基于自相关滤波的WLAN室内邻近匹配定位方法

1.基于自相关滤波的WLAN室内邻近匹配定位方法，其特征在于具体步骤如下：
步骤一、在离线采集阶段，在目标定位区域内均匀标记参考点RP位置，邻近参考点之间的距离间隔为1m，WLAN无线网络接入点AP，保证目标定位区域内的任意位置，均能接收到来自至少一个AP的信号强度；
步骤二、在每个参考点处，对来自不同AP的信号强度进行采集，采样速率为2样本/秒，并保存到不同参考点位置所对应的强度指纹样本集合中；
步骤三、离线修正阶段，首先利用连续强度信号的自相关特性，根据相关系数阈值判断原始信号强度指纹样本集合中是否存在
奇异强度样本，若对于任意的延迟数，均有 则不存在奇异强度样
本；反之，则存在，利用自相关滤波方法，对强度指纹样本集进行平滑预处理，并更新不同参考点所对应的指纹样本集合；若不存在，则不用更新强度指纹样本集合；
步骤四、经过自相关滤波方法对原始信号强度指纹样本集合的平滑处理后，大部分奇异强度样本将被剔除，此时，将新得到样本集合的强度均值，即：预存储均值强度样本，其中，Sfing，i，t(t＝1，…，NAP)且NAP表示WLAN定位场景中
的AP总数；i表示第i个参考点位置，保存到位置指纹数据库中；
步骤五、完成上述离线阶段的信号采集和处理后，在在线定位阶段，首先，根据新采集的来自不同AP的信号强度样本 计算新样本
与预存储均值强度样本的欧几里得距离 然后，满足条件
的参考点 将被定义为K邻近或加权K邻近
匹配定位方法的邻近点位置，其中，R＝{Ri，i＝1，…，NRP}且
最后，得到终端的估计位置坐标 其
中，h(x)取常值时，对应于K邻近匹配定位方法；h(x)＝1/x时，对应于加权K邻近匹配定位方法。
2.根据权利要求1所述的基于自相关滤波的WLAN室内邻近匹配定位方法，其特征在于步骤三包括：
子步骤1：将参考点Ri＝(xi，yi)，(i＝1，…，NRP)处采集的强度指纹样本集合表示为其中，NRP表示定位区域内的参考点总数，xi和yi分别表
示Ri的X和Y方向坐标，NSS表示强度指纹样本集合中包含的样本总数，x(j)，(j＝1，…，NSS)表示强度指纹样本集合中的第j个样本；
子步骤2：利用公式： lag∈N+；计算每个强度指纹样本集
合的自相关系数；
子步骤3：根据相关系数阈值 判 断
原始信号强度指纹样本集合中是否存在奇异强度样本，若对于任意的延迟数，均有则不存在奇异强度样本；反之，则存在；
子步骤4：得到满足条件 的最大延迟数
其中， 为自相关系数阈值；
子步骤5：对于原始信号强度指纹样本集合中的每个样本x(k)，1≤k≤NSS，重新生成序列 和
子步骤6：利用公式： 其中，(·)表示内
积运算，且 计算子步骤5中两新生成序列的互相关系数
子步骤7：若对于某样本x(k)，1≤k≤NSS，存在 则将该样本从
原始信号强度指纹样本集合中剔除，其中， 表示互相关系数
阈值，且
3.根据权利要求1所述的基于自相关滤波的WLAN室内邻近匹配定位方法，其特征在于接收信号强度RSS大于接收终端的灵敏度-90dBm。

基于自相关滤波的WLAN室内邻近匹配定位方法\n技术领域\n[0001] 本发明涉及基于自相关滤波的WLAN室内邻近匹配定位方法。\n背景技术\n[0002] 随着人们的无缝通信需求向未来基于用户的高速、高密度环境感知计算的转变，基于位置的应用服务LBS(Location Based Service)越来越受到人们的重视。并且，在过去十年里，大量方便、有效的定位、跟踪业务和相关设备的出现，已经证明，在未来无处不在的环境智能感知服务中，定位和跟踪必将成为整个感知服务系统中不可或缺的重要组成部分。虽然，目前广泛应用的GPS(Global Positioning System)和蜂窝无线通信定位系统，能够有效解决人们在室外或开阔环境下的定位和跟踪需求，但在室内环境下，由于存在严重的信号衰减、遮蔽和多径效应，使得这两种定位系统的应用范围受到了很大限制。