[發明專利]一種克服設備差異的動態模糊匹配室內定位方法

有效

• 申請號: 202010639400.2
• 申請日: 2020-07-06
• 公開（公告）號: CN111757257B
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 秦寧寧;吳憶松
• 申請（專利權）人: 江南大學
• 主分類號: H04W4/02
• 分類號: H04W4/02;H04W4/021;H04W4/33;H04W64/00;G01C21/20;G06K9/62
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 劉秋彤;梅洪玉

一種克服設備差異的動態模糊匹配室內定位方法，屬于室內定位領域。步驟一、系統模型的構建，包括網絡空間模型、子指紋庫聚類模型和相似度模型；步驟二、指紋的概率特征提取；步驟三、模糊匹配方法，匹配得到局部指紋庫；步驟四、位置計算，得到測試點的估計位置。作為一種動態的局部指紋庫匹配方法，FMKNN通過可調的子空間匹配閾值，平衡匹配精度與計算復雜度之間的增益雙贏；結合多維相似度系數，引入權重調整參數進行位置估計，優化近鄰點集合的結構，突出鄰近點的作用；削弱接收端設備差異帶來的定位誤差，提高定位精度。

技術領域

本發明屬于室內定位領域，涉及一種克服設備差異的動態模糊匹配室內定位方法，在商場導航、老人監護等領域中有廣泛地應用。

背景技術

目前，大部分室內定位方法是利用無線信號的相關特征來進行定位，常用的技術有WiFi、射頻識別(RFID)、超寬帶(UWB)和藍牙等。室內環境的復雜性導致無線信號在傳播時容易引發多徑效應，很難對不同場景下的信號變換給出精準的數學模型。由于指紋匹配方法側重于接收信號強度(RSS)的指紋特征，而非遍歷所有信號，因此可以通過匹配測試點與指紋點的RSS分布來獲取測試點的位置。

基于近鄰點求平均位置的方法是最常見的指紋定位方法之一，常用的方法是信號空間中K最近鄰方法(K-Nearest Neighbors in Signal Space,K-NNSS)，選取測試點與指紋庫中匹配度最高的K個指紋點，以平均位置作為測試點的位置。針對K-NNSS因平等對待非等概率出現的近鄰點，導致定位誤差較大的問題，可以采用加權KNN方法(Weighted KNN,WKNN)，增加指紋點的歐氏信息作為權重，用體現位置相似度的加權平均替代均衡平均，提高了定位精度。但固定的K值依然無法避免選擇虛假的近似指紋點參與位置估計。為了解決這個問題，引入動態K值概念，把歐氏相似度大于閾值的指紋點去除后，再求加權平均位置。

上述基于最近鄰指紋點的定位方法都具有簡單易行的優勢，但定位精度有限。近年來，為了提高定位精度，人們開始傾向于將復雜的機器學習方法引入到定位方法中，從而挖掘更深層次的信號特征。物理位置與信號強度的關聯度越高，則定位越容易。例如，一種基于改進支持向量回歸的室內定位方法，在訓練階段增加一個校正坐標z，提高二維位置信息與RSS之間的關聯性。基于機器學習方法的定位方法雖然在定位精度方面表現優異，卻也帶來了計算復雜度高和定位時間長、效率低的問題。為減少匹配計算量的同時保證系統的實時性，基于主成分分析法(Principle Component Analysis,PCA)給出在子空間內的匹配方法，基于在線信號從離線指紋庫中提取子指紋庫，利用PCA對在線數據及子指紋庫進行降維和構建子空間。基于PCA的子空間匹配方法能有效提升定位效率，但無法保證局部匹配的正確率，尤其當室內空間中的障礙物、人流量等干擾因素增加時，會嚴重拉低子空間匹配的正確率，可見一般的子空間匹配方法難以適應環境因素的波動而進行動態調整。

發明內容

本發明針對上述技術問題，提供了一種克服設備差異的動態模糊匹配室內定位方法。

本發明的技術方案：

一種克服設備差異的動態模糊匹配室內定位方法，步驟如下：

步驟一、系統模型的構建，包括網絡空間模型、子指紋庫聚類模型和相似度模型；

步驟二、指紋的概率特征提取；

步驟三、模糊匹配方法，匹配得到局部指紋庫；

步驟四、位置計算，得到測試點的估計位置。

步驟一具體過程為：

(1)網絡空間模型