一种基于空间区分度和定位差异性的AP有效集构建方法

技术领域

本发明属于室内定位技术领域，具体是涉及一种基于空间区分度和定位差异性的AP有效集构建方法。

背景技术

基于位置的服务(Location Based Services，LBS)已经成为日常生活中不可或缺的服务，LBS一般分为室外和室内两个场景。在室外环境中，基于卫星信号的定位技术大都取得米级的定位精度，可以满足大多数情况下室外LBS定位要求。然而，室内环境中的卫星信号由于收到多种障碍物的阻挡，难以实现视距传播(Light of Sight)，导致无法实现精确定位。为此，研究人员提出利用部署多个接入点(Access Point,AP)并结合基于RSSI的指纹定位技术进行目标位置计算，以实现室内环境的有效LBS。

随着室内定位场景的不断扩大，为了实现高精度定位，需要部署更多的AP，在一定程度上，大量的AP有利于提升指纹地图的分辨率，从而提升室内定位精度。然而，随着AP增多，定位过程的计算时间和能量消耗也急剧增多，严重影响用户体验。更重要的是，大量增多的AP可能并不能提供更好的空间区分度，甚至会降低室内定位精度。换句话说，使用较多的AP进行室内定位，可能反而影响定位的精度并且增加定位时间消耗成本，即出现无效AP的现象，即AP的作用是冗余的或者对定位效果产生不利影响等，与此同时也增加了定位系统的计算开销。因此，需要选择合适的AP集即AP有效集来进行定位。为解决上述问题，研究人员通过对所使用的AP进行聚类，并选取每类中的部分AP进行定位。这一方式可以一定程度上去除冗余AP，减少定位开销，但定位效果会随着AP数量发生较大变化，甚至比全AP情形的定位误差还要大。例如通过剔除RSS较小的AP是一种简单易行的AP选择方法，但是仅仅可以用于感知区域较小的场景，当感知区域较大时，可以预先进行分区处理，然后再根据AP在不同区域的强度变化进行选择，该方法的效果取决于区域划分的合理性以及每个AP在区域内信号传播的特性，然而，不同AP的指纹地图存在较大差异，难以进行合理的地理空间划分，同时信号强度并不能完全表示其定位能力的强弱，因此选择合适的AP有效集合具有一定的挑战性。

因此，需要提出一种新型的室内定位方法。

发明内容

发明目的：为了克服现有技术中存在的不足，现有技术定位误差大，定位精度不高等缺陷，本发明提供一种基于空间区分度和定位差异性的AP有效集构建方法，可以实现室内定位，不仅提高室内定位精度，还能保证室内定位误差极低。

技术方案：为解决上述技术问题，本发明的一种基于空间区分度和定位差异性的AP有效集构建方法，包括以下步骤：

步骤1，对感知区域内所有AP构建相应的指纹地图；

步骤2，对上述指纹地图进行异常点处理；

步骤3，计算各AP对空间位置的区分度；

步骤4，计算各AP在感知区域内不同采样点的定位能力，获取AP候选集；

步骤5，获取AP有效集。

进一步地，在步骤3中，通过计算各AP的信息增益率IGR，来展示AP对空间位置的区分度。

进一步地，所述步骤4包括以下步骤，根据每个AP的IGR大小和定位差异性对AP进行逐步聚类，形成的每个类都有相应的类地图Class Map和类信息增益率CIGR：一方面，通过比较AP的指纹地图与类地图的相似度，判断该AP是否被聚为同一类，并不断更新相应的类地图Class Map和类信息增益率CIGR；另一方面，对所有AP按照AP的信息增益率IGR的大小进行从小到大排序，在对某一AP进行增量聚类时，通过比较AP的信息增益率IGR和每个类信息增益率CIGR，对比AP与每个类的相似度，判断该AP是否加入某一个类或者建立一个新类，同时，不断更新相应的类地图Class Map和类信息增益率CIGR。

进一步地，在步骤5中，基于最小最大相似度原则和AP候选集聚类结果构建AP有效集，具体包括以下步骤：

步骤51，对所有AP候选集类按照类信息增益率CIGR的大小进行从大到小的顺序排列，并设置类属性为UnSelected；

步骤52，从类属性UnSelected集合中获取数值最大的类信息增益率CIGR对应的类，将该数值最大的类信息增益率CIGR对应的类中每个AP与有效集ES中的所有类对比相似度，并记录该类中每个AP的最小相似度；

