[发明专利]一种WIFI环境下基于支撑集及期望最大化的目标定位方法

权利要求书

1.一种WiFi环境下基于支撑集及期望最大化的目标定位方法，其特征在于：包括如下步骤：

步骤1：建立离线指纹库；

步骤2：根据线上获取的目标信号和离线指纹库构建支撑集，通过对支撑集进行真值发现估计正确位置完成目标定位；

所述真值发现包括期望最大化即EM算法；

所述步骤2包括如下步骤：

步骤2.1：获取实时定位阶段即线上的目标信号，根据目标信号和离线指纹库的相似性构建支撑集；

步骤2.2：使用最优支撑集选择算法确定支撑集的大小；

步骤2.3：使用期望最大化从支撑集中估计目标位置；

所述步骤2.3包括如下步骤：

步骤2.3.1：通过假设定义指纹质量θ，计算公式如下：

其中，N_t表示x中正确位置出现的次数，N_f表示x中错误位置出现的次数，y表示目标位置的标签即格点的序号，y_l表示目标位置标签的估计，x_i表示距离第i小的线下样本对应的标签；

步骤2.3.2：使用贝塔分布和似然函数定义目标函数从而估计指纹质量θ，计算公式如下：

L(θ)＝P(θ|β)P(x|θ)

其中，P(x|θ)是似然函数，P(θ|β)是贝塔分布的概率密度函数；

步骤2.3.3：计算在给定距离第i小的线下样本对应的标签x_i和指纹质量θ下目标位置的标签y的后验概率分布，计算公式如下：

其中，t表示第t次迭代；

步骤2.3.4：最大化目标函数式获得新的指纹质量，计算公式如下：

步骤2.3.5：重复步骤2.3.3和步骤2.3.4直至收敛，收敛条件为L(θ^(t))-L(θ^(t-1))＜ε，即第t次和第t-1次的目标函数之间的误差小于给定门限ε，ε取10^-6，收敛后即得到目标位置的标签y的最终概率分布，计算公式如下：

其中，N为x出现过的不同位置的个数；

步骤2.3.6：基于目标位置的标签y的最终概率分布得到其最大的概率对应的下标通过如下公式得到目标的标签估计：

将目标的标签估计通过函数转换为目标的二维坐标完成目标位置的估计。

2.根据权利要求1所述的一种WiFi环境下基于支撑集及期望最大化的目标定位方法，其特征在于：所述步骤1包括如下步骤：

步骤1.1：在定位环境中固定AP位置，并将定位环境划分为若干格点；

步骤1.2：搭建WIFI网络，将信号源放置于各格点并记录此时信号源位置坐标；

步骤1.3：已放置的信号源发射信号，记录并存储各AP接收到的信号源的RSS值完成离线指纹库建立。

3.根据权利要求1所述的一种WiFi环境下基于支撑集及期望最大化的目标定位方法，其特征在于：所述步骤2.1包括如下步骤：

步骤2.1.1：获取目标信号通过欧氏距离d_kn计算目标信号和离线指纹库r_k(n)的相似度得到距离向量d，计算公式如下：

d＝[d₁₁，d₁₂，…，d_GM]^T

其中，G代表格点个数，M代表离线阶段每个格点的RSS采样个数，k代表格点序号；

步骤2.1.2：选取距离向量d中距离最小的K个距离对应的标签构建支撑集x，计算公式如下：

x＝[x₁，x₂，…，x_K]^T

其中，x_i表示距离第i小的线下样本对应的标签。

4.根据权利要求1所述的一种WiFi环境下基于支撑集及期望最大化的目标定位方法，其特征在于：所述步骤2.2包括如下步骤：

步骤2.2.1：获取目标信号，通过贝叶斯信息准则BIC进行最优支撑集选择，计算公式如下：

BIC(K)＝ln(K)-2lnL(θ^(t))

其中，θ^(t)为期望最大化收敛后估计的指纹质量，K为假设估计的支撑集的大小；

步骤2.2.2：选择最小BIC对应的K值作为支撑集的大小计算公式如下：