一种WiFi室内定位中概率型指纹匹配方法
【专利摘要】本发明提供一种WiFi室内定位中概率型指纹匹配方法，它是一种基于感知概率和核密度估计的概率型室内定位方法，有五大步骤。具体说是一种将感知概率和无参数核密度估计技术引入到最大似然概率中的方法。该方法能够通过核密度估计方法更准确表征复杂射频信号的分布特征，从而降低定位误差，获得较好的定位精度。
【专利说明】一种WiFi室内定位中概率型指纹匹配方法
【技术领域】
[0001] 本发明提供一种WiFi室内定位中概率型指纹匹配方法，具体说是一种将感知概 率和无参数核密度估计技术引入到最大似然概率中的方法。该方法能够通过核密度估计方 法准确表征复杂射频信号的分布特征，获得较好的定位精度，属于WiFi室内定位及无线传 输和导航【技术领域】。
【背景技术】
[0002] 随着现代定位和导航技术的发展，各种基于位置的服务日益成为智能生活中重要 的组成部分，全球卫星导航系统（GNSS)为人们提供了高精度、全天候的定位服务，但是由 于其测量信号不能穿透建筑物的特点，在高密集建筑群区和室内无法有效进行定位服务， 因此为了在室内获得有效的定位服务，室内定位系统得到了很快的发展。
[0003] 基于指纹匹配的室内定位技术通常工作在两个阶段：离线训练阶段和在线定位 阶段。在离线训练阶段，目标区域中所有参考点接收到的来自可用接入点的信号强度信息 形成指纹数据库。在线定位阶段，将实时采集的接收信号强度（RSSI)与指纹数据库中的指 纹进行匹配，从而得到定位设备的位置信息。
[0004] 概率型算法把实测RSSI与指纹库中指纹的匹配过程看成概率估计问题，基于 RSSI信号的统计特性，建立室内环境中射频信号的概率分布模型，解决了复杂环境下RSSI 值的不确定性。常用的基于概率型算法为最大似然算法（ML)，基于贝叶斯框架理论，将后验 概率转化为似然概率问题，匹配最大的似然概率，得到估计位置信息。
[0005] 核密度估计方法不利用有关数据分布的先验知识，对数据分布不附加任何假定， 是一种从数据样本本身出发研宄数据分布特征的方法，可以更准确的表征复杂信号的分 布，从而提高定位精度。核函数的核宽参数反映了单个样本对总体密度分布所做"贡献"的 影响范围。在一定时间内采样的样本变化范围是有限的，且每个值都有参与计算的可能。样 本值的变化范围越大说明每个样本应该在更大的范围内对总体密度分布有贡献，这时，核 函数应该有较大的核宽；相反，样本值的变化范围越小，说明每个样本对总体密度分布的贡 献相对集中，核函数应该具有较小的核宽。因此，用核密度估计算法进行更新时，选择合适 的核宽参数是非常重要的。
[0006] 基于指纹匹配的概率型室内定位方法中似然概率的计算是关键的步骤，本发明通 过对WiFi定位技术和核密度估计技术的研宄，提出了一种基于感知概率和核密度估计的 概率型室内定位方法。
【发明内容】
[0007]本发明的目的在于：提供一种WiFi室内定位中概率型指纹匹配方法，它是一种修 正的基于指纹匹配的概率型室内定位方法，利用无参数的核密度估计技术计算似然概率， 并与参考点的感知概率相融合，以消除传统直方图统计方法计算的不连续性，提高系统的 定位精度。
[0008] 本发明的技术方案：
[0009] 本发明提出了一种WiFi室内定位中概率型指纹匹配方法。概率型室内定位方法 主要是将基于概率定位模型，把测得信号与位置指纹数据库信息的匹配看成是一个概率估 计问题。将后验概率问题转化为似然概率问题，利用每个位置先验RSSI统计特性信息，在 某些情况下还可以利用定位目标的历史状态信息和环境布局信息，以较大的计算复杂度为 代价，获得比基于决策定位技术更高的定位精度。
[0010] 本发明提出的WiFi室内定位中概率型指纹匹配方法的主要特征在于：将感知概 率和核密度估计技术融入到概率型室内定位算法中，感知概率在一定程度上反映了信号的 分布特性，采用无参数核密度估计技术计算似然概率，结合感知概率，将感知似然概率作为 定位标准以提尚定位精度。
[0011] 基于非参数模型的核密度估计方法，不需要事先给出具体的分布模型，也不需要 进行参数估计就可以对系统进行建模。由于传统的直方图模型通过统计不同分组区间的样 本数目计算似然概率值，分组区间的设置将导致计算的似然概率值不连续，所以采用核密 度估计计算似然函数值。由于核密度估计方法的无参数特性，以及核函数的连续性，更适合 于复杂室内环境下的射频信号分布。
[0012] 本发明一种WiFi室内定位中概率型指纹匹配方法，包括以下几个步骤：
