基于信号指纹的定位技术总结.docx

目录一、位置指纹定位原理2二、关于指纹3三、典型位置指纹定位匹配算法41）最邻近法（nn）42）k邻近法（knn）43）加权k近邻法（wknn）54) 概率算法55）神经网络法66）支持向量机回归svr77）压缩感知方法88）朴素贝叶斯法9四、rss预处理101）均值法112）高斯滤波113）卡尔曼滤波114）均值/方差115）直方图法126）滑动窗口平滑法1812五、室内指纹定位121）wifi/wlan指纹定位122）影响因素14六、室外指纹定位技术15参考文献17基于信号指纹的定位技术总结位置指纹定位技术最早是由美国wireless corp公司提出的，被称为基于多径信号收集和模式匹配算法的指纹定位技术。又被称为基于radio-map的定位技术或数据库相关定位技术。指纹定位技术，最早在无线局域网室内定位上的研究比较多，主要是避免了室内复杂环境下对距离预测，可以是定位精度有很大的提高1。一、位置指纹定位原理位置指纹定位技术的核心思想是通过获取不同位置信息，以及在该位置接收到的指纹信息来建立数据库，将实际接收到的指纹与数据库中的指纹点进行一一对比，从而实现了对目标的定位。位置指纹的定位技术可以分为两个阶段：第一阶段为训练/离线阶段，主要是建立指纹数据库，在选择的试验区域内采集各参考节点位置的信号特征参数，如：信号强度，多径相角分量功率等，将获取的信号特征参数和与之对应的位置信息存入数据库；第二阶段为在线/定位阶段，主要工作是定位，定位中心获取到定位终端接收到的指纹之后，采用匹配算法的得到目标的实际位置。原理图如图1所示，系统图如图2所示42。图1 位置指纹定位框架基于指纹定位的系统组成二、关于指纹各种定位方法普遍采用信号强度样本的均值、方差、最大最小值、概率分布等建立radio-map，并且一旦建立变无法拓展。为了降低构建radio-map工作量21，主要分为两类：一、利用无线信号传播理论模型计算不同位置的信号强度，并根据计算结果建立radio-map2229。优点是采样位置可以随意选择，位置变化对构建radio-map工作量的影响可忽略不计，radio-map的建立完全有软件实现。缺点是很难利用理论模型完美的描述无线信号在室内复杂环境中的传播特性，故信号强度的理论计算值与实际采样值相差较大。因此，此类方法在实际应用中的效果不佳，此外，此类方法还必须知道网络接入设备的实际安装位置和发射功率等信息，有悖于位置指纹法灵活的特点；二、是根据信号强度在不同位置上的关系（相邻位置上的信号强度值相似），利用少量位置的采样值对剩余位置的信号强度进行估计3035。虽然此类方法的采样工作量要大于第一类的，但是扔远远小于传统的逐点采样方法。重要的是第二类方法对信号强度的估计精度更高，建立的radio-map更加接近实际。而第二类要解决的核心问题是如何准确描述信号强度在空间不同位置上的相互关系。例如，基于普通克里金算法的信号强度估计方法。三、典型位置指纹定位匹配算法1）最邻近法（nn）该方法首先计算所得的指纹矢量与数据库中各矢量之间的距离，选取最小距离对应的数据库矢量，以其所代表的位置坐标，作为位置估计的结果输出。广义距离定义为： 其中s为所测的指纹， 示指指纹库中的第 个矢量， 分别表示曼哈顿和欧几里德距离。2）k邻近法（knn）该算法为最近邻法的改进算法，主要区别是从最小距离开始选取 个最接近的数据库矢量，在计算它们的平均坐标来作为定位目标的位置信息。设 是数据库中第 个基站的第 个指纹数据值， 为定位过程中第 个基站的测量值， ，其中 为基站的个数， 为指纹数据点的个数。 与 之间的距离为 在计算结果中从小到大一次选取k个样值，来计算它们的平均值作为定位结果输出： 式中 是第 个所选取的指纹点对应的位置坐标。3）加权k近邻法（wknn）与前两种方法的不同之处是该方法在选取了 个最接近的数据库矢量后，在每个数据库矢量对应的坐标上，乘上一个加权系数，最后的位置输出为： 其中 是所测量所得的指纹矢量与第 个数据库矢量之间的距离， 是很小的正常数以防止除数为0， 是第 个数据库矢量对应的坐标。同时有的研究是基于wknn改进19。4) 概率算法设有 个位置 ，在离线阶段这 个位置的设备会测量指纹，设 为在线阶段测量所得到的指纹，则根据下式选取后验概率最大的 ： 由贝叶斯公式得： 当 和 都不变时，判定准则由后验概率准则变为似然准则： 设似然概率为高斯分布，可以计算出其均值和方差，再设各个基站是独立的，则总位置参数为 个基站的似然函数的乘积： 最后由以后验概率为权重，可以估算出比较精确的位置估计值2: 式中 是第 个位置的坐标。5）神经网络法整个神经网络由一系列感知单元组成的输入层、一个或多个隐蔽的计算单元以及一个输出层组成。它采用监督学习算法，信号在层间前向传递，第 层的第 个单元的输出为： 是第 隐含层中第 个单元的激活与输出（所谓激活是指第 层的单元的输出与偏执条件的加权和）。