本發明涉及室內定位與導航技術領域，特別是一種基于混合濾波和冪指數映射的wifi室內定位方法。

技術背景

近年來，隨著智能便攜式移動設備(如智能手機，智能手環等)的逐漸興起和普及，基于位置的服務和應用快速地發展并逐漸擴展到生活出行的方方面面。例如，基于全球定位系統(如美國的gps，中國的北斗導航等)的電子地圖，給人們提供了室外環境的定位和導航服務。基于位置信息服務的應用層出不窮(如百度地圖、高德地圖等)。然而，人類的大部分活動是在室內進行的，由于全球定位系統的衛星信號難以穿透建筑物，因此全球定位系統無法用于室內定位，所以必須要有新的專門用于室內定位的技術。

隨著智能手機的普及，利用智能手機進行wifi定位逐漸成了室內定位的研究熱點。一般在醫院、辦公大樓、購物商場等公共場所都會有wifi熱點，而且智能終端基本上都有wifi接口，因此基于wifi的室內定位系統就可以使用現有的設備進行構建，從而大大節省了硬件成本。

目前基于wifi的室內定位算法主要是基于knn(k近鄰)的wifi室內定位算法。基于knn的wifi室內定位算法的主要原理是根據rssi(接收信號強度)的歐式距離計算方法來估算帶定位節點和數據指紋庫中已知節點的歐式距離，算法復雜度比較低，能夠適應在運算能力不高的智能手機上運行，所以在實際中應用廣泛。但由于室內環境復雜，信號在室內傳播時有很明顯的多徑效應，并且由于障礙物的遮擋等使得knn定位方法存在以下幾個問題：

首先，上述knn算法中rssi距離比較大的兩個點，其實際空間距離可能比較小，比如兩個點之間隔著一堵墻等，因此，只按照rssi的距離大小確定knn算法中的權重可能會造成比較大的定位誤差；

其次，在實際測量時發現，在同一地點檢測到的同一個wifi接入點發射的信號的rssi值波動比較大，離線階段和在線的信號波動，都會對定位結果造成影響，所以在使用rssi值進行定位前，必須對采集到的數據進行預處理，減少噪聲對指紋數據庫的影響。

最后，rssi的值和檢測設備有關系，同一個wifi接入點發射出的無線信號在同一點由不同的接收設備檢測，rssi的值可能會不一樣，因此，不能只根據rssi距離的絕對數值，來確定knn算法中的權重值。

2017年3月出版的第33卷第3期《科技通報》上介紹了一種名稱為“基于余弦相似度的指紋匹配算法的室內定位方法”，該方法不使用rssi向量的歐氏距離作為匹配方法，而使用rssi向量的夾角余弦值(最接近1)作為位置匹配方法，該方法雖然在一定程度上比knn方法的計算量少，但是，在一些常見的復雜的室內辦公環境下的定位精度較低，難以達到定位要求。

技術實現要素：

本發明所要解決的技術問題是，針對現有技術的不足，提供一種基于混合濾波和冪指數映射的wifi室內定位方法。

為解決上述技術問題，本發明所采用的技術方案是：一種基于混合濾波和冪指數映射的wifi室內定位方法，包括在線測量階段和離線測量階段；

所述離線測量階段包括以下步驟：

1)預先選定場地中某些點為參考點，測量參考點的坐標，然后在每一個參考點上測量并記錄來自每一個wifi熱點的接收信號強度(rssi)50次以上并進行卡爾曼濾波，具體算法如下：

設一維數組為[r1，r2，...，rn]，且經過卡爾曼濾波后得到新的一維數組為[r′1，r′2，...，r′n]，則

2)將經過卡爾曼濾波后所得的數據進行四舍五入取整，然后進行高斯濾波，濾除在同一地點經過卡爾曼濾波后所得到的來自同一個wifi熱點的出現概率小于2％的rssi值，高斯濾波的具體操作方法為：對于在每一個參考點上測得的同一個wifi熱點的rssi的值進行統計，統計每一個rssi值出現的次數，然后再除以在這個參考點上測量rssi的次數從而得出每個rssi值出現的概率，然后除去概率小于2％rssi值，并將剩余的值取平均構成每一個參考點來自不同wifi熱點的rssi向量；

