专利汇可以提供一种WiFi指纹室内定位方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及一种WiFi指纹室内 定位 方法,属于室内指纹定位技术领域,是一种基于聚类 算法 和最小二乘支持向量回归机的WiFi指纹室内定位方法。包括步骤离线 数据采集 ;分区域,即按训练子集训练最小二乘支持向量回归机模型;和进行在线 位置 解算。本发明解决了k-means 聚类算法 中无法合理确定k值的问题;克服了k-means聚类算法中无法确定合理的初始值以缩短算法执行时间的缺点、常见聚类算法未能选择更合理的聚类标准的缺点;解决了常见的定位算法在线位置解算阶段未能合理选择子区域、未能合理解算位置的问题;且定位精确度较高。,下面是一种WiFi指纹室内定位方法专利的具体信息内容。
1.一种WiFi指纹室内定位方法,其特征在于,包括如下步骤:
1)离线数据采集;
1-1)在参考点处进行数据采集;
1-1-1)在整个待定位区域范围内用接收机检测所有可见AP,记共检测到totalmac个AP;所述接收机为手机和掌上电脑;AP指访问节点,totalmac为自然数;
1-1-2)设置参考点并记录接收到的所有可见AP的信号强度和MAC地址;记共设置了RefNum个参考点,RefNum是自然数;所述MAC地址用于区别不同的WiFi,与WiFi网络的BSSID相同,BSSID的中文含义是基本服务集标识;
1-1-3)计算参考点处接收到的来自同一AP(MAC地址相同)的信号强度的平均值;
1-2)生成位置指纹记录;
具体是,记录每个参考点的位置指纹记录,总共记录RefNum个参考点的位置指纹记录;
2)分区域,即按训练子集训练最小二乘支持向量回归机模型;
2-1)数据预处理以及生成训练集;
2-1-1)计算RSS平均值和统计方差;
具体是,当所述步骤(1-2)中的RefNum个参考点的采样数据全部记录完后,需依次计算来自不同AP的WiFi信号的RSS均值、统计方差,该过程共需统计所述步骤(1-1-1)检测到的totalmac个AP的WiFi信号的RSS均值、统计方差;不同AP即MAC地址不同;
2-1-2)数据的去除;
具体是,当来自某AP的WiFi信号的RSS统计方差较小时,认为不足以满足定位对数据差异性的要求,去除所有来自该的WiFi信号强度数据;
较小的含义是RSS统计方差小于16;
2-1-3)数据的归一化;
具体是,将不同参考点处获得的来自不同AP的WiFi信号的RSS依次归一化,该过程共需统计RefNum个参考点,每个参考点计算来自totalmac个AP的RSS归一化值;
2-1-4)数据聚类;
2-1-4-1)使用固定超球体积确定聚类中心个数k,k为自然数;
具体是,将上述步骤(2-1-3)生成的不同参考点处获得的来自不同AP的WiFi信号的RSS归一化值组成总体训练集,遍历总体训练集中所有条目,计算所有条目之间最大欧氏距离,所有参考点都应包含在由该最大欧式距离确定的超球中,让聚类后形成的子区域对应的超球体积固定,用超球体积之比作为聚类中心的个数k,即定位子区域的个数;计算总体训练集中所有条目之间的最大k个欧氏距离,从这k个欧氏距离对应的2k个条目中随机选取k个条目,作为步骤(2-1-4-2)中聚类的k个初始聚类中心;
2-1-4-2)使用接收信号强度的欧式距离和坐标距离度量的聚类算法进行聚类;
2-1-5)重新生成训练子集;
具体是,所述步骤(2-1-4-2)进行完后,形成若干个聚类中心,将总体训练集中每个条目划分到一个聚类中心;
2-2)按训练子集(分区域)训练最小二乘支持向量回归机模型;
2-2-1)使用新型核函数K(x,x')训练子集训练x轴坐标的最小二乘支持向量回归机模型;
具体是,使用新型核函数K(x,x')训练子集训练x轴坐标的最小二乘支持向量回归机模型,确定各个训练子集x轴坐标的回归函数、统计方差和标准差;
2-2-2)使用新型核函数K(x,x')训练子集训练y轴坐标的最小二乘支持向量回归机模型;
具体是,使用本发明的新型核函数K(x,x')训练子集训练y轴坐标的最小二乘支持向量回归机模型,确定各个训练子集y轴坐标的回归函数、统计方差和标准差;
