一种基于余弦相似度的RSS检测差异补偿方法与流程

本发明涉及无线通信网领域的室内定位技术，尤其涉及一种基于余弦相似度的接收信号强度RSS测差异补偿方法。

背景技术：

近年来，随着无线网络的发展以及普适计算技术的广泛应用，很多公共和商业服务，包括搜索救援、火灾抢险以及基于位置的服务对移动用户的位置信息需求逐步增多。基于卫星信号的室外定位系统已非常成熟，但目前还缺少较为成熟的、被广泛采用的室内定位系统。因此，室内定位技术的研究具有十分重要的实践意义。随着Wi-Fi技术和移动设备无线网络接收器的迅速发展，无线网络覆盖已成为用于定位系统的天然航标灯。因此，通过深度挖掘和利用无线网络普遍性和Wi-Fi信号的特点来实现室内定位已经成为一个重要研究领域。

现有的Wi-Fi定位技术中，使用接收的信号强度指示(Received Signal Strength Indicator，RSSI)并基于指纹数据库的室内定位算法具有突出优势。而基于确定性的指纹算法，如加权K临近法(Weight K-nearest Neighborhood,WKNN)，相对于基于概率性的算法计算复杂度低，运行速度快，易于实现。但是针对设备差异问题，将该算法应用于不同的移动设备且同时使用相同的位置指纹数据库，实验结果表明不同移动设备的定位精度和稳定性是有很大差别的，由此可知设备差异对定位精度和稳定性的影响是个不可忽略的问题。

离线训练阶段中生成指纹数据库的移动设备(即训练设备)和在线定位过程中移动用户使用的移动设备(即定位设备)的品牌和型号是不可控制的，而在某个定位区域中多个不同品牌和型号的在线定位设备却共用一个由某种品牌和型号的离线训练设备采集生成的位置指纹数据库。众所周知，由于Wi-Fi芯片、天线型号以及包装材料等差异，不同品牌和型号的移动设备对于Wi-Fi的信号接收强度检测能力是不同的，这样势必导致指纹数据库在不同的定位设备中与实时检测的RSS(接收信号强度)值的匹配准确度下降，从而使定位精度下降、定位稳定性降低。针对上述问题，现有的技术文献中还没有披露有效的解决方法。

技术实现要素：

本发明所要解决的技术问题是不同品牌和型号的移动设备因为对于Wi-Fi的信号接收强度检测能力不同而造成的定位精度下降、定位稳定性降低的现象。

为了解决上述技术问题，本发明提出一种基于余弦相似度的RSS检测差异补偿方法，该方法引入余弦相似度作为不同设备之间能否进行RSS差异补偿的度量标准，对满足度量标准的设备组通过比值校正的方法补偿RSS检测差异，有效解决了由于不同设备RSS检测能力差异带来的定位精度和稳定性下降问题。

方法流程：

步骤一：假设有n个参考点(Reference Point，RP)，m个无线接入点(Aceess Point，AP)，首先进行离线训练阶段，构建目标定位区域的位置指纹数据库，分别计算在线定位设备在某已标志RP(参考点)上采集到的来自所有AP(无线接入点)的实时接收信号强度向量集和原始指纹数据库中各个RP(参考点)的接收信号强度向量集的余弦相似度CS_i；

步骤二：选择其中余弦相似度CS_i最大的RP(参考点)；

步骤三：计算该已标志RP(参考点)上在线定位设备采集到的接收信号强度向量集和余弦相似度最大的RP(参考点)的接收信号强度向量集各项分量，即来自各个AP(无线接入点)的接收信号强度值的对应比值t_i；

步骤四：计算各项分量对应比值t_i的平均值作为原始指纹数据库的补偿校正因子；

步骤五：将原始指纹数据库中所有RP(参考点)的接收信号强度向量集都乘以补偿校正因子生成新的校正指纹数据库参与匹配计算。

进一步的，上述步骤一中的目标定位区域的位置指纹数据库，具体包括以下步骤：

1)在需要定位的区域设置信号接入点并编号，按照区域进行RP(参考点)划分，每个RP(参考点)设置唯一的编号，每个RP(参考点)会接收到来自不同信号接入点的信号强度指示；

