WiFi室内定位中基于贝叶斯回归的Radio Map校正方法

摘要

本发明公开了一种WiFi室内定位中基于贝叶斯回归的Radio Map校正方法，包括以下步骤：A．进行定位请求：WiFi设备发出定位请求，搜集功率指纹并发送到定位服务器；B．进行位置估计：定位服务器将当前的功率指纹和保存在Radio Map中的功率进行对比，由给定的当前WiFi功率指纹值，预测当前节点的位置；C．进行精度调整：利用贝叶斯回归算法对Radio Map进行在线动态校正，通过高斯过程回归迭代，把功率标准差缩小到米一级的精度，并转换为位置误差的标准差；D．进行定位回复：定位服务器将预测位置和位置误差的标准差通过WiFi网络发送到定位请求方。利用该方法减少了硬件开销及定位时延，为定位对象提供了更可靠的预测结果。

主权项

WiFi室内定位中基于贝叶斯回归的Radio Map校正方法，其特征在于：包括以下步骤：A.进行定位请求：WiFi设备发出定位请求，搜集功率指纹，并将功率指纹发送到定位服务器；B.进行位置估计：定位服务器利用模式分类法将当前发送的功率指纹和保存在Radio Map中的功率进行对比，由给定的当前WiFi功率指纹值，预测当前节点的位置；所述的模式分类法的工作过程为：如果一个样本在特征空间中的k个最相似的样本中的大多数属于某一个模式类别，则该样本也属于这个模式类别，在定类决策上只依据最邻近的一个或几个样本的模式类别来决定待分样本所属的模式类别，k为自然数；C.进行精度调整：利用贝叶斯回归算法对Radio Map进行在线动态校正，通过高斯过程回归迭代，把功率标准差缩小到米一级的精度，并转换为位置误差的标准差，采用定位误差标准差的形式来表示定位精度；所述的高斯过程实现：在所有位置上预测功率的概率密度函数；对功率值的噪声进行平滑处理；提供功率预测的标准差；D.进行定位回复：定位服务器将预测位置和位置误差的标准差通过WiFi网络发送到定位请求方；其中：所述的步骤B中给定的当前WiFi功率指纹值，预测当前节点的位置是利用零均值高斯过程回归方法，针对AP进行功率强度预测；所述的零均值高斯过程回归方法对每个AP建立RSS观测值，并建立在线RSS观测图，该观测值具有零均值高斯先验概率密度函数，每个AP的训练数据都是成对形式：{(x₁,y₁),(x₂,y₂)…(x_N,y_N)}，其中x是一个2维位置，y是在位置x处的AP的RSS值，初始时，一个N×N的协方差矩阵R在N个观测值的训练数据集上利用似然函数进行计算，当所有收集到的数据集(X,Y)都有协方差矩阵R之后，就利用贝叶斯推理的边缘化特性来估计该AP在未知输入x*时的信号功率概率密度函数：$\left\{\begin{array}{c}{\mu }_{x*}=r(x*,X){(R+{\sigma }_n^{2}I)}^{-1}Y,\\ {\sigma }_{x*}^2=r(x*,x*)-r{(x*,X)}^T{(R+{\sigma }_n^{2}I)}^{-1}r(x*,X)\end{array}\right.---\left(11\right)$其中是在该AP位置处的预测均值RSS，r(x*,X)是N元里的一个向量，R是N×N的协方差矩阵，是协方差，I是单位矩阵，Y是噪声过程，是功率标准差，由对x*按(11)进行计算得到的结果和对应的X共同组成；在远离任何AP、高斯过程回归为零均值、所预测的RSS值也趋于零的场景下，采用对数距离均值高斯过程回归来进行RSS预测，高斯过程回归的训练数据是对数距离模型中RSS观测值和预测值之间的差值，位置x*的预测残差RSS为：$\left\{\begin{array}{c}{\mu }_{x*}=m\left(x*\right)+r\left(x*,X\right){\left(R+{\sigma }_n^{2}I\right)}^{-1}\left(Y-m\left(X\right)\right),\\ m\left(x*\right)=Q+B.\log \left(\left|\right|x*-r_{AP}\left|\right|/d_0\right)\end{array}\right.---\left(12\right)$其中m(X)是随机向量X的均值函数，m(x*)是对数距离的路径损耗，Q＝PL₀+X_σ，PL₀是插值，X_σ是带标准方差σ的阴影衰落，B＝10n，||x*‑r_AP||是从AP位置r_AP到输入位置x*的距离，而d₀是测量的初始距离；所述的步骤C中利用贝叶斯回归算法对Radio Map进行在线动态校正包括以下步骤：C1.选择在线RSS观测图表中75％的数据进行Radio Map构建，剩下的25％数据用于检验所构建的Radio Map的准确性；C2.根据所构建的Radio Map，利用模式分类法对RSS值预测其位置，获得权重均值；模式分类法将Radio Map中点的位置和权重相对应，位置近的权重大；C3.将C2步骤得到的测试数据的位置和其参考位置进行比较，并记录下位置均方差；C4.如果位置均方差比门限值大，在每个AP中的超参数的估值将基于迭代算法，用拟合函数进行最大化的修改；迭代中，AP的功率RSS和Radio Map的构建需要重复进行，新的Radio Map与测试数据集都被反复利用，直到获得一个合理的均方误差；所述的门限值范围为0.01～0.1之间。