K(x,x')定义见下述公式(95),
其中,exp()是以e为底数的指数函数,ρ取值为正数,都是训练集中的数据,都是n维向量,xl、x'l分别是x、x'的第l维分量;
3)进行在线位置解算;
3-1)计算权重因子;
具体是,获得待定位点的位置指纹后,计算该位置指纹与所述步骤(2-1-4-2)中获得的k个聚类中心的WiFi信号强度的欧氏距离,然后计算k个聚类中心在最终定位结果中所占权重,选取其中最大的3个权重因子并记录这3个权重因子对应的3个训练子集;
3-2)进行位置坐标的计算;
具体是,将待定位点的位置指纹分别代入对应的3个训练子集的x轴坐标的最小二乘支持向量回归机的回归函数,计算对应的x轴坐标的输出值,再将所述步骤(3-1)中对应的权重因子作为权重,加权计算出本发明最终输出的x轴坐标;
同理,将待定位点的位置指纹分别代入对应的3个训练子集的y轴坐标的最小二乘支持向量回归机的回归函数,计算对应的y轴坐标的输出值,再将所述步骤(3-1)中对应的权重因子作为权重,加权计算出本发明最终输出的y轴坐标。
2.根据权利要求1所述的WiFi指纹室内定位方法,其特征在于,步骤(1)所述离线数据采集,具体方法如下:
1-1)在参考点处进行数据采集
1-1-1)在整个待定位区域范围内用接收机检测所有可见AP,记录所有可见AP的MAC地址,记共检测到totalmac个,则MAC地址依次是MAC1,MAC2,…,MACtotalmac;
1-1-2)在待定位区域范围内横向和纵向分别每隔interval米设置一个参考点记录参考点的物理位置;横向对应x轴,纵向对应y轴;interval的值介于0.3到2之间,典型值是
0.5;参考点的总个数记为RefNum个,在每个参考点处每隔Tsa秒采样一次,共采样SaNum次;
其中,15≤Tsa≤25,Tsa的典型值是20;10≤SaNum≤20,且SaNum是自然数,典型值是12;
每次采样记录接收到的所有可见AP的信号强度、MAC地址,记第se次采样只检测到了p个AP的无线信号,se为自然数;将这p个AP按编号从小到大按下列⑴式排列,并记录这p个AP的MAC地址依次是
其中1≤N1
其中,符号“[]”表示组成一次采样的结果,“:”表示对应关系,locNum是该参考点编号,从1开始,每个采样点的所有采样结束后该值增加1,xlocNum和ylocNum分别表示该采样点x轴和y轴方向上的物理坐标;
表示第se次采样中,接收到的MAC地址是 的AP的WiFi信号
强度为 的范围是[-100,0];对于MAC地址是 的AP,如第se次采
样中未接收到信号,则该参考点处对该AP的所有SaNum次采样的WiFi信号强度均记为-101;
1-1-3)将该采样点处SaNum次采样的平均值作为接收到的对应AP的WiFi信号强度,当所有SaNum次采样进行完后,该参考点接收到MAC地址是 的AP的WiFi信号强度按下述公式⑶计算;
其中, 表示RSS是与locNum和 有关的量,显然,对于
MAC地址是 的AP,第se次采样中未接收到信号,则根据本步骤的前述记录方法,有
1-2)生成位置指纹记录;
将生成的每一条位置指纹记录表示如下,
其中,locNum是该参考点编号,从1开始,到RefNum,每个采样点所有采样结束后该值增加1;xlocNum和ylocNum分别表示该采样点x轴和y轴方向上的物理坐标;符号“[]”表示组成一条位置指纹记录;“:”表示对应关系; 表示该采样点
处接收到MAC地址是 的AP的WiFi信号强度是 其中
按所述步骤(1-1)的方法计算。
3.根据权利要求2所述的WiFi指纹室内定位方法,其特征在于,所述步骤(2-1-1)计算RSS平均值和统计方差的具体方法,包括如下步骤:
将接收到的来自MAC相同的AP的WiFi信号强度中满足
的条目按公式⑸组成一个新的集合
此处记为 信号强度为所述步骤(1-1)中的
表示该集合与 有关,记该集合中的
元素 个数 为 则 按下 述公 式⑹ 计 算集 合
中所有元素的平均值
其中 表示对集合
