[发明专利]一种基于WiFi的室内被动式定位方法

权利要求书

1.一种基于WiFi的室内被动式定位方法，其特征在于：包括：

1)将N*个AP随机分散部署于室内，且使每个AP发出的信号均能覆盖室内所有位置；再将三部智能手机随机部署于室内固定位置A、固定位置B和固定位置C；每个AP对三个位置的智能手机发出的探测帧分别进行捕获，并提取探测帧对应的RSS值，分别作为各AP对应固定位置A、固定位置B和固定位置C的源数据；

2)对于各AP对应固定位置A、固定位置B和固定位置C三个位置的源数据，采用加权滤波法分别获取它们的单点优化RSS值；

3)基于步骤2)得到的各AP对应固定位置B和固定位置C二个位置的单点优化RSS值，确定各AP的对数关系模型；所述对数关系模型为智能手机所在位置的RSS值与智能手机所在位置到AP之间距离的对数关系模型；步骤3)包括如下具体步骤：

3.1)任取一个AP，将固定位置B和固定位置C到所选取AP的距离以及所选取AP对应固定位置B和固定位置C的单点优化RSS值带入如下的对数关系模型，确定环境相关的路径损耗指数η和服从均值为零的正态分布随机变量τ；

p(d)＝p(d₀)-10ηlg(d/d₀)+τ

式中，d₀为参考距离，x为室内面积；表示小于等于的最大正整数；

p(d₀)为所选取AP对应到该AP距离为d₀的固定位置的单点优化RSS值；

d为固定位置B或固定位置C到所选取AP的实际距离；

p(d)为所选取AP对应固定位置B或固定位置C的单点优化RSS值；

3.2)对N*个AP中其余未选AP均采用步骤3.1)中的方法确定各AP的对数关系模型；

4)基于步骤2)得到的各AP对应固定位置A的单点优化RSS值以及步骤3)得到的各AP的对数关系模型，采用模糊决策法对N*个AP分别进行评判，保留一组最佳AP，记保留的最佳AP数目为N个，N≤N*；步骤4)包括如下具体步骤：

4.1)任选一AP，确定该AP的因素论域：U＝(||β-ζ||，||p(d)*-ζ||)；

式中，ζ为所选取AP对应固定位置A的源数据中RSS值的期望值；β为所选取AP对应固定位置A的单点优化RSS值；p(d)*为将所选取AP到固定位置A的距离带入所选取AP对应的对数关系模型所得到的RSS值；||β-ζ||表示β与ζ之间的欧式距离；||p(d)*-ζ||表示p(d)*与ζ之间的欧式距离；

4.2)确定4.1)中因素论域对应的权重向量A＝(0.5,0.5)；

4.3)确定评语等级论域V＝(v₁,v₂,v₃,v₄,v₅)，v₁：最佳；v₂：较佳；v₃：普通；v₄：较差；v₅：极差；

采用三角隶属函数确定隶属度：

评判等级v₁：最佳对应最小欧式距离的隶属函数，其因变量隶属度相对欧氏距离的函数为：e＝-0.4x+1，0≤x≤2.5；

评判等级v₂：较佳对应较小欧式距离的隶属函数，其因变量隶属度相对欧氏距离的函数为：

评判等级v₃：普通对应中等欧式距离的隶属函数，其因变量隶属度相对欧氏距离的函数为：

评判等级v₄：较差对应较大欧式距离的隶属函数，其因变量隶属度相对欧氏距离的函数为：

评判等级v₅：极差对应最大欧式距离的隶属函数，其因变量隶属度相对欧氏距离的函数为：e＝0.4x-3，7.5≤x≤10；

4.4)根据隶属度建立模糊关系矩阵G：

再通过模糊变化将U上的模糊向量A转变为V上的模糊向量B，根据B中各数据的权值大小确定该AP的评语等级；

4.5)对N*个AP中其余未选AP均采用4.1)～4.4)的方法进行评估，保留评语等级为“最佳”的AP，将保留的AP作为一组最佳AP，记保留最佳AP数目为N个；

5)室内多点部署智能手机，采用加权滤波法获取每一最佳AP对应各智能手机位置的单点优化RSS值，再确定全局优化的RSS训练样本数据集，然后采用K-means方法对RSS训练样本数据集进行聚类；

步骤2)和步骤5)中所述加权滤波法包括如下具体步骤：

分别计算AP对应固定位置的源数据中，每一个RSS值对应的权值，其中，源数据中第f个RSS值对应的权值w_f按如下公式计算：

式中，RSS_f为源数据中第f个RSS值；f取[1，F]中的整数；F为源数据中RSS值个数；ξ为源数据中RSS值的期望值；

设置阈值S和阈值M，其中，S＝(w_max-w_min)*10％，M＝(w_max-w_min)*50％)；w_max和w_min分别为AP对应固定位置的源数据中，各RSS值对应权值中的最大值和最小值；

将源数据中对应权值小于阈值S的RSS值作为噪声滤除，保留源数据中对应权值大于阈值M的RSS值，同时将源数据中对应权值位于阈值S和阈值M之间的RSS值作为边缘低频率RSS值，并对边缘低频率RSS值进行如下的初步加权计算：

式中，α为初步加权结果；RSS_h为源数据中对应权值在(S,M)数据集范围内的第h个RSS值；h取[1，H]中的整数；H为源数据中边缘低频率RSS值的个数，即源数据中对应权值在(S,M)数据集范围内的RSS值的个数；w_h为第h个边缘低频率RSS值的对应权值；

再按下式将对初步加权结果α与保留的RSS值进行如下的二次加权，得到二次加权结果β，并将二次加权结果β作为AP对应固定位置的单点优化RSS值：

式中，L为源数据中对应权值在(M,∞)数据集范围内的RSS值的个数；RSS_l为源数据中对应权值在(M,∞)数据集范围内的第l个RSS值；w_l为源数据中对应权值在(M,∞)数据集范围内的第l个RSS值对应的权值；

6)将智能手机作为待测目标，当待测目标被最佳AP识别并生成目标指纹后，采用基于权值的动态加权最近邻指纹匹配算法进行数据匹配，确定待测目标的位置坐标。