是连接第 层第 个单元的输出到第 层第 个单元的输入的加权值。 是平滑非线性函数，通常是s型函数： 或者是双曲正切函数 6）支持向量机回归svr支持向量机（svm）方法的核心思想是根据有限的样本信息，在模型的复杂度和识别未知样本能力之间，寻求最佳折中，以便获得最好的推广能力。svm方法首先应用于分类问题，svr是分类问题中得到的结果在回归情况下的推广，基本思想是引入核函数，将样本数据进行处理映射到高维的特征空间进行线性的回归分析3。svr算法在指纹定位技术中的应用最重要的就是建立回归模型48:（1） 首先确定输入变量和输出变量，构建训练样本和测试样本。根据位置指纹定位技术的特点，选取参考点处接收到的各个基站的rssi信息作为输入变量，其物理位置坐标作为输出变量。由于每个位置的物理坐标为二维的，因此针对一组输入变量，构建两个两个输出变量。选取部分参考点作为训练样本，部分为测试样本。（2） 数据预处理对输入输出变量进行数据归一化预处理，从而消除各个因子由于量纲和单位不同的影响，使归一化后的值在0，1，归一化的方法很多，通常采用如下的写法： 式中 ，归一化后的数据被规整到0,1范围内，即 ，这种归一化方式称为0，1区间归一化。除了上面的规范化方式外，还有-1，1区间归一化等，其映射如下： 式中 （3） 确定核函数这里介绍高斯径向基核函数建立模型。因为径向基核函数具有良好的局部调节特性，只需要选取一个参数就可以用于任意分布的样本。 （4） 交叉验证法确定回归的参数该步骤主要是用来确定惩罚函数 、不敏感损失函数系数 以及径向基核函数参数 。目前常用的参数选取方法就是交叉验证法，又称为网格搜索法。首先，确定 三个参数的取值范围，确定个参数变化的步长，形成三个参数的所有组合，最后遍历所有组合来选取误差最小的组合即为最优的参数组合。实践发现，参数取值成指数增长时可得到最佳的参数组合。 （5） 利用最佳参数对训练集进行训练，再对测试集进行回归预测。（6） 对预测出的位置结合移动台的实际位置进行误差分析。7）压缩感知方法基于压缩感知的指纹定位方法建立模型9的基本思想是假设移动终端位于某一个参考节点处，那么终端的位置可以用一个1-稀疏的矢量 来表示，如果移动终端位于第 个参考节点处，那么除了 外，其余的元素均为0，即 那么就有关系式： 其中， 为移动终端观测到的rss矢量， 为所有参考节点的指纹数据所组成的矩阵， 对观测矢量进行正交化处理， ，定义 为： 其中， 表示对矩阵 进行规范的正交化操作， 表示 的伪逆矩阵。因此指纹定位问题可以描述为 范数的最小化问题： 其中 。但是在实际情况中，重构之后的 并不一定是1-稀疏的矢量，而在少量参考节点所对应的位置取值较大，其余位置取值接近0，这些值在一定程度上反映了参考节点作为目标位置估计的可能性，一种方法是找到中最大元素所对应的参考节点，作为移动终端的位置；另外一种方法10是设定一个门限值 ，选出满足要求的参考节点，记为 ，并求其坐标的加权和，作为移动终端的位置估计， 其中 8）朴素贝叶斯法朴素贝叶斯法来源于统计学贝叶斯分类，通过统计类的先验知识与从数据中收集的新证据来预测类成员关系的可能性。贝叶斯分类基于贝叶斯定理，朴素贝叶斯是贝叶斯分类的一个实现，朴素贝叶斯法用于定位就是要获得在定位区域的每个位置处的实时rss位置指纹样本的后验概率。假设相似定位区域里一共产生了1个位置指纹 ，位置指纹集合的每个指纹与位置集合 的每个位置存在一一映射关系。实时定位阶段，每个rss位置指纹样例都包含有来自n个ap的rss平均值，记为s，即 。朴素贝叶斯即可表示为 表示在某一个已知位置处对应实时rss的位置指纹样例（s）的条件概率。 表示在定位区域上 位置处的先验概率。因为用户在定位区域上所有位置出现的可能性都是相同的，故一般认为 服从均匀分布。该算法的另一个前提是，在某一个位置上，来自ap的rss是彼此独立、互不相关的。 四、rss预处理在离线数据采集阶段，测试人员记录每个采样点的位置坐标，并在每个采样点处按照一定的采集方法接收并记录可见ap（室外为基站）的信号，然后将每一采样点出的坐标和rss值按照事先约定好的格式存储在指纹数据库当中。假设第 次采集得到的原始数据用表示， 其中 表示实时用于参考的集合或是列表，通常需要元素之间满足顺序要求。 为第 个采集点的经纬或符号坐标， 表示第 个ap接收信号强度。 表示两者之间的映射关系。表示第 个参考点第 次测量的可见ap集合的大小。根据移动终端的运动状态可将rss信号处理分为静态和动态处理两种。当移动终端静止时，其对定位的实时性要求不高，则采用静态rss处理方法，其优点是可通过增加采集信号个数来提高处理rss的准度，其缺点是采集时间长，定位实时性差，故只适用于静态定位，目前主要有高斯滤波法和均值法。1）均值法均值法是取采集信号的均值作为信号的估计值，其引入了小概率误差信号，导致信号估计不准确。