[发明专利]一种基于AP集相似度的Wi-Fi指纹定位方法

摘要

本发明涉及一种基于AP集相似度的Wi-Fi指纹定位方法，引入相似系数计算指纹AP集合的相似度，作为指纹匹配的重要指标。在定位阶段，首先利用基于区域相似度的训练指纹选择算法缩小指纹搜索区间，提高指纹匹配的准确度，同时，为提高指纹区域划分的自动性以及准确性，设计了基于室内空间布局以及K均值聚类的训练指纹区域划分方法；然后融合AP集相似度以及信号强度（RSS）信息得到距离计算公式，利用加权的k最近邻（KWNN）方法计算移动目标的位置；最后在实际的WLAN环境下进行定位，结果表明，本发明提出的方法具有更高的定位精度和定位准确率，能够很好地适应采集的指纹AP集差异性大的室内环境。

主权项

1.一种基于AP集相似度的Wi-Fi指纹定位方法，其特征在于：按如下步骤操作：步骤一：给出了4种计算AP集合相似度的相似系数，包括Jaccard、Sorenson、Ochiai以及Kulczynski，相似系数介于0 和1 之间，0表示两个集合完全不相同，1则表示完全相同，四种系数定义如下，其中︱A︱、︱B︱、以及分别为集合A、B、A与B的交集以及A与B的并集中元素个数；、、、步骤二：设计区域相似度训练指纹选择算法；⑴、将训练指纹点划分为m个群，每个群的大小为n_i，i∈1…m，n_i常取4-8，每一个群覆盖Wi-Fi定位实验环境中的部分区域；⑵、计算观测指纹与每个群的训练指纹AP集合的平均相似度AOS，计算公式如下：①其中，AOS即average of similarity，j为每个群中对应指纹点标识，sim_j为观测指纹与群中第j个指纹点的相似度；⑶、选择1/T高相似度群的训练指纹参与后续计算；其中，T是一个经验阈值，T值的选取依赖于当前环境；T值过大会过滤掉许多离观测指纹相近的训练指纹点，T值过小则会引入部分低相似度指纹的干扰；步骤三：集成AP集相似度与RSS的指纹距离计算方法；1)利用AP集相似度以及RSS信息计算观测指纹与高相似度区域的训练指纹的距离，定义接收到的AP集合具有差异性的观测指纹与训练指纹间的距离为：②其中为观测指纹与训练指纹的AP交集对应的RSSI距离，P为AP交集的元素个数，s为观测指纹与训练指纹的AP集合相似度，q=1和2时分别是曼哈顿（Manhattan）和欧几里德（Euclidian）距离；得到观测指纹与训练指纹的距离后，采用KWNN方法计算移动目标位置，选取K（K≥2）个距离最小的训练指纹后，对每个训练指纹坐标乘以一个加权系数，最后求和即可获得目标位置，KWNN方法计算公式如下：③步骤四：融合室内空间布局以及K-Mean的训练指纹区域划分方法；⑴、根据室内环境布局以及AP的部署方式，将室内环境划分为几个子空间；⑵、针对每个子空间中的指纹进行K-Mean聚类，结果代入公式①、 ②及③中计算测试点的坐标，通过对当前环境的指纹区域划分结果进行多次聚类，选择适合当前环境的指纹区域划分方式；⑶、整合多个子空间的最优指纹划分方式作为全区域指纹划分。