中所有元素求和,按下述公式⑺计算集合 中所有元素
的统计方差;
4.根据权利要求3所述的WiFi指纹室内定位方法,其特征在于,所述步骤(2-1-2)数据的去除,去除步骤的前提是当统计方差 较小时,典型值是
认为集合 中的
元素的区别度很小,不足以满足定位对数据差异性的要求,去除所有来自MAC地址是的AP的WiFi信号强度数据。
5.根据权利要求4所述的WiFi指纹室内定位方法,其特征在于,所述步骤(2-1-3)数据的归一化的方法,包括如下步骤,记所述步骤(2-1-1)的集合
中所有元素的最大值是 最小值是
对于不同的接收机,其增益不同,因此即使在固定的两个
参考位置上,不同的接收机测量同一AP的接收信号强度也有固定差值,则使用如下方法消除差异:用测量值减去在整个待测区域中的测量得到的最小值
然后再进行归一化,具体按下述公式⑻计算归一化的
RSS值
定义和记录方法见所述步骤(1-1),则最终得到的RSS归
一化值 满足
6.根据权利要求5所述的WiFi指纹室内定位方法,其特征在于,所述步骤(2-1-4)数据聚类,包括如下步骤:
2-1-4-1)使用固定超球体积确定聚类中心个数;
将上述步骤(2-1-3)生成的不同参考点处获得的来自不同AP的WiFi信号的RSS归一化值组成如下总体训练集TotalTraining;
其中,符号“{}”表示组成训练集,每个“[]”内的数据是一个归一化数据条目,且对应于一个参考点,locNum是该参考点编号,从1开始,依次加1,xlocNum和ylocNum分别表示该采样点x轴和y轴方向上的物理坐标,MACj:rss(locNum,MACj)按所述步骤(2-1-3)计算,表示在编号为locNum的参考点上计算的MAC地址是MACj的AP的WiFi信号强度归一化值是rss(locNum,MACj),参考点的总个数为RefNum个,totalmac是在待定位区域内共检测到的可见AP数目;
按下述公式(11)计算总体训练集TotalTraining中第p个和第k个归一化数据条目之间的欧式距离
令p依次等于1,2,……,RefNum,从而遍历TotalTraining中所有条目,对于一个固定的p值,令k也依次等于1,2,……,RefNum,对于每一对p和k,都按上述公式(11)计算欧式距离,最后,取所有欧式距离中的最大值作为总体训练集TotalTraining中所有条目之间最大欧氏距离TotalTrainingMaxDist,记录所有欧式距离中较大的k(k的值按下述公式(15)计算)个距离对应的p值和q值,则一共有2k个数值,从中随机取k个,序号依次为V1,V2,...,Vk,其中,1≤V1
k=DivNumtotalmac (15);
其中,DivNum=2,3,……,10,典型值是2,totalmac的定义见所述步骤(1-1-1);
2-1-4-2)使用接收信号强度的欧式距离和坐标距离度量的聚类算法进行聚类;
记第n次确定聚类中心过程中,使用的k个聚类中心分别为
其中,rssClassCenterin的
组成如下:
rssClassCenter(n,i,MACj),AverageXLocation(n,i),以及AverageYLocation(n,i)分别表示在第n次确定聚类中心过程中,计算出的第i个聚类中心的MAC地址是MACj的AP的WiFi信号强度、x轴坐标和y轴坐标,这三个值需在下述过程中计算或者确定;
聚类算法步骤如下:
I)第1次聚类时,n=1,选取总体训练集TotalTraining中参考点编号为V1,V2,...,Vk(V1,V2,...,Vk按所述步骤(2-1-4-1)计算)的k个数据条目作为k个初始聚类中心如总体训练集TotalTraining中编号为Vp的条目被随机选为第q个聚类中心
其中Vp,q均为自然数且都不大于RefNum,p不大于k;则下述(totalmac+2)
个关系式成立,
II)执行步骤III~步骤V,直到
等于
就结束聚类过程,此
时得到的k个聚类中心
rssClassCenter1,rssClassCenter2,...,rssClassCenterk;
