[发明专利]一种基于改进GAN结合假设检验的Wi-Fi室内定位方法

说明书

本发明公开了一种基于改进GAN结合假设检验的Wi‑Fi室内定位方法。首先，在目标区域内部署和标定若干个位置已知的接入点(Access Point，AP)和参考点(Reference Point，RP)；其次，将目标区域划分为一些小区域，采集每个区域的一小部分RSS样本值，然后送入GAN网络中进行训练，把生成的RSS数据与原始RSS数据合成新的离线数据库；再次，计算AP的权重，利用卡方自动交互检测(Chi‑squared Automatic Interaction Detection，CHAID)方法，通过皮尔逊卡方检验描述每个AP的位置分辨率，将位置分辨率大的AP分配较大的权重；最后，结合AP的权重，利用KNN算法得到位置的最佳估计。本发明专利利用GAN补充数据库以及利用假设检验为AP分配权重，提出了一种基于改进GAN结合假设检验的Wi‑Fi室内定位方法，其在控制人员采集数据所需的成本和时间的同时提高了定位精度。

技术领域

本发明属于室内定位技术，具体涉及一种基于改进GAN结合假设检验的Wi-Fi室内定位方法。

背景技术

随着物联网技术的发展，基于位置的服务(Location Based Service，LBS)已经被运用到了各个领域，因此，定位技术成为LBS的关键技术之一。室外环境中，运用最广泛的就是全球卫星定位系统(Global Positioning System，GPS)，GPS定位精度高，技术成熟，但是，由于GPS信号在室内环境中衰减严重，因此无法将其应用于室内环境。因此，基于射频识别(RFID)，超宽带(UWB)，蓝牙，Zigbee，调频(FM)，红外(IR)、超声和声音技术、可见光、惯性系统和地磁场等定位技术被相继提出。其中，由于Wi-Fi网络的普适性，基于Wi-Fi的定位系统不需要部署额外的设施，成为了室内定位最常用的方法之一。

Wi-Fi室内定位方法主要分为两类：基于模型的定位方法和基于指纹的定位方法。前者主要是利用信号传播模型把测量的信号强度(Received Signal Strength，RSS)的值转换成欧氏距离，然后利用三边测量法、三角测量法等方法得到目标的位置。然而，这种方法容易受到非视距条件和各种干扰引起的多径效应的影响，严重削弱了定位精度。基于Wi-Fi指纹的定位需要两个步骤，离线数据库的建立与在线定位。在离线阶段，首先将目标环境布置多个参考点，然后通过收集各参考点处来自不同无线接入点(Access Point，AP)的RSS值来构建指纹库。在线阶段，通过将用户测量的来自不同AP的RSS与离线指纹库记录的指纹进行匹配，根据匹配到的指纹计算得到用户的最终位置。

然而，由于离线阶段的数据采集需要耗费大量的人力、物力和财力。同时，由于AP在定位中的贡献程度不同，需要对AP分配权重来提高定位精度。针对此问题，本发明提出了一种基于改进GAN结合假设检验的Wi-Fi室内定位方法，通过采集每个区域少量的RSS数据，然后利用GAN网络生成RSS离线数据，把采集的数据与生成的数据组合成新的数据集，并利用卡方自动交互检测(Chi-squared Automatic Interaction Detection，CHAID)方法对AP分配权重，该方法在控制人员采集数据所需的成本和时间的同时，提高了定位精度。

发明内容

本发明的目的是提供一种基于改进GAN结合假设检验的Wi-Fi室内定位方法，它通过GAN网络生成新的RSS数据，丰富数据库，并利用假设检验对AP分配权重，该方法在控制人员采集离线数据所需的成本和时间的同时提高了定位精度。

本发明所述的一种基于改进GAN结合假设检验的Wi-Fi室内定位方法，包括以下步骤：

步骤一、在目标区域内，随机部署m个无线接入点(Access Point，AP)和标定n个参考点(Reference Point，RP)，同时标定k个测试点(Test Point,TP)。

步骤二、划分区域数量为C，采集每个区域类别中RP的RSS样本值500次，记作R_w(w＝1,2,…C)，每个区域的数据集如下所示：