适用于智能体育场的WiFi定位方法

技术领域

本发明涉及WIFI指纹定位技术，特别涉及基于加权k-最近邻方法WKNN的WiFi室内定位技术。

背景技术

WiFi指纹定位技术的原理主要是将测试点接收到的WIFI信号强度与地理坐标匹配。接收到的WiFi信号强度用RSSI来描述，它随着距离的增加而单调降低。WiFi室内定位分为两个阶段，具体流程如图1所示：

离线训练阶段Offline Stage:开发人员对室内区域进行分块划分，共分块M个，一个分块为一个参考点并对应一个地理坐标(x

实时定位阶段Online Stage:用户(待定位对象)将在当前位置实时测量到的t个时刻的RSSI{mac

目前有两种典型的WIFI指纹定位算法，分别为概率定位算法和确定性定位算法。概率定位算法主要是朴素贝叶斯方法。确定性定位算法主要包括人工神经网络方法、支持向量机算法和最近邻法。

随着人们对生活质量要求的不断提高，仅用于比赛和体育的传统体育场馆已不能满足人们的需求，智能体育场馆的出现是一种趋势。智能体育场系统具有赛事直播、体育数据采集与分析、观众导航、观众统计等功能。因此，基于位置跟踪的智能体育场馆系统能够更快地收集运动员的数据，极大地促进了体育信息化的进步。

智能场馆的一个重要问题是位置跟踪，而其他室内定位方法往往需要额外的设备，如传感器、蓝牙等。场馆内经常配备WiFi信号源，为运动员提供稳定可靠的通信支持。利用WiFi信号完成定位无疑是一种廉价有效的方案。

智能体育场的WiFi定位技术还存在很多问题。为运动速度快、方向不确定的运动员服务，距离较远、信号不稳定的AP的RSSI波动较大。同时，为了保证定位精度，设备往往需要一个更快的采样速度，以保证在快速采集数据的过程中不会有明显的计算延迟。

在体育场这类场景下，深度学习等具有大延迟和高复杂度的类似算法效果较差，而加权k-最近邻方法WKNN更容易适应体育场馆场景。

WKNN：

在第t个时刻，根据前几个时刻的定位结果，分析用户所在体育馆的物理位置。从指纹库中的M个参考点中，选取所有在物理位置上与用户临近的参考点，并计算用户与它们的欧式几何距离。第t个时刻，用户与第i个参考点的欧式几何距离记为D(i,t)：

其中，||·||

得到用户与第i个参考点的欧式几何距离后，对欧式几何距离从小到大排序，留下最小的K个。一般采用定位算法Landmarc中的思想，使用欧式几何距离平方的倒数作为权重因子，则第i的参考点的权重w(i,t)记为：

则用户最终的定位结果为：

其中，(x

但在大型场馆中，实时定位等智能功能仍然面临着定位精度差、定位延迟大的问题。

发明内容

本发明所要解决的技术问题是，提供一种适用于智能体育场的，通过优化指纹采集过程提高定位精度的WiFi定位方法。

本发明为解决上述技术问题所采用的技术方案是，适用于智能体育场的WiFi定位方法，包括准备阶段、离线阶段与在线阶段，在离线阶段与在线阶段均引入了AP信号选择机制，具体包括以下步骤：

1)准备阶段：对体育场进行分块划分，共分块M个，一个分块为一个参考点并对应一个地理坐标；在室内固定N个WiFi设备，每一个WiFi设备为一个接入点AP；

2)离线阶段：在每个参考点上，在S个时刻内，接收N个AP信号的WiFi信号强度信号RSSI值

3)在线阶段：用户在体育馆中当前位置实时测量到N个AP信号的RSSI值，再对AP信号进行在线阶段的选择；在线阶段的选择包括先剔除信号缺失率高的和信号抖动强的AP信号，再对AP信号进行非对称高斯滤波校正；之后将在线选择的AP信号的RSSI值与指纹数据库中记录的WiFi指纹进行匹配，根据匹配结果运行定位估计算法，估计出用户的地理坐标。

本发明提出了在体育馆这类大型场馆的无线定位的应用方案。在现有WiFi定位的基础上，提出了一种新的算法I-WKNN(improved-WKNN)来提高定位精度和速度。I-WKNN通过AP信号选择，对信号值不稳定的AP信号进行滤波，对相对稳定的AP信号进行高斯滤波校正，通过优化指纹采集质量，减小指纹匹配的搜索空间，提高了定位的速度和可靠性。