步骤53，在上述数值最大的类信息增益率CIGR对应的类中选择数值最大的最小相似度对应的AP，将该AP加入到有效集ES中，与此同时，判断该类是否为空，若该类不为空，则将其属性变为Selected，并更新该类的类信息增益率CIGR，同时类属性为UnSelected的AP候选集类相应地进行更新减少一个；

步骤54，判断有效集ES中的AP数量是否达到要求的AP数量，如果没有达到则继续回到步骤51，从更新后的类属性为UnSelected的AP候选集类中挑选AP；

步骤55，判断类属性为UnSelected的集合是否为空，若是则将Selected集合中所有类的属性设为UnSelected，并重新排序和选择。

进一步地，计算各AP的信息增益率IGR，具体包括以下步骤：

首先，根据公式(4)计算每个AP

上述公式(4)中，G

然后，根据公式(5)计算每个AP

上述公式(5)中，P(G

接着，根据公式(6)以及上述公式(4)和公式(5)得到AP

InfoGain(AP

紧接着，根据公式(7)以及上述公式(4)和公式(5)得到AP

Info(AP

最后根据公式(8)以及上述公式(6)和公式(7)可得AP

通过上述公式计算得到AP

进一步地，设网格中包含的采样点数为1。

有益效果：本发明与现有技术比较，具有的优点是：

1、本发明方法设计了ESAP方法来构建有效AP集合，ESAP方法使用IGR对每个AP的进行有效评估，且在增量聚类和有效集构建过程中，充分考虑AP之间和聚类集合之间的关系，构建的AP有效集更加稳定，说明ESAP方法有更好的定位精准度和稳定性；

2、本发明方法与传统AP选择方法比较，本发明方法选择使用信息增益率评估AP的空间区分度，有效地限制了RSS取值范围较大导致的分辨能力下降的问题，从而提高了本发明方法的定位精度；

3、本发明方法利用AP在感知区域内的定位差异性，提出了增量聚类算法，获取AP候选集，适应复杂环境下AP的变化，进一步提高了本发明方法的定位精度以及减少了误差；

4、本发明方法提出的最小最大相似度原则，合理兼顾不同的聚类类别，根据聚类结果以及选择要求，选择得到合适的AP有效集，从而构建AP有效集，提高了定位精度并延长AP的整体使用寿命；

5、本发明方法利用ESAP来构建有效AP集合，ESAP使用IGR进行每个AP的有效评估，在增量聚类和有效集和构建过程中，充分考虑AP之间和聚类集合之间的关系，构建的AP有效集更加稳定，ESAP有更好的定位精准度和稳定性更加符合现实环境，适用于各类室内应用场景，具有一定的可扩展性；

6、本发明方法具有较好的鲁棒性，适用于各类应用环境；

7、本发明在真实场景下进行大量实验验证，并与现有的AP选择方法Info-Gain算法、ESC算法和SDN算法对比，在减少40％AP数量的情形下，ESAP将定位精度分别提高了15.5％、22.2％和10.11％，且在不同的采样密度下，也能保持很好的定位提升效果，说明本发明ESAP方法具有较高的室内定位精度；

