第４６卷第１期 ２０１７年１月 电子科技大学学报 Ｊｏｕｒｎａｌ ｏｆ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ｏｆ Ｃｈｉｎａ 、硒１．４６ ＮＯ．１ Ｊａｎ．２０１７ 基于室内地图环境信息的多楼层ＷｉＦｉ定位技术研究 黎海涛，齐（北京工业大学电子信息与控制工程双 北京朝阳区 １００１２４） 【摘要】针对多楼层环境的室内定位需求，提出了一种基于地图环境先验信息的ｗｉＦｉ指纹定位方法。首先在离线阶段建 立地图环境信息模型并对指纹进行仿射传播聚类，然后在线阶段采用ＲＳＳＩ阎值的楼层判别算法确定楼层，并结合地图信息模 型和最大后验估计方法计算出终端位置。实验结果表明，相比于传统的指纹定位方法，室内定位技术不仅能提高定位精度， 并且降低了在线阶段指纹匹配计算的复杂度。 关键词仿射传播聚类；指纹；楼层判别：室内定位：地图信息 中图分类号ＴＮ９２ 文献标志码Ａ ｄｏｉ：１０．３９６９￣．ｉｓｓｎ．１００１．０５４８．２０１７．０１．００６ Ｉｎｄｏｏｒ Ｍａｐ Ｉｎｆｏｒｍａｔｉｏｎ Ｂａｓｅｄ ＷｉＦｉ Ｐｏｓｉｔｉｏｎｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ｆｏｒ Ｍｕｌｔｉ—－Ｆｌｏｏｒ Ｂｕｉｌｄｉｎｇｓ ＬＩ Ｈａｉ—ｔａｏ ａｎｄ ＱＩ Ｓｈｕａｎｇ （Ｃｏｌｌｅｇｅ ｏｆＥｌｅｃｔｒｏｎｉｃ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＴｅｃｈｎｏｌｏｇｙ Ｃｈａｏｙａｎｇ Ｂｅｉｊｉｎｇ １００１２４） Ａｂｓｔｒａｃｔ Ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｌｅｍｅｎｔ ｍｕｌｔｉ ｆｌｏｏｒ ｂｕｉｌｄｉｎｇｓ ａｃｃｕｒａｔｅ ｌｏｃａｔｉｏｎ．ｔｈｅ ｍａｐ ｉｎｆｏｒｍａｔｉｏｎ ｂａｓｅｄ ｉｎｄｏｏｒ ｐｏｓｉｔｉｏｎ ｓｃｈｅｍｅ ｉｓ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ￣Ｆｉｒｓｔｌｙ，ｔｈｅ ｍａｐ ｉｎｆｏｒｍａｔｉｏｎ ｍｏｄｅｌ ａｎｄ ａｆｆｉｎｉｔｙ ｐｒｏｐａｇａｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｉｆｎｇｅｒｐｒｉｎｔｓ ｃｌｕｓｔｅｒｉｎｇ ａｒｅ ｅｘｐｌｏｒｅｄ ｉｎ ｏｆｉｉｆｎｅ ｐｈａｓｅ．Ｔｈｅｎ，ｔｈｅ ｒｅｃｅｉｖｅｄ ｓｉｇｎａｌ ｓｔｒｅｎｇｔｈ ｉｎｄｉｃａｔｉｏｎ（ＲＳＳＩ）ｔｈｒｅｓｈｏｌｄ ｂａｓｅｄ ｆｌｏｏｒ ｉｄｅｎｔｉｉｔｃａｔｉｏｎ ｍｅｔｈｏｄ ｉｓ ｐｕｔ ｆｏｒｗａｒｄ．