[发明专利]基于MNL概率辨识室内定位系统及方法、定位模型建立系统

摘要

本发明揭示了一种基于MNL概率辨识室内定位系统及方法，所述系统包括MNL定位模型建立模块、无线网络信息获取模块、无线网络数据比对模块；MNL定位模型建立模块用以建立MNL定位模型，将各个指纹点对应的指纹无线信息生成基于概率的MNL离散模型，模型由一系列随机函数来描述，将模型写入中心数据库中；无线网络数据比对模块用以将设定电子设备的无线网络信息与MNL定位模型及指纹无线信息进行比对，将一系列具有最大概率值的指纹点坐标进行组合计算，从而判断设定电子设备的位置为相似度最大的指纹点所在位置。本发明可提高室内定位的精确度，特别保证了在WIFI信号消失、突变环境下的室内定位的稳定性和抗干扰性。

主权项

一种基于MNL概率辨识的室内定位系统，其特征在于，所述系统包括：‑MNL定位模型建立模块，用以建立MNL定位模型，将各个指纹点对应的指纹无线信息生成基于概率的MNL定位模型，MNL定位模型由一系列随机函数来描述，将MNL定位模型写入中心数据库中；‑无线网络信息获取模块，用以获取设定电子设备的无线网络信息；‑无线网络数据比对模块，用以将设定电子设备的无线网络信息与MNL定位模型及指纹无线信息进行比对，将一系列具有最大概率值的指纹点坐标进行组合计算，从而判断设定电子设备的位置为相似度最大的指纹点所在位置；所述MNL定位模型建立模块具体包括：‑指纹数据载入及初筛单元，用以初始载入及初筛指纹数据，计算每个指纹点的统计特征值，统计特征值包括最大值、最小值、平均值、方差中的一种或多种；将信号强度数值进行数学正规化，映射成(0,1)区间。‑指纹点分类单元，用以使用分类模型进行指纹点分类，计算分类矩阵、似然函数值和误差率，确定指纹点分类；‑综合评估指标获取单元，将训练数据分成m+n份，其中m份训练数据基于从属MNL定位模型概率估计定位模型生成公式，n份训练数据用于模型验证和评估；变化组合，轮流改变模型验证数据组，循环计算后综合评估并得到综合评估指标；‑最优MNL模型结果获取单元，计算似然比检验统计量、吻合度指标、平均绝对误差、相对误差；由后台中心服务器循环计算获取最优MNL模型结果，并将最优MNL模型结果存入中心数据库；‑指纹点模型生成单元，用以按地点分类，生成每一地点所有指纹点随即效用函数模型；当用户需要或更新时，以供远程电子设备实时下载；所述综合评估指标获取单元将实时环境下不同位置指纹信息点作为一系列可选点S，最可能的定位判定点作为子集C，基于概率的离散模型定义为一系列基于概率和随机效用函数的线性组合：Uin＝Vin+εin；随机效用函数Vin由WIFI热点信号信息要素组成；εin为随即误差；选择对一系列具有最大随机效用函数的WIFI指纹点，计算其概率值： P in = Probabilty { V jn + ϵ jn ≥ V in + ϵ in , ∀ i ≠ j , C ⊆ S } . 概率函数如下： P ck ( i ) = λ i e μ i V in Σ j ∈ c n λ i e μ i V in ; Pc(i)=Pc(Ck)Pck(i)；其中，λi、μi是根据指纹样本估计的权重系数，分别对定位精度和定位稳定性（抗干扰性）有关键影响；Pc(Ck)是定位一类指纹类的概率，Pck(i)是在某一指纹类条件下定位某一指纹点的概率；似然函数： L * = Π n = 1 N Π i ∈ C n P n ( i ) y in ; 将N个具有最大概率值的指纹点，用概率函数值作为对应指纹点坐标权重，进行实时定位，作为实时定位点。