[0013] 步骤一：离线阶段在测试区域采集数据，建立指纹数据库，用于在线阶段匹配计 算。其中，在采集数据之前，首先对测试区域进行勘测，确定参考点的位置，其次在各个参考 点采集一定数目的样本信息，构建指纹数据库。
[0014] 步骤二：根据参考点训练样本信息，求得各个参考点RP相对接入点的感知概率。 其中，如果在测试位置处的AP信号强度小于采样设备可以感知到的最小信号强度，表示设 备不能够感知到AP信号，用一个固定的信号强度代替不能感知到的信号强度信息。因此把 AP信号采集可以看成一个伯努利过程，对特定RP，每次采样可以获得一个二进制序列B= (b"b2，…bj，…，bn)，其中b# (〇, 1)。感知概率定义为：参考点感知到的AP次数与总的训 练样本数之比。第i个RP对第j个AP的感知概率计算如下：
【权利要求】
1. 一种WiFi室内定位中概率型指纹匹配方法，其特征在于：它包括以下步骤： 步骤一：离线阶段在测试区域采集数据，建立指纹数据库，用于在线阶段匹配计算；其 中，在采集数据之前，首先对测试区域进行勘测，确定参考点的位置，其次在各个参考点采 集一定数目的样本信息，构建指纹数据库； 步骤二：根据参考点训练样本信息，求得各个参考点RP相对接入点的感知概率；其中， 如果在测试位置处的AP信号强度小于采样设备感知到的最小信号强度，表示设备不能够 感知到AP信号，用一个固定的信号强度代替不能感知到的信号强度信息，因此把AP信号采 集看成一个伯努利过程，对特定RP，每次采样获得一个二进制序列B= (Id1,b2，…bj,…，bn)， 其中bjG(〇, 1);感知概率定义为：参考点感知到的AP次数与总的训练样本数之比；第i个 RP对第j个AP的感知概率计算如下：
其中，为参考点位置，IftO为第i个RP可以感知到的第j个AP的次数，N(11Oi)为总的训练样本数； 步骤三：把实测RSSI与指纹库中指纹的匹配，采用核密度估计方法求得第i个RP对第j个AP的匹配似然概率P(RSS^ ? ); 首先根据贝叶斯定理，将最大后验概率问题转化为最大似然概率问题，贝叶斯定理表 达式为：
其中，P(Oi)为对应参考点位置的概率，在不考虑定位历史信息的情况下P(Oi)为常 量，P(RSS)为常量；P(RSS|Wi)为参考点Wi的似然概率，因此将最大后验概率问题转化为 最大似然概率问题，即： P(RSS|Qi) >P(RSS|Oj.)i，j=i，2，...，m，j乒i 各个AP之间是相互独立，因此得到似然概率的表达式：
其中，P(RSS^ ?J为第i个RP对第j个AP的匹配似然概率，求匹配似然概率的计算 步骤如下：
其中，&z?为第j个AP的实时接收信号强度为x时的似然概率，K( ?)是核方程，h 为核宽参数，Xk(l<k<N)为训练数据库中的第k个值； 3) 最优化核宽参数h;
4. Sk为设备接收到的第k个AP的实时信号强度，求得匹配似然概率为 其中，在核密度估计方法中，由于核宽参数h的取值对基于训练样本的核密度估计曲 线的平滑性有较大的影响，h越小，核密度估计曲线不光滑，虽然能更好地反映每个训练样 本包含的信息，但密度估计偏向于把概率密度分配得太局限于观测数据附近，致使估计密 度函数有很多错误的峰值；相反地，如果h越大，核密度估计曲线越光滑，但密度估计就把 概率密度贡献散得太开，也将导致样本数据中包含的部分重要特征丢失，所以需要对h进 行优化选择，采用最小化均方误差来实现h的优化步骤如下： 1)假设真实核方程为f，则核密度估计方程/与真实核方程之间的积分均方误差为：
3)假定核方程K(U)连续，真实核密度方程f?有界，且二次导数连续，定义两个常数a和0，其中a= =/ {K(t)}2dt，根据泰勒展开式，MiSE展开为如下方程：
其中，n为AP数目，6为所有AP的方差均值； 步骤四：根据感知概率和匹配似然概率，计算感知似然概率P'（RSS|Qi); 首先，用一个特定值C代替未能感知到的信号强度，求得第i个RP对第j个AP的感知 似然概率P'（RSS^ ?J，计算方程如下：
步骤五：通过最大似然概率（ML)方法，求得测量位置的坐标； 测量位置的坐标的计算步骤如下： 1) 通过ML方法，求得感知似然概率最大的参考点的序号为：
2) 设参考点序号为t的坐标为（xt，yt)，可求得测量位置的估计坐标为：
【文档编号】H04W4/04GK104507050SQ201410680673
【公开日】2015年4月8日 申请日期:2014年11月24日 优先权日:2014年11月24日
【发明者】修春娣, 杨萌, 杨东凯, 刘源, 罗智勇 申请人:北京航空航天大学