3)對每個參考點的rssi向量進行-7次冪運算得rssi'向量,即

rssi′＝rssi^-7

并將rssi'向量存入指紋數據庫中；

所述在線測量階段包括以下步驟：

1)測量待定位點的rssi向量值并進行-7次冪運算得rssi'向量；

2)計算帶定位點與指紋數據庫中各個參考點的rssi'向量的歐式距離；

3)找出k個與待定位點的rssi'向量的歐氏距離最小的點，也就是k個最近鄰點；

4)取上述k個最近鄰點的位置坐標的平均值作為待定位點的位置估計。

與現有技術相比，本發明所具有的有益效果為：本發明在利用基于knn的wifi室內定位方法的基礎之上，首先對離線指紋采集階段測得的接收信號強度rssi進行卡爾曼濾波，然后將結果進行四舍五入取整數，然后再進行高斯濾波，除去那些出現概率較小的rssi值，然后將剩余的rssi值取平均，最后將所有的數據都求-7次方從而映射到冪指數域中，并且利用k近鄰算法為定位匹配算法，從而提高了定位精度，并且定位時的計算量幾乎與k近鄰法相等，從而使其適應計算性能不高的定位終端和復雜的室內電磁環境。

附圖說明

圖1為本發明實施例實驗區的室內定位地圖；

圖2為本發明實施例的指紋庫數據的產生過程；

圖3為本發明實施例用本發明方法對12個測試點每個進行50次定位實驗，定位誤差的平均值與最近鄰、4階knn、4階wknn(加權knn)、基于余弦相似度的指紋匹配算法的比較圖。

具體實施方式

以下結合附圖對本發明的具體實施方式做進一步的說明。

實驗區的布置圖如圖1所示，使用安卓智能手機作為指紋數據采集設備和定位設備，四臺wifi中繼放大器作為接入點(ap)。實驗區為室內房間，房間長約10米寬約6米。該房間為典型的室內辦公室，平常可容納20多人同時辦公，并且人員走動也比較頻繁，實驗所用的ap也被清楚地標在圖1中，四個ap離地面的高度約為1.8米。圖1中標記小圓點“o”的位置為指紋數據庫的采樣位置，而標記“x”的位置為定位測試點的位置。整個房間的指紋采樣點總數為38個，并且每個指紋采樣點分別間隔1秒采樣一次共采樣50次。定位測試點的總數為12個，并且每個定位點分別測試50次。

在實際采樣過程中，由于各種噪聲的影響，使得測得的wifi信號強度的值有時會產生比較大的波動。為了減小噪聲對指紋數據庫的影響，對每個參考點采集到的rssi值首先進行卡爾曼濾波，然后再通過四舍五入取整數，接著進行高斯濾波，濾除掉出現概率小于2％的rssi值，并將剩余的rssi值取平均構成rssi向量，然后對每個rssi向量進行兩次兩兩之比計算得rssi'向量，最后將rssi'向量存入指紋數據庫中，整個指紋數據產生過程如圖2所示。

在實驗場地采集到的數據經過濾波取平均值和兩次兩兩之比計算處理后，采用二維表的形式存儲這些數據，指紋數據的存放格式如下表1所示：

表1指紋數據的存放格式

將在線測得的rssi向量先進行兩次兩兩之比計算得rssi'向量，然后計算其與指紋庫中的每個采樣點的rssi'向量的歐氏距離，然后取6個最近鄰點，最后求取這6個點的位置坐標平均值并將其作為定位測試點的位置估計。分別用本發明方法、最近鄰法、4階knn法、4階wknn法和基于余弦相似度的指紋匹配算法對實驗區中的12個測試點每個進行50次定位測試，測得的平均誤差如表2和圖3所示，從表2和圖3可以看出，本發明方法的定位誤差明顯小于其它4種方法。

表2不同定位方法的平均誤差