[發明專利]利用信號時間相關性提高指紋室內定位精度的方法

有效

• 申請號: 201610038359.7
• 申請日: 2016-01-20
• 公開（公告）號: CN105704676B
• 公開（公告）日: 2019-02-22
• 發明（設計）人: 王玫;徐冬;李文新;田曉華;王新兵
• 申請（專利權）人: 上海交通大學
• 主分類號: H04W4/021
• 分類號: H04W4/021;H04W4/33;G01S5/02
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 郭國中

1.一種利用信號時間相關性提高指紋室內定位精度的方法，其特征在于，包括如下步驟：

步驟1：采集線下訓練數據；

步驟2：為每個定標點處的每個Wi-Fi信號發射器建立高斯概率分布，并用采集的線下訓練數據得到高斯概率分布的參數；

步驟3：基于所述高斯概率分布的參數，對雙曲曲面邊界進行訓練，得到信號強度RSS數據在概率空間中定位的區間E，完成信號強度指紋地圖；

步驟4：接收用戶上傳的數據，所述用戶上傳的數據包括信號強度矩陣x和定位請求；其中，信號強度矩陣x的獲取方法為：由用戶使用移動終端進行多次測量無線信號強度，獲得不同路由器的信號強度矩陣x；

步驟5：根據定位請求，將用戶上傳的數據與信號強度指紋地圖相比較，考慮D維時間序列的相關性，映射為概率空間的向量，通過雙曲曲面邊界條件及相關系數ρ的匹配，找到最大概率的位置作為定位結果；

步驟6：將定位結果返回給用戶；

所述步驟2包括如下步驟：

步驟2.1：對每個定標點r處的時間序列向量x_i考慮D次測量的信號時間相關性，構建D維高斯概率分布f_r(x_i)為：

其中，det(*)表示求行列式，Δ²為馬氏距離，e表示自然底數；

Δ²＝[(x_i-μ)^T∑^-1(x_i-μ)]；

其中，∑表示相關矩陣；

步驟2.2：對D維高斯概率分布f_r(x_i)的每一個維度進行坐標系旋轉，旋轉45°，使馬氏距離Δ²變換成為只有二次項的正交表示；

步驟2.3：利用最大似然估計方法，計算高斯概率分布的參數μ,∑，得出Wi-Fi信號強度的指紋地圖；

首先，構建利用測量數據構成相關性計算矩陣A：

其中，x_ij表示在一個定標點處對第i個Wi-Fi信號發射器發出的信號進行第j次信號強度測量得到的測量數據，1≤j≤m；

然后利用A計算高斯概率分布的參數μ、∑：

其中，μ為信號強度的均值向量；μ_i,i＝1,2,…,D，表示A^T的第i個向量的均值；

∑＝[Cov[A_k,A_j]],k＝1,2,…,D；j＝1,2,…,D

其中，A_k為A^T的第k個向量，A_j表示A^T的第j個向量；

ρ為信號的相關系數D維向量，由于信號傳播過程為平穩隨機過程，ρ_i表示i維時間間隔下的相關系數；σ²表示信號強度矩陣x中某一行元素的方差；

Σ用σ,ρ_i表示為：

所述步驟2.2包括如下步驟：

找到相關矩陣∑的一組標準正交基u_i,i＝1,2,…,m，則變換矩陣U為U＝[u₁,u₂,...,u_m]^T，其中，u_i表示第i個標準正交基；

設分布變量y＝U(x-μ)，則f_r(x_i)經變換后得到新坐標系下的D維高斯概率分布f_r(y|μ,∑)：

其中，λ_i表示第i個特征值；y_i表示第i維變量；

當D＝2時，正交基和特征值分別為：

所述步驟3包括如下步驟：

步驟3.1：基于所述高斯概率分布，在概率空間中對樣本進行邊界訓練；物理空間中的定標點r對應樣本空間區間為E，定義為：

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

其中，x表示信號強度矩陣，y表示分布變量，δ表示誤差距離，μ(r)表示定標點r處信號強度的均值向量，∑(r)表示定標點r處的相關矩陣，μ(r±δ)表示誤差距離δ下的定標點r±δ處信號強度的均值向量，∑(r±δ)表示誤差距離δ下的定標點r±δ處的相關矩陣；符號±表示物理空間中對應的遠近，其中，符號+表示物理空間中對應的遠，符號-表示物理空間中對應的近；

步驟3.2：定位樣本空間E中分類邊界為雙曲曲面，雙曲曲面的數學表示為：

其中，y_i,j表示第i個信號里，D維中第j維的分布變量；λ_i,j表示第i個信號的第j個特征值，λ_i,1表示第i個信號的第一個特征值，μ_i′表示第i個信號的強度均值，∑_i表示第i個信號的相關矩陣，符號表示梯度函數，上標±表示物理空間中對應的遠近，其中，上標+表示物理空間中對應的遠，上標-表示物理空間中對應的近；

步驟3.3：利用所述高斯概率分布的參數訓練雙曲曲面邊界的參數，作為概率空間中定位的基準；

所述步驟5包括如下步驟：

步驟5.1：取得定位請求，將用戶上傳的數據與信號強度指紋地圖相比較；

其中，信號強度指紋地圖包括n個Wi-Fi信號的均值構成的n維均值向量mean：

mean＝[μ₁,μ₂,…,μ_n]

以及每個Wi-Fi信號的D維相關系數構成的(n*D)維相關性向量corr：

其中，σ_i表示第i個Wi-Fi信號的標準差,其中，i＝1,2,…,n；ρ_i,j表示第i個Wi-Fi信號的第j維相關系數，其中，i＝1,2,…,n，j＝2,3，…,D；

在進行比較時，先比較指紋中的均值向量mean，找到在設定的閾值范圍內比較相似的前w個的指紋位置；再在這w個相似的指紋位置中，比較相關性向量corr的歐式距離，找到歐式距離最小最匹配的相關性向量用以確定用戶的最終位置；w<n；

步驟5.2：將定位請求的數據每相鄰D個數據作為一組，以D維向量的形式置于D維概率空間中；以線下訓練的雙曲曲面邊界作為定位條件，通過信號的相關系數D維向量ρ的匹配，找到信號強度矩陣x對應的物理空間位置；

步驟5.3：綜合考慮指紋的比較與信號強度矩陣x對應的物理空間位置，決定最終的定位結果；具體綜合考慮決定的方法如下：

首先計算雙曲曲面邊界的可靠性參數η，即能使f_r(y|μ(r),∑(r))＝f_r±δ(y|μ(r±δ),∑(r±δ))成立的函數最大值；

然后根據η與一個閾值η₀的比較,η₀的取值范圍取(0,0.3)；如果η≤η₀，則代表雙曲曲面邊界可靠，將步驟5.2得到的信號強度矩陣x對應的物理空間位置作為定位結果；反之，即如果η>η₀，則代表雙曲曲面邊界的定位結果可靠性不佳，則根據步驟5.1得到的所述歐式距離最小最匹配的相關性向量確定出用戶的最終位置作為定位結果。