8、本发明方法具有更好的稳定性，在1.3m内定位误差达到95％，进一步说明本发明ESAP方法具有较高的室内定位精度；

9、本发明方法通过部署多个接入点AP结合基于RSSI的指纹定位技术进行目标位置计算，无需额外的基础设施和专用硬件，极大地节约了成本。

附图说明

图1是本发明ESAP方法步骤流程图。

图2是本发明ESAP方法实现框图。

图3是本发明ESAP方法与现有技术三种算法在使用不同智能设备测试时定位误差对比图。

图4是本发明ESAP方法与现有技术三种算法在不同距离测试时定位误差对比图。

图5是本发明分别选择使用20％、30％、40％、50％、60％、70％、80％、90％和全部数量的AP来分别评估定位准确性对比图。

具体实施方式

下面结合附图和实施例对本发明作更进一步的说明。

实施例1

本实施例的一种基于空间区分度和定位差异性的AP有效集构建方法(Constructing Efficient Set of APs Via Space Discrimination and LocalizationDifference，ESAP)是一种实现室内定位的方法，该ESAP方法的流程图如图1和图2所示，该ESAP方法具体包括以下步骤：步骤1，对感知区域内所有AP构建相应的指纹地图；步骤2，对上述指纹地图进行异常点处理；步骤3，计算各AP对空间位置的区分度；步骤4，计算各AP在感知区域内不同采样点的定位能力，根据上述步骤获取AP候选集；步骤5，获取AP有效集。

实施例2

本实施例的一种基于空间区分度和定位差异性的AP有效集构建方法，基于实施例1，首先，对感知区域内所有AP构建相应的指纹地图，具体是对感知区域内每个AP构建相应的指纹地图，从而获取感知区域内所有AP的指纹地图，首先采集感知区域内每个AP对应的指纹信号，然后构建该AP相应的指纹地图，采集感知区域内每个AP对应的指纹信号，采集得到每一个AP对应的所有的指纹信号，然后构建每一个AP相应的指纹地图，从而得到感知区域内所有AP的指纹地图，通常情况下在指纹信号采集过程中，因为客观或/和主观因素，采集到的每个AP对应的指纹信号都有可能会发生异常，本实施例通过异常数据处理步骤对采集到的AP对应的指纹信号进行数据处理，对异常数据进行剔除，减少或消除异常数据，提高AP指纹信号数据的稳定性，从而不会对后期定位效果产生影响。

实施例3

本实施例的一种基于空间区分度和定位差异性的AP有效集构建方法，基于实施例2，在步骤3中计算AP对空间位置的区分度，评估各AP的空间分辨率，即对采样点的区分能力，本实施例通过计算各AP的信息增益率(Information Gain Ratio，IGR)，根据每个AP的指纹地图计算相应的IGR；对于单个AP来说，使用信息增益率评估其空间分辨能力，它能有效反映出每个AP的指纹构建出的地图在不同采样点的区别，评估出每个AP的指纹在不同采样点的空间区分度，展示了AP对空间位置的区分度。

实施例4

本实施例的一种基于空间区分度和定位差异性的AP有效集构建方法，基于实施例3，在步骤4中，计算各AP在感知区域内不同采样点的定位能力，根据每个AP在感知区域内所有采样点的定位差异性，聚类同类型AP以构建AP候选集从而构建AP有效集；

为了保证构建过程的鲁棒性，本实施例提出了基于AP的信息增益率的增量聚类算法(Incremental Clustering based on IGR,IC_IGR)，主要是根据每个AP的IGR大小和定位差异性对AP进行逐步聚类，形成的每个类都有相应的类地图(Class Map)和类信息增益率CIGR。

一方面，通过比较AP的指纹地图与类地图的相似度，判断该AP是否被聚为同一类，并不断更新相应的类地图(Class Map)和类信息增益率CIGR；

另一方面，对所有AP按照AP的信息增益率IGR的大小进行从小到大排序，在对某一AP进行增量聚类时，通过比较AP的信息增益率IGR和每个类信息增益率CIGR，对比AP与每个类的相似度，判断该AP是否加入某一个类或者建立一个新类，同时，不断更新相应的类地图(Class Map)和类信息增益率CIGR；

通过上述方法获取AP候选集，基于AP的信息增益率的增量聚类算法更加符合现实环境，具有可扩展性，且该算法既有较好的鲁棒性，又能根据AP的定位能力得到不同类别的候选集；且在实际应用场景中，由于AP不是固定不变的，而是会随着场景定位需求增加或减少数量，并且一部分AP是通过电池供电的，需要考虑其寿命，而基于AP的信息增益率的增量聚类算法就充分考虑了该因素，延长AP的整体使用寿命，更加符合现实需求。

实施例5

本实施例的一种基于空间区分度和定位差异性的AP有效集构建方法，基于实施例4，本实施例提出了基于最小最大相似度原则的AP有效集选择算法(Effective APsSelection based on Minimum Maximum Principle,EAP_MMP)来构建AP有效集，该算法根据通过步骤4得到的AP候选集聚类结果以及选择要求，选择得到合适的AP有效集，从而构建AP有效集，步骤5构建AP有效集具体包括以下步骤：

