一种基于AP集相似度的Wi-Fi指纹定位方法

摘要

本发明涉及一种基于AP集相似度的Wi-Fi指纹定位方法，引入相似系数计算指纹AP集合的相似度，作为指纹匹配的重要指标。在定位阶段，首先利用基于区域相似度的训练指纹选择算法缩小指纹搜索区间，提高指纹匹配的准确度，同时，为提高指纹区域划分的自动性以及准确性，设计了基于室内空间布局以及K均值聚类的训练指纹区域划分方法；然后融合AP集相似度以及信号强度（RSS）信息得到距离计算公式，利用加权的k最近邻（KWNN）方法计算移动目标的位置；最后在实际的WLAN环境下进行定位，结果表明，本发明提出的方法具有更高的定位精度和定位准确率，能够很好地适应采集的指纹AP集差异性大的室内环境。

主权项

一种基于AP集相似度的Wi‑Fi指纹定位方法，其特征在于：按如下步骤操作：步骤一：给出了4种计算AP集合相似度的相似系数，包括Jaccard、Sorenson、Ochiai以及Kulczynski，相似系数介于0和1之间，0表示两个集合完全不相同，1则表示完全相同，四种系数定义如下，其中︱A︱、︱B︱、|A∩B|以及|A∪B|分别为集合A、B、A与B的交集以及A与B的并集中元素个数；${\mathrm{Jac}}_s(A,B)=\frac{|A\cap B|}{|A\cup B|},{\mathrm{Scr}}_s(A,B)=\frac{2|A\cap B|}{\left|A\right|+\left|B\right|},{\mathrm{Och}}_s(A,B)=\frac{|A\cap B|}{\sqrt{\left|A\right|*\left|B\right|}},$${\mathrm{Kul}}_s(A,B)=\frac{1}{2}(\frac{|A\cap B|}{\left|A\right|}+\frac{|A\cap B|}{\left|B\right|})$步骤二：设计区域相似度训练指纹选择算法；⑴、将训练指纹点划分为m个群，每个群的大小为n_i，i∈1…m，n_i常取4‑8之一，每一个群覆盖Wi‑Fi定位实验环境中的部分区域；⑵、计算观测指纹与每个群的训练指纹AP集合的平均相似度AOS，计算公式如下：${\mathrm{AOS}}_i=\frac{1}{n_i}·\underset{j=1}{\overset{n_i}{\Sigma }}{\mathrm{sim}}_j$  ①其中，AOS即average of similarity，j为每个群中对应指纹点标识，sim_j为观测指纹与群中第j个指纹点的相似度；⑶、选择1/T高相似度群的训练指纹参与后续计算；其中，T是一个经验阈值，T值的选取依赖于当前环境；T值过大会过滤掉许多离观测指纹相近的训练指纹点，T值过小则会引入部分低相似度指纹的干扰；步骤三：集成AP集相似度与RSS的指纹距离计算方法；利用AP集相似度以及RSS信息计算观测指纹与高相似度区域的训练指纹的距离，定义接收到的AP集合具有差异性的观测指纹与训练指纹间的距离为：$L_q={\left(\underset{i=1}{\overset{p}{\Sigma }}\right|{\mathrm{rssi}}_{oi}-{\mathrm{rssi}}_{ti}{|}^q)}^{\frac{1}{q}}/(p*s)$  ②其中为观测指纹与训练指纹的AP交集对应的RSSI距离，p为AP交集的元素个数，s为观测指纹与训练指纹的AP集合相似度，q＝1和2时分别是曼哈顿(Manhattan)和欧几里德(Euclidian)距离；得到观测指纹与训练指纹的距离后，采用KWNN方法计算移动目标位置，选取K(K≥2)个距离最小的训练指纹后，对每个训练指纹坐标乘以一个加权系数，最后求和即可获得目标位置，KWNN方法计算公式如下：$c=\underset{i=1}{\overset{K}{\Sigma }}(\frac{1}{{\mathrm{Lq}}_i+ϵ}\times c_i)$  ③步骤四：融合室内空间布局以及K‑Mean的训练指纹区域划分方法；⑴、根据室内环境布局以及AP的部署方式，将室内环境划分为几个子空间；⑵、针对每个子空间中的指纹进行K‑Mean聚类，结果代入公式①、②及③中计算测试点的坐标，通过对当前环境的指纹区域划分结果进行多次聚类，选择适合当前环境的指纹区域划分方式；⑶、整合多个子空间的最优指纹划分方式作为全区域指纹划分。