其中,rssClassCenteri(i=0,1,...,k)组成如下;
rssClassCenter(i,MACj),AverageXLocation(i),以及AverageYLocation(i)分别表示计算出的第i个聚类中心的MAC地址是MACj的AP的WiFi信号强度、x轴坐标和y轴坐标,可由公式组(91)完全确定
AverageXLocation(i)=AverageXLocation(n+1,i)
AverageYLocation(i)=AverageYLocation(n+1,i)
rssClassCenter(i,MAC1)=rssClassCenter(n+1,i,MAC1)
rssClassCenter(i,MAC2)=rssClassCenter(n+1,i,MAC2)
......,
rssClassCenter(i,MACj)=rssClassCenter(n+1,i,MACj)
......,
rssClassCenter(i,MACtotalmac)=rssClassCenter(n+1,i,MACtotalmac)(91)rssClassCenter(n+1,i,MACj),AverageXLocation(n+1,i)和AverageYLocation(n+1,i)分别表示在第n+1次确定聚类中心过程中,计算出的第i个聚类中心的MAC地址是MACj的AP的WiFi信号强度、x轴坐标和y轴坐标;
n+1
上述公式组(91)等价于公式(70),rssClassCenteri 的定义见公式(16);
rssClassCenteri=rssClassCenterin+1 (70)
对于训练集TotalTraining中第c个条目,按下述公式(18)依次计算该条目与所有k个聚类中心归一化接收信号强度的欧氏距离与坐标距离的乘积;
计算训练集TotalTraining中第c个条目与聚类中心 归一化接收信号强
度的欧氏距离与坐标距离的乘积Distcv公式如下,
其中,“·”表示数值相乘运算,c,v均为自然数且都不大于RefNum;
在所有k个聚类中心归一化接收信号强度的欧氏距离与坐标距离的乘积中,取其中最小值对应的聚类中心作为该条目重新划分的聚类中心;
按本步骤的上述过程将训练集TotalTraining中所有条目重新划分聚类中心;
IV)重新计算当前聚类中心;
;进行完上述步骤III后,训练集TotalTraining中的第N1,N2,N3,...,Nw个条目被划分到第r个聚类中心,其中1≤N1
当上述步骤(2-1-4-2)进行完后,形成了k个聚类中心,依次为rssClassCenter1,rssClassCenter2,...,rssClassCenterk,总体训练集TotalTraining中每个条目会被划分到一个聚类中心,以下将总体训练集TotalTraining按聚类中心重新生成训练子集。举例如下:将总体训练集TotalTraining中归属于第u个聚类中心的条目组成训练子集TrainingSub Setu;记条目的参考点编号依次为
共eu个;
其中,符号“{}”表示组成训练集,每个“[]”内的数据是一个归一化数据条目,且对应于一个参考点,Ma是该参考点编号,xa和ya分别表示该采样点x轴和y轴方向上的物理坐标,MACj:rss(Ma,MACj)按所述步骤(2-1-3)计算,表示在编号为Ma的参考点上计算的MAC地址是MACj的AP的WiFi信号强度归一化值是rss(Ma,MACj),训练子集TrainingSubSetu条目的总个数为eu个。
8.根据权利要求7所述的WiFi指纹室内定位方法,其特征在于,所述步骤(2-2)按训练子集分区域训练最小二乘支持向量回归机模型,由于位置坐标分x轴坐标和y轴坐标,而且在所述步骤(2-1)中划分了k个训练子集,因此分别对训练子集
TrainingSubSet1,TrainingSubSet2,……,TrainingSubSetk训练最小二乘支持向量回归机模型;
训练TrainingSubSetu这一子集x轴坐标和y轴坐标的最小二乘支持向量回归机模型包括如下步骤:
