[发明专利]一种基于度量学习的指纹定位方法

说明书

本发明是一种基于度量学习的指纹定位方法。所述方法为：在目标室内环境内设置多个参考点，建立笛卡尔坐标系，生成与室内物理空间相对应的二维欧几里得空间；在m个参考点上采集来自n个估计接入点AP的RSS数据；在每个预先部署的参考点RP采集到的RSS数据上加入位置标签，生成原始数据；对原始数据进行预处理，得到相似度度量矩阵，并根据RSS数据建立指纹地图库；将相似度度量矩阵和指纹地图库加载到KNN算法中，得到用户的估计位置。本发明充分利用物理空间到信号空间的映射信息，减少由于室内建筑结构复杂导致的定位精度下降，进一步提高室内定位的精度。

技术领域

本发明涉及信号定位技术领域，是一种基于度量学习的指纹定位方法。

背景技术

近年来，基于位置的服务(Location Based Services，LBS)的应用兴起引发了有关无线定位技术的广泛研究。在所有定位技术中，无线电指纹技术已经被证实是一种最有效的定位技术。因其具有计算简单快捷、硬件安置方便和系统稳定等特点而被广泛应用于各个场景之中。而室内环境是LBS应用的主要场景之一，而且人们日常生活中也迫切需要一个准确的实时室内定位方案以供使用。

据我们所知，室内定位方法主要分为两大类：基于距离的定位方法和基于指纹的定位方法。基于距离的方法的主要思想是接入点(Access Point，AP)和终端设备之间的距离。因此，传播模型、到达角、到达时间、到达时间差等距离估计算法都是估计终端位置的常用手段。然而，室内环境的多样性以及复杂的内部结构所带来的问题毫无疑问会阻碍测距方法的实用性。基于指纹的方法是一种定位信息检索方法，它通过比较接收信号强度(Received Signal Strength，RSS)的在线相位和离线相位的相似性来定位一个终端。特别是在离线阶段，系统在每个预先部署的参考点(Reference Point，RP)从接入点收集RSS，并构建指纹数据库来映射RSS分布和物理空间布局。在在线阶段，通过将实时接收到的未知位置坐标的RSS与数据库进行匹配，可以估计出终端的位置。上述可见，室内定位的准确性关键取决于从在线和离线阶段接收到的不同RSS之间的相似度计算方法。因此改进现有的指纹相似度计算方法就成了提高指纹定位精度的重要手段之一。

而在目前有关指纹匹配的算法当中，绝大部分都没有考虑在不同RP位置上采集来自不同AP的RSS统计分布问题。在实际情况里，例如KNN或WKNN等匹配算法都只是简单的利用欧式距离大小来进行两组数据相似度的评价指标。而欧式距离建立的基础之一就是要求数据的不同维度在统计上服从同一分布。而且在现实环境中来自不同AP的RSS之间存在相关性，因此实际采集的RSS矩阵具有很大冗余性，这对指纹定位精度提升并没有益处。综上，传统位置匹配方法并不能反映实际情况中信号空间到物理空间的这种复杂情况。

发明内容

本发明为解决传统指纹定位算法忽略了来自不同AP的RSS数据分布不同，并且未考虑数据之间存在相关性的问题，本发明提供了一种基于度量学习的指纹定位方法，本发明提供了以下技术方案：

一种基于度量学习的指纹定位方法，包括以下步骤：

步骤1：在目标室内环境内设置多个参考点RP，建立笛卡尔坐标系，生成与室内物理空间相对应的二维欧几里得空间；在m个参考点RP上分别采集来自n个接入点AP的RSS数据；

步骤2：在每个预先部署的参考点RP采集到的RSS数据上加入位置标签，生成原始数据；

步骤3：对原始数据进行预处理，得到相似度度量矩阵，并根据RSS数据建立指纹地图库；

步骤4：将相似度度量矩阵和指纹地图库加载到KNN算法中，得到用户的估计位置。

优选地，所述步骤1具体为：