一种基于组合排序分类的位置指纹定位方法

摘要

本发明提出了一种基于组合排序分类的位置指纹定位方法，包括步骤如下：步骤一：学阶段；步骤二：位置指纹库分类；步骤三：定位阶段；步骤四：阈值判定。本发明通过在位置指纹定位算法中对位置指纹库进行组合排序分类处理，将位置指纹库划分成了多个子类，从而大大降低了在定位阶段的运算复杂度，达到定位实时性好的目的。相对于传统的定位算法，本发明更适合定位面积大、参考点密度高、信号源个数多的环境，反应迅速，误差较小。

主权项

一种基于组合排序分类的位置指纹定位方法，其特征在于，该指纹定位包括步骤如下：设室内定位环境中分布着M个无线AP信号源和N个平均分布在室内空间的参考点，室内定位环境中的每个位置都能接收到至少两个无线AP信号源发出的无线信号，并且无线信号强度大于‑98dBm；确定分类时所选取有效信号源的个数为m，且m≤M；步骤一：学习阶段在室内定位环境中每一个参考点处采样Wi‑Fi信号，并根据每个参考点接收到的信号强度值向量R＝[r_ap1,r_ap2......r_apM]建立位置指纹库，其中r_api表示该参考点接收到的第i个信号源的信号强度值；步骤二：位置指纹库分类首先设定参与分类的信号源个数的基准值m，针对每一个参考点的信号强度值向量，如果两个参考点R_i和R_j的信号强度值向量具同时满足以下条件，则将其归为同一子类：1)R_i和R_j中前m大的信号强度值对应的信号源是同一信号源集合S_AP＝{AP₀,AP₁,AP₂......AP_m‑1}，其中AP_i表示信号源编号；2)在满足1)的条件下，R＝[r_ap1,r_ap2......r_apM]中S_AP对应的信号强度值的大小顺序是一致的：即如果分别对R_i和R_j中前m大的信号强度值进行由大到小排序，或由小到大排序，R_i和R_j中前m大的信号强度值排序之后，该m个信号强度值所对应的信号源编号顺序是一致的；如果不同时满足以上两个条件，则将R_i和R_j归为不同的子类；这样就将全部的位置指纹库划分为$A_M^m=\frac{M!}{(M-m)!}$个子类，即$C=\{C_1,C_2......C_{A_M^m}\},$其中C_i表示同时满足以上两个条件的所有参考点的信号强度值构成集合；步骤三：定位阶段首先，从待定位点接收到的信号强度值向量R_x＝[r_ap1,r_ap2......r_apM]找出前m个最大的信号强度值，然后再根据步骤二中的两个条件判决出R_x所属子类：即先对前m个信号强度值，按照与步骤二的2)相同的排序规则进行排序，根据该排序所对应信号源的编号顺序来判定R_x的位置指纹库C_x，其中C_x∈C；然后，运用K最邻近结点算法计算出首次定位位置：即设C_x中前K个最邻近参考点的坐标集合是{(x₁,y₁),(x₂,y₂).......(x_K‑1,y_K‑1)}，待测点的首次定位坐标是：其中K为不小于2的正整数；步骤四：阈值判定设定一个误差阈值V，如果本次定位位置(x,y)与上一次定位位置(x_pre,y_pre)的欧式距离超过V，则视为误差过大，将两个位置的平均值设定为本次定位位置，即再次计算(x,y)与(x_pre,y_pre)之间的欧式距离，直到位置距离不超过V，得到的定位位置(x,y)即为最终定位结果。