一种多信号场景下的室内定位方法
1.本发明涉及一种多信号场景下的室内定位方法，属于室内定位领域。
背景技术：
2.基于位置服务(location based service,lbs)是根据移动终端用户的位置信息，提供以位置为引导或附加增值的综合性和功能化的服务。在室外环境下，全球卫星导航系统(global position system,gps)能为用户提供精确的经纬信息，但由于建筑遮挡、信道多径的重叠干扰，在室内条件下gps无法准确测距定位，因此对于室内定位技术进行探索研究的价值日渐凸显。
3.考虑到室内普遍存在的wi-fi信号，其易获得、传播远、分布广的特征，使得以wi-fi信息为基础的指纹定位技术，成为室内定位研究的重点方向。该技术在离线阶段采集定位区域中参考点(reference point,rp)的wi-fi信号作为指纹库，在线阶段通过匹配实时定位信号与指纹库信号，计算目标估计位置，实现室内条件下的精准定位。
4.目前，降低指纹库部署成本投入的主流方法，是根据少量已采样参考点插值模拟目标区域内大量的未采样参考点。基于此思想，构建全局指纹库时选择使用几何插值法，此方法简单易行，但其以线性距离表征接收信号强度(receive signal strength,rss)的非线性属性的方式，势必会降低插值精度。统计建模法克服了这个缺点，克里金算法根据最小方差及无偏估计定义样本权重，通过选择合适的变异函数重塑采样点的物理空间距离和信号空间距离的关系。但对于类似走廊、异构角落等非规则空间，克里金的各向同性假设并不适用，因此其定位精度会受到影响。
5.除了指纹构建方法会对定位精度造成一定的影响外，指纹库中的优质参考点能否参与运算也是影响定位精度的重要因素。对于不同的预估位置，不同的参考点具有相异的辨析能力。将扩充指纹库的全部参考点以相同的备选概率参与定位，可能对定位精度来不利影响。为选出优质参考点，现有方法中使用wknn定位算法，根据参考点信号强度与实时rss向量的欧氏距离对参考点进行反向加权，选择高权重参考点参与计算。但扩充指纹库的特殊性，使得以欧式距离为单一衡量标准的参考点选择算法无法带来较大的精度提升。
技术实现要素：
6.为了进一步提高多信号场景下的室内定位精度，本发明提供了一种多信号场景下的室内定位方法，以信号的区域性波动特征为衡量标准，引入指纹清晰度概念，对样本参考点进行聚类并拟合子区域路径损耗指数，有效解决了单一路径损耗模拟合精度差的问题；而且在选择优质参考点时，将指纹清晰度作为第二标准，保证位置计算的精确性。
7.一种多信号场景下的室内定位方法，所述方法包括离线阶段和在线阶段；
8.离线阶段完成指纹库的构建和扩充，并以指纹清晰度表征路径损耗指数的变化程度，结合密度峰值聚类实现对目标区域的自适应划分，扩充后的指纹库称为离线插值指纹库，所述指纹清晰度指参考点rpj到邻近参考点的信号差之和与邻近参考点个数的比值；在
线阶段综合清晰度权重wdj和接收信号强度rss向量欧式距离权重woj，得到参考点rpj的组合权重，选取前e个组合权重最高的参考点rp参与目标位置计算，得到目标位置的估计值，所述目标为待定位点；所述目标区域为待定位点所处的室内区域。
9.可选的，所述方法包括：
10.步骤1：构建系统模型；
11.在平面目标空间内，布置n个无线接入点api，m个参考点rpj；其中，m个参考点中包含r个已采样参考点srpr和z个待插值参考点irpz；其中，1≤i≤n，1≤j≤m，1≤r≤r，1≤z≤z；
12.步骤2：指纹数据预处理；
13.基于信号的聚集程度和出现频次描述srpr处来自api的信号；
14.步骤3：扩充指纹数据库；
15.步骤3.1：对已采样参考点spr进行聚类分区；
16.根据srpr与其邻近srp
r1
的信号差与距离差，确定srpr处来自api的指纹清晰度
17.根据每个srpr处指纹清晰度及平面位置联合构建srp的映射三维空间，计算任意srpr和srp
r1
间的空间间隔f
r,r1
；
18.根据公式(4)计算srpr处的近邻局部密度为：
[0019][0020]
其中，截断距离f
cut
由空间内各srp的平均期望近邻srp数量占srp总数的比例计算得到；
[0021]
根据各srp近邻局部密度ρr对各srp进行排序，令{q1,q2,
…
,qc,
…
qc}为各srp近邻局部密度ρr的降序序列编号，其中c＝r，则srpr处的父级距离表示为：
[0022][0023]
其中id(
·
)表示满足表达式
·
的变量编号；
[0024]
至此，每个srpr都有用以综合描述路径损耗特征相似性及空间聚集程度的一对(ρr,θr)；
