一种用于实时监控的WLAN室内位置指纹定位方法

摘要

一种用于实时监控的WLAN室内位置指纹定位方法，属于WLAN室内定位技术领域。本发明是为了解决位置指纹定位系统中，定位服务器能耗及系统总耗能过多的问题。本发明所述的一种用于实时监控的WLAN室内位置指纹定位方法，首先对参考点的物理区域进行划分，使定位监控实时性提高了6倍；然后对参考点接收到的AP信号进行分区域聚类筛选，使定位监控实时性又提高了3倍；最后对数据进行压缩传输后再重构，使移动终端能耗降低到33%，从而延长可工作时间，同时使定位监控系统的整体耗能减少到33%。本发明仅用一个定位服务器处理定位和监控移动终端位置，使移动终端的使用周期延长3倍。本发明适用于需要经常定位监控的场合。

主权项

一种用于实时监控的WLAN室内位置指纹定位方法，其特征在于，所述室内定位空间内设置有N个等间距分布在室内定位空间内的参考节点和M个无线接入节点AP，使室内定位空间内的任意位置均能够接收到至少一个无线接入节点AP发出的无线信号，且所接收到的信号强度应大于‑95dBm，M和N均为正整数；根据所有参考节点的物理位置，采用K均值聚类算法将参考节点所在的室内定位空间划分为α块定位子区域，记作：S₁,S₂,...,S_α，其中α为正整数，所述定位方法包括以下步骤：步骤一：待定位的移动终端利用室内定位空间中用来压缩数据的权值矩阵，把接收到的来自所有无线接入节点AP的接收信号强度值RSS值压缩成一个γ维RSS向量，γ为正整数，然后执行步骤二；步骤二：根据室内定位空间中用来重构数据的变换矩阵将步骤一获得的γ维RSS向量恢复成M维RSS向量，从而得到M个无线接入节点AP的接收信号强度值RSS值，然后执行步骤三；步骤三：对步骤二获得的M个无线接入节点AP的接收信号强度值RSS值进行粗定位，初步确定待定位的移动终端的位置，然后执行步骤四；步骤四：根据步骤三获得的待定位的移动终端的位置和定位子区域，对步骤三获得的粗定位后的RSS值进行筛选，并采用KNN算法对筛选后的RSS值进行精定位，最终得到待定位的移动终端的定位结果；所述的采用K均值聚类算法将参考节点所在的室内定位空间划分为α块定位子区域的方法，它包括以下步骤：步骤一1：在室内定位空间内任意选取一点作为原点建立直角坐标系，以N个参考节点的物理位置作为描述参考节点的参数，在N个参考节点中随机选取K个初始聚类中心，记作：Z₁(1),Z₂(1),...,Z_K(1)，其中K＝α且0≤K<N，聚类中心括号内数字表示迭代次数，然后执行步骤一2；步骤一2：按最小欧氏距离原则将剩余参考节点分配到某一个初始聚类中心中：min{||X‑Z_i(k)||,i＝1,2,…,K}＝||X‑Z_j(k)||＝D_j(k)其中X为样本点，且有X∈S_j(k)，S_j(k)为第j个聚类，k为迭代次数，j为类别标号，Z_j(k)为第k次迭代时第j个类别的聚类中心，D_j(k)为第k次迭代时，样本与样本所在的类别的聚类中心之间的欧氏距离，然后执行步骤一3；步骤一3：计算各聚类中心的新向量值：$Z_j(k+1)=\frac{1}{N_j}\underset{X\in S_j\left(k\right)}{\Sigma }X,j=1,2,...,K$其中N_j为第j个类别所含样本的个数，然后执行步骤一4；步骤一4：判断Z_j(k+1)与Z_j(k)的关系；当Z_j(k+1)≠Z_j(k)时，返回步骤一2；当Z_j(k+1)＝Z_j(k)时，算法收敛，完成计算，获得α块定位子区域，记作：S₁,S₂,...,S_α，并得到α个距离聚类中心最近的参考节点，记作：X₁,X₂,...,X_α。