112]式⑶进一步简化为：[0114]由矩阵迹的计算标量性质及权值元素均为实数，可以将式⑷简化为：[0116]同理，将式⑵简化成：[0118]式6中，X为输入高维数据，W、W’分别为G与G’对应的权值矩阵。D及D’为对角阵，其对角元素可以由式⑺求得：[0120]对式⑹应用拉格朗日乘数法，可以得出式⑻所示：[0122]对式8进行广义特征值分解，得出其特征值分解的特征值λ=[A1J2,···，„]τ及特征向量P=[Ρΐ，Ρ2，···，Ρη]Τ。[0123]步骤五四、本征维数估计[0124]本征维数是低维嵌入时保留的特征值及其对应的特征向量的个数。特征向量对应特征值越大，该方向对应的类间距离越大，也就意味着所保留的特征越具有判别力。本征维数d是算法的一个重要参数，其值估计准确与否，决定了低维数据所含信息量的多少，从而影响定位精度。根据步骤五三求出的特征值及其特征向量，按照式9估计本征维数：[0126]其中rf是投影空间保留信息的阈值，通常取值大于80%，即选取前d个最大特征值之和与全部特征值总和之比不小于80%，即可满足对原始数据信息较好的低维嵌入。[0127]步骤五五、计算嵌入结果[0128]根据步骤四设定本征维数估计阈值，选取的d个特征值对应的特征向量构成变换矩阵P=[P1，P2,…，Pd]，在按式10计算输入高维数据点X1降维后的数据为：[0130]由式2〜⑻给出SDE算法的理论推导。通过SDE算法可以得出低维的信号指纹数据及特征变换矩阵，分别记为RadioMap*和P。[0131]具体实施方式六、本实施方式是对具体实施方式一所述的半监督SDE算法的WLAN室内定位方法的进一步说明，具体实施方式一中步骤七所述的对K个子区域中的每个子区域，分别利用步骤五求得的低维RadioMap+及特征变换矩阵，采用k近邻位置指纹定位算法对测试点进行定位进行具体说明：[0132]步骤七一、步骤六将测试点定位在子区域中，测试点接收的RSS信号为高维实时信号，表示为!^^[^^，…^丄与该区域的特征变换矩阵戸涉骤五五中已获得彡利用公式10相乘，计算降维后的信号值[0133]步骤七二、测试点的低维特征向量与该区域低维RadioMap'步骤五五中获得中第i个参考点之间的距离可由公式11求得：[0135]步骤七三、从结果中从小到大选取k个与测试点特征向量距离最近的参考点，按公式12计算测试点的位置估计坐标[0137]完成对测试点的定位。

权利要求：1.基于半监督SDE算法的WLAN室内定位方法，由以下步骤实现：步骤一、针对室内环境布置m个接入点AP，确保所述室内环境中任意一点被两个或两个以上的无线接入点AP发出的信号覆盖;m为正整数；步骤二、在室内环境中均匀设置参考点，选取一个参考点为原点建立直角坐标系，获得各个参考点在该直角坐标系中的坐标位置，并在每个参考点上利用信号接收机采集并记录来自每一个AP的接收信号强度RSS值k次，并进行数据处理;k为正整数；步骤三、根据K均值聚类算法将室内定位环境分成Q个子区域，为每个子区域的参考点标记各自的类别信息；步骤四、采集随机的未标记RSS数据，与步骤三获取的各个子区域的特征向量进行比较，即求取与各子区域的特征向量的距离，将随机数据类别划分在与其特征向量距离最近的子区域内；步骤五、对K个子区域中每个子区域采用SDE算法，获得特征变换矩阵；SDE算法的输入参数，即本征维数的取值，通过已有的本征维数估计算法对RadioMap分区数据进行估计，给出每个区域数据的本征维数估计值，确定每个区域的特征变换矩阵，并生成降维后的位置指纹数据库RadioMap%步骤六、将待测点获取的信号强度RSS值与步骤三获取的各个子区域的特征向量进行比较，即求取测试点的特征向量与各子区域的特征向量的距离，将测试点定位在与其特征向量距离最近的子区域内；步骤七、在被定位的子区域内，利用步骤五得出的特征变换矩阵对待测点的RSS值进行降维，得到低维的RSS'与指纹数据库RadioMap#®行匹配，采用K近邻位置指纹定位算法对测试点进行精确定位;其特征在于，步骤二所述的在每个参考点上利用信号接收机采集并记录来自每一个AP的接收信号强度RSS值k次，并进行数据处理的具体步骤为：步骤二一、对每个参考点得到一个kXm阶矩阵，矩阵的第i行第j列表示第i次采集中接收到的来自第j个AP的RSS值;k、m、i、j均为正整数；步骤二二、将每个参考点得到的kXm阶矩阵列向量里所有的元素相加得到一个值，再把这个值除以k，则每个参考点都得到了一个IXm的向量，对于每一个参考点，该向量称为该参考点的特征向量，向量中的第j个元素做为该参考点的第j个特征；如果一个参考点上某些AP的RSS值检测不到，则将其赋值为该环境下能接收到的最小信号值-lOOdBm，故而任意参考点的接收信号强度RSS值V的范围为-U这组向量用于实现步骤三的聚类分区。