[发明专利]基于传感网和贝叶斯方法的室内目标定位方法

摘要

本发明公开了一种基于传感网和贝叶斯方法的室内目标定位方法，采用贝叶斯分类方法对监听目标的接收信号强度值进行分类，实现定位功能。使用2.4GHz低数据速率(250kbps)无线传感网作为定位基础设施，直接使用RSSI(接收信号强度)的变化模式完成Target的定位，无需考虑测距以及指纹匹配的误差问题，因此具有系统布设简单、定位速度快等优势。

主权项

1.一种基于传感网和贝叶斯方法的室内目标定位方法，其特征在于，采用贝叶斯分类方法对监听目标的接收信号强度值进行分类，实现定位功能；具体按照以下步骤进行：步骤1，采用IEEE802.15.4标准，假定传感网中含有n个无线锚节点，监听目标发送了探测包P_i，在网络中会形成一条记录：R_i＝{r_i1,r_i2,…,r_ij,r_in}，其中，R_i表示由无线锚节点采集到的探测包P_i接收信号强度值构成的一个数值序列，其对应着计算终端数据库中的一条包含n个属性值的记录，r_ij是编号为j的无线锚节点计算出来的探测包P_i的接收信号强度值，每个无线锚节点把接收信号强度值通过多跳无线链路实时地发送至采集终端；在训练阶段，监听目标分别处于应用场景中事先划分好的训练区域内，携带监听目标的被试者在每个训练区域内小幅度、缓慢随机移动30秒至1分钟，监听目标间隔64至256毫秒发送一次探测包；对给定训练区域，为了保证训练精度，Target节点至少发送100个探测包；完成所有训练区域内的接收信号强度值收集之后，为每条记录增加一个新的属性，即位置属性，作为类标号，用于下一阶段训练贝叶斯分类器；步骤2，使用k‑均值策略识别接收信号强度值的异常值：在式(a)中，p是接收信号强度值数据集中的点，c_i是簇C_i的形心，d(p,c_i)表示p和c_i之间的欧氏距离；给定一个监听目标位置，在获取了所有接收信号强度值之后，从接收信号强度值数据集中随机选择k个点，并作为k个簇的形心；在接下来的每次迭代中，每个簇使用上次迭代所分配到该簇的对象计算新的均值，然后使用更新后的均值作为新的形心，迭代会一直持续到分配稳定为止；步骤3，假设T是用于训练贝叶斯位置分类器的、具有类标号的训练集，它的一条记录表示为R＝{r₁,r₂,...r_n}，r_i表示第i个属性值；在整个定位空间有m个训练区域，分别记为L₁，L₂...L_m，贝叶斯位置分类器的核心任务就是计算Pr(L_i|R)的最大后验概率值及对应的位置类标号；根据贝叶斯定理，公式(b)给出了计算方式：在训练集T中，对于给定的R∈T，Pr(R)是一个常数；同时假定监听目标处于定位空间中各个训练区域的先验概率是相等的，即Pr(L_a)＝Pr(L_b)，其中1≤a≤b≤m，那么贝叶斯位置分类器只需考虑最大化Pr(R|L_i)即可；当无线锚节点数量增加时，T的维度也会相应提高；因此，为了降低Pr(R|L_i)的计算开销、提高系统的定位速度，假设任一记录R的任两个属性r_p与r_q之间并不存在任何依赖关系，即r_p独立于r_q，其中1≤p<q≤n；因此使用公式(c)来搜索Pr(R|L_i)的最大值：Pr(R|L_i)＝Pr(r₁|L_i)×Pr(r₂|L_i)×ΛPr(r_n|L_i)  (c)在定位应用中，训练区域的分布是离散的，但RSSI值是有界且连续的数据，根据公式(d)，通过高斯分布函数求出公式(c)所需的各属值的概率分布：其中，u_Li与σ_Li分别用L_i中所有记录的第j个属性r_j值的均值和标准差来代替。