[發明專利]一種WiFi室內定位中概率型指紋匹配方法

有效

• 申請號: 201410680673.6
• 申請日: 2014-11-24
• 公開（公告）號: CN104507050B
• 公開（公告）日: 2018-04-10
• 發明（設計）人: 修春娣;楊萌;楊東凱;劉源;羅智勇
• 申請（專利權）人: 北京航空航天大學
• 主分類號: H04W4/029
• 分類號: H04W4/029;H04W4/33;H04W64/00
• 代理公司: 北京慧泉知識產權代理有限公司11232
• 代理人: 王順榮,唐愛華

1.一種WiFi室內定位中概率型指紋匹配方法，其特征在于：它包括以下步驟：

步驟一：離線階段在測試區域采集數據，建立指紋數據庫，用于在線階段匹配計算；其中，在采集數據之前，首先對測試區域進行勘測，確定參考點RP的位置，其次在各個參考點采集一定數目的樣本信息，構建指紋數據庫；

步驟二：根據參考點訓練樣本信息，求得各個參考點RP相對接入點AP的感知概率；其中，如果在測試位置處的AP信號強度小于采樣設備感知到的最小信號強度，表示設備不能夠感知到AP信號，用一個固定的信號強度代替不能感知到的信號強度信息，因此把AP信號采集看成一個伯努利過程，對特定RP，每次采樣獲得一個二進制序列B＝(b₁,b₂,…b_j,…,b_n)，其中b_j∈(0,1)；n為RP的個數；感知概率定義為：參考點感知到的AP次數與總的訓練樣本數之比；第i個RP對第j個AP的感知概率計算如下：

Pbj|ω(1|ωi)=nbj|ω(1|ωi)/N(1|ωi)]]>

其中，ω_i為參考點位置，為第i個RP可以感知到的第j個AP的次數，N(1|ω_i)為總的訓練樣本數；

步驟三：把實測RSSI與指紋庫中指紋的匹配，采用核密度估計方法求得第i個RP對第j個AP的匹配似然概率P(RSS^j|ω_i)；

首先根據貝葉斯定理，將最大后驗概率問題轉化為最大似然概率ML問題，貝葉斯定理表達式為：

P(ωi|RSS)=P(RSS|ωi)·P(ωi)P(RSS)]]>

其中，P(ω_i)為對應參考點位置的概率，在不考慮定位歷史信息的情況下P(ω_i)為常量，P(RSS)為常量；P(RSS|ω_i)為參考點ω_i的似然概率，因此將最大后驗概率問題轉化為最大似然概率ML問題，即：

P(RSS|ω_i)＞P(RSS|ω_j)i,j＝1,2,…,m,j≠i

各個AP之間是相互獨立，因此得到似然概率的表達式：

P(RSS|ωi)=Πj=1nP(RSSj|ωi)]]>

其中，P(RSS^j|ω_i)為第i個RP對第j個AP的匹配似然概率，求匹配似然概率的計算步驟如下：

1)核密度估計方程為：

其中，為第j個AP的實時接收信號強度為x時的似然概率，K(·)是核函數，h為核寬參數，X_k(1≤k≤N)為訓練數據庫中的第k個值；

2)核函數K(·)選定為高斯核函數

3)最優化核寬參數h；

4)S_k為設備接收到的第k個AP的實時信號強度，求得匹配似然概率為

P(RSSj|ωi)=f^sk(Sk|1,ωi)]]>

其中，在核密度估計方法中，由于核寬參數h的取值對基于訓練樣本的核密度估計曲線的平滑性有較大的影響，h越小，核密度估計曲線不光滑，雖然能更好地反映每個訓練樣本包含的信息，但密度估計偏向于把概率密度分配得太局限于觀測數據附近，致使估計密度函數有很多錯誤的峰值；相反地，如果h越大，核密度估計曲線越光滑，但密度估計就把概率密度貢獻散得太開，也將導致樣本數據中包含的部分重要特征丟失，所以需要對h進行優化選擇，采用最小化均方誤差來實現h的優化步驟如下：

1)假設真實核函數為f，則核密度估計方程與真實核函數之間的積分均方誤差為：

2)由于被積函數非負，將MISE方程改寫為：

MISE(f^)=∫E[f^(x)-f(x)]2dx=∫[Ef^(x)-f(x)]2dx+∫varf^(x)dx]]>

3)假定核函數K(u)連續，真實核密度方程f有界，且二次導數連續，定義兩個常數α和β，其中β＝∫{K(t)}²dt，根據泰勒展開式，MISE展開為如下方程：

MISE(f^)≈14h4α2∫{▿2f(x)}2dx+N-1h-nβ]]>

4)因此，最小化均方誤差MISE，得到核寬參數的優化解為：

hoptn+4=dβα-2{∫(▿2f)2}-1N-1]]>

5)當核函數為高斯方程時，核寬參數的優化解為：

hopt=(4Nd+2)1/(n+4)σ^]]>

其中，n為AP數目，為所有AP的方差均值；

步驟四：根據感知概率和匹配似然概率，計算感知似然概率P'(RSS|ω_i)；

首先，用一個特定值C代替未能感知到的信號強度，求得第i個RP對第j個AP的匹配似然概率P'(RSS^j|ω_i)，計算方程如下：

P′(RSSj|ωi)={Pbj|ω(1|ωi)f^sk(Sk|1,ωi)}bj×{[1-Pbj|ω(1|ωi)]f^sk(C|1,ωi)}(1-bj)]]>

其次，求得感知似然概率為：

步驟五：通過最大似然概率ML方法，求得測量位置的坐標；

測量位置的坐標的計算步驟如下：

1)通過ML方法，求得感知似然概率最大的參考點的序號為：

t=argmaxi∈[1,m][Π1≤j≤nP′(RSSj|ωi)]]]>

2)設參考點序號為t的坐標為(x_t,y_t)，可求得測量位置的估計坐標為：

(x^,y^)=(xt,yt).]]>