Ｆｉｎａｌｌｙ，ｔｈｅ ｔｅｒｍｉｎａｌ ｐｏｓｉｔｉｏｎｓ ａｒｅ ｏｂｔａｉｎｅｄ ｂｙ ｕｓｉｎｇ ｔｈｅ ｍａｐ ｉｎｆｏｒｍａｔｉｏｎ ｍｏｄｅｌ ａｎｄ ｍａｘｉｍｕｍ ｐｏｓｔｅｒｉｏｒｉ ｐｏｓｉｔｉｏｎ ｅｓｔｉｍａｔｉｏｎ ｍｅｔｈｏｄ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｉｎｄｏｏｒ ｐｏｓｉｔｉｏｎ ｓｃｈｅｍｅ ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙ ｅｎｈａｎｃｅ ｔｈｅ ｌｏｃａｔｉｏｎ ｅｓｔｉｍａｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ ｒｅｄｕｃｅ ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎ ｃｏｍｐｌｅｘｉｔｙ ｆｏｒ ｍｕｌｔｉ—ｆｌｏｏｒ ｂｕｉｌｄｉｎｇｓ． Ｋｅｙ ｗｏｒｄｓ ａｆｉｎｉｆｔｙ ｐｒｏｐａｇａｔｉｏｎ ｃｌｕｓｔｅｒｉｎｇ；ｆｉｎｇｅｒｐｒｉｎｔｉｎｇ；ｆｌｏｏｒ—ｉｄｅｎｔｉｉｆｃａｔｉｏｎ；ｉｎｄｏｏｒ ｐｏｓｉｔｉｏｎ；ｍａｐ ｉｎｆｏｒｍａｔｉｏｎ 随着移动互联网的高速发展和智能移动终端的 现简单而被普遍采用。 由于ｗ 信号传播的时变特性和环境因素的影 响，使得终端在线接收ＲＳＳＩ的测量值与离线指纹库 存在较大差异。此外，一般的ｗｉＦｉ指纹定位计算需 要遍历所有参考点指纹，其在多楼层环境中应用时， 定位系统中指纹数量增多，导致匹配计算的复杂度 成倍增加。 普及，移动用户对实时、准确的位置信息需求与日 剧增。基于位置的服务（ＬＢＳ）在民用、商用、军用、 应急救援中具有广阔应用前景而受到人们普遍关 注。目前国内￣＇ｂＬＢＳ应用大多采用ＧＰＳ卫星定位，由 于信号强度受到建筑物、墙壁等的影响而大大衰减， 导致ＧＰＳ接收机在高楼密集的城市或者室内运行 时，定位精度降低甚至不能完成定位过程。 基于ＷｉＦｉ的室内定位技术利用移动终端从无线 研究表明，通过利用定位区域环境的先验信息 可以降低信号传播过程中由于障碍物导致的信号非 视距（ＮＬ０Ｓ）偏差等而提高定位精度【Ｊ Ｊ。文献［４］应 用地图信息建立了用于室内定位的衰减系数（ＡＦ）模 接入点（ＡＰ）接收到的信号来确定用户位置，能提高 现有设备的利用率，低成本地实现便捷高效的定位 服务，成为近年来室内定位技术研究的热点。在ＷＩＦｉ 室内定位技术中，相比于基于信号到达时间（ＴＯＡ）、 型，但此模型不适用于指纹定位方法，且缺少基于 这种模型的位置估计算法的结果验证，因此在实际 应用中其准确性和有效性无法保证。在楼层判别方 面，文献［５］提出了联合加速度传感器和气压计计算 信号到达角度（ＡＯＡ）等方法，基于接收信号强度指 示（ＲＳＳＩ）的指纹定位技术由于其对设备要求低、实 收稿日期：２０１４—１１—２６；修回日期：２０１６—０７—０７ 基金项目：电子系统综合技术重点实验室和航空科学基金联合资助项目（２０１３ＺＣ１５００３） 作者简介：黎海涛（１９７２一），男，博士，副教授，主要从事通信、信号处理方面的研究 第１期 黎海涛，等：基于室内地图环境信息的多楼层ＷｉＦｉ定位技术研究 高度从而判别楼层的方法，然而气压计需要定期校 准且其测量值受环境影响较大，因此无法获得稳定 的楼层判别准确率。 