\n[0003] 因此，针对这个问题，国内外许多研究所和高校将重心转移到目前已有的室内短距离、高速率无线通信技术上，如超宽带UWB(Ultra Wideband)、超声波UW(Ultrasonic Wave)、红外IR(Infrared Radiation)、射频识别RFID(Radio Frequency Identification)、ZigBee、蓝牙Bluetooth和无线局域网WLAN(Wireless Local Area Network)技术。其中，WLAN技术相对于其他短距离、高速通信系统来说，不仅得到了广泛普及和部署，并且具有不需要额外添加昂贵的通信设备和较低建网、维护开销的优点，于是，对其关注和研究的力度也最大。\n[0004] 目前，国际上最具有代表性的三个基于WLAN技术的室内定位系统，分别是微软研究院的RADAR系统、加州大学洛杉矶分校的Nibble系统和马里兰大学的Horus系统。此外，通过对已有WLAN定位系统的分析，相应的定位方法通常可以划分为概率性和确定性方法。\n前者利用贝叶斯理论，将后验边缘概率变换为先验概率，进而得到具有最大概率估计的估计位置坐标输出；而后者主要包括邻近匹配和模式匹配方法，其基本思想是根据预先建立的位置指纹数据库，寻求空间位置坐标与信号强度之间有效、可靠的一一映射关系。其中，通过长期的理论研究和实际验证，后者相对于前者，具有更好的定位精度与实时性，然而，在真实WLAN室内环境中，由于存在复杂的信号反射、折射、衍射、人体和设施遮蔽等因素的影响，采集到的信号强度分布往往具有动态和衰落特性，而这种特性将直接影响位置指纹数据库的可靠性，并最终导致匹配定位方法精度的下降。\n[0005] 现有WLAN室内邻近匹配定位方法中，因室内复杂信号反射、折射、衍射、人体和设施遮蔽等因素影响，所造成的位置指纹数据库动态变化且位置依赖性较差。\n发明内容\n[0006] 本发明的目的是为了解决现有WLAN室内邻近匹配定位方法中，因室内复杂信号反射、折射、衍射、人体和设施遮蔽等因素影响，所造成的位置指纹数据库动态变化且位置依赖性较差的问题，提供一种基于自相关滤波的WLAN室内邻近匹配定位方法。\n[0007] 基于自相关滤波的WLAN室内邻近匹配定位方法具体步骤如下：\n[0008] 步骤一、离线采集阶段，在目标定位区域内均匀标记参考点RP位置，本发明中，邻近参考点之间的距离间隔为1m，WLAN无线网络接入点AP，保证目标定位区域内的任意位置，均能接收到来自至少一个AP的信号强度；\n[0009] 步骤二、在每个参考点处，对来自不同AP的信号强度进行采集，采样速率为2样本/秒，并保存到不同参考点位置所对应的强度指纹样本集合中；\n[0010] 步骤三、离线修正阶段，首先利用连续强度信号的自相关特性，根据相关系数阈值 判断原始信号强度指纹样本集合中是否存在\n奇异强度样本，若对于任意的延迟数，均有 则不存在奇异强度样\n本；反之，则存在，利用自相关滤波方法，对强度指纹样本集进行平滑预处理，并更新不同参考点所对应的指纹样本集合；若不存在，则不用更新强度指纹样本集合；\n[0011] 步骤四、经过自相关滤波方法对原始信号强度指纹样本集合的平滑处理后，大部分奇异强度样本将被剔除，此时，将新得到样本集合的强度均值{也称为预存储均值强度样本 其中，Sfing，i，t(t＝1，…，NAP)且NAP表示WLAN定位场\n景中的AP总数；i表示第i个参考点位置}保存到位置指纹数据库中，将具有更好的位置依赖性和更小的抖动特性；\n[0012] 步骤五、完成上述离线阶段的信号采集和处理后，在线定位阶段，首先，根据新采集的来自不同AP的信号强度样本 计算新样本\n与预存储均值强度样本的欧几里得距离 然后，满足条件\n的参考点 将被定义为K邻近KNN(KNearest \nNeighbor)或加权K邻近WKNN(Weighted K Nearest Neighbor)匹配定位方法的邻近点位置，其中，R＝{Ri，i＝1，…，NRP}且 最后，得到终端的估计位置\n坐标 其中，h(x)取常值时，对应于\nK邻近匹配定位方法；h(x)＝1/x时，对应于加权K邻近匹配定位方法。