[发明专利]一种基于WiFi融合预测的定位方法及系统

权利要求书

1.一种基于WiFi融合预测的定位方法，其特征在于，包括以下步骤：

S1、在参考点处采集来自各个接入点的接收信号强度数据；

S2、建立改进卡尔曼模型，该改进的模型包括：利用神经网络对卡尔曼增益的过程协方差Q与观测噪声协方差R建模与参数训练，在不同的室内环境下，利用嵌入神经网络的卡尔曼滤波系统进行信号的采集，同时在采集过程中不断调整神经网络的参数，使得神经网络的输出达到最优，即卡尔曼模型中的过程协方差Q与观测噪声协方差R达到最优，然后对采集的数据利用改进的卡尔曼模型进行滤波，得到指纹库；

并对不同环境下的改进卡尔曼模型进行训练，将获取的数据输入训练好的改进卡尔曼模型进行滤波，获得指纹库；

S3、移动终端采集接收信号强度数据，并利用改进卡尔曼模型进行滤波；

S4、根据指纹库和基于上一个时刻位置约束的WKNN定位算法得到WiFi定位系统的定位结果；

S5、判断历史轨迹库中轨迹数量是否达到阈值；若未达到则进行步骤S6，否则进行S7；

S6、将基于WiFi定位系统的定位结果按照时间先后顺序串联形成用户轨迹并存储在历史轨迹库中；

S7、基于历史轨迹库中的数据通过融合传感器信息的马尔科夫预测模型得到当前位置的预测结果；

S8、基于拉格朗日和梯度逼近的位置融合算法得到当前位置最优值，并将该值加入历史轨迹库，即：

若基于WiFi定位方法得到的位置为A，融合传感器信息的马尔科夫预测模型预测出的位置为B，则根据这两个位置构建定位区域范围；

建立拉格朗日方程，在定位区域范围内，当估算距离与实际距离的误差处于极小值时，解出位置A和位置B的初步坐标值A'和B'；

利用梯度逼近法对初步坐标进行修正，获得修正后的坐标Aⁿ'和Bⁿ'；

根据获得的坐标Aⁿ'和Bⁿ'，利用质心算法求解得到最终的定位结果。

2.根据权利要求1所述的一种基于WiFi融合预测的定位方法，其特征在于，所述指纹库的构建包括将参考点处接收信号强度值与之对应的坐标信息融合为一条完整的关于接收信号强度和位置的指纹，所有参考点的指纹构成指纹库，一个参考点的指纹信息表示为：

RP_i＝{RSSI_i1,RSSI_i2,RSSI_i3,...,RSSI_iM,(x,y)}；

其中，M为部署接入点的总数，i＝{1,2,...,N}表示参考点的数量，RSSI_iM表示第i个参考点处采集的第M个接入点的接收信号强度数据；(x,y)表示参考点的坐标。

3.根据权利要求1所述的一种基于WiFi融合预测的定位方法，其特征在于，步骤S4具体包括：

将测试节点处实时采集的信号强度指纹与位置指纹库利用WKNN算法进行匹配；

根据上一时刻的位置来划定一个范围，这个范围表示为用户当前位置可能的范围；

若WKNN算法选取的K个参考点位置与这个范围发生重叠时，则对K个参考点进行二次加权处理；

根据当前K个参考点的权重信息和位置信息得到WiFi定位系统的定位结果。

4.根据权利要求3所述的一种基于WiFi融合预测的定位方法，其特征在于，将测试节点处实时采集的信号强度指纹与位置指纹库利用WKNN算法进行匹配包括：

根据测试节点指纹与参考节点指纹的欧式距离选取距离测试节点指纹最近的K个参考节点指纹，并根据距离的大小给这K个指纹赋予不同的权重，距离越远权重越小，得到匹配的参考点指纹集合，表示为U＝{RP₁,RP₂,...,RP_i,...,RP_K}，U 对应的权重集合表示为完成匹配。