一种基于动态环境双向校正的混合室内定位系统算法的制作方法

本发明涉及一种基于动态环境中使用三边测量法和指纹地图法的混合定位算法，属于无线通信领域，具体为一种基于动态环境双向校正的混合室内定位系统算法。

背景技术：

室内定位系统在当前的热门应用中不可或缺，如室内导航、智慧医疗、移动社交网络等等，据调查，室内定位的全球工业市场中经济效益将达到四亿美元。当前主流的定位算法主要分为两类：基于三边测量法和指纹地图法。基于三边测量法主要通过RSSI、TDOA、AOA等测得距离或角度，再通过距离解算得到未知点坐标。基于指纹地图法主要通过提前建立RSS和对应坐标的指纹数据库，将测得的RSS信息与指纹地图进行模式匹配，从而得到未知点坐标。相比而言，基于三边测量法定位精度不够精确，基于指纹地图法定位精度够高，但是地图更新成本较高。因此，一种精度高而成本低的室内定位算法的提出刻不容缓。

技术实现要素：

本发明为了解决现有的室内定位算法定位精度不高、定位成本较高的问题，提出了一种基于动态环境双向校正的混合室内定位系统算法。

本发明是采用如下的技术方案实现的：一种基于动态环境双向校正的混合室内定位系统算法，包括以下步骤：

(1)建立多特征值指纹地图，具体特征值组合有两种：一种是基于α值的组合，另一种是基于RSS值的组合；

(2)数据预处理：第一步：对接收机输入的RSS数据进行RSS值递减排序，选取前4个RSS值，并将其对应的接收机ID作为本次定位的首选接收机；

第二步：依据选取的4个接收机ID，只保留这4个接收机对应的数据，其余接收机的数据全部去除；

第三步：通过RSS值计算待测点与地图中每个参考点的欧氏距离；

第四步：对欧氏距离进行递增排序，选取前4个欧氏距离值，并将其对应的参考点作为本次定位的首选参考点；

第五步，根据选取的4个首选接收机和4个首选参考点，将其对应的数据组合进行分别输出；

(3)加权三边测量算法处理：第一步：从输出的四组数据中任意选取三组，根据接收机坐标计算得出的α值和已选取的RSS值，计算测量距离l_i，由此确定三组数据分别对应的加权圆；

第二步：计算求得三个加权圆的交点坐标(x_j,y_j)；

第三步：平均当前交点坐标求得待测点预估位置坐标N表示交点个数；

第四步：计算待测点预估位置和每个交点的距离d_j，

第五步：求得粗略估计位置(x_t,y_t)，

第六步：如果求得粗略估计位置(x_t,y_t)在加权圆交叉区域内，则这个点就作为待选点；否则，去除这三个圆的组合并重新在四组数据中任意选取三组进行第二步至第六步；

第七步：平均待选点，求得待测位置坐标(x_T,y_T)；

(4)新加权kNN算法处理：对数据预处理最终输出的四组数据进行加权求解，求得待测位置坐标(x_FDB,y_FDB)，其中，(x_m,y_m)是数据预处理求得的参考点坐标，D_m表示待测点与第m个参考点的欧氏距离；

(5)将加权三边测量算法和新加权kNN算法求得的待测位置坐标输入阈值检测器进行阈值检测：计算比较值：比较error与阈值γ，error大于阈值则说明不符合当前定位精度，需返回指纹地图进行地图更新；小于阈值则表明符合定位精度，输出定位结果(x_n，y_n)：

混合室内定位系统利用三边测量和指纹地图法进行双向校正，从而在动态环境中定位待测点位置。本系统提取多特征值来抑制多径效应并提高定位精度；通过两种定位方法双向校正以适应动态环境并降低重复更新数据库的成本。通过评估本系统的性能发现：该系统减少了定位时间，具有更好的稳定性和通用性，大大提高了在动态环境中定位的精度。