\n[0013] 本发明通过有效剔除预存储指纹数据库中，因外界环境干扰所引入的奇异强度样本，来提高整个匹配定位方法的定位精度；本发明相比于传统两阶段指纹定位方法，增加了离线修正阶段，在离线修正阶段，需要首先判断在不同参考点处，预存储指纹样本集中是否存在奇异强度样本，若存在，则利用本发明所提出的自相关滤波方法，对奇异强度样本进行有效剔除后，再计算强度样本均值，并保存到位置指纹数据库中。并且，在在线定位阶段，可以有效保证K邻近和加权K邻近匹配定位方法的定位精度和实时性。\n附图说明\n[0014] 图1为本发明的室内目标定位环境示意图，图中斜线区域为定位区域1，正交直线区域为定位区域2，图2为本发明的室内目标定位环境放大示意图，图中●为参考点，+为测试点，图3为本发明的强度指纹样本集合示意图，图4为采集的原始信号强度概率分布图，图5为在不同延迟数条件下的自相关系数值图，图6为自相关滤波处理前原始信号强度指纹样本序列图，图7为自相关滤波处理后的指纹样本序列图，图8为定位区域1内不同邻近参考点数条件下，传统K邻近和加权K邻近匹配定位方法与基于自相关滤波的K邻近和加权K邻近匹配定位方法的测试点平均定位误差图，对于给定的邻近参考点数k，第一条和第三条深色柱状图形分别为传统KNN和WKNN，第二条和第四条浅色柱状图形分别为自相关滤波处理KNN和WKNN，图9为定位区域2内不同邻近参考点数条件下，传统K邻近和加权K邻近匹配定位方法与基于自相关滤波的K邻近和加权K邻近匹配定位方法的测试点平均定位误差图，对于给定的邻近参考点数k，第一条和第三条深色柱状图形分别为传统KNN和WKNN，第二条和第四条浅色柱状图形分别为自相关滤波处理KNN和WKNN。\n具体实施方式\n[0015] 具体实施方式一：基于自相关滤波的WLAN室内邻近匹配定位方法具体步骤如下：\n[0016] 步骤一、在离线采集阶段，在目标定位区域内均匀标记参考点RP(Reference Point)位置，本发明中，邻近参考点之间的距离间隔为1m，WLAN无线网络接入点AP(Access Point)，保证目标定位区域内的任意位置，均能接收到来自至少一个AP的信号强度；\n[0017] 步骤二、在每个参考点处，对来自不同AP的信号强度进行采集，采样速率为2样本/秒，并保存到不同参考点位置所对应的强度指纹样本集合中；\n[0018] 步骤三、离线修正阶段，首先利用连续强度信号的自相关特性，根据相关系数阈值 判断原始信号强度指纹样本集合中是否存在\n奇异强度样本，若对于任意的延迟数，均有 则不存在奇异强度样\n本；反之，则存在，利用自相关滤波方法，对强度指纹样本集进行平滑预处理，并更新不同参考点所对应的指纹样本集合；若不存在，则不用更新强度指纹样本集合；\n[0019] 步骤四、经过自相关滤波方法对原始信号强度指纹样本集合的平滑处理后，大部分奇异强度样本将被剔除，此时，将新得到样本集合的强度均值{也称为预存储均值强度样本 其中，Sfing，i，t(t＝1，…，NAP)且NAP表示WLAN定位场\n景中的AP总数；i表示第i个参考点位置}保存到位置指纹数据库中，将具有更好的位置依赖性和更小的抖动特性；\n[0020] 步骤五、完成上述离线阶段的信号采集和处理后，在在线定位阶段，首先，根据新采集的来自不同AP的信号强度样本 计算新样\n本与预存储均值强度样本的欧几里得距离 然后，满足条件\n的参考点 将被定义为K邻近KNN(KNearest \nNeighbor)或加权K邻近WKNN(Weighted K Nearest Neighbor)匹配定位方法的邻近点位置，其中，R＝{Ri，i＝1，…，NRP}且 最后，得到终端的估计位置\n坐标 其中，h(x)取常值时，对应于K\n邻近匹配定位方法；h(x)＝1/x时，对应于加权K邻近匹配定位方法。