针对上述问题，本文提出基于地图环境先验信 息的ＷｉＦｉ指纹定位方法，首先，建立地图环境信息 的统计模型，并采用仿射传播聚类算法对指纹进行 离线训练，以减小定位阶段的计算复杂度。进一步， 为了弥￣ｂＷｉＦｉ定位在高度上的误差导致楼层判别准 确率低，提出了基于ＲＳＳＩ阈值的楼层判别算法，以 提高多楼层定位的准确率。最后，利用基于地图信 息模型的位置估计算法定位，以减少ＮＬＯＳ偏差、干 扰、噪声等的影响，提高ＷｉＦｉ定位的精度和稳定性。 １基于地图环境信息的ＷｉＦｉ室内定 位系统 １．１ ＷｉＦｉ｝旨纹室内定位 ＷｉＦｉ指纹定位包括离线阶段和在线阶段两个步 骤，首先在离线阶段建立定位区域的指纹库，使得 指纹库尽可能准确地表达每个参考点的信号特征； 然后在线阶段通过测量用户终端当前位置的ＲＳＳＩ， 利用合适的搜索或匹配算法确定终端位置。下面详 细介绍各个阶段的操作步骤。 首先确定遍布定位区域内的Ⅳ个参考点，即 ＾ ＲＰ，ｉ∈｛ｌ，２，…，Ⅳ｝。然后，遍历这些参考点进行 ∑ ∑ 誓 ＲＳＳＩ采样，并把各参考点的指纹存储为 Ｆ ＝（ＭＡＣ ，ＲＳＳＩｆ） ，ｍ∈｛１，２，…， ｝，其中ＭＡＣ 表 示当前参考点搜索到的第ｍ个ＡＰ的ＭＡＣ地址。最 后，对每个参考点的ＲＳＳＩ进行多次采样平均，并与 其位置坐标（ ，Ｙ，ｚ）存为一组，形成指纹图（ｒａｄｉｏ ｍａｐ，ＲＭ）。指纹图的示例如表１所示，假设定位区 域内共能搜索到ｌ２个ＡＰ，为了计算方便以及减少 信号较弱的ＡＰ对计算结果造成的影响，将其ＲＳＳＩ 统一设置为最小值一１ １０ ｄＢｍ。 表１指纹图 现有的指纹匹配计算方法可分为确定性匹配算 法（￣ＩＫ－最近邻居算法，Ｋ－ＮＮ）和概率匹配算法（如最 大后验估计ＭＡＰ，或最小均方根误差ＭＭＳＥ）［ ＿ 。 Ｋ－ＮＮ算法作为典型的确定性匹配算法被普遍使用。 其基本原理是通过计算当前信号指纹与指纹库中各 个参考点的指纹的欧式距离，选出与当前指纹距离 最近的 参考点，取其坐标平均值作为终端位置。 具体计算步骤如下。 １）计算当前位置指纹Ｆ 与指纹图中所有参考 点指纹的欧式距离。设ＲＳＳＩ向量 表示指纹ＦＰ 中 来自 个ＡＰ的ＲＳＳＩ向量，与指纹图中参考点ＲＰ 的 ＲＳＳＩ向量之间的欧式距离为： ＝ 一 （１） ２）对 进行升序排序，选出前ｋ个指纹并平均 其平面位置坐标 ｙ），得到当前位置坐标。 １．２室内地图环境建模 为了利用地图环境的先验信息进行ＷｉＦｉ定位， 需要建立地图环境的数学模型，包括：１）定位区域 模型；２）ＡＰ覆盖区域模型；３）终端与ＡＰ之间的距 离模型。 １１定位区域模型 设终端所在位置的二维坐标为Ｐ＝［ ， 】 ，则 该位置可由均匀概率密度函数表示为： ）＝｛１／ 区域 式中，Ｐ∈Ｒ，Ｒ为地图中定位区域； 为此区域 面积。式（３）描述了均匀分布的地图模型，只包含一 个变量 ，即此概率密度函数完全由 所描述。 如图１中，定位区域Ｒ为空白部分，ＡＰ的位置为 ， ）为地图边界。