步骤51，对所有AP候选集类按照类信息增益率CIGR的大小进行从大到小的顺序排列，并设置类属性为UnSelected；

步骤52，从类属性UnSelected集合中获取数值最大的类信息增益率CIGR对应的类，将该数值最大的类信息增益率CIGR对应的类中每个AP与有效集ES中的所有类对比相似度，并记录该类中每个AP的最小相似度；

步骤53，在上述数值最大的类信息增益率CIGR对应的类中选择数值最大的最小相似度对应的AP，将该AP加入到有效集ES中，与此同时，判断该类是否为空，若该类不为空，则将其属性变为Selected，并更新该类的类信息增益率CIGR，同时类属性为UnSelected的AP候选集类相应地进行更新减少一个；

步骤54，判断有效集ES中的AP数量是否达到要求的AP数量，如果没有达到则继续回到步骤51，从更新后的类属性为UnSelected的AP候选集类中挑选AP；

步骤55，判断类属性为UnSelected的集合是否为空，若是则将Selected集合中所有类的属性设为UnSelected，并重新排序和选择；得到AP有效集ES。

实施例6

本实施例的一种基于空间区分度和定位差异性的AP有效集构建方法，基于实施例5，ESAP方法具体包括以下步骤：

步骤1，在感知区域进行RSS测量时，每个采样位置都能够监测到多个AP的信号强度，若感知区域内有n个AP且共测量m个采样点，则采样点l

将上述公式(1)转换为公式(2)：

上述公式(1)、(2)中，指纹矩阵RSS的列向量表示感知区域内n个AP的指纹信号，上述公式(2)中，rss(ap

上述公式(3)即为感知区域内第j个AP的指纹地图表达式，通过上述步骤得到感知区域内所有AP的指纹地图。已知每个AP都有两个属性，即对采样点的分辨能力以及与其他AP的相似程度。AP对采样点的分辨能力用以判断自身是否适合被用于定位，AP与其他AP的相似程度用来决定该AP与其他AP是否为同类。

实施例7

本实施例的一种基于空间区分度和定位差异性的AP有效集构建方法，基于实施例6，虽然在实际定位中，会部署较多的AP以提升定位精度，但每个AP对采样点的区分能力是不同的，AP的空间分辨率表示了它的定位效果。

进入步骤3，计算各AP对空间位置的区分度，本实施例用信息增益率IGR表示AP对感知区域的空间区分度，在一个基于网格(Grid)的定位系统中，令网格数为m，AP数为n，则AP的信息增益率的计算过程如下：

首先，根据公式(4)计算各AP的信息熵(Information Entropy)：

上述公式(4)中，ap

然后，根据公式(5)计算各AP的条件熵：

上述公式(5)中，P(G

接着，根据公式(6)以及上述公式(4)和公式(5)得到各AP的信息增益(Information Gain)：

上述公式(6)中，ap

紧接着，根据公式(7)以及上述公式(4)和公式(5)得到各AP的惩罚项：

上述公式(7)中，ap

最后根据公式(8)以及上述公式(6)和公式(7)可得各AP的信息增益率IGR：

上述公式(8)中，ap

本实施例通过上述公式计算得到各AP的信息增益率IGR。

实施例8

本实施例的一种基于空间区分度和定位差异性的AP有效集构建方法，基于实施例7，AP的空间区分度可以表示其定位能力，但无法显示采样点指纹信号的空间分布情况，在进行增量聚类之前，本实施例先计算每个AP在所有采样点上的定位误差，并且绘制每个AP的定位误差地图，本实施例将4个处于不同位置的AP的定位误差地图分别绘制成指纹热力图，由于实际绘制出的指纹热力图中采用不同种背景颜色作为采样点误差数值大小比较结果，结合专利法中不允许出现彩色背景图作为说明书附图，因此申请人不提供该实际绘制出的指纹热力图，但是不代表申请人没有进行实际方法验证操作。若采样点误差数值较小，在实际绘制出的指纹热力图中颜色越接近红色，反之则接近蓝色。从实际绘制出的指纹热力图中，可以明显看出，处在不同位置的AP有明显的差异性，为选择合适的有效集，本实施例利用这种差异性，对AP进行聚类。

