[发明专利]一种基于WiFi指纹的室内定位加权K近邻方法

说明书

本发明公开了一种基于WiFi指纹的室内定位加权K近邻方法,属于室内定位领域，主要涉及基于WiFi指纹匹配的指纹库中匹配点的选择和行人位置的计算技术。在目标节点与指纹库中的节点匹配时，提供了一种新的权值计算方法。相对于传统WKNN的算法在计算权值时只考虑欧氏距离，本发明方法中的权值计算公式不仅考虑到考虑到欧氏距离，还考虑到实际匹配计算过程中目标节点与指纹信息库中节点能够匹配到的WiFi数量。解决了传统WKNN算法计算中没有考虑到WiFi匹配数量导致定位精度低的问题。本发明在实际定位场景中可有效的提高定位精度，取得更好的定位效果。

技术领域

本发明属于室内定位领域，主要涉及基于WiFi指纹匹配的指纹库中匹配点的选择和行人 位置的计算技术。

背景技术

传统的基于RSS指纹的定位方法大致分为两个阶段:训练阶段和服务阶段。在训练阶段， 通过人工方式对定位区域不同位置的无线信号特征采样并存入位置指纹数据库。在服务阶段， 服务器端将目标节点所在位置的无线信号指纹与指纹数据库匹配，查找相似度最大指纹对应的 位置信息作为目标节点位置。

在传统的方法中，比较目标节点处与指纹库中的信号特征信息，使用较多的是K近邻方法 (K Nearest Neighbour，KNN)或是加权的K近邻方法(Weighted K NearestNeighbour，WKNN) 算法。KNN方法是在指纹信息库中选出k个离目标节点欧式距离最近的点，欧式距离的计算方 式如下：

其中d_i表示目标点与指纹库中第i个参考点之间的欧氏距离，RSS_ij表示第i个参考点的 信号强度矢量的第j个值，RSS_j表示目标点处的信号强度矢量的第j个强度值。然后根据这k 个指纹信息库中的节点坐标求平均计算出目标节点的估计坐标。

WKNN算法在KNN的基础上对目标节点处的信号特征信息与指纹库中的信号点的欧氏距离 最近的k个点赋予一个权值，然后根据这k节点加权后的坐标计算出目标点的估计位置坐标。 其计算方法如下：

其中表示目标节点坐标的估计值，k表示k个候选点，d_i表示第i个点到目标节点的 欧氏距离，(x_ri,y_ir)表示选出的k个欧式距离最近的节点中第r个点的坐标。

以下文献介绍了目前基于信号强度(RSS)指纹的方法：

[1]Bahl P,Padmanabhan V N.RADAR:an in-building RF-based user locationand tracking system[C]//INFOCOM 2000.Nineteenth Joint Conference of the IEEEComputer and Communications Societies.Proceedings.IEEE.IEEE Xplore,2000:775-784vol.2.

[2]南京信息工程大学.基于位置指纹识别算法的安卓设备WiFi室内定位方法:中国,CN201310120751.2[P].2013-7-10.

文献[1]中微软研究院提出的RADAR系统，系统采用KNN算法，在KNN方法计算中，选出 的k个欧氏距离最近节点在计算目标节点时的权值是一样的，但由于欧式距离不同的节点相对 目标节点的实际距离理论上是不同的，所以KNN算法不能很好的反应出欧式距离与实际距离的 关系。文献[2]中采用加权的KNN算法，将欧氏距离作为权值，即使用公式(2)中的传统WKNN 计算方式，传统WKNN虽然考虑了不同的欧式距离对于目标节点的实际距离的差异，但在权值 计算方式上只使用了欧式距离的作为计算加权值的唯一因素，没有考虑到实际匹配计算过程中 目标节点与指纹信息库中节点能够匹配到的WiFi数量，所以该方法定位精度有限。

发明内容