通过地图建模得到待定位 区域 ，则可以避免用户被定位到非定位区域，即 图中阴影区域。 ＼＼ ／ ／Ｐ；。 ＼ ／ 、＼ ．／ ，一 ａ ） 图１地图定位区域 ２）ＡＰ覆盖区域模型 若位于Ｐ点的终端接收到第ｉ个ＡＰ的ＲＳＳＩ超过 阈值时，则与第ｉ个ＡＰ建立连接，故每个 均有 一个固定覆盖区域 （ ，但难以准确获取每个ＡＰ的 ３４ 电子科技大学学报 第４６卷 实际覆盖区域，故采用如下简化模型来计算ＡＰ的 覆盖区域。 定义ＡＰ，覆盖区域半径为 其大小依赖于 ＡＰ辐射功率和信号传播环境。把在某位置处终端 能够连接到的ＡＰ称为观测ＡＰ，记为Ｚ ，ｉ∈Ｚ，Ｚ为 与终端相连的观测ＡＰ的集合，则观测ＡＰ的数量为 ＝ＩＺｌ。如果终端与ＡＰｆ相连，那么终端位置 满 足Ｐ∈Ｒ（ ’ｎＲ，即终端位于区域尺与ＪＲ（ 相交的区 域。因此，定位算法估计终端位置的搜索区域为： Ａ Ｒ‘ ’＝（ ‘ ）ｎＲ （４） Ｉ∈Ｚ ３）终端与ＡＰ的距离模型 ＷｉＦｉ指纹定位系统中，终端与第ｉ个观测ＡＰ的 距离模型定义为： Ｚｉ＝ （ｐ）＋ （Ｐ）＋ｎ （ｐ） （５） 式中，ｄｉ（Ｐ）＝ｌ Ｐ一 Ｉｌ为终端所在位置Ｐ与ＡＰ，的 传播距离；６ｆ（ｐ）表示障碍物所带来的ＮＬＯＳ偏差，设 （ｐ）服从高斯分布，即 （ｐ）～Ｎ（Ｐｂ （ｐ），ｃ『６． （ｐ））， 当视距Ｌ０Ｓ传播时ｂｉ（ｐ）＝０；ｎｉ（ｐ）是射频干扰等 引入的距离误差，其服从高斯分布，即 ｎｉ（ｐ）～Ｎ（Ｏ， （ｐ））。该模型中参数 ． （ｐ）、 （ｐ）和 （ｐ）的计算见第３．１节。 ． ｌ－３基于地图环境ｆｌ￣ＪＷｉＶｉ定位 根据建立的室内地图环境模型，提出的多楼层 ＷｉＦｉ室内定位系统如图２所示，具体施步骤如下。 地 建 ｊ 离 图 立 指 ｊ在 楼 位 线 阶 环 境 ＿＇ －指 —■ 纹 线 层 置 段 建 纹 聚 估 图 类 ｉ阶 判 ；段 别 计 模 ●Ｉ ２提出的ＷｉＦｉ定位系统 １）离线阶段：完成定位区域的地图环境信息建 模、指纹图的建立与指纹聚类。 ①地图环境建模，具体步骤见１．２节。 ②建立指纹图。 与一般ｗｉＦ讨旨纹定位技术相同，包含指纹采集 与指纹的平均。记录ＡＰ的位置坐标，将定位区域内 的坐标（Ｘ，Ｙ，ｚ）与ＭＡＣ 存为一组，其中ｚ坐标 表示ＡＰ所在楼层。并把参考点测量到的第ｉ个ＡＰ的 ＲＳＳＩ的平均值记为 ｍ，ｍ为参考点标号。 ③指纹聚类。 通过在指纹定位方法中加入指纹聚类，可以降 低定位的计算复杂度，提高定位算法的实时性以及 精度。文献［８］采用模糊ｃ．均值聚类（ＦＣＭ）算法对指 纹聚类，但此种聚类方法在指纹点个数较大时，会 导致计算量大大增加。文献［９］采用经典的ｋ 均值 （ｋ－ｍｅａｎｓ）算法将指纹聚类，此方法需要通过随机方 式选择初始类首，聚类结果依赖于初始聚类中类首 的选择，容易陷入局部极值。仿射传播聚类【ｌ ＵＪ无需 随机选择类首，且算法收敛速度快，更适于ＲＳＳＩ￣ 纹图的预处理。 本文利用仿射传播聚类算法对所采集的指纹聚 类，聚类结果如图３所示，聚类完成后将此１８９个指 纹点划分为ｌ７个类。