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;<math><![CDATA[<mrow><msub><mi>Jac</mi><mi>s</mi></msub><mrow><mo>(</mo><mi>A</mi><mo>,</mo><mi>B</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><mo>|</mo><mi>A</mi><mo>∩</mo><mi>B</mi><mo>|</mo></mrow><mrow><mo>|</mo><mi>A</mi><mo>∪</mo><mi>B</mi><mo>|</mo></mrow></mfrac><mo>,</mo><msub><mi>Scr</mi><mi>s</mi></msub><mrow><mo>(</mo><mi>A</mi><mo>,</mo><mi>B</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><mn>2</mn><mo>|</mo><mi>A</mi><mo>∩</mo><mi>B</mi><mo>|</mo></mrow><mrow><mo>|</mo><mi>A</mi><mo>|</mo><mo>+</mo><mo>|</mo><mi>B</mi><mo>|</mo></mrow></mfrac><mo>,</mo><msub><mi>Och</mi><mi>s</mi></msub><mrow><mo>(</mo><mi>A</mi><mo>,</mo><mi>B</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><mo>|</mo><mi>A</mi><mo>∩</mo><mi>B</mi><mo>|</mo></mrow><msqrt><mrow><mo>|</mo><mi>A</mi><mo>|</mo><mo>*</mo><mo>|</mo><mi>B</mi><mo>|</mo></mrow></msqrt></mfrac><mo>,</mo></mrow>]]></math><img file="FDA0000846396280000011.GIF" wi="1813" he="214" /></maths><math><![CDATA[<mrow><msub><mi>Kul</mi><mi>s</mi></msub><mrow><mo>(</mo><mi>A</mi><mo>,</mo><mi>B</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mrow><mo>(</mo><mfrac><mrow><mo>|</mo><mi>A</mi><mo>∩</mo><mi>B</mi><mo>|</mo></mrow><mrow><mo>|</mo><mi>A</mi><mo>|</mo></mrow></mfrac><mo>+</mo><mfrac><mrow><mo>|</mo><mi>A</mi><mo>∩</mo><mi>B</mi><mo>|</mo></mrow><mrow><mo>|</mo><mi>B</mi><mo>|</mo></mrow></mfrac><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000846396280000012.GIF" wi="798" he="189" /></maths>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<sub>i</sub>,i∈1…m,n<sub>i</sub>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:<math><![CDATA[<mrow><msub><mi>AOS</mi><mi>i</mi></msub><mo>=</mo><mfrac><mn>1</mn><msub><mi>n</mi><mi>i</mi></msub></mfrac><mo>·</mo><munderover><mo>Σ</mo><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>n</mi><mi>i</mi></msub></munderover><msub><mi>sim</mi><mi>j</mi></msub></mrow>]]></math><img file="FDA0000846396280000013.GIF" wi="493" he="181" /></maths> ①其中,AOS即average of similarity,j为每个群中对应指纹点标识,sim<sub>j</sub>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:<math><![CDATA[<mrow><msub><mi>L</mi><mi>q</mi></msub><mo>=</mo><msup><mrow><mo>(</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>p</mi></munderover><mo>|</mo><msub><mi>rssi</mi><mrow><mi>o</mi><mi>i</mi></mrow></msub><mo>-</mo><msub><mi>rssi</mi><mrow><mi>t</mi><mi>i</mi></mrow></msub><msup><mo>|</mo><mi>q</mi></msup><mo>)</mo></mrow><mfrac><mn>1</mn><mi>q</mi></mfrac></msup><mo>/</mo><mrow><mo>(</mo><mi>p</mi><mo>*</mo><mi>s</mi><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000846396280000014.GIF" wi="758" he="199" /></maths> ②其中<img file="FDA0000846396280000015.GIF" wi="510" he="206" />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:<math><![CDATA[<mrow><mi>c</mi><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>K</mi></munderover><mrow><mo>(</mo><mfrac><mn>1</mn><mrow><msub><mi>Lq</mi><mi>i</mi></msub><mo>+</mo><mi>ϵ</mi></mrow></mfrac><mo>×</mo><msub><mi>c</mi><mi>i</mi></msub><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000846396280000021.GIF" wi="494" he="189" /></maths> 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。 |