[发明专利]使用聚集技术生成无线网络接入点模型

说明书

公开了使用聚集技术生成无线网络接入点模型。本技术涉及生成用于确定区域内的位置的无线网络接入点模型。在一个示例中，接收多个扫描矢量，每个扫描矢量表示用于无线网络接入点标识符集合的信号强度集合，并且与移动设备移动通过测量该信号强度集合的区域的区域内的位置相关联。通过迭代分隔阶段来生成集群集合，直到该组集群中的集群的数目等于集群的最大数目或者没有识别出的坏扫描矢量。坏扫描矢量可以包括具有与该矢量被指派到的集群的中心的矢量差小于最小相似度值的矢量。然后使用该集群集合来生成该区域的模型。

技术领域

本申请涉及使用聚集技术生成无线网络接入点模型。

背景技术

室内定位模型通常使用无线网络接入点标识符和相关信号强度的扫描来生成。这些扫描然后被布置成用于确定位置的模型。一种常见的方法利用指纹。例如，对于较小的区域，来自接收的所有扫描的信号强度的平均值是这些区域的良好指示符，并且可以用作该区域的模型或指纹。但是，对于较大的区域，所有扫描的平均值只能提供该区域的无线网络接入点标识符列表。如果更大的区域更接近较小的区域，则通过简单地查看扫描的平均值可能难以区分。在具有许多较小房间和较大走廊的建筑物中通常是这种情况。为了解决这个问题，可以使用K均值聚集方法将扫描聚集在一起以创建模型。为了确定特定扫描的位置，只需识别扫描所属于的集群。

K均值聚集方法导致将数据分割成K个Voronoi小区。该问题在计算上困难；然而，存在通常使用并快速收敛到局部最优的高效的启发式算法。这些通常与期望最大化算法相似。K均值算法由两个阶段的迭代组成：(1)更新标签阶段，其将观察指派到K的预定值的最近中心，以及(2)更新平均阶段，其根据所述指派重新计算中心。当更新标签阶段稳定时迭代结束，这提供了局部最优解。

使用典型的K均值聚集方法，K是已知的值。但是，在室内空间变化很大的情况下，K将取决于该区域的大小和形状以及该区域中无线网络接入点分布的性质。在更基本的K均值聚集方法中，诸如那些用于先前的无线网络接入点聚集的方法，如果一个或多个集群的大小过大，则以K的小值开始并增加K。这种方法对于较大的区域(诸如，商场(例如，室内或室外商店分组))效率不高，并且不能导致所有集群与集群中心处的矢量数据具有类似矢量差的解。

发明内容

本公开的各方面提供了一种生成用于确定区域内的位置的无线网络接入点模型的方法。该方法包括接收多个扫描矢量，每个扫描矢量包括表示无线网络接入点标识符集合的信号强度集合以及与移动设备移动通过测量信号强度集合的区域的所述区域内的位置相关联的数据。该方法进一步包括执行分隔阶段以生成集群集合。该分隔阶段包括基于扫描矢量和指派到扫描矢量被指派到的集群的中心的矢量数据之间的矢量差，将多个扫描矢量中的每个扫描矢量指派到集群，将多个扫描矢量中的一个或多个扫描矢量识别为用于启动附加集群的候选，所述候选是具有以下特征的扫描矢量：在所述扫描矢量和指派到扫描矢量被指派到的集群的中心的矢量数据之间的差小于集群的预定最小相似度值，从被识别为用于启动附加集群的候选的一个或多个扫描矢量中选择与指派到扫描矢量被指派到的集群的中心的矢量数据最不相似的扫描矢量，在集群集合中创建附加集群并将所选的扫描矢量指派到附加集群，将所选的扫描矢量的矢量数据指派到附加集群的中心，重新计算指派到集群集合中的任何集群中心的矢量数据，并且迭代分隔阶段，直到集群集合中的集群的总数等于集群的预定最大数目或者直到没有识别出用于启动附加集群的进一步候选。该方法进一步包括基于集群集合生成用于确定区域内的位置的模型。