2.根据权利要求1所述的半监督SDE算法的WLAN室内定位方法，其特征在于步骤三所述的根据K均值聚类算法对室内定位环境划分成Q个子区域的具体步骤为：步骤三一、输入步骤二二测得的所有参考点的特征向量和子区域个数Q;步骤三二、随机从步骤二二得到的数据里选取K个参考点的RSS，即：各参考点的特征向量值作为K个子区域的聚类中心；步骤三三、计算每个参考点和K个聚类中心特征向量的欧式距离，将各个参考点分配给与其欧氏距离最小的子区域；步骤三四、把每个子区域中各个参考点的RSS值求均值，得到新的聚类中心；步骤三五、重复步骤三三和步骤三四直到每个子区域的中心不再改变；步骤三六、得到K个子区域及各子区域对应的聚类中心向量，S卩：一个IXm的向量，称该向量为这个子区域的特征向量，该向量的第j个元素表示这个子区域的第j个特征，也是这个子区域获得的来自第j个AP的RSS均值。3.根据权利要求1所述的半监督SDE算法的WLAN室内定位方法，其特征在于步骤四随机RSS数据的类别划分的具体过程为：步骤四一、输入随机采集的未标记数据，所述未标记数据仅有信号强度值而没有位置信息；步骤四二、将未标记数据与步骤三获取的各个子区域的特征向量进行比较，即求取与各子区域的特征向量的距离，将随机数据分配在与其特征向量距离最近的子区域内，作为其所属的类别。4.根据权利要求1所述的半监督SDE算法的WLAN室内定位方法，其特征在于步骤五所述的对K个子区域中的每个子区域采用SDE算法进行降维，确定每个区域的特征变换矩阵，并生成新的位置指纹数据库的具体方法为：步骤五一、构造邻接图：根据高维数据点的类标记信息及其近邻关系构造无方向图G及G’；其中近邻关系是采用KNN算法给出的准则，即选择数据点最近的K个点作为其邻居，G表示当^与^的类标记信息yi=yj时且Xi、Xj互为K近邻关系;G’示当Xi与Xj的类标记信息yi#yj时且Xi、Xj互为K近邻关系；步骤五二、计算权值矩阵：根据步骤五一构造的邻接图，采用类高斯函数进行权值矩阵的计算，其表达式为（1所示：其中=W1谦示近邻点^与幻之间的权值，I|Xl-Xj|I2为近邻点xAxj之间的范数距离，采用矩阵方式计算范数距离，t为权值归一化参数；步骤五三、确定目标函数及其求解：根据SDE算法的目标:最大化类间散度的同时最小化类内散度;散度采用表示同类及非同类数据点的范数距离表示；由SDE算法的目标得出其相应的优化目标函数，如式2所示，特征变换矩阵P为待求的最优解：根据式⑵给出的优化目标函数可知：已知矩阵范数的计算式，该式与矩阵的迹的计算式I|a||2=trAAT—致，因此式⑵表示为矩阵的迹：式⑶进一步简化为：由矩阵迹的计算标量性质及权值元素均为实数，将式⑷简化为：JV=2tr{PT[XD7-TXT]P}5同理，将式⑵简化成：式6中，X为输入高维数据，W、W’分别为G与G’对应的权值矩阵;D及D’为对角阵，其对角元素由式⑺求得：对式⑹应用拉格朗日乘数法，得出式⑻所示：XD7-W7XtP=λΧD-WXtP8对式8进行广义特征值分解，得出其特征值分解的特征值λ=[心，\2,...，λη]τ及特征向量P=[Ρ1，Ρ2,···，ρη]Τ;步骤五四、本征维数估计：根据步骤五三求出的特征值及其特征向量，按照式⑼估计本征维数：9其中:rf是投影空间保留信息的阈值，通常取值大于80%，即选取前d个最大特征值之和与全部特征值总和之比不小于80%，即满足对原始数据信息较好的低维嵌入；步骤五五、计算嵌入结果：根据步骤五四设定本征维数估计阈值，选取的d个特征值对应的特征向量构成变换矩阵P=[Pl，p2,...，pd]，再按式10计算输入高维数据点X1降维后的数据为：Zi=PtXI10通过SDE算法得出低维的信号指纹数据及特征变换矩阵，分别记为RadioMapl口P。5.根据权利要求4所述的半监督SDE算法的WLAN室内定位方法，其特征在于步骤七所述的对K个子区域中的每个子区域，分别利用步骤五求得的低维RadioMap+及特征变换矩阵，采用k近邻位置指纹定位算法对测试点进行定位的具体方法为：步骤七一、步骤六将测试点定位在子区域中，测试点接收的RSS信号为高维实时信号，表示为Rte3st=[n，r2,...rn];与该区域的特征变换矩阵P利用公式（10相乘，计算降维后的信号值；步骤七二、测试点的低维特征向量与该区域低维RadioMap#中第i个参考ώI之间的距离由公式11求得：11步骤七三、从结果中从小到大选取k个与测试点特征向量距离最近的参考点，按公式12计算测试点的位置估计坐标:12；完成对测试点的定位。

百度查询： 哈尔滨工业大学 基于半监督SDE算法的WLAN室内定位方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD