一种基于wifi信号强度的指纹聚类多点联合室内定位方法
【技术领域】
[0001] 本发明涉及无线通信技术领域，具体涉及WIFI信号强度值下的指纹聚类多点联 合室内定位系统的定位方法。
【背景技术】
[0002] WIFI是基于IEEE802. 11标准的无线网络标准，是人们日常生活中PC、手持移动 设备等终端通过无线方式接入Internet核心网的主流方式之一。随着无线技术的不断发 展，现如今在商场、住宅、办公等大型生活社交场景中WIFI接入点已几乎全部覆盖，且其发 展趋势将最终实现生活地域的全方位覆盖。在这种趋势下，利用WIFI进行室内定位越发便 捷，且WIFI信号克服GPS信号在室内无法有效传播的缺点，完全利用已有的WIFI接入点， 无需像蓝牙定位那样布置大量节点，无需布线，成本低廉。指纹定位技术是一种基于不测距 的定位方法，典型的定位方法如TOA、TDOA、AOA、RSSI等，由于室内环境存在严重的多径散 射，上述参数的估计往往存在较大误差，定位性能往往不太理想；而指纹定位这种非参数化 定位方法无需估计环境参数，能有效对抗室内多径传播，很大程度上提高了室内定位的精 度，一般在定位前要在参考点上接收含有环境误差的信号作为该参考点的指纹，然后在定 位阶段将接收到的信号与指纹库对比，从而实现位置估计。
【发明内容】
[0003] 技术问题：本发明的目的是提供一种在WIFI覆盖的室内环境中对请求定位的移 动用户提供位置估计的方法与系统实现。通过离线建库、指纹聚类与在线定位匹配的过程 实现。
[0004] 技术方案：为实现本发明的目的，本发明涉及一个移动终端来采集信号、一个服务 器来建立指纹库与实现定位方法，同时本发明需应用在多WIFI接入点的室内环境下，其中 服务器定位软件包括采集信号离线建库功能和定位方法实现功能。
[0005] 本发明主要包括：一种基于距离矩阵的动态虚拟点初始聚类中心选择算法下的优 化聚类软划分聚类方法，一种基于类参与度多点联合动态定位方法，具体流程如下：
[0006] (1)每间隔1米设置一个参考点的方式将待定位区域以网格形式划分，每个格点 为1个参考点，共划分N个参考点。
[0007] (2)持装载服务器定位软件的终端，依次在参考点处采集信号，将信号强度向量存 入指纹数据库。
[0008] (3)根据指纹库采样向量进行距离矩阵计算，根据聚类算法实现指纹分类，获得类 特征向量与参考点信号指纹的类分布矩阵。
[0009] (4)待定位移动用户自动获取当前WIFI列表与对应信号值，向服务器发送定位请 求，并发送WIFI信号向量。
[0010] (5)服务器获取带定位信号向量后与各类特征向量匹配，获取类标号。根据类标号 选定局部定位区域，利用局部定位方法算出待定位的估计位置。
[0011] (6)服务器将估计位置返回待定位移动用户。
[0012] 有益效果：本发明具有以下优点：
[0013] a.减少了设备投入。利用已有的WIFI接入点，无需对定位环境重新部署，降低了 成本；
[0014] b.提高了定位效率。无需对环境参数进行测量，减少了定位前期工作；
[0015] c.增加了定位精度。加强了对指纹特征的分析与处理，有效地提取指纹向量与位 置信息的特征，使定位精度大大提高；
[0016] d.提出指纹定位的一种新算法。通过对指纹聚类过程的分析，使得离线建库中最 后一步聚类边界能够软划分，在此原理上提出一种新的定位算法，对定位时匹配算法进行 优化，并考虑到参考点的选择问题，使定位算法达到最优。
【附图说明】
[0017] 图1基于WIFI信号强度的指纹聚类多点联合室内定位方法流程图。
[0018] 图2离线建库阶段，手持终端在各参考点上采集信号示意图。
[0019] 图3定位阶段示意图。
[0020] 图4初始硬化分分类下参考点分布图。Sl代表定位区域。
[0021] 图5软划分分类下参考点分布图。S2代表定位区域。
[0022] 图6软划分下的一类中参考点分布图。S3代表定位区域。
【具体实施方式】
[0023] 对于（3)中指纹聚类方法的分析与实施过程如下：
[0024] 1、一种基于距离矩阵的动态虚拟点初始聚类中心选择方法
[0025] 按照流程（1)所述方式，持装载服务器定位软件的终端依次在N个参考点接收来 自M个WIFI接入点的信号强度向量&，向量由M个信号强度分量构成，SP
[0027] 参考点集合为
[0028] U= {u I u ^ N, u e N*}
[0029] 由于在实际中某一点出WIFI信号值会随时间上下浮动，所以在同一参考点应当 采集多次信号，即在每一参考点采集T次信号强度向量，采集的信号强度向量具体表示为：
[0031] 对T次采样滤波处理，取平均值作为指纹存入指纹数据库，则各参考点处指纹为
[0033] 建立参考点原始距离矩阵Dnxn:
[0035] 其中，距离元素 D1,,= I |Γι-Γ]|「^"二^^"亥距离矩阵为对称矩阵。
[0036] 基于距离矩阵的动态虚拟点初始聚类中心选择方法【具体实施方式】如下：
[0037] 1)对于距离矩阵Dnxn，若距离元素 D1,,< ε，则将原参考点集合U中i，j点删除。
[0038] 2)添加代表i，j的虚拟参考点v，V点的信号指纹为 ，更新集合U = U U vg-{i，j}，g = 1，2, · · ·。
[0039] 3)更新当前参考点个数N，更新距离矩阵Dnxn，此时距离矩阵的维度已降低，重复 1、2,若无新虚拟点产生则，增更新ε = ε + θ，重复1、2。
[0040] 4)重复1、2、3,若ε > γ，则停止迭代。
[0041] 5)此时参考点集合U即为初始聚类中心集合。对应的信号指纹即为初始聚类中心 特征指纹向量 ImJ = Im1, m2, · · ·，mK}。
[0042] 2、初步指纹聚类的方法
[0043] 在基于距离矩阵的动态虚拟点初始聚类中心选择方法中确立了初始聚类中心 {mk|k = 1，2...，K}，类数K。接下来要根据初始聚类中心将所有参考点的信号指纹依据其 之间的原始距离矩阵Dnxn划分成K个局部区域，即实现将相似度较高的信号指纹划分为一 类。分类所满足的目标是：
(1)
[0045] 其中从属度P lk的取值表示信号指纹r i是否属于第k个类，d lk表示r 1与初始聚 类中心mk的距离，则：
[0047] 实现指纹聚类的具体实施流程为：
[0048] 1)依次计算参考点信号指纹!TiQ = 1，2, · · ·，N)与聚类中心mk(k = 1，2, · · ·，K) 的距离，当dik= min : Eli(Clil)时，令P ik= 1，即r ;属于类k，否则P U= 0,即r ;不属于类 k。记录关于Pik的从属矩阵Q NXK。
[0049] 2)建立局部区域k(第k类）参考点集合Qk (k e K)，根据从属矩阵QNXk，若Plk =1，则参考点i e Qk。计算新的距离中
[0050] 3)若|mkW-mk| > τ，贝_mk(new)代替上一次迭代的距离中心mk，重复1、2。在2 中更新Q k(k e K)。
[0051] 4)若|mMnew)-mk| < τ，则聚类中心叫收敛，停止重复。
[0052] 5)此时mk(new)为局部区域k的最终特征指纹，参考点集合Ω k(k e Κ)为局部区域 k的最终分类参考点集合。
[0053] 3、最大化对数似然概率期望方法实现聚类软划分
[0054] 由于2中聚类算法在实际操作中存在硬划分的问题，即某参考点对一类的隶属度 非〇即1。而处于类分界线上的参考点对两类来说隶属度相差不多，如果把把它绝对地分配 到某一类中，不符合要求类内相似度尽可能大的目标，对分类不利。通过建立似然概率密度 分布模型能够实现聚类的软划分，根据概率来确定隶属度，那么处于类边界上的参考点，对 两个类或是更多类都有隶属度，其值在〇到1之间，用这种概率来描述参考点的分类情况能 够更贴切更有效地实现分类目标。对指纹分类边界软划分按两步执行，一是求出符合条件 概率密度函数的期望，二是求最大化条件概率密度函数期望最大下的参数值，包括隶属度 概率。对于指纹聚类的输出：类特征指纹向量 m]，和参考点聚类数组：
[0056] 将作为聚类软划分算法的输入。由于高斯概率分布函数更较好地拟合各种概率分 布模型，所以在这里，对于每个类参考点信号分布模型采用高斯混合模型，那么全部区域内 参考点上信号分布模型即为：
[0059] 对于第k个局部类定位区域信号分布模型为：
[0060]
[0061] 其中高斯概率分布WtmwSss:)形式为：
[0063] 对于一个参考点1^具备的属性包括（r y Id1)，其中Γι为指纹向量，b i为参与度向 量，? 指示了当前参考点信号指纹是否属于第k个类。4无 法直接通过观察得出，模型下的完全似然函数为：
[0066] 直接使用完全似然函数求解计算复杂度非常高，对此可对该似然函数取对数，将 乘法转为加法以降低复杂度，便于求解。则对数似然函数为：
[0068] 对数似然函数的期望为：
[0069] E[logP(ri，b； | Φ) |r, Φ] (6)
[0071] 其中第j个观测信号对第k个局部类定位区域信号分布模型的参与度T ]k，可 通过其条件期望近似估计为：
[0072] ?·ν ,>:.··
[0073] 由此看出参考点的参与度在数值上等于该参考点的指纹向量被第k个局部类定 位区域信号分布模型指定的后验概率。
[0074] 所建高斯概率分布模型的参数向量?k= {a k，mk，Sk2}，为求解参数，将原模型转 化为对数似然期望形式，为了使新的迭代模型期望（6)最大，对（6) *mdPSk2分别求偏导：
(10)
[0078] 基于最大化对数似然概率期望软划分具体实施过程如下：
[0079] 1)利用指纹聚类的输出，即局部区域k的特征指纹向量{mk|k e K}、局部区域k的 参考点集合Qk(k e κ)及其对应的参考点指纹向量{r」j e Q1J生成高斯混合模型的初 始参数，令1?'1?，按公式（8)、（9)、（10)计算k个类的分模型参数：·