[0025]
根据每个srpr对应的一对(ρr,θr)对所有已采样参考点spr进行聚类分区；
[0026]
步骤3.2：以srpr处信号特征作为初始信号强度，考虑srpr与irpz间的信号传播损耗，建立irpz相对于srpr的差值近邻信号模型；并根据无监督k近邻归类算法对待插值参考点irpz进行分区；结合irpz所属分区内srp所观测到的来自api的信号强度和srp的差值近邻信号模型，对irpz的信号强度进行预测；
[0027]
步骤4：基于指纹清晰度筛选优质参考点进行目标位置计算。
[0028]
可选的，所述步骤1还包括：
[0029]
定义表示参考点rpj处所接收的来自n个ap的接收信号
强度rss值；表示已采样参考点srpr处所接收的接收信号强度rss值；表示待插值参考点irpz处所接收的接收信号强度rss值；
[0030]
定义表示参考点rp的空间位置集合，其中表示rpj的二维平面坐标；定义表示srpr的二维平面坐标；表示ap的空间位置集合，其中表示api的二维平面坐标；
[0031]
定义表示在线阶段所测量到待定位点的rss向量，其中，表示在线阶段所测量到待定位点接收到第i个无线接入点ap的接收信号强度rss值。
[0032]
可选的，所述步骤2包括：
[0033]
步骤2.1：在给定单位时间t内，已采样参考点srpr采集来自api的h次信号其中表示srpr采集来自api的第h次信号；
[0034]
步骤2.2：对于可能出现的q个互异rss取值样本，存在srpr关于rss的概率分布集合其平均值和中位数分别为μr和δr；
[0035]
步骤2.3：基于信号的聚集程度和出现频次描述srpr处来自api的信号
[0036][0037]
其中，为原测量集合中筛选出的以均值μr为阈值的h
t
个高频信号，且满足h
t
≤h。
[0038]
可选的，所述步骤3.1中srpr处来自api的指纹清晰度计算公式为：
[0039][0040]
其中，表示srpr的邻近参考点编号组成的集合a中第r1个编号所对应参考点的信号强度值，num(
·
)表示
·
集合所包含的元素个数；表示srpr的二维平面坐标；表示srp
r1
的二维平面坐标。
[0041]
可选的，所述步骤3.1中任意srpr和srp
r1
间的空间间隔f
r,r1
以欧式距离表示，计算公式如下：
[0042][0043]
其中，表示srp
r1
处来自api的指纹清晰度。
[0044]
可选的，所述步骤3.2包括：
[0045]
计算已采样参考点srpr对来自api的信号预测值：
[0046][0047]
其中，表示距离api默认距离dis0处的信号强度损耗值，disr表示srpr与api的空间距离；
[0048]
计算待插值参考点irpz相对于已采样参考点srpr的差值近邻信号：
[0049][0050]
考察距离irpz最近的k个srp的分类情况，将irpz归类至拥有最高srp数量占比的分区内；
[0051]
令为分区内所包含rk个srp的编号序列，结合分区内srp所观测到的来自api的信号强度和srp的差值近邻信号模型，对irpz的信号强度进行预测:
[0052][0053]
其中，为已采样参考点对应的路径损耗指数，根据同一分区内已知srp的信号强度与ap间距离拟合得出。
[0054]
可选的，所述步骤4包括：
[0055]
步骤4.1：获取待定位点接收到所有无线接入点ap的接收信号强度rss值，构成待定位点的rss向量l，将待定位点向量l代入离线插值指纹库中每个rp的位置，计算l在rpj处来自于api的指纹清晰度并与rpj的原指纹清晰度比较，设定γ为清晰度差值阈值，若满足则将rpj加入l的关于api的rp匹配集合
[0056]
步骤4.2：按照rpj所处分区内所有srp的平均清晰度对集合内的预选参考点进行降序排序；依据平均清晰度以及清晰度差值对预选参考点赋予相应的权重
[0057][0058]
其中，为rpj所处分区的平均清晰度，σ为清晰度差值放大系数；
[0059]
步骤4.3：令rs＝{rs|1≤s≤s}表示步骤4.1中rpj可入选的所对应ap的编号集合；则每个参考点rpj的总清晰度权重wdj为：
[0060][0061]
根据所得清晰度权重wdj，取前b个清晰度权重最高的rp作为支撑待定位向量l最终rp集合s
l
；
[0062]
步骤4.4：计算s
l
内rss向量欧式距离权重woj，由l到各参考点rss向量的欧氏距离取倒数加权得到；
[0063]
步骤4.5：综合s
l
内rp的清晰度权重wdj和rss向量欧式距离权重woj，得到rpj的组
合权重，选取前e个组合权重最高的rp参与目标位置计算：
[0064][0065]
其中，xj表示第j个参考点rp的空间位置。
[0066]
可选的，所述rpj的组合权重wcj的计算式为：
[0067][0068]
其中，1≤b≤b。
[0069]
本发明有益效果是：
[0070]
通过引入指纹清晰度概念，以信号的区域性波动特征为衡量标准，对样本参考点进行聚类并拟合子区域路径损耗指数，有效解决了现有技术中单一路径损耗模拟合精度差的问题；进一步的，本技术以指纹清晰度为优质参考点选择的第二标准，综合rss向量欧式距离，保证位置计算的精确性。进一步的，本技术通过采集少量样本点利用插值法生成其他点的数据，不需要采集全局参考点的数据，降低采集数据的人工与时间成本的同时，提高了定位精度。
附图说明
[0071]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0072]
图1a为现有技术采用单一模型对待插值参考点irp处信号进行预测结果仿真图；
[0073]
图1b为采用本技术所提出的近邻模型对待插值参考点irp处信号进行预测结果仿真图。
[0074]
图2为本发明提出的多信号场景下指纹库扩充室内定位方法difs的流程图。
[0075]
图3为信号强度波动与指纹清晰度对应图。其中，(a)为信号强度波动图，(b)为指纹清晰度示意图。
[0076]
图4a为ap2聚类效果示意图；
[0077]
图4b为ap3聚类效果示意图。
[0078]
图5a-图5f为六个ap在四种插值算法下的拟合残差箱型示意图。其中，图5a为ap1残差示意图，图5b为ap2残差示意图，图5c为ap3残差示意图，图5d为ap4残差示意图，图5e为ap5残差示意图，图5f为ap6残差示意图。
[0079]
图6为分别采用本技术方法和三种现有方法进行目标定位的误差累积概率对比结果仿真图。
具体实施方式
[0080]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方
式作进一步地详细描述。
[0081]
实施例一：
[0082]
本实施例提供一种多信号场景下的室内定位方法，参见图2，所述方法包括：
[0083]
步骤一、系统模型的构建；
[0084]
在平面目标空间内，布置n个无线接入点(access point,ap)，表示为ap＝{api|1≤i≤n}，以及r个已采样参考点(sample reference point,srp)，表示为srp＝{srpr|1≤r≤r}，z个待插值参考点(interpolated reference point,irp)，表示为irp＝{irpz|1≤z≤z}。srp和irp共同组成m个参考点(reference point,rp)，表示为rp＝{rpj|1≤j≤m}。
[0085]
定义表示rpj处，所接收的来自n个ap的接收信号强度rss值，关联定义表示srpr处所接收的rss值，表示irpz处所接收的rss值。
[0086]
定义表示rp的空间位置集合，其中表示rpj的二维平面坐标，关联定义表示srpr的二维平面坐标；表示ap的空间位置集合，其中表示api的二维平面坐标。表示在线阶段所测量到待定位点的rss向量。
[0087]
步骤二、指纹数据预处理；
[0088]
无线信号在环形走廊等多结构室内隔断环境中，多径、阴影干扰会出现叠加和重复等多样变化，因此使用传统的高斯分布拟合rss在简化研究的同时，会带来较大的数据偏差。
[0089]
在给定单位时间t内，srpr采集来自api的h次信号对于可能出现的q个互异rss取值样本，存在srpr关于rss的概率分布集合其平均值和中位数分别为μr和δr。
[0090]
鉴于信号分布特征能更多地反映出随机信号的普适特点，以rss集合的概率分布为尺度，可以区分化描述多样性环境下信号的真实特征，降低个别野值信号对整体匹配的干扰，所述野值信号指信号特征与真实位置不匹配的指纹信号。对于高频和稳定出现的信号，以其特征分布替代原始个体的离散概率描述，可以一定程度上过滤掉低频和不稳定信号。
[0091]
对于随机信号而言，若在srpr处信号稳定，则来自api的rss数值上波动微弱且取值聚集，在概率上会体现为的部分信号值呈高频次的稳定出现，拉高概率分布均值，数据上体现为μr≥δr。因此不失一般性认为，当前高频信号可以代表srpr信号。反之，若srpr处信号具有较高的随机性，则rss数值呈自然发散分布，中各信号值呈现去中心化。此时各信号值对于srpr的原始信号具有相近的预测价值，更适合以总体信号值均值代表srpr信号。因此，基于信号的聚集程度和出现频次，重新描述srpr处来自api的信号:
[0092][0093]
其中，为原测量集合中筛选出的以均值μr为阈值的h
t
个高频信号，且满足h
t
≤h。
[0094]
步骤三、指纹库扩充；
[0095]
(1)指纹清晰度匹配聚类
[0096]
定位测距中，常利用一致的路径损耗模型将接收信号功率与距离相关联，实现以信号强度估计目标距离。但多信号源间的互耦干扰，使得同一ap在不同区域内或不同ap在同一区域内的路径损耗程度，都不尽一致，并且全局的路径损耗指数也同时受到ap所处高度的影响。由于这种波动性，复杂的室内环境下，来自多ap的wi-fi信号，无法以固定或单一的路径损耗模型加以拟合；另一方面，人为地根据信号变化特征，简单地对目标区域进行划分以及选取最佳路径损耗指数并不具有理论的说服力。
[0097]
因此，为了能够准确并且客观地拟合wi-fi信号在复杂室内环境下的分布情况，本技术引入指纹清晰度概念，侧面地体现路径损耗指数的变化程度，并结合密度峰值聚类(density peek classify,dpc)，实现对目标区域的自适应划分。
[0098]
1)指纹清晰度
[0099]
指纹清晰度指参考点rpj到邻近参考点的信号差之和与邻近参考点个数的比值；srpr可根据与邻近srp
r1
的信号差与距离差，确定srpr处来自api的指纹清晰度如式(2)所示，间接体现样本区域内，不同srpr位置的信号波动程度，以反映路径损耗指数的区域性变化。
[0100][0101]
上式中，表示srpr的邻近参考点编号组成的集合a中第r1个编号所对应参考点的信号强度值，num(
·
)表示
·
集合所包含的元素个数。对a集合容量进行适应性调整，可改变srpr对周围空间的清晰度感知范围。
[0102]
通常而言，信号变化程度相近的区域内的srp，彼此间的信号差值与距离差值应互相逼近，使得参考点间的指纹清晰度也趋于一致。因此，不失一般性的认为：具有相似指纹清晰度的参考点处的路径损耗指数，也具有较高的相似性。故对于基于信号波动区分度及路径损耗指数特征的聚类，可以转化为基于指纹清晰度的聚类过程。
[0103]
2)密度峰值聚类
[0104]
改变传统指纹聚类中，基于srp所有接收信号特征进行分区的思路，调整为仅针对某ap发出信号在不同srp处的指纹清晰度的相似度进行聚类分区。由于室内建筑结构和材料的复杂性以及测量偶发误差的影响，势必会存在某srp的信号强度与周围信号强度值无明显相关性的极端情况，针对这种清晰度异常指纹点，为防止产生分区错误，参考点间的空
间相关性也应作为聚类的指标之一。因此，算法根据srp的指纹清晰度和平面坐标，对参考点进行三维泛化，以实现聚类分区。
[0105]
对于待聚类的已采样参考点集合srp，将每个srpr处指纹清晰度及平面位置联合构建srp的映射三维空间。则任意srpr和srp
r1
间的空间间隔f
r,r1
可以欧式距离表示，如式(3)所示。
[0106][0107]
上式中，为了保证与对聚类结果影响的一致性，将转化成以指纹清晰度极值差值约束下的单位数值，将转化成以平面位置极值差值约束下的单位数值，实现对不同尺度下聚类参数的一化处理。
[0108]
令srpr处的近邻局部密度为:
[0109][0110]
其中，截断距离f
cut
由空间内各srp的平均期望近邻srp数量占srp总数的比例计算得到。
[0111]
令{q1,q2,
…
,qc,
…
qc}为各srp近邻局部密度ρr的降序序列编号，其中c＝r，则srpr处的父级距离可表示为:
[0112][0113]
其中id(
·
)表示满足表达式
·
的变量编号。至此，每个srpr都有用以综合描述路径损耗特征相似性及空间聚集程度的一对(ρr,θr)。
[0114]
3)srp聚类
[0115]
在三维空间下，srpr处的局部密度ρr与其周围拥有相似信号波动程度的srp数量成正相关，因此拥有更多相似srp的高ρr取值srpr，其指纹清晰度更能体现所处区域内大多数srp处的信号变化特征。同时，θr描述了srpr与其最近距离的高局部密度srp的空间间隔。因此，为满足聚类中心处srp聚集、聚类中心间分散分布的特性，应选用局部密度ρr大于其上四分之一位数，父级距离θr大于其上四分之一位数的srp作为聚类中心。
[0116]
由于大多数室内场景中ap设备的异构性，来自不同ap的信号波动程度不一。为了使不同分区的路径损耗指数尽可能地体现所在分区内的信号变化特性，分区数目应能自适应地跟随环境信号变化。本方法通过确保粗粒度筛选的srp聚类中心在具有高局部密度和长父级距离的特征的同时，各分区间的类间距离γ
r,r1
也应不低于高区分度的阈值ν，ν取各分区类间距离最大值的0.05倍，以此滤除高耦合类的聚类中心。
[0117]
(2)信号预测
[0118]
传统路径损耗模型通过ap周围参考点的信号特征和ap与待插值点间距离，直接对信号强度进行预测，而当信号传播路径中存在拐角、墙壁等障碍物时，信号波动加剧，拟合误差跳动明显。为避免ap与irp间未知因素对预测结果的干扰，算法通过将srp处的rss特征作为路径损耗模型的初始信号值，加强srp信号强度在模型预测中的影响，同时构建irp与
srp信号强度与距离关系的差值表达式，取代传统路径损耗模型，间接消除障碍物影响。
[0119]
图1a和图1b给出了传统路径损耗模型预测和近邻插值预测的对比，相比于图1a中选择api单一邻近srp对处于不同位置的irp进行插值，图1b利用与irp处于同一分区内的srp对irp处信号进行预测计算，保证irp与srp拥有类似信号强度波动特征的同时，有效避免信号传播过程中墙壁等因素对插值的干扰。
[0120]
1)差值近邻信号模型
[0121]
若已采样参考点，srpr对来自api的信号预测采用传统路径损耗模型:
[0122][0123]
其中，表示距离api默认距离dis0处的信号强度损耗值，disr表示srpr与api的空间距离。
[0124]
室内环境中，ap与待插值点间的信号传播往往存在物理阻隔，导致直接以ap处rss信号强度，在对数空间距离尺度上进行的插值预测会产生较大偏差。由于室内定位关注的是信号强度相对量，因此可以将传统路径损耗模型构建成待插值点irpz与已采样参考点srpr信号强度的差值表达，即，以srpr处信号特征作为初始信号强度，仅需考虑srpr与irpz间的信号传播损耗。此时，irpz处的预测信号强度更多地取决于邻近srp处的信号特征。则irpz相对于srpr的差值近邻信号模型表达式如下:
[0125][0126]
2)预测插值
[0127]
为确保irpz与参与其插值计算的邻近srp具有相似的信号波动特征，应对irpz也进行分区归类。由于对于irpz的信号预测多取决于其邻近srp，因此对irpz的分区遵循类似无监督k近邻归类算法的“从众”原则。即考察距离irpz最近的k个srp的分类情况，将irpz归类至拥有最高srp数量占比的分区内。
[0128]
以单一srp进行预测可能产生由信号漂移导致的插值误差，以内所有srp对irpz插值结果均值的方式对上述漂移进行平滑处理。令为分区内所包含rk个srp的编号序列，结合分区内srp所观测到的来自api的信号强度和srp的差值近邻信号模型，对irpz的信号强度进行预测:
[0129][0130]
其中，为已采样参考点对应的路径损耗指数，可由同一分区内已知srp的信号强度与ap间距离拟合得出。
[0131]
步骤四、参考点优选及位置计算。
[0132]
传统定位通过对离线指纹库和在线rss进行欧氏距离匹配，但由于信号波动以及测量误差等不确定因素，会出现空间距离较远但欧式距离较近的异向rss向量对，导致定位精度下降。同时在插值指纹库与真实指纹库间存在的信号强度差，会提高异向向量对的出
现概率。
[0133]
鉴于指纹清晰度不仅可以描述rp处rss信号对于位置的辨析能力，也可以作为不同分区内rp的区分指标之一。因此，提出基于指纹清晰度匹配的参考点筛选定位算法，通过匹配指纹清晰度，剔除异常参考点，留存高辨析rp子集，提升插值指纹库的辨析力。
[0134]
(1)rp筛选
[0135]
由于指纹清晰度的计算需综合考量rp本身及其邻近rp的信息，即具备区域相关性。当待定位rss向量l与指纹库中某rp处存储的rss向量为异向向量对时，以l作为该rp点处rss计算出的指纹清晰度，会明显区别于原始rss计算出的指纹清晰度，即向量l在rss上贴近rp，而在指纹清晰度上远离该rp。根据这种区域相关性，剔除向量l异向rp，并进行参考点集的筛选修正，具体步骤如下：
[0136]
步骤1将待定位点向量l代入离线插值指纹库中每个rp的位置，计算l在rpj处来自于api的指纹清晰度并与rpj的原指纹清晰度比较，令γ为清晰度差值阈值，若满足则将rpj加入l的关于api的rp匹配集合
[0137]
步骤2按照rpj所处分区内所有srp的平均清晰度对集合内的预选参考点进行降序排序。依据平均清晰度以及清晰度差值对预选参考点赋予相应的权重
[0138][0139]
其中，为rpj所处分区的平均清晰度，σ为清晰度差值放大系数，放大系数的选取取决于rp的放置粒度与信号波动程度，根据实际环境情况进行设定。
[0140]