2)对接收到的信号强度指示进行若干次测量，计算其平均值，接收到的来自不同信号接入点信号强度指示组成一个信号强度向量，作为该RP(参考点)的标识,；

3)将每个RP(参考点)的指纹存入数据库，最终生成该区域的指纹库。

上述步骤一中的余弦相似度CS_i的值在移动设备之间介于0.99至1之间，不同移动设备对于各个AP(无线接入点)信号强度大小的反映趋势是一致的。

进一步，上述移动设备与品牌无关。

有益效果：

1.本发明使用余弦相似度来代替欧式距离作为度量标准，更加突出定位时方向(即变化趋势)上的差异，同时修正了用户间可能存在的度量标准不统一的问题。

2.本发明使用补偿校正后的指纹数据库进行定位，有效解决了由于不同设备RSS检测能力差异带来的定位精度下降问题，使定位精度显著提高。

3.本发明引入余弦相似度作为不同设备之间能否进行RSS差异补偿的度量标准，其定位平均误差得到降低，定位稳定性也有很大改善。

4.本发明引入余弦相似度作为不同设备之间能否进行RSS室内定位精度差异补偿的度量标准，对满足度量标准的设备组通过比值校正的方法补偿RSS检测定位精度的差异，有效解决了由于不同设备RSS检测能力差异带来的精度和稳定性下降问题。

附图说明

图1为两种不同移动设备的RSS随时间变化差异对比图。

图2为三种不同移动设备的RSS随时间变化差异对比图。

图3为定位系统修正图。

图4为基于余弦相似度的补偿校正策略基本原理示意图。

图5为三种不同移动设备的本机定位、原始指纹数据库定位和校正指纹数据库定位的定位误差平均值、方差和标准差的对比直方图。

图6为三种不同移动设备的本机定位、原始指纹数据库定位和校正指纹数据库定位的定位精度累积概率分布对比图。

具体实施方式

下面结合说明书附图对本发明作进一步的详细说明。

本发明的基于余弦相似度的补偿校正方法的定位系统共分为三个阶段：离线训练阶段、在线校正阶段和在线定位阶段。在离线训练阶段，使用离线训练设备在待定位区域中选择合适的参考点构建原始指纹数据库；在线校正阶段中，在参考点指纹数据已采集完毕的定位区域内将其中一个或多个参考点位置用适当的标志标记出来(具体位置和数量可根据室内环境布局合理选择)，然后使用在线定位设备获取已标志参考点中距离用户最近的参考点上来自各个AP(无线接入点)的接收信号强度向量集，最后使用基于余弦相似度的补偿校正策略对原始指纹数据库进行补偿修正，生成最终的校正指纹数据库；在线定位阶段中，使用相同在线定位设备获取某实时定位点数据并与校正指纹数据库进行匹配计算，获取定位点位置信息。同时引入余弦相似度的特性进行比较。

本发明余弦相似度的特点包括：

1.对于绝对数值不敏感；

2.两个向量即使只有很少的相同分量值也可能会得到很高的相似度；

3.如果两个向量的各项值越趋向于对应成比例，不管数值差异如何，相似度越趋向于1。

余弦相似度注重的是两个向量值的变化趋势问题，并不是具体的数值，把不同设备看作不同的用户，设备检测到的来自多个相同AP(无线接入点)的接收信号强度值看作用户的各项评分，不同设备的RSS(接收信号强度)检测能力差异可类比不同用户间度量标准不统一的问题。

根据以上实验和理论结果，给出基于余弦相似度的RSS(接收信号强度)检测差异补偿策略。本发明分为以下几个步骤：

步骤一：进行离线训练阶段，构建目标定位区域的位置指纹数据库。分别计算在线定位设备在某已标志参考点上采集到的来自所有AP(无线接入点)的实时RSS(接收信号强度)向量集和原始指纹数据库中各个参考点的接收信号强度向量集的余弦相似度CS_i；

步骤二：选择其中余弦相似度CS_i最大的参考点；

CS_i＝max{CS₁,CS₂,…,CS_n}

步骤三：计算该已标志参考点上在线定位设备采集到的接收信号强度向量集和余弦相似度最大的参考点的接收信号强度向量集各项分量(来自各个AP(无线接入点)的接收信号强度值)的对应比值t_i；

步骤四：计算各项分量对应比值t_i的平均值作为原始指纹数据库的补偿校正因子；

步骤五：将原始指纹数据库中所有参考点的RSS向量集都乘以补偿校正因子生成新的校正指纹数据库参与匹配计算。

不同品牌和型号的移动设备接收Wi-Fi信号的原理是一致的，而对于RSS(接收信号强度)接收能力的差异是由不同设备的Wi-Fi芯片参数、天线型号参数等设备参数差异导致的。

实验结果表明，RSS随时间变化存在差异，不同品牌的Android设备某品牌A和某品牌B在相同前提条件下(即：同一时间、同一地点)对同一个无线AP(无线接入点)信号强度的检测结果是显然不同的，但两者的曲线都基本保持相同的变化趋势。

