[发明专利]一种基于RSSI和地磁融合的室内定位方法

权利要求书

1.一种基于RSSI和地磁融合的室内定位方法，其特征在于，包括如下步骤：

一、对RSSI数据的采集：在离线阶段采集RSSI、Mac地址和地磁信息。采集数据方法：首先判断手机终端WiFi是否打开，若未打开则打开WiFi功能；将列表中信号强度前三的RSSI数据、Mac地址、地磁矢量和位置坐标存入txt文档；

二、采样数据的存储：数据以

{x,y,mac1,rssi1,mac2,rssi2,mac3,rssi3,|magetic|}的向量形式存储至txt文档

三、在数据处理阶段将Mac地址转化为随机森林模型更好识别的数据类型作为模型的输入，输出为预测位置点位置坐标；

数据的预处理：将txt文档中string类型转化为csv格式的float类型数据，调用LabelEncoder.Transform函数将Mac字符串转化为int类型数据；一齐将所有数据存入mat文件中，并将数据以0.75：0.25的比例划分为training data和testing data；

四、模型的选择：首先通过MATLAB建立室内路径损耗环境模型，模型表达如下：

P_r(d)＝P_t-(40+10nlogd-G_r-G_t)

其中，P_r、P_t为接收和发送功率，单位为dBm；d为发送机和接收机之间的距离，n为路径损耗指数，G_r、G_t分别为接收天线增益和发射天线增益；选择了性能最优的RF作为模型方法；

五、模型的训练：RF是由多个决策树组成的，为了得到最优划分属性，使用信息增益进行性能评判；在实际操作过程中调用python的sklearn库中的RandomForestRegressor方法，将参数设定为n_estimators＝150,max_features＝'auto',min_samples_leaf＝1；将训练集中的位置坐标、Mac地址、RSSI、地磁矢量和输入模型中进行训练；

六、位置的预测：在某一位置点采集数据信息，导入模型中输出预测点位置坐标。

2.如权利要求1所述的基于RSSI和地磁融合的室内定位方法，其特征在于，使用信息增益进行性能评判：

随机森林是由随机形成的众多决策树集成在一起组成的“森林”，最终决策是根据每一棵决策树的输出据结果投票得出；如何选择最优划分属性是决策树的关键所在，在决策树中，使用信息增益来衡量属性a对样本集D进行划分所获得的“信息增益”

其中，表示信息熵，为当前样本集合D中第k类样本所占的比例为p_k；v表示样本集D中的第v子类；一般而言，信息增益越大，则意味着使用属性a来进行划分所获得的纯度提升越大。

3.如权利要求2所述的基于RSSI和地磁融合的室内定位方法，其特征在于，在python的随机森林类中，n_estimators，max_features，min_samples_leaf这三个参数最能影响定位过程的精度问题，在阶段，对于参数n_estimators(，从10-200，以差值为10分别赋给n_estimators，结果显示，当n_estimators＝150时，精度最高，为2.20m；对于参数max_features，从0.2-1及log2，sqrt，auto，分别赋给max_features，结果显示，当max_features＝auto时，精度最高，为2.30m；对于参数min_samples_leaf，将1，2，3，4，10，20，30，40，50，60分别赋给min_samples_leaf，结果显示，当min_samples_leaf＝1时，精度最高，为2.23m；故选择n_estimators＝150，max_features＝auto，min_samples_leaf＝1作为模型参数。