步骤3令rs＝{rs|1≤s≤s}表示步骤1中rpj可入选的所对应ap的编号集合。则每个参考点rpj的总清晰度权重wdj可表示为:
[0141][0142]
根据所得清晰度权重wdj，取前b个权重最高的rp作为支撑待定位向量l最终rp集合s
l
。
[0143]
(2)位置计算
[0144]
最终参与目标位置计算的rp应满足在指纹清晰度与欧式距离双尺度上逼近待定位向量l。因此，综合s
l
内rp的清晰度权重wdj和rss向量欧式距离权重woj，woj由l到各参考点rss向量的欧氏距离取倒数加权计算得到；进一步得到rpj的组合权重wcj，组合权重表达式如下：
[0145][0146]
选取前e个组合权重wcj最高的rp参与目标位置计算。
[0147]
对待定位向量l的位置x
l
进行预估的表达式如下:
[0148][0149]
实施例二
[0150]
本实施例提供一种多信号场景下的室内定位方法在教学楼走廊内的定位应用，以江x大学物联网工程学院某完整楼层进行数据实测rss的验证。该室内环境为60m
×
42m的环形走廊。沿走廊均匀设置m＝370个rp，按比例pt在370个rp中抽取370
×
pt个srp，其余rp作为irp的验证集合。
[0151]
离线阶段在每个rp处采集30次指纹数据，采样间隔为2.3s。在环形走廊的4个拐角及南北走廊的中间处布置n＝6个品牌与型号均各异的ap以体现ap设备的差异性与波动。每个rp处未探测到的ap信号强度值用-100dbm表示。在线阶段，测试人员手持智能设备沿着走廊行走一周，得到一个矩形测试轨迹，并记录该轨迹上187个测试点的位置及对应的rss。
[0152]
在场景内采取邻近rp邻近编号的原则，测量并统计给定ap1下，所有370个rp的信号强度及其指纹清晰度的变化情况，如图3所示。图3(a)中平缓区内rp的rss在低强度区间内波动，彼此间rss跨度小，路径损耗指数低，在实际定位过程中难以区分；跳变区内rp的rss在中高强度区间内波动，变化显著，在定位区域内匹配跳变区内的rp更容易实现对目标的精确定位。对应于模糊性高，定位精度差的rp，指纹清晰度图中平缓区内rp的指纹清晰度也较低，而跳变区内rp的指纹清晰度普遍较高，反映了该区间内rp具有高rss跨度，高定位辨析能力的特性。这证明了以指纹清晰度描述区域信号波动特征的有效性。
[0153]
根据指纹清晰度聚类流程，按照pt＝0.167的采样比例从离线参考点中均匀抽取370
×
0.167＝62个rp数据，组成初始指纹库srp。分别基于6个各异的ap，对srp生成{ω1,ω2,
…
,ω6}。由于ap自身的设备性能不同以及所处的位置各异，每个ap对于rp的聚类分区情况差异较大。随机选取的ap2和ap3的srp分区情况，如图4a与图4b所示。ap2为外接移动电源的裸露wi-fi接入点，ap3为日常使用的家用路由器。客观上，ap2的设备稳定性低于ap3。因此在图4a中，接收来自ap2信号的srp被聚类成了5个区域，说明ap2的信号波动在本环形走廊环境下更多样化。与之相比，图4b中ap3的分区数目较ap2减少了2个。从实验环境本身来看，图4a与图4b中聚类区域的变化多发生在走廊转弯处或存在明显阻隔的地方，消防门的存在导致图4a与图4b均在虚线框处产生了子区交界。
[0154]
为验证所提指纹库扩充算法的精度，对比测试了反距离加权插值、克里金插值、传统路径损耗模型预测3种插值算法与所提插值算法插值精度上的性能。图5a至图5f给出了4种插值算法在各ap对于各irp处真实值与预测值的拟合残差箱型图。可以看出，反距离加权算法由于只对rss信号的分布特性做简单地线性处理，在各个ap点的拟合误差较大，产生了最大的误差极值。传统路径损耗模型没有考虑路径损耗指数在整个区域内的变化情况，导致其在复杂室内环境的预测效果不佳。克里金插值算法在变异函数拟合时无法考虑不同ap在具体室内环境下的信号传播特性的不同，在部分ap处的预测精度明显低于所提算法，且存在较多的离点，而所提插值算法的插值精度在误差极值、中位数以及误差离点数量方面均优于其他三种插值算法。在效果最好的ap2处，difs算法的平均拟合残差达到了2.79dbm，较克里金、路径损耗模型、idw三种算法分别提升了18.3％、33.2％和64.2％，而在其他ap处，difs算法也有显著的优势。
[0155]
为验证本技术方法的整体性能。分别将本技术方法与克里金插值算法与lwknn定位算法、路径损耗模型插值算法与mcmc算法以及原始指纹库与wknn算法等三种组合算法进行性能比较：
[0156]
克里金插值算法与lwknn定位算法可参考王轩,陈国良,曹晓祥,杨梦怡,王睿.