附图说明

图1是WiFi指纹库定位的原理图；

图2是本发明的总体流程图；

图3是一个AP的非对称高斯滤波效果图；

图4是三角定位、WKNN、BP神经网络与本发明提出的算法精度对比图；

图5是三角定位、WKNN、BP神经网络与本发明提出的算法时延性能对比图。

具体实施方式

I-WKNN算法：包括离线阶段与在线阶段。除标准WKNN流程外，引入了AP选择机制与非对称高斯滤波算法。总体流程图如图2所示：

1离线阶段

假定第m个参考点上，对第n个AP采样得到S个时刻的RSSI值，记为

在离线阶段，若接收到的某个AP的信号出现严重缺失或严重抖动，则对该AP信号进行剔除：

AP选择算法如下：

(A)初始化m＝1,n＝1，设置阈值Θ

(B)剔除部分信号缺失率高的AP：若

(C)剔除信号抖动强的AP：若

(D)通过高斯滤波剔除AP：按照非对称高斯滤波准则，剔除在滤波范围内的AP信号，则应的

(E)更新n＝n+1，返回步骤(B)，重复步骤(B)-(D)，直到n>N后进入步骤(F)；

(F)更新m＝m+1，n＝1，重复步骤(B)-(E)，直到m>M，离线阶段的AP选择结束，得到体育场中第m个参考点分别对应N个AP的RSSI值

离线阶段的AP选择过程中，当某一RSSI值

2在线阶段

用户将在体育馆中当前位置实时测量到的RSSI

其中更稳定的AP的RSSI选择如下：

离线阶段非对称高斯滤波的参数选取与数据库内数据分布有关，一定程度上需要人工干预，发现滤波效果不佳需要改变参数重新滤波。离线阶段每个参考点对每个AP都会有一组非对称高斯滤波的参数，出于节约时间的考虑，在线阶段会直接使用这组参数。假定T个时刻内的测量结果对当前时刻t仍然是有效的。在第t个时刻，需要延迟τ时刻，τ的取值范围是[t－T+1,t]，利用用户在τ时刻接收到的信号强度值

(A)初始化n＝1，设置阈值Θ

(B)判断是否满足：

或

如是，则放弃对用户在第t个时刻接收的第n个AP信息的使用；如否，则进入非对称高斯滤波处理；

(C)按照非对称高斯滤波准则，放弃对用户在滤波范围内的第t时刻第n个AP信息的使用，用户在第t时刻接收的通过非对称高斯滤波后的第n个AP信息

(D)更新n＝n+1，重复步骤(b)-(c)，直到n＞N，得到用户在体育场中第t个时刻，所在位置接收到的N个AP的RSSI值

场景实验

智能体育场基于client/server(C/S)架构，使用JAVA作为服务器开发语言，MySQL数据库作为指纹数据库。我们的服务器实现了三个主要功能:高效地完成定位过程中所需的数据库存储和套接字通信。在计算机上通过MATLAB软件上传数据库和实时测量的RSSI信息及地理位置。

我们在测试区域内设置250个点作为参考点。然后对每个训练点的位置从右到左，从上到下进行编号和测量。在每个训练点运行WiFi定位客户端程序，测量每个地址和信号强度100次，并记录细节。对数据进行处理，经过高斯滤波后，将剩余的记录写入MySQL数据库。一个AP的非对称高斯滤波结果如图3所示，横轴代表信号序列，纵轴为横轴中每个点对应的信号强度。深色点为不需要滤波处理的点，浅色为需要被滤波即信号强度替换为均值的点。

图4与图5从延迟的角度和定位精度的角度比较了三角化算法、传统的WKNN算法(基于指纹数据库)、BP神经网络算法以及本发明的I-WKNN算法。图4的横轴为平均偏差(单位米)，即真实的点的位置与算法得到点的位置的欧式几何距离。纵轴为对应的累计分布函数CDF。图5的纵轴代表的是时延，单位毫秒。横轴是最好的20％样例的时延，平均时延，最差的20％样例的时延。可以看出，I-WKNN算法具有最好的定位精度与最短的延迟。