其中每个颜色的圆点属于一 类，类首与类成员间通过直线连接。从图中可以看 出，通过指纹聚类，可将物理位置相近的点划分在 一个类中。在定位时，为避免指纹匹配到错误的类 中，需选择少数ｎ个类作为位置计算的参考类。定 位算法利用参考类的类首及其类成员的位置信息计 算终端位置。通过指纹聚类将定位计算的指纹搜索 区域缩小至少数类中，既降低了指纹匹配计算的复 杂度，也提高了定位精度。 图３指纹聚类结果 在计算复杂度方面，基于Ｋ．ＮＮ的全局匹配算法 的计算复杂度为ｏ（Ｎｍ），其中Ⅳ为参考点个数，ｍ 为每个参考点的信号强度维度。而基于仿射传播聚 类的匹配算法的计算复杂度为ｏ（ｎ ｍ＋ ），其中 ｎ 为类首个数， ，，，表示类成员个数。由于 ｎ ＋ ＜＜Ｎ，故基于仿射传播聚类的匹配算法大 大减少了匹配计算的复杂度。 ２）在线阶段：包含楼层判别和基于地图环境模 型的位置估计两部分。 楼层判别中，利用ＲＳＳＩ在楼层间的衰落特征， 并通过建立ＲＳＳＩ阈值与ＡＰ数量的关系，确定当前终 端所在楼层，算法具体步骤见第２节。 采用ＭＡＰ算法估计终端位置，结合地图建模所 得的终端定位区域模型Ｒ、ＡＰ覆盖区域模型尺（ｆ 以 及终端与ＡＰ连接的距离模型ｚ．，得到终端位置估 第１期 黎海涛，等：基于室内地图环境信息的多楼层ＷｉＦｉ定位技术研究 计的概率密度函数 ＩＪ为： 数估计方法，如图４所示。 ｆ（ｚ ｌ ）＝１－ＩＮ（ｚｉ；ｄｉ（Ｐ）＋ｌａｂ， （ ）， ， （ ）＋ （ ）） ∈Ｚ （６） 式中， ∈Ｒ‘ ；ｚ 兰『＿Ｚｆ，Ｖｉ∈２７ 。利用上式，计算 ｛三 ｊ （ｐ） ｛ （ｐ），ｏ ２（ｐ）｝ （ｐ） 指纹图中各参考点的概率，然后通过ＭＡＰ估计得到 终端的位置。可以看到，地图环境信息模型利用了 信号传播环境中的先验信息，对提高定位精度起到 重要作用。 ２楼层判别 研究表明，ＷｉＦｉ无线信号穿过建筑墙体时，由于 通常楼层间墙壁常使用金属加强的混凝土，信号强度 可能出现较大的衰减（１５￣２０ ｄＢｍ） 。此现象表明： １１当物理距离相等时，来自同楼层的ＡＰ的ＲＳＳＩ强 于其他楼层ＡＰ的ＲＳＳＩ；２ 根据三角定理，当不同 ＡＰ的平面投影即（ ， ）坐标相同时，终端与同楼层 的ＡＰ距离更短。综上两个条件，使得平面位置即 （ ，ｙ）坐标相同时，来自其他楼层的ＡＰ的ＲＳＳＩ明显 的低于来自于本楼层ＡＰ的ＲＳＳＩ。利用楼层间ＲＳＳＩ 的差异，提出的楼层判别算法实现步骤如下。 １）设￣［１ＡＰ的位置坐标为 ，ｉ∈｛１，２，…， ｝， 将ＡＰ的ＭＡＣ地址与位置存为一组（ＭＡＣｍ， ）， ｒ∈｛ｌ，２，…，，ｚ ｝， 代表楼层。 ２）设置ＲＳＳＩ阈值 ｏ，统计各个楼层的阈值内ＡＰ 数量Ⅳ ，并返回Ⅳ 最大值对应的楼层 ： ＝ａｒｇｍａｘ（Ｎｚ） （７） 式中，Ⅳ ∈｛１，２，…， ｝；ｎ为定位区域内ＡＰ的数量； 即为当前终端所在楼层。 ３位置估计 ３．１模型参数估计 为了得到概率密度函数ｆ（ｚ ｌ）具体的表达式， 首先需要估计观测ＡＰ距离模型Ｚｉ中的参数，即 ＮＬＯＳ偏差的均值 （ｐ）与方差 （ｐ）和距离误差 ． （ｐ）的方差 （ｐ）值。 