[0157]
自适应k值及指纹库扩充的wlan室内定位方法[j].测绘科学,2020,45(07):26-32.
[0158]
路径损耗模型插值算法与mcmc算法可参考王跃,巴斌,崔维嘉,逯志宇.马尔可夫蒙特卡罗的室内定位算法[j].西安电子科技大学学报,2016,43(02):145-149.
[0159]
为保证实验对比的公平性，其他三种组合算法均选取当前指纹库的适配定位算法，且4种定位算法均选取4个最近邻参考点参与位置计算。
[0160]
图6给出了4种扩库定位算法误差的累积概率分布。可以看出，本技术方法在估计误差达到3m之内的测试点数量达到了62％，而其他算法均不足60％。表1给出了四种扩库定位算法的位置估计误差值，本技术方法的平均定位误差和最大定位误差均小于其他三种扩库定位算法。本技术方法在定位精度方面相较于其他三种扩库定位算法分别提升了16％、14％和19％。在进行位置估计时，本技术方法拥有最高的定位精度，体现了difs算法在复杂室内环境减少人力成本同时能维持良好定位精度。
[0161]
表1：4种扩库定位算法位置估计误差
[0162]m[0163][0164]
本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。
[0165]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：
1.一种多信号场景下的室内定位方法，其特征在于，所述方法包括离线阶段和在线阶段；离线阶段完成指纹库的构建和扩充，并以指纹清晰度表征路径损耗指数的变化程度，结合密度峰值聚类实现对目标区域的自适应划分，扩充后的指纹库称为离线插值指纹库；在线阶段综合清晰度权重wd
j
和接收信号强度rss向量欧式距离权重wo
j
，得到参考点rp
j
的组合权重，选取前e个组合权重最高的参考点rp参与目标位置计算，得到目标位置的估计值，所述目标为待定位点。2.根据权利要求1所述的方法，其特征在于，所述方法包括：步骤1：构建系统模型；在平面目标空间内，布置n个无线接入点ap
i
，m个参考点rp
j
；其中，m个参考点中包含r个已采样参考点srp
r
和z个待插值参考点irp
z
；其中，1≤i≤n，1≤j≤m，1≤r≤r，1≤z≤z；步骤2：指纹数据预处理；基于信号的聚集程度和出现频次描述srp
r
处来自ap
i
的信号；步骤3：扩充指纹数据库；步骤3.1：对已采样参考点spr进行聚类分区；根据srp
r
与其邻近srp
r1
的信号差与距离差，确定srp
r
处来自ap
i
的指纹清晰度根据每个srp
r
处指纹清晰度及平面位置联合构建srp的映射三维空间，计算任意srp
r
和srp
r1
间的空间间隔f
r,r1
；根据公式(4)计算srp
r
处的近邻局部密度为：其中，截断距离f
cut
由空间内各srp的平均期望近邻srp数量占srp总数的比例计算得到；根据各srp近邻局部密度ρ
r
对各srp进行排序，令{q1,q2,
…
,q
c
,
…
q
c
}为各srp近邻局部密度ρ
r
的降序序列编号，其中c＝r，则srp
r
处的父级距离表示为：其中id(
·
)表示满足表达式
·
的变量编号；至此，每个srp
r
都有用以综合描述路径损耗特征相似性及空间聚集程度的一对(ρ
r
,θ
r
)；根据每个srp
r
对应的一对(ρ
r
,θ
r
)对所有已采样参考点spr进行聚类分区；步骤3.2：以srp
r
处信号特征作为初始信号强度，考虑srp
r
与irp
z
间的信号传播损耗，建立irp
z
相对于srp
r
的差值近邻信号模型；并根据密度峰值聚类算法对待插值参考点irp
z
进行分区；结合irp
z
所属分区内srp所观测到的来自ap
i
的信号强度和srp的差值近邻信号模型，对irp
z
的信号强度进行预测；步骤4：基于指纹清晰度筛选优质参考点进行目标位置计算。
3.根据权利要求2所述的方法，其特征在于，所述步骤1还包括：定义表示参考点rp
j
处所接收的来自n个ap的接收信号强度rss值；表示已采样参考点srp
r
处所接收的接收信号强度rss值；表示待插值参考点irp
z
处所接收的接收信号强度rss值；定义表示参考点rp的空间位置集合，其中表示rp
j
的二维平面坐标；定义表示srp
r
的二维平面坐标；表示ap的空间位置集合，其中表示ap