2-2-1)使用训练子集训练x轴坐标的最小二乘支持向量回归机模型
用下述表达式(21)所示的训练子集训练最小二乘支持向量回归机模型;
其中,符号“{}”表示组成训练集,一个“[]”内的所有数据是一个数据点;
数据点
表示以totalmac维向量
(rss(Ma,MAC1),rss(Ma,MAC2),...,rss(Ma,MACtotalmac))T作为输入,又称totalmac列向量,T表示转置,其对应的输出为 其中a是自然数且不大于eu,以下记
rss(Ma)=(rss(Ma,MAC1),rss(Ma,MAC2),...,rss(Ma,MACtotalmac))T(22)
将训练子集SubTraingClassificationu中的数据点带入如下最小二乘支持向量回归机模型,求得其解
其中, 是对训练子集
SubTraingClassificationu建立的最小二乘支持向量回归机模型中待确定的变量,αu代表它们的整体,rss()含义见公式(22),C是惩罚参数,典型值为0.06,δij的定义如下,K(rss(Mi),rss(Mj))是核函数,其原型是K(x,x'),通过构造不同的核函数,对比定位精度,确定了一种新型的核函数K(x,x'),其表达式见下述公式(95):
其中,exp()是以e为底数的指数函数,ρ取值为正数,都是训练集中的数据,都是n维向量,xl、x’l分别是x、x’的第l维分量;
K(rss(Mi),rss(Mj))的具体形式如下,
rss(Mi,MACt)按前述步骤(2-1-3)计算,exp()是以e为底数的指数函数,σ的典型值为DivDiameter,DivDiameter按照上述公式(13)计算;上述模型(23)和(24)的含义是:变量在条件(24)的约束下,求模型(23)的最大值;
任意选取s(1≤s≤eu),用模型(23)和(24)的解 按公式(27)计
算
按公式(28)计算出x轴坐标的回归函数,
符号“·”表示数值相乘运算, 是由表达式(20)定义的
SubTraingClassificationu中的第Ms个数据点的输出,xu是回归函数输出的待定位点x轴坐标的值;
其中,rss(MACt)的计算方法如下:RSS(MACt)是在待定位点测得的MAC地址是MACt的WiFi信号强度平均值(15秒测量一次,测量10次后计算平均值,如某次测量检测不到该WiFi,则认为不可接收到MACt的信号),按公式(29)计算rss(MACt)
其中,MaxReceiveRSS(MACt)和MaxReceiveRSS(MACt)分别是所述步骤(2-1-1)定义的集合ReceivedRSSSet(MACt)中所有元素的最大值和最小值;
训练子集SubTraingClassificationu的x轴坐标的统计方差 按公式(30)计算,标准差 按公式(31)计算,
2-2-2)使用训练子集训练y轴坐标的最小二乘支持向量回归机模型;
用下述表达式(32)所示的训练子集训练最小二乘支持向量回归机模型,
其中,符号“{}”表示组成训练集,一个“[]”内的所有数据是一个数据点,数据点举例说明如下:
表示以totalmac维向量,又称totalmac列向量
(rss(Ma,MAC1),rss(Ma,MAC2),...,rss(Ma,MACtotalmac))T作为输入,T表示转置;对应的输出为 其中a是自然数且不大于eu,以下记
rss(Ma)=(rss(Ma,MAC1),rss(Ma,MAC2),...,rss(Ma,MACtotalmac))T(33);
将训练子集SubTraingClassificationu'中的数据点带入如下最小二乘支持向量回归机模型,求得其解
其中, 是对训练子集SubTraingClassificationu'建立的最小二乘
u
支持向量回归机模型中待确定的变量,β代表它们的整体,rss()、C、δij、K(rss(Mi),rss(Mj))的含义、形式和取值见步骤(2-2-1);
上述模型(34)和(35)的含义是,变量 在条件(35)的约束下,求模型
(34)的最大值;