2）高斯滤波高斯滤波适用于对静态定位时移动终端rss的预处理。高斯滤波的原理是滤除小概率信号从而减少误差。3）卡尔曼滤波目前动态定位中对rss处理时一般采用卡尔曼滤波法。卡尔曼滤波通常采用离散化的模型来描述目标系统。4）均值/方差通过引入统计方差结果来掌握统计结果的离散程度，扩展指纹数据库的预处理数据，来顾及误差的随机波动性。在任意采集点处，来自 个接入点的接收信号强度的统计方差表示为： 其中： 表示在第 个参考点处接收的第 个可见 的采集数量； 表示来自第 个可见的第 次采集过程所测量的 值； 表示来自第 个可见 的接收信号强度统计均值；5）直方图法直方图也是关于原始指纹数据库数据的预处理方法。在指纹数据库中，可以将对应的第 个采样点处的记录表示为： 其中， 的物理含义分别为第 个采样点处接收的第 个可见ap的rss直方图，直方图（bin）的宽度以及来自第 个可见ap的第 个rss信号对应的直方图，第 个可见 的rss的观测的最大、最小值。6）滑动窗口平滑法18滑动窗口平滑方法的核心思想是采用平均的方法，记录下移动终端实时采集到的数据，设定一个关联时间平滑窗口，将该窗口内的历史值与当前的实测值做滑动平均，然后将这些历史值与处理后的数值按照一定的权重比例进行结合，并对该结果做滑动平滑处理，最终得到平滑结果五、室内指纹定位目前室内指纹定位技术主要分为基于wifi/wlan、蓝牙、基于zigbee、基于超宽带15。1）wifi/wlan指纹定位基于wifi/wlan的指纹定位系统已经在多个领域内获得了应用，但是每个定位系统几乎只应用于某一个固定的场景下，还没有统一的标准12。由于室内环境比较复杂，信号在室内传播会受到不同程度的影响，而造成此影响的因素主要为：非视距传播、多径传播、阴影效应。wifi/wlan指纹定位技术是利用rss与物理位置的关联性进行定位的。也就时利用在不同物理位置上rss不一样的变现力。rss在不同物理位置上的表现力通过在rp上采集描述，提取定位特征值并训练与物理位置的映射关系，构建指纹数据库，即mp。最后将实时的rss进行数据库解算，得到定位结果14。离线阶段的主要工作是进行数据采集。即按照一定的距离间隔在待定位区域范围内部署若干参考点，然后在每个参考点处进行信号采集，并将在每个参考点处接收的所有可见ap的信号强度、mac地址、以及参考点的物理位置等信息作为一条完整的记录一起保存起来。将所有参考点对应的消息记录称为位置指纹数据库或无线电地图。在线定位阶段，通过比较来自可测量的ap的实时rss与rm中记录的rss，将与实时rss信号匹配（参照匹配算法）。2）影响因素（1） 人对rss的影响室内环境是人员活动的主要场所。组成人体成分的70%是水，水的共振频率是2.4ghz，恰好与wlan信号同频率，故人是wlan无线电传播的一个非常重要的干扰源。而对于位置指纹定位无论是离线阶段为建立指纹数据库而进行信号采集，还是在线阶段对信号的实时接收，都离不开人的参与，所以研究人rss信号的影响是十分必要的。通过实践可知14，人体遮挡、人员密度、以及人员走动都会对rss分布产生影响，在位置指纹定位的离线阶段为建立指纹数据库而进行训练数据采集时，应该事先分析好定位范围的人员活动特点，根据定位系统的实际应用环境，设计合适的采集时间和采集环境，进行数据接收（如定位应用多数发生在人员密集时间段，则训练数据也应该在人员密度大的时候采集；否则，在人员少的时候进行数据收集），以期更加切合定位应用环境，提高系统定位精准度。（2） 接收中端朝向对rss的影响对于接收器不同朝向接收到的信号强度在无人体遮挡的情况下，尽管存在传播路径的不同，但是各个朝向接收到的信号轻度不大。（3） 样本数量对rss的影响样本个数越多，就可以更好的反映定位目标区域的各个物理位置与指纹的匹配关系，进而提高室内定位wlan位置指纹定位算法的可靠性。但是，若接收大量样本数据，势必花费更长的时间用于信号接收，较长的接收时间将带来信号采集的人力和物力的额外开销，而大量的信号样本用于定位还会增加系统计算的复杂度，降低实时定位效率。六、室外指纹定位技术基于gsm蜂窝系统1617 ，室外指纹定位通用原理图见下图。室外位置指纹定位技术由于对网络终端和网络硬件无需做修改，并且受多径效应、非视距传播、反射、折射、散射等无线信号传播过程中的不利影响较小，所以能够获得较高的定位精度，近年来得到了越来越多的关注11。39中提出了以aoa 为指纹信号，基于dcm(datacorrelation management)的位置指纹定位技术在gsm 场景下的应用；40中也同样提出在gsm 网络环境下以rssi 为指纹数据库的位置指纹定位技术，并在室内和室外做了实验对比。12中提一种创造性的新方法，利用传播模型在蜂窝网络实测环境下建立离线指纹数据库，避免建立离线数据库投资大的问题。20中提出在wcdma 网络环境下利用位置指纹定位技术在城郊的定位效果，仿真结果表明在67%的区域提供精度25 米的服务。同样，38也提出在wcdma 网络环境下的位置指纹定位技术提供定位服务，利用移动终端接收的rscp 作为指纹数据。16在gsm-r 网络环境下通过在matlab 上搭建仿真平台，运用nn、knn 和wknn 算法进行试验对比了几种算法的定位效果。并通过修改参数等来对比各个算法在不同环境下的性能。wcdma 网络环境下的研究很少，并且文献的研究侧重于位置指纹定位算法本身，并没有过多考虑在大区域网络环境下离线阶段建立的离线数据库大，对在线阶段匹配过程造成的定位时间过长的影响。因此，位置指纹定位技术虽然在国内外得到了广泛的关注，并且在一定范围内也得到了应用。但是并没有考虑到数据量大的情况下的定位实时性，将时下兴起的大数据处理方案与位置指纹定位思想的结合也许是这一瓶颈的突破。有的研究结合这样一个考虑提出了位置指纹定位技术与处理离线数据有优势的hadoop 平台的结合11。蜂窝网位置指纹定位系统架构参考文献1. 吴淑娟 . wcdma网络位置指纹定位技术研究及定位中心设计. 西南交通大学硕士论文，2012年.2. 孙巍，王行刚.移动定位技术综述.电子技术应用，2003年06期3. vladimir c , yuanqian . practical selection of svm parameters and noise estimation for svm regression . neual networks , 2004 , 17(1):113-126.4. 李文杰，魏红 . 射频指纹识别技术在无线定位技术中的应用 . 微计算机信息。2006 . vol . 22.5. jianping zhang , yongning zhou , yi zhao , “mobile location based on svm in mimo comunication system ” 978-1-4244-8106-4 1010 ieee.6. ji li , ligen wang , jean-jules brault , jean conan . “mobile location in mimo comunication system by using learning machine” electrical and computer engineering , 2007: 1066-1069.7. zhao ping , li ling-yan , shi hao-shan . “a hybrid location algorithm based on bp neural networks for mobile position estimation , ” ijcsns interational joural of computer science and network security , vol. 6 no.7a , july 2006 : 162-167.8. sun guolin , guo wei . “robust mobile geo-location algorithm based on ls-svm . ” ieee transaction on vehicular technology . 2005 , 54(3) 1037-1049. feng c , au w s a , valase s , et al . ”compressive sensing based positioning using rss of wlan access points ,” ieee , 2010.10. 冯辰 . 基于压缩感知的室内定位系统的研究与实现 . 北京交通大学 ， 2010年。11. 叶欢 . wifi指纹定位及跟踪技术研究 . 大连理工大学硕士论文 . 2014年.12. 魏雷 . wifi指纹定位技术研究及仿真器设计 . 西南交通大学硕士论文 . 2010年.13. 王慧敏 . wlan室内定位中动态无线电地图建立算法研究 . 哈尔滨工业大学硕士论文 . 2011年14. 陈丽娜 . wlan位置指纹室内定位关键技术研究 . 华东师范大学博士论文 . 2014年15. 吴松林 . 超宽带信号指纹定位算法的研究 . 硕士论文 . 2014年16. 任睿 . 蜂窝网络位置指纹定位技术研究 . 西南交通大学硕士论文 . 2011年.17. 李奇 . 蜂窝网位置指纹定位技术设计与实现 . 重庆邮电大学硕士论文 . 2013年.18. 贺利娜 . 蜂窝网位置定位技术研究 . 重庆邮电大学硕士论文 . 2012年.19. 罗利 . 基于android的wifi室内定位技术研究 . 西南交通大学硕士论文 . 2014年.20. 雷磊 . 基于rfid的定位技术在仓库管理中的应用 . 华中科技大学硕士论文 . 2012年 . 21. 李方 . 基于zigbee的位置指纹法室内定位技术研究 . 