而不同品牌设备之间RSS随距离变化也存在一定的差异，以某品牌B和某品牌A为例，虽然在相同距离下两者检测到的同一个AP(无线接入点)的RSS值的大小存在差异，但其随距离变化趋势基本一致，且基本保持稳定的线性关系，某品牌A和某品牌B之间的数据差异是在一个固定比值附近波动。

基于以上理论，我们可以给出基于余弦相似度的RSS检测差异补偿策略。本发明分为以下几个步骤：

步骤一：进行离线训练阶段，构建目标定位区域的位置指纹数据库。分别计算在线定位设备在某已标志参考点上采集到的来自所有AP(无线接入点)的实时接收信号强度向量集和原始指纹数据库中各个参考点的接收信号强度向量集的余弦相似度；

步骤二：选择其中余弦相似度最大的参考点；

步骤三：计算该已标志参考点上在线定位设备采集到的RSS向量集和余弦相似度最大的参考点的接收信号强度向量集各项分量(来自各个AP的接收信号强度值)的对应比值；

步骤四：计算各项分量对应比值的平均值，作为原始指纹数据库的补偿校正因子；

步骤五：将原始指纹数据库中所有参考点的接收信号强度向量集都乘以补偿校正因子，生成新的校正指纹数据库参与匹配计算。

以下为仿真结果：

图1说明了某品牌A的无线信号接收能力略高于某品牌B且稳定性也相对较高，但两者的曲线都基本保持相同的变化趋势。根据位置指纹定位的基本原理，倘若在线定位阶段不同品牌和型号的移动设备直接应用离线阶段中由某训练设备建立的位置指纹数据库来进行实时定位必定会产生很大的定位误差。

图2说明了同品牌的某品牌B和某品牌C之间的信号接收能力差异不大，在可接受的误差范围内，所以不建议修正。而不同品牌设备之间的信号接收能力确实存在一定的差异，以某品牌A和某品牌B为例，虽然在相同距离下两者检测到的同一个AP(无线接入点)的RSS(接收信号强度)值的大小存在差异，但其随距离变化趋势基本一致，且基本保持稳定的线性关系。

图3说明了应用了本文所提的基于余弦相似度的补偿校正策略的定位系统共分为三个阶段：离线训练阶段、在线校正阶段和在线定位阶段。在离线训练阶段，使用离线训练设备在待定位区域中选择合适的参考点构建原始指纹数据库；在线校正阶段中，在参考点指纹数据已采集完毕的定位区域内将其中一个或多个参考点位置用适当的标志标记出来(具体位置和数量可根据室内环境布局合理选择)，然后使用在线定位设备获取已标志参考点中距离用户最近的参考点上来自各个AP(无线接入点)的接收信号强度向量集，最后使用基于余弦相似度的补偿校正策略对原始指纹数据库进行补偿修正，生成最终的校正指纹数据库；在线定位阶段中，使用相同在线定位设备获取某实时定位点数据并与校正指纹数据库进行匹配计算，获取定位点位置信息。

图4说明了假设有n个RP(参考点)，m个AP(无线接入点)，基于余弦相似度的补偿校正策略基本原理。首先，分别计算在线定位设备在某已标志参考点上采集到的来自所有AP(无线接入点)的实时接收信号强度向量集和原始指纹数据库中各个参考点的接收信号强度向量集的余弦相似度CS_i；其次，选择其中余弦相似度CS_i最大的参考点；然后，计算该已标志参考点上在线定位设备采集到的RSS(接收信号强度)向量集和余弦相似度最大的参考点的接收信号强度向量集各项分量(即：来自各个AP的接收信号强度值)的对应比值t_i；接着，计算各项分量对应比值t_i的平均值作为原始指纹数据库的补偿校正因子；最后，将原始指纹数据库中所有参考点的接收信号强度向量集都乘以补偿校正因子生成新的校正指纹数据库参与匹配计算。

图5中是某品牌B本机定位、某品牌A原始指纹数据库定位和某品牌A校正指纹数据库定位的定位误差平均值、方差和标准差的对比直方图。由图可知，对于某品牌B构建的原始指纹数据库，相比某品牌B本机定位，某品牌A定位的平均误差由1.51m上升到了2.12m，且定位稳定性也有所降低。但当某品牌A使用补偿校正后的指纹数据库进行定位时，其定位平均误差又降低到了1.64m，且定位稳定性也有很大改善。

图6是某品牌B本机定位、某品牌A原始指纹数据库定位和某品牌A校正指纹数据库定位的定位精度累积概率分布对比图。从图中各条曲线的变化趋势可知，对于某品牌B构建的原始指纹数据库，相比某品牌B本机定位，某品牌A定位精度明显下降，而当某品牌A使用补偿校正后的指纹数据库进行定位时，定位精度又显著提高到原来的水平。