[發明專利]一種基于WKNN融合的室內三維空間指紋定位方法

有效

• 申請號: 202011477793.8
• 申請日: 2020-12-15
• 公開（公告）號: CN112584311B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 李天成;楊浩宇
• 申請（專利權）人: 西北工業大學
• 主分類號: H04W4/02
• 分類號: H04W4/02;H04W4/33;H04W64/00
• 代理公司: 西安凱多思知識產權代理事務所(普通合伙) 61290
• 代理人: 劉新瓊

本發明公開了一種基于WKNN融合的室內三維空間指紋定位方法，該方法從位置指紋的參考點中挖掘信息、融合信息，從而實現在位置指紋的基礎上，與幾何定位結果融合，以提高精度和穩定性。能夠在不細化3D指紋數據庫的情況下，通過KNN求取K個最近鄰參考點，加權得到一種定位結果；再以數據庫中基站的坐標和距離的幾何關系求解另一種定位結果，兩種結果進行融合實現更加精確而穩定的定位精度。該方法充分利用位置指紋信息，計算簡單，定位精度高且穩定性高。

技術領域

本發明屬于室內定位技術領域，具體涉及一種室內指紋定位方法。

背景技術

室內定位與導航已成為基于位置服務領域的研究熱點。國內外已經對基于室內指紋的定位方法進行了較為深入的研究，提出了大量二維室內指紋定位算法，并得到了不錯的定位精度。但在許多三維室內應用場景中，如大型多層地下停車場、商場等，二維定位技術很難滿足實際定位要求。

文獻“Robustness of 3D Indoor Localization based on FingerprintTechnique in Wireless Sensor Networks[2013 10th International Conference onElectrical Engineering/Electronics,Computer,Telecommunications andInformation Technology,Krabi,2013,pp.1-6]”和“基于WiFi的室內三維定位技術研究[D].南京郵電大學,2018.”分別公開了一種基于3D室內指紋的KNN定位方法和WKNN(加權K-最近鄰，weighted K-Nearest neighbor)定位算法。這些方法通過將二維室內指紋定位升至三維空間，并將二維定位算法遷移至三維定位中，提高室內定位精度。然而，由于沒有充分挖掘位置指紋的有用信息，如KNN算法在一定區域對目標分辨率較低，而WKNN只做單一的K最近鄰的參考點加權值，導致文獻所述方法都具有一定的波動性和不穩定性，為此，需要重新建立更加密集的離線指紋數據庫。但是，引入一個維度將導致離線指紋數據庫的數據量大大增加，而采用稀疏的指紋庫只能帶來較差的精度。因此，有必要在三維室內定位中既考慮到指紋庫的數據量和室內定位精度。

發明內容

為了克服現有技術的不足，本發明提供了一種基于WKNN融合的室內三維空間指紋定位方法，該方法從位置指紋的參考點中挖掘信息、融合信息，從而實現在位置指紋的基礎上，與幾何定位結果融合，以提高精度和穩定性。能夠在不細化3D指紋數據庫的情況下，通過KNN求取K個最近鄰參考點，加權得到一種定位結果；再以數據庫中基站的坐標和距離的幾何關系求解另一種定位結果，兩種結果進行融合實現更加精確而穩定的定位精度。該方法充分利用位置指紋信息，計算簡單，定位精度高且穩定性高。

本發明解決其技術問題所采用的技術方案包括如下步驟：

步驟1：建立指紋離線信息庫；

離線建庫階段：在定位區域內，選取多個參考點，在每個參考點上測量所有基站的接收信號強度；將參考點坐標與接收信號強度共同存入數據庫，形成指紋庫；

在線定位階段：使用KNN將目標接收到的信號強度信息與指紋庫中的信息進行匹配，得到K個最近鄰的參考點坐標：

式中，D_p表示信號強度距離，OB表示目標接收到的信號強度信息，NO_k表示KNN算法匹配的k個最近鄰參考點的指紋信息；

步驟2：對步驟1得到的K個最近鄰的參考點坐標，引入距離權重W_i：