[发明专利]一种基于半张量积压缩感知的室内定位方法

说明书

本发明公开了一种基于半张量积压缩感知(Semi‑tensor Product Compression Sensing，STP‑CS)的室内定位方法。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，采集每一个RP的接收信号强度(Received SignalStrength，RSS)数据，然后对采集的RSS数据进行聚类，并找到聚类中心；再次，在在线阶段进行聚类匹配的粗定位，将在线测量的RSS与聚类中心比较，判断在线测量的RSS位于哪一个聚类中，从而缩小定位的区域；最后，利用半张量积理论，构造一个低阶的AP选择矩阵，然后利用STP‑CS方法构造STP‑CS模型，再通过迭代重加权最小二乘(Iterative Re‑weighted Least Square，IRLS)算法实现对位置的估计。本发明专利利用半张量理论构造低阶的随机测量矩阵，从而提出了一种基于半张量积压缩感知的室内定位方法，其在保证定位精度的同时，降低了开销，提高了定位的实时性。

技术领域

本发明属于室内定位技术，具体涉及一种基于半张量积压缩感知的室内定位方法。

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)已被广泛应用于各个领域，其中定位技术是LBS的关键技术之一。常见的全球卫星定位系统(Global Positioning System，GPS)定位精度高，但在室内环境中，由于受到各种障碍物和移动物体的遮挡，信号衰减严重，无法准确定位。幸运的是，由于无线局域网(WirelessLocal Area Network,WLAN)的普及，基于WLAN的室内定位系统已成为室内环境最常用的定位方法之一。

在WLAN定位系统中，一般可以分为两种室内定位技术，一种是基于信号空间相似度的定位技术，另一种是基于稀疏恢复的室内定位技术。在基于稀疏恢复的室内定位技术中，多采用压缩感知(Compression Sensing，CS)模型。传统的基于CS的定位方法将空间位置建模成稀疏向量，把测量矩阵作为AP选择矩阵，稀疏基矩阵作为无线电地图，测量值作为在线测量的接收信号强度(Received Signal Strength，RSS)值来进行定位。其主要包含两个阶段：离线阶段和在线阶段。离线阶段，在预先标定好的若干参考点(Reference Point，RP)处测量来自不同接入点(Access Point，AP)的RSS，然后通过采集到的RSS数据建立位置指纹数据库，并利用聚类算法实现对数据的聚类；在线阶段，主要分为两部分，一是进行聚类匹配的粗定位，即是把在线采集的用户的RSS与每个聚类的中心进行比较，判断用户位于哪个聚类中，从而缩小定位的区域。二是在缩小区域之后，构造AP选择矩阵，然后利用压缩感知模型进行精细定位。

然而，当目标环境部署大量AP时，通过传统CS模型构造的AP选择矩阵会增加计算复杂度和存储空间。针对此问题，本发明提出了一种基于半张量积压缩感知(Semi-tensorProduct Compression Sensing，STP-CS)的室内定位方法，首先通过离线阶段对数据库进行聚类，其次在在线阶段进行聚类匹配的粗定位，再次利用半张量积理论，来构造低阶的AP选择矩阵，最后利用STP-CS方法构造STP-CS模型，实现对位置的精确估计。该方法可以实现与传统CS相似的定位性能，也能通过构造低阶的随机测量矩阵降低存储空间和计算复杂度，而且与传统的定位技术相比，在保证定位精度的同时，提高了定位的实时性并降低了开销。

发明内容

本发明的目的是提供一种基于半张量积压缩感知的室内定位方法，首先通过离线阶段对数据库进行聚类，其次在在线阶段进行聚类匹配的粗定位，再次利用半张量积理论，来构建低阶的AP选择矩阵，最后利用STP-CS方法构造STP-CS模型，再通过迭代重加权最小二乘(Iterative Re-weighted Least Square，IRLS)算法实现对位置的估计。该方法与传统的定位技术相比，在保证定位精度的同时，在实时性和开销上也有很大的提升。

本发明所述的一种基于半张量积压缩感知的室内定位方法，包括以下步骤：