i
的二维平面坐标；定义表示在线阶段所测量到待定位点的rss向量，其中，表示在线阶段所测量到待定位点接收到第i个无线接入点ap的接收信号强度rss值。4.根据权利要求3所述的方法，其特征在于，所述步骤2包括：步骤2.1：在给定单位时间t内，已采样参考点srp
r
采集来自ap
i
的h次信号其中表示srp
r
采集来自ap
i
的第h次信号；步骤2.2：对于可能出现的q个互异rss取值样本，存在srp
r
关于rss的概率分布集合其平均值和中位数分别为μ
r
和δ
r
；步骤2.3：基于信号的聚集程度和出现频次描述srp
r
处来自ap
i
的信号其中，为原测量集合中筛选出的以均值μ
r
为阈值的h
t
个高频信号，且满足h
t
≤h。5.根据权利要求4所述的方法，其特征在于，所述步骤3.1中srp
r
处来自ap
i
的指纹清晰度计算公式为：其中，表示srp
r
的邻近参考点编号组成的集合a中第r1个编号所对应参考点的信号强度值，num(
·
)表示
·
集合所包含的元素个数；表示srp
r
的二维平面坐标；表示srp
r1
的二维平面坐标。6.根据权利要求5所述的方法，其特征在于，所述步骤3.1中任意srp
r
和srp
r1
间的空间间隔f
r,r1
以欧式距离表示，计算公式如下：
其中，表示srp
r1
处来自ap
i
的指纹清晰度。7.根据权利要求6所述的方法，其特征在于，所述步骤3.2包括：计算已采样参考点srp
r
对来自ap
i
的信号预测值：其中，表示距离ap
i
默认距离dis0处的信号强度损耗值，dis
r
表示srp
r
与ap
i
的空间距离；计算待插值参考点irp
z
相对于已采样参考点srp
r
的差值近邻信号：考察距离irp
z
最近的k个srp的分类情况，将irp
z
归类至拥有最高srp数量占比的分区内；令为分区内所包含r
k
个srp的编号序列，结合分区内srp所观测到的来自ap
i
的信号强度和srp的差值近邻信号模型，对irp
z
的信号强度进行预测:其中，为已采样参考点对应的路径损耗指数，根据同一分区内已知srp的信号强度与ap间距离拟合得出。8.根据权利要求7所述的方法，其特征在于，所述步骤4包括：步骤4.1：获取待定位点接收到所有无线接入点ap的接收信号强度rss值，构成待定位点的rss向量l，将待定位点向量l代入离线插值指纹库中每个rp的位置，计算l在rp
j
处来自于ap
i
的指纹清晰度并与rp
j
的原指纹清晰度比较，设定γ为清晰度差值阈值，若满足则将rp
j
加入l的关于ap
i
的rp匹配集合步骤4.2：按照rp
j
所处分区内所有srp的平均清晰度对集合内的预选参考点进行降序排序；依据平均清晰度以及清晰度差值对预选参考点赋予相应的权重排序；依据平均清晰度以及清晰度差值对预选参考点赋予相应的权重其中，为rp
j
所处分区的平均清晰度，σ为清晰度差值放大系数；步骤4.3：令r
s
＝{r
s
|1≤s≤s}表示步骤4.1中rp
j
可入选的所对应ap的编号集合；则每个参考点rp
j
的总清晰度权重wd
j
为：根据所得清晰度权重wd
j
，取前b个清晰度权重最高的rp作为支撑待定位向量l最终rp集合s
l
；
步骤4.4：计算s
l
内rss向量欧式距离权重wo
j
；步骤4.5：综合s
l
内rp的清晰度权重wd
j
和rss向量欧式距离权重wo
j
，得到rp
j
的组合权重，选取前e个组合权重最高的rp参与目标位置计算：其中，x
j
表示第j个参考点rp的空间位置。9.根据权利要求8所述的方法，其特征在于，所述rp
j
的组合权重wc
j
的计算式为：其中，1≤b≤b。
技术总结
本发明公开了一种多信号场景下的室内定位方法，属于室内定位领域。该方法在离线阶段完成指纹库的构建和扩充，并以指纹清晰度表征路径损耗指数的变化程度，结合密度峰值聚类实现对目标区域的自适应划分；在线阶段综合清晰度权重和接收信号强度RSS向量欧式距离权重，得到各参考点的组合权重，选取前E个组合权重最高的参考点参与目标位置计算，得到目标位置的估计值。本申请通过引入指纹清晰度概念，以信号的区域性波动特征为衡量标准，对参考点进行聚类并拟合子区域路径损耗指数，有效解决了单一路径损耗模拟合精度差的问题；进一步的，本申请以指纹清晰度为优质参考点选择的第二标准，综合RSS向量欧式距离，保证位置计算的精确性。确性。确性。
