[发明专利]一种基于对数正态模型的室内定位方法

说明书

本发明公开了一种基于对数正态模型的室内定位方法，包括：定位初始阶段在定位区域中选取规格不同的AP，对定位区域等间隔划分，建立坐标系，并采集指纹信息；接着对RSSI值进行滤波处理，根据滤波后的RSSI值拟合对数正态模型对WiFi信号建模，筛选出最契合模型的AP，构建RSSI指纹库和高密度虚拟指纹库；在实时定位阶段，待定位节点在匹配RSSI指纹库的基础上，利用AP的契合度修正欧氏距离相似度，找出相似度更高的指纹点，初步确定待定位节点区域，接着二次匹配高密度虚拟指纹库进行精准定位。本发明能筛选出稳定的AP，且较好地解决了由于AP设备之间的差异造成定位精度不高的问题，也能够通过二次插值匹配，减少离线阶段指纹采集的工作量且提高定位精度。

技术领域

本发明涉及一种室内定位方法，属于室内定位技术领域，主要涉及一种基于对数正态模型的室内定位方法。

背景技术

在移动设备和物联网高速发展的时代，用户对基于位置服务(Location-BasedService,LBS)的要求也越来越高。在室外环境中，GPS(Global Position System)定位系统、GNSS(Global Navigation Satellite System)定位系统可以很好地满足用户的需求，但是，室内环境复杂多变使得这些技术不能被用于精准定位。常用的室内定位技术包括红外、蓝牙、射频识别、超声波、超宽带、地磁、航位推算等，但这些技术都需要额外部署专门的硬件设备，成本较高且不易操作。

WiFi(Wireless Fidelity)室内定位技术随着WiFi覆盖面的增加，克服了上述技术存在的不足，被广泛地应用到室内定位中。WiFi指纹定位分为离线阶段和在线阶段，在离线阶段，通过无线测量设备采集指纹点处各个AP(Access Point)发送的信号强度构建指纹库；在线定位定位阶段，把待定位节点接收到的RSSI向量与指纹库中的RSSI向量逐一匹配，通过定位算法返回相似度较高的物理坐标进行定位。

常用的定位算法有近邻、支持向量机、深度学习等各种算法。其中近邻算法由于计算复杂度低、普适性强等优点被广泛地应用于WiFi指纹定位中。

近邻算法分为最近邻(Nearest Neighborhood,NN)、K近邻(K NearestNeighborhood,KNN)和加权K近邻(Weight K Nearest Neighborhood,WKNN)。应用近邻算法进行匹配时，主要计算待定位节点与指纹库中RSSI向量之间的欧式距离，并对该距离升序排序。NN算法将欧式距离最小的指纹坐标作为待定位节点坐标，KNN算法选择前k(k≥3)个指纹的物理坐标的均值作为待定位节点的估计位置，WKNN算法在KNN算法的基础上，采用欧氏距离相似度对k个指纹的物理坐标加权，修正定位误差。

但在指纹定位中，WiFi信号易受环境影响，直接使用信号强度创建的指纹库存在较大噪声且离线阶段指纹采集工作量较大。同时，在线定位阶段使用欧式距离计算待定位点与指纹点之间的差异时，忽略了WiFi信号非线性衰减的特征以及AP设备之间存在差异的问题。

因此，若能充分挖掘WiFi信号衰减的特征，同时充分利用AP设备之间的差异，并将其应用在AP选择、指纹库构建以及定位算法上则可以提高定位精度。

发明内容

针对以上问题，本发明提供了一种基于对数正态模型的室内定位方法，通过本发明的技术方案，在复杂的环境下，不仅能筛选出稳定的AP，而且较好地解决了由于AP设备之间的差异造成定位精度不高的问题，也能够通过二次插值匹配，减少离线阶段指纹采集的工作量，且可提高定位精度。

本发明所采用的技术方案如下：

一种基于对数正态模型的室内定位方法，包括以下步骤：