\n[0021] 具体实施方式二：基于自相关滤波的WLAN室内邻近匹配定位方法，其特征在于步骤三包括：\n[0022] 子步骤1：将参考点Ri＝(xi，yi)，(i＝1，…，NRP)处采集的强度指纹样本集合表示为 其中，NRP表示定位区域内的参考点总数，xi和yi\n分别表示Ri的X和Y方向坐标，NSS表示强度指纹样本集合中包含的样本总数，x(j)，(j＝\n1，…，NSS)表示强度指纹样本集合中的第j个样本；\n[0023] 子步骤2：利用公式： 计算每个强度\n指纹样本集合的自相关系数；\n[0024] 子步骤3：根据相关系数阈值 判\n断原始信号强度指纹样本集合中是否存在奇异强度样本，若对于任意的延迟数，均有则不存在奇异强度样本；反之，则存在；\n[0025] 子步骤4：得到满足条件 的最大延迟数\n其中， 为自相关系数阈值；\n[0026] 子步骤5：对于原始信号强度指纹样本集合中的每个样本x(k)，1≤k≤NSS，重新生成序列 和\n[0027] 子步骤6：利用公式： 其中，(·)表示\n内积运算，且 计算子步骤5中两新生成序列的互相关系数\n[0028] 子步骤7：若对于某样本x(k)，1≤k≤NSS，存在 则将该样\n本从原始信号强度指纹样本集合中剔除，其中， 表示互相关\n系数阈值，且 其它组成和连接关系与实施方式一相同。\n[0029] 具体实施方式三：基于自相关滤波的WLAN室内邻近匹配定位方法，其特征在于接收信号强度RSS(Radio Signal Strength)大于接收终端的灵敏度-90dBm。其它组成和连接关系与实施方式一相同。\n具体实施例\n[0030] 结合图1、图2说明本实施例，图1为WLAN室内目标定位环境，其中，该环境为某一真实楼层的平面示意图，9个AP与2个目标定位区域均位于同一楼层，层高3m，砖质墙面，铝合金窗户和金属门，AP选择为Linksys WAP54G，固定在2m高度，支持IEEE802.11b/g标准，传输速率为54Mbps，定位终端为装有Intel PRO/Wireless 3945ABG无线网卡的ASUS A8F笔记本电脑，距离地面1.2m；图2中，RP位置用“●”表示，AP位置用 表示，测试点TP(Test Point)位置用“+”表示；在每个参考点处，对来自不同AP的信号强度进行采集，采样速率为2样本/秒，并保存到不同参考点位置所对应的强度指纹样本集合中；图3给出强度指纹样本集合的数据结构，反映了WLAN原始数据采集过程中，在每个RP处，2维空间位置坐标与9×1000维强度指纹样本矩阵的映射关系；利用连续强度信号的自相关特性，根据相关系数阈值 判断原始信号强度指纹样\n本集合中是否存在奇异强度样本，若对于任意的延迟数，均有 不\n存在奇异强度样本，不用更新强度指纹样本集合；若存在奇异强度样本，利用自相关滤波方法，对强度指纹样本集进行平滑预处理，并更新不同参考点所对应的指纹样本集合；图4为采集的原始信号强度概率分布，图5为在不同延迟数(lag值)条件下的自相关系数值；图\n6、图7给出了某一参考点处18000个原始信号强度指纹样本集合，在自相关滤波处理前后的分布特征，经过自相关滤波方法对原始信号强度指纹样本集合的平滑处理后，大部分奇异强度样本将被剔除，具有更好的位置依赖性和更小的抖动特性；图8为定位区域1内，在不同邻近参考点数条件下，分别利用传统K邻近和加权K邻近匹配定位方法，与基于自相关滤波的K邻近和加权K邻近匹配定位方法的测试点平均定位误差；图9为定位区域2内，在不同邻近点数条件下，分别利用传统K邻近和加权K邻近匹配定位方法，与基于自相关滤波的K邻近和加权K邻近匹配定位方法的测试点平均定位误差。