在进行AP聚类前，先计算指纹地图区域每个AP的IGR，并进行从大到小进行排序，作为AP候选集Candidate Set。需要注意的是，聚类前要剔除部分IGR过小的AP，根据实验显示，信息增益率过小的AP，不仅不会提升定位效果，反而导致截流现象，即大量AP被聚到某几个类中，从而使得聚类结果明显不符合实际。

然后，对AP候选集Candidate Set中的AP进行聚类，本实施例采用增量聚类思想，构建聚类集合Clustering Set，具体来说，包括以下步骤：

从AP候选集Candidate Set中提取第一个元素AP

否则若Clustering Set不为空，则依次计算IGR最大的AP

若IGR最大的AP

经过增量聚类，将相似度较高的AP聚为同一类，并生成可供选择的ClusteringSet集合即为AP候选集。

实施例9

本实施例的一种基于空间区分度和定位差异性的AP有效集构建方法，基于实施例8，对AP进行聚类后，根据实际要求，选择有效的AP集合。具体来说，包括以下步骤：

(1)将Clustering Set集合中元素按照CIGR从大到小排序，并设置类属性为UnSelected，同时，初始化AP有效集ES＝{φ}；

(2)从Clustering Set中选择第一个属性值为类属性为UnSelected的类C

(3)若ES的数量未达到所要求的AP量，则按照上述方式，继续从Clustering Set中挑选AP；

(4)若UnSelected集合为空，则将Clustering Set中所有类的属性设为UnSelected，并重新排序和选择。

根据上述构建方法，得到满足条件的AP有效集ES，从而实现室内定位。

实施例10

本实施例的一种基于空间区分度和定位差异性的AP有效集构建方法，基于实施例9，本实施例在大规模场景下进行实验，使用经典的WKNN算法定位误差来验证ESAP的算法性能。通过在1500平方米的室内智能存储仓库进行实验，考虑到AP放置高度的不同会影响数据收集，在仓库内部离地面3米的高度上放置120个等高的iBeacon作为AP。实验各种设置参数如表1所示。在本实验中，WKNN定位验证算法的k的取值为4。

表1实验设置

为评估本发明ESAP方法的优越性，将它与现有的AP选择算法进行对比，包括基于信息增益的AP选择方法(Info-Gain)、基于Wi-Fi指纹的室内定位具有鲁棒异常值缓解的高效聚类算法(ESC)和基于SDN的无线网络中提供最优AP的接入点选择算法(SDN)算法。其中，Info-Gain和ESC为基于单个AP特征的选择方法，SDN为基于多个AP特征的选择方法。图3为在4种不同智能设备的测试下，本发明ESAP方法与其他三种算法(Info-Gain算法、ESC算法和SDN算法)的定位误差对比图，从图中我们可以看出ESAP方法和Info-Gain算法、ESC算法和SDN算法相比较，定位精度有很大提升，平均定位精度相比于上述三种算法分别提升了15.5％、22.2％和10.11％。图4为四种算法的累计概率分布，从图4中可以看出，该算法相比于其他三种算法有更好的定位稳定性，1.3m内定位误差达到95％。

由此可以证明将上述实施例的AP有效集选择方法应用于大场景的智能存储仓库，能够得到较好的定位结果。

在AP点选择算法中，AP选择的个数会产生不同的定位结果，因此，首先要确定感知区域内可以检测到的AP个数，在实验中分别选择使用20％、30％、40％、50％、60％、70％、80％、90％和全部数量的AP来分别评估定位准确性。图5为不同比例数量AP定位误差对比图，如图所示，当使用AP数量过少时，由于指纹定位数据会丧失空间区分度，从而导致定位误差呈陡坡式上升；当AP数量逐步增加时，由于“无效AP”和低效率AP的影响，AP定位精度相较于使用60％数量的AP有所下降，可以看出使用60％数量的AP进行定位精度达到最佳，相对于使用全部AP定位精度提高10.12％。

尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包括这些改动和变型在内。