[發(fā)明專利]基于WSN的室內(nèi)定位方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201210487437.3
• 申請(qǐng)日: 2012-11-26
• 公開（公告）號(hào): CN103581830A
• 公開（公告）日: 2014-02-12
• 發(fā)明（設(shè)計(jì)）人: 陳宇斌;馮利爽;胡紅林;徐海平;熊文;黃宇;段志亮
• 申請(qǐng)（專利權(quán)）人: 華平信息技術(shù)股份有限公司
• 主分類號(hào): H04W4/04
• 分類號(hào): H04W4/04;H04W64/00;H04W84/18
• 代理公司: 上海光華專利事務(wù)所 31219
• 代理人: 余明偉

1.一種基于WSN的室內(nèi)定位方法，其特征在于：所述基于WSN的室內(nèi)定位方法包括離線指紋采集和在線定位：?

所述離線指紋采集包括：在室內(nèi)區(qū)域布置滿足WSN通信要求的錨節(jié)點(diǎn)，使在所述室內(nèi)區(qū)域中的任意位置處都能夠接收到足夠多數(shù)量的錨節(jié)點(diǎn)的信號(hào)，完成室內(nèi)WSN網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和路由構(gòu)建；將所述室內(nèi)區(qū)域分割成多個(gè)子區(qū)域，在各個(gè)子區(qū)域內(nèi)設(shè)置測(cè)試點(diǎn)，采集測(cè)試點(diǎn)的指紋，并將所有測(cè)試點(diǎn)的指紋及該測(cè)試點(diǎn)所屬子區(qū)域的類別存儲(chǔ)在數(shù)據(jù)庫(kù)中；所述指紋為多維RSSI向量，即來(lái)自多個(gè)不同錨節(jié)點(diǎn)的信號(hào)強(qiáng)度的有序排列；?

所述在線定位包括：當(dāng)待定位的移動(dòng)節(jié)點(diǎn)進(jìn)入所述室內(nèi)區(qū)域中游走時(shí)，該待定位的移動(dòng)節(jié)點(diǎn)在任意時(shí)刻均收到來(lái)自多個(gè)錨節(jié)點(diǎn)的不同強(qiáng)度的射頻信號(hào)，進(jìn)而獲得所述移動(dòng)節(jié)點(diǎn)在所述室內(nèi)區(qū)域中的任意子區(qū)域任意時(shí)刻的觀測(cè)指紋；對(duì)所述待定位的移動(dòng)節(jié)點(diǎn)獲得的自身在任意子區(qū)域中任意時(shí)刻的觀測(cè)指紋進(jìn)行濾波處理，然后將濾波后的指紋與所述數(shù)據(jù)庫(kù)中的指紋進(jìn)行對(duì)比，進(jìn)而得出所述待定位的移動(dòng)節(jié)點(diǎn)在室內(nèi)區(qū)域中的具體位置。?

2.根據(jù)權(quán)利要求1所述的基于WSN的室內(nèi)定位方法，其特征在于，所述WSN通信要求為：所述錨節(jié)點(diǎn)在所述室內(nèi)區(qū)域內(nèi)自組織形成無(wú)線傳感器網(wǎng)絡(luò)并完成拓?fù)渎酚山Y(jié)構(gòu)初始化，且所述網(wǎng)絡(luò)全面覆蓋所述室內(nèi)區(qū)域，所述任意子區(qū)域均被足夠數(shù)量的錨節(jié)點(diǎn)通信覆蓋。?

3.根據(jù)權(quán)利要求1或2所述的基于WSN的室內(nèi)定位方法，其特征在于，所述濾波處理包括卡爾曼濾波，對(duì)觀測(cè)指紋進(jìn)行濾波處理即對(duì)多維RSSI向量進(jìn)行卡爾曼濾波處理，具體過(guò)程為：?

所述卡爾曼濾波的模型為：?