附图说明

图1为系统方法流程图。

图2为加权三边测量法几何分布图。

具体实施方式

一种基于动态环境双向校正的混合室内定位系统算法，包括以下步骤：

(1)建立多特征值指纹地图，具体特征值组合有两种：一种是基于α值的组合(接收机ID号、对应坐标、路径损耗系数η)，另一种是基于RSS值的组合(RSS值、对应坐标、对应接收机ID号)。

权重值α的获取方法如下：

其中PL(d₀)为在参考点d₀处的功率损耗，η为路径损耗系数，R_i为接收机S_i测得与发射机的距离，为独立分布的零均值高斯随机变量。

NLOS环境下的实际距离R_i，表示如下

LOS环境下的测量距离l_i，表示如下NLOS环境下的实际距离R_i与LOS环境下的测量距离l_i的关系，表示如下R_i＝α_il_i(4)，其中，0<α_i≤1，最小权值α表示如下其中

损耗系数η值一般是通过多次测量RSS和d，然后进行平均求得。现针对地图中每个网格进行分别求取以作为特征值。求取方法依据网格四个顶点的参考点，已知参考点之间的距离，只需求得任意两个参考点之间RSS差值就可以求得其中一个η值，多次测量后求平均，即可得到该网格的η值，输入数据库即可。其余值均可直接通过仪器测得。

(2)数据预处理：第一步：对接收机输入的RSS数据进行RSS值递减排序，选取前4个RSS值，并将其对应的接收机ID作为本次定位的首选接收机；加权三边测量法至少需要3个接收机，选取4个能更好的保证精度和减小误差。

第二步：依据选取的4个接收机ID，只保留这4个接收机对应的数据，其余接收机的数据全部去除；对地图的信息进行去冗余，从而极大地减小计算量，因为地图中每个网格设定为矩形，离任意待测点最近的点数均为矩形网格的4个顶点(参考点)，而且选取4个点在足够进行参考点确定的同时，可以更精准的进行位置的估计。

第三步：计算待测点与地图中每个参考点的欧氏距离；

第四步：对欧氏距离进行递增排序，选取前4个欧氏距离值，并将其对应的参考点作为本次定位的首选参考点；

第五步，根据选取的4个首选接收机和4个首选参考点，将其对应的数据组合进行分别输出，组合时，每个接收机接收4个首选参考点的数据并输出一组数据，最终输出四组数据；

(3)加权三边测量算法处理：第一步：从输出的四组数据中任意选取三组，根据接收机坐标计算得到的α值和已选取出的RSS值，计算测量距离l_i，由此确定三组数据分别对应的加权圆；

第二步：计算求得三个加权圆的交点坐标(x_j,y_j)；

第三步：平均当前交点坐标求得待测点预估位置坐标N表示交点个数；

第四步：计算待测点预估位置和每个交点的距离d_j，

第五步：求得粗略估计位置(x_t,y_t)，通过d_j倒数平方作为权重值加权交点坐标求得，

第六步：如果求得粗略估计位置(x_t,y_t)在加权圆交叉区域内，则这个点就作为待选点；否则，去除这三个圆的组合并重新在四组数据中任意选取三组进行第二步至第六步；

第七步：平均待选点，求得待测位置坐标(x_T,y_T)；

(4)新加权kNN算法处理，新加权kNN算法包括kNN算法和权值，对数据预处理最终输出的四组数据进行加权求解，求得待测位置坐标(x_FDB,y_FDB)，其中，(x_m,y_m)是数据预处理求得的四个首选参考点坐标，D_m表示待测点与第m个参考点的欧氏距离；

(5)阈值检测：加权三边测量算法和新加权kNN算法的定位结果(求得的待测位置坐标)输入阈值检测器进行阈值检测，步骤如下：阈值设置：阈值γ通过大量实验求得，并与定位精度存在对应关系。根据所需精度设置对应阈值即可。

计算比较值：

阈值比较和输出：比较error与γ，大于阈值则说明不符合当前定位精度，需返回指纹地图进行地图更新；小于阈值则表明符合定位精度，输出定位结果：

双向校正

基于阈值检测大于阈值，至少表明两种算法中有一种失效，需返回指纹地图对RSS值和η值进行数据更新。