[发明专利]终端间Wi-Fi信号的信号强度差异修正方法

说明书

一种无线通信技术领域的终端间Wi‐Fi信号的信号强度差异修正方法，根据初始转移函数对在线终端采集到的观测指纹映射至离线指纹数据库空间，然后与离线数据库中的指纹信息进行指纹匹配得到匹配指纹，再利用观测指纹和匹配指纹计算更新后的Wi‐Fi信号的信号强度转移函数的参数，重复计算直至满足收敛条件后，得到最终的转移函数及其参数，最后对观测指纹进行映射并计算得到离线指纹数据库中的匹配指纹和最终位置结果。本发明对Wi‐Fi信号的信号强度差异进行修正，相对现有方法增加了回归的指纹数量并对异常信号强度进行了处理，然后用优化KNN算法实现指纹匹配，实现了定位精度的明显提升。

技术领域

本发明涉及的是一种无线通信领域的技术，具体是一种基于EM(期望最大化，Expectation Maximization)算法的不同终端间Wi‐Fi信号的信号强度差异修正方法。

背景技术

随着无线通信与网络技术的飞速发展，无线技术已经深入到了方方面面，譬如医疗、工业、物流、交通、公共安全等领域及其他与人们生活息息相关的方面。正因为现在的无线信息资源相当广泛且能够被用户利用，所以基于无线系统的室内定位技术也得到了快速发展，而Wi‐Fi指纹定位方法是目前主流的室内定位方法之一。这种定位系统一般分为离线训练阶段和在线定位阶段。离线训练阶段需要建立室内空间的Wi‐Fi场强指纹数据库，在线定位阶段则根据当前检测到的指纹与数据库中的指纹进行匹配，得到定位结果。

传统的Wi‐Fi指纹定位方法忽略了在线终端和离线终端的差异性。实际上不同终端间Wi‐Fi信号的信号强度可能存在很大的差异。当在线终端和离线终端是不同终端时，这种不同终端间Wi‐Fi信号的信号强度差异会造成定位精度的下降，甚至可能是严重下降，因此，不同终端间Wi‐Fi信号的信号强度的差异问题必须加以解决。

经过对现有技术文献的检索发现，A.W.Tsui，Y.H.Chuang等人在2009年的MobileNetworks and Applications会议上所发表的论文Unsupervised learning for solvingRSS hardware variance problem in Wi‐Fi localization中提出了解决Wi‐Fi定位中RSS硬件差异性问题的非监督学习方法，该方法考虑到在同一个位置不同终端采集到的RSS指纹间的Wi‐Fi信号的信号强度存在线性的映射关系，针对不同的终端类型，提出了一种非监督学习方法，通过该方法学习获得不同终端间Wi‐Fi信号的信号强度的转移函数，从而实现检测到的指纹间的映射，减小不同终端间Wi‐Fi信号的信号强度的差异。但是该方法存在两方面的不足：1)对于采集得到指纹的异常信号强度分量没有进行特殊处理，导致定位精度较低；2)每次只根据一个观测指纹来计算得到新的转移函数，不能准确得到转移函数。

经过对现有技术的检索发现，中国专利文献号CN104540219A，公开(公告)日2015.04.22，公开了一种低复杂度的Wi‐Fi指纹室内定位方法，通过在室内环境中，利用终端接收到的多个AP的Wi‐Fi信号的信号强度RSSI以及磁力计方向确定终端位置。在建立指纹数据库阶段，通过采样平均建立指纹库。在实时定位阶段，根据终端方向以及前一时刻的位置，得到指纹库子集用于计算位置，从而减小匹配算法的计算复杂度。但该技术在不同终端在同一位置采集到Wi‐Fi信号的信号强度存在差异及该差异引起的Wi‐Fi指纹定位系统定位精度的降低。

中国专利文献号CN102932738A，公开(公告)日2013.02.13，公开了一种改进的基于分簇神经网络的室内指纹定位方法。其技术方案是，离线阶段，用参考点处采集的指纹信息构建指纹数据库；利用聚类算法对指纹数据库中的指纹进行分类；再利用人工神经网络模型对各参考点的指纹与位置信息进行训练，得出最优的网络模型。在线阶段，将采集的实时指纹信息与指纹数据库中的类中心进行类匹配，确定初步定位区域；并将初步定位区域中包括的实时指纹信息作为参考点的神经网络模型的输入端，从而获取最终的精确位置估计。但当在线阶段与离线阶段采用的终端种类不同时，不同终端间Wi‐Fi信号的信号强度差异会造成定位精度的下降，导致该技术的位置估计不准确。