[发明专利]一种基于WiFi热点的室内定位方法

说明书

本发明公开了一种基于WiFi热点的室内定位方法，包括离线阶段和在线阶段，离线阶段包括步骤：在指定区域范围内设定样本参考点和接收WiFi热点的AP节点，采集所有参考样本点的各个AP节点的信息；计算每个样本参考点采集到的各个AP节点的信息与相对应参考点的位置信息之间的映射关系，建立指纹数据库；采用基于MapReduce的PCA分析方法提取指纹数据库的特征指纹空间；在线阶段包括步骤：通过定位终端在线采集各个样本参考点处接收到的各个AP的RSSI信号，由此构成RSSI信号向量；采用PCA分析方法提取所述RSSI信号向量的主要定位特征，获得每个样本参考点RSSI信号的特征向量；采用基于MapReduce的EWKNN算法根据所述RSSI信号的特征向量与特征指纹空间的数据信息进行精确定位。

技术领域

本发明涉及无线通信网络技术领域，适用于网络管理，尤其涉及一种基于WiFi热点的室内定位方法。

背景技术

随着计算机技术和互联网应用的发展，移动终端定位得到了广泛的关注。传统的基于卫星的定位技术，如全球定位系统，能够很好的满足室外定位的需求，但是用于室内定位时，由于建筑物对卫星信号的影响，定位能力受到很大限制，相反，基于无线网络技术的定位系统进行室内定位时，定位效果明显提高。WLAN技术因其在室内布设简单、部署广泛、价格低廉等特性更加适用于室内定位。近年来，基于WLAN技术的室内定位成为研究热点，其中，基于指纹架构的定位方法成为主流。

在WLAN环境下的基于RSS信号的位置指纹定位算法中，离线训练阶段，采集定位区域内各个参考节点来自各个AP的RSS信号，将其组成有序向量，与相应RP的物理位置，由此构成位置指纹，全部参考节点的位置指纹信息存储在一个数据库中，构成位置指纹空间；在线定位阶段，采集测试地点的在线位置指纹数据，利用模式匹配算法与位置指纹空间中的数据相匹配，估计待测用户的位置。

现有利用位置指纹进行匹配的算法主要包括概率算法、神经网络算法、支持向量机算法和K近邻算法等。现有技术中有将采集得到的AP的RSSI信号值的概率分布作为位置指纹特征，提出了最大似然算法；也有提出了基于人工神经网络的定位算法；还有提出利用支持向量机进行位置指纹匹配。

此外，采用K近邻算法，定位过程使用最小二乘法找到k个最接近的位置，然后对k个位置求平均，将获得的结果作为目标的位置；以及在KNN算法的基础上提出了WKNN(加权k近邻)算法，该算法将匹配得到的参考点的坐标取平均值，而是将待测点和参考点之间的信号空间距离作为权重进行加权处理，但是该算法依然取固定的k 值，这就意味无论位置指纹受多大的干扰都会提取前k个位置指纹进行位置估计，定位误差必然会增加；其他还有比如提出了EWKNN(动态加权k近邻算)法，该算法设定了一个阈值，动态选择k值，避免了固定k值会引入实际距离偏离待定点较远的待测点的问题，提高了定位精度。

然而，在实际的室内WLAN环境中，由于室内环境的复杂性、多径效应、阴影效应、人员走动、信道拥塞和节点的通信半径受限等因素的影响，在RP上采集的各个AP的RSS信号往往表现出复杂多变的特性，严重影响定位算法精度；另一方面，算法的时间复杂度和扩展性、定位处理器的存储容量问题都是在设计定位算法时应该综合考虑的。

发明内容

本发明的主要目的在于解决现有技术中存在的的问题，提供一种基于WiFi热点的室内定位方法，具体技术方案如下：

一种基于WiFi热点的室内定位方法，包括离线阶段和在线阶段，其中，所述离线阶段包括步骤：

在指定区域范围内设定样本参考点和接收WiFi热点的AP节点，采集所有参考样本点的各个AP节点的信息；

计算每个样本参考点采集到的各个AP节点的信息与相对应参考点的位置信息之间的映射关系，建立指纹数据库；

采用基于MapReduce的PCA分析方法提取所述指纹数据库的特征指纹空间；

所述在线阶段包括步骤：