任意选取g,其中1≤g≤eu,用模型(34)和(35)的解 按公式(36)计算
按公式(37)计算出y轴坐标的回归函数
符号“·”表示数值相乘运算, 是由表达式(32)定义的
SubTraingClassificationu'中的第Mg个数据点的输出,yu是回归函数输出的待定位点y轴坐标的值,rss(MACt)的计算方法与步骤(2-2-1)相同;
训练子集SubTraingClassificationu'的y轴坐标的统计方差 按公式(38)计算,标准差 按公式(39)计算,
9.根据权利要求8所述的WiFi指纹室内定位方法,其特征在于,所述步骤(3-1)权重因子的计算,包括如下步骤:
实际应用WIFI指纹室内定位方法定位时,需按所述步骤(2-2-1)获取rss(MACt)的方法获得该待定位点的位置指纹rss(MAC1),rss(MAC2),...,rss(MACtotalmac),计算该位置指纹与所述步骤(2-1-4-2)中获得的k个聚类中心,rssClassCenter1,rssClassCenter2,...,rssClassCenterk的WiFi信号强度的欧氏距离,下面以计算与第f个聚类中心,rssClassCenterf的WiFi信号强度的欧氏距离为例说明
其中,rssClassCenter(f,MACr)表示计算出的第f个聚类中心的MAC地址是MACr的AP的WiFi信号强度,计算方法参考所述步骤(2-1-4-2);
然后计算k个聚类中心在最终定位结果中所占权重λ1,λ2,...,λk,其中第v个聚类中心在最终定位结果中所占权重λv计算公式如下,
其中, 的计算方法见所述步骤(2-2-1)中公式(31), 的计算方法见所述步骤(2-
2-2)中公式(39);
选取λ1,λ2,...,λk中最大的3个值即可获得准确的最终定位,记最大的3个权重因子由大到小依次为 其中m1,m2,m3都是取值介于1到k的自然数,cof的取值决定
distv和 对权重λv的影响,cof越大, 对λv影响越大,cof的取值应
介于0.1到10之间,典型值为1。
10.根据权利要求9所述的WiFi指纹室内定位方法,其特征在于,所述步骤(3-2)进行位置坐标的计算,包括如下步骤:
将该待定位点的位置指纹
rss(MAC1),rss(MAC2),...,rss(MACtotalmac)分别代入第m1,m2,m3个训练子集的x轴坐标的最小二乘支持向量回归机的回归函数,计算出对应的x轴坐标的输出值
计算回归函数时,分别用m1,m2,m3替代所述公式(28)中的u,即可得对应
的回归函数;
按公式(42)计算本发明的定位方法最终输出的x轴坐标xoutput;
同理,将该待定位点的位置指纹,rss(MAC1),rss(MAC2),...,rss(MACtotalmac)分别代入第m1,m2,m3个训练子集的y轴坐标的最小二乘支持向量回归机的回归函数,计算出对应的y轴坐标的输出值 计算回归函数时,分别用m1,m2,m3替代所述公式(37)中
的u,即可得对应的回归函数;
按公式(43)计算本发明的定位方法最终输出的y轴坐标youtput;
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
快速原型方法和设备 | 2020-05-11 | 339 |
女西裤原型的裁剪方法 | 2020-05-12 | 61 |
快速原型开发设备和快速原型开发方法 | 2020-05-13 | 215 |
快速原型开发设备和快速原型开发方法 | 2020-05-13 | 641 |
上衣原型领口裁剪方法 | 2020-05-13 | 885 |
原型工件的制造方法 | 2020-05-13 | 216 |
原型模制材的制造方法 | 2020-05-14 | 974 |
自动加速原型生成系统 | 2020-05-12 | 443 |
原型裁剪速算尺 | 2020-05-14 | 659 |
一种三球原型仪 | 2020-05-14 | 578 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。