其中，y_k表示待定位的移動(dòng)節(jié)點(diǎn)在k時(shí)刻的觀測(cè)向量；表示對(duì)y_k的最優(yōu)估計(jì)量，即待定位的移動(dòng)節(jié)點(diǎn)在k時(shí)刻的狀態(tài)向量；表示待定位的移動(dòng)節(jié)點(diǎn)在k-1時(shí)刻的狀態(tài)向量，表示待定位的移動(dòng)節(jié)點(diǎn)在k時(shí)刻的預(yù)測(cè)狀態(tài)向量；P_k|k-1表示對(duì)應(yīng)的協(xié)方差矩陣，P_k-1表示對(duì)應(yīng)的協(xié)方差矩陣，P_k表示對(duì)應(yīng)的協(xié)方差矩陣；K_k表示k時(shí)刻計(jì)算?出的卡爾曼增益矩陣；表示k時(shí)刻的輸入噪聲的協(xié)方差矩陣，表示k時(shí)刻的觀測(cè)噪聲的協(xié)方差矩陣，I表示單位矩陣；設(shè)k=0時(shí)，P_k的初始矩陣P₀為對(duì)角矩陣；?

根據(jù)對(duì)k時(shí)刻的觀測(cè)向量y_k，啟動(dòng)所述卡爾曼濾波的模型遞歸下去，獲得k時(shí)刻的n維RSSI觀測(cè)向量y_k的最優(yōu)估計(jì)。

4.根據(jù)權(quán)利要求3所述的基于WSN的室內(nèi)定位方法，其特征在于，所述濾波處理還包括邊界檢測(cè)處理，即對(duì)經(jīng)過(guò)卡爾曼濾波處理后的n維RSSI觀測(cè)向量的最優(yōu)估計(jì)進(jìn)行邊界檢測(cè)處理，具體過(guò)程為：對(duì)所述最優(yōu)估計(jì)中不在固定范圍[rssi_min,rssi_max]內(nèi)的RSSI觀測(cè)分量舍棄；rssi_min表示最小的RSSI觀測(cè)向量值，rssi_max表示最大的RSSI觀測(cè)向量值。?

5.根據(jù)權(quán)利要求4所述的基于WSN的室內(nèi)定位方法，其特征在于，所述濾波處理還包括相似度檢測(cè)處理，即對(duì)經(jīng)過(guò)邊界檢測(cè)處理后的RSSI觀測(cè)向量進(jìn)行相似度檢測(cè)處理，具體過(guò)程為：對(duì)每個(gè)經(jīng)過(guò)邊界檢測(cè)處理后的RSSI觀測(cè)向量與所述數(shù)據(jù)庫(kù)中的指紋進(jìn)行距離計(jì)算，將距離≤5的觀測(cè)向量并入LF子集，準(zhǔn)備參與KNN計(jì)算。?

6.根據(jù)權(quán)利要求3所述的基于WSN的室內(nèi)定位方法，其特征在于，所述濾波處理還包括相似度檢測(cè)處理，即對(duì)卡爾曼濾波處理后的n維RSSI觀測(cè)向量的最優(yōu)估計(jì)進(jìn)行相似度檢測(cè)處理，具體過(guò)程為：對(duì)每個(gè)卡爾曼濾波處理后輸出的RSSI觀測(cè)向量與所述數(shù)據(jù)庫(kù)中的指紋進(jìn)行距離計(jì)算，將距離≤5的觀測(cè)向量并入LF子集，準(zhǔn)備參與KNN計(jì)算。?

7.根據(jù)權(quán)利要求5或6所述的基于WSN的室內(nèi)定位方法，其特征在于，所述濾波處理還包括降維處理，即對(duì)經(jīng)過(guò)相似度檢測(cè)處理后的RSSI觀測(cè)向量進(jìn)行降維處理，具體過(guò)程為：對(duì)相似度檢測(cè)處理后所得LF子集進(jìn)行判斷，如果LF子集為空，則需要依次減少某個(gè)向量的維度重復(fù)進(jìn)行相似度檢測(cè)處理過(guò)程，重新獲取LF子集，直至LF子集非空。?