室内环境中，终端的接收信号功率可表示为¨３】： （ｚ）＝Ｐｏ—ｐｚ （８） 式中，Ｐ是正系数： 为给定距离时的参考功率值。 故终端与第ｉ个观测ＡＰ连接的距离模型为： Ｚｉ＝（ 一 （Ｚｉ））／Ｐ （９） 为了得到参数 。 （ｐ）， （ｐ）和 （ｐ）的线性 模型，采用基于最大似然估计 Ｌ）和回归分析的参 图４模型参数估计方法 首先，利用观测ＡＰ集合ｆＺＪ，ｉ∈ｚ）以及位置的 概率密度函数ｆ（ｐ），得到距离误差标准差的最大 似然估计｛ （ｆ）｝，ｔ∈｛１，２，…， ．一｝，以及 （ｐ）的 均值以及方差的最大似然估计｛ （ ）， （ｆ））， ｔ∈｛ｌ，２，…，Ｎｏ．一｝。其中 为误差的量化值， ．一Ⅳ０．一＝ｍａｘＮｏ（ｐ ，Ｐｉ）为 与ｐ 间障碍物数量的 最大值，Ｎｏ（Ｐｍ， ）为 与 间障碍物的数量。 进一步，在估计出离散化的参数｛忽（ｆ）， （ ）｝及 ｛ （ｆ））的基础上，通过最小二乘回归分析得到连续 的线性模型。 障碍物偏差 （ｐ）的标准差模型为： ．ｆ（ｐ）＝ｍａｘ｛－０ｂ，０—０－ｂ． Ｎｏ（ｐ，ｐ ），０｝ （１０） 式中， 表示此模型的正系数。 ． 偏差均值模型为： ． （ｐ）＝ ．。（Ⅳ０（ｐ，ｐ ））％ （１１） 式中，参数％为乘方系数； ．。为正均值。 距离误差标准差模型为： ． （ｐ）＝ ．ｏ（ｄｇ（ｐ）／ｄ０） （１２） 式中， ．。为相对于传输距离ｄ。的误差值； 为路 径损耗指数。 把式（１０）～式（１２）中得到的估计参数，即ＮＬＯＳ 偏差均值 （ｐ）和距离误差方差 ． （ｐ）及方差 ． －０ ２（ｐ）代入式（６），得到基于地图环境信息的位置估 计概率密度函数为： 厂（ｚ Ｉ ） ｌ上Ⅳ（ＺＩ； （ ）＋ ，ｏ（Ⅳ （ ， ）） ， ｆＥＺ ｍａｘ｛（－０ｂ．０一 ． Ｎｏ（ｂ， ）） ，０）４－ ０－枷２（ （ ）／ ） ） （１３） 然后，根据所得概率密度函数ｆ（ｚ ｌ）通过ＭＡＰ算法 估计出终端位置。 ３．２ ＭＡＰ位置估计 采用ＭＡＰ位置估计算法得到终端位置为： （ｚ）＝ａｒｇｍａｘＩｎｆ（ｚ Ｉ ）（１４） 式中， ～（ｚ）表示终端位置； 为参考点的位置。 本文方法在离线阶段进行指纹聚类，并且利用了地 图环境信息模型，故在线阶段的定位估计步骤为： １）利用第１节中指纹匹配算法Ｋ－ＮＮ得到当前 ３６ 电子科技大学学报 第４６卷 楼层中与当前指纹最近的ｎ个类首及其所在位置区 域 （ ）； ２）利用式（３）和贝叶斯准则，得到基于地图环境 信息模型的终端位置估计为： ＭＡＰ（ｚ）＝ａｒｇｍａｘＩｎｆ（ｚ Ｉ ） （１５） （ ＪｆｑＲ‘ ’） 式中， （ ｎ （。 为定位搜索区域； 为搜索区域内 的指纹点；概率密度函数ｆ（ｚＩ ）由式（１３）给出。 ４实验结果与分析 为了验证所提算法的定位效果，本文在Ｅｃｌｉｐｓｅ 平台上利用ＪＡＶＡ语言开发了基于Ａｎｄｒｏｉｄ ４．０操作系 统的定位客户端，以及基于Ｗｉｎｄｏｗｓ ７系统的定位服 务器端。在每个参考点，客户端扫描ＡＰ信号并记录 其ＲＳＳＩ与ＭＡＣ地址，并与参考点位置