哈尔滨工业大学博士论文 . 2012年. 22. p . bahl , v. n . padmanabhan .“ radar: an in-building rf-based location an tracking system，”proceedings of the ieee infocom , tel-aviv , israel , 2000: 775-784 . 23. j . yin , q . yang , l . ni . “ learning adaptive temporal radio maps for signalstrength-based location estimation , ” ieee transactions on mobile computing , 2008 , 7(7): 869-883 . 24. y. ji , s . biaz , s . pandey , et al . “ ariadne: a dynamic indoor signal map construction and localization system , ” proceedings of the 4th international conference on mobile systems , applications and services , uppsala , sweden , 2006: 151-164 .25. t . p . deasy , w . g . scanlon . “ simulation or measurement: the effect of radio map creation on indoor wlan-based localisation accuracy , ” wireless personal communications , 2007 , 42(4): 563-573 .26. l . f . moraes , b . a . nunes . “ calibration-free wlan location system based on dynamic mapping of signal strength , ” in: proceedings of the international workshop on mobility management and wireless access , terromolinos , spain , 2006: 92-99 .27. widyawan , m. klepal , d . pesch . “ influence of predicted and measured fingerprint on the accuracy of rssi-based indoor location systems .” in: proceedings of the 4th workshop on positioning , navigation and communication , hannover , germany , 2007: 145-151 .28. j . kwon , b . dundar , p . varaiya . “hybrid algorithm for indoor positioning using wireless lan . ” in: proceedings of the ieee 60th vehicular technology conference , la , united states , 2004: 4625-4629 .29. j . yin , q . yang , l . ni . “ adaptive temporal radio maps for indoor location estimation . ” in: proceedings of the 3rd ieee international conference on pervasive computing and communications , kauai island , united states ,2005: 85-94 .30. x . chai , q . yang . “ reducing the calibration effort for location estimation using unlabeled samples , ” in: proceedings of the 3rd ieee international conference on pervasive computing and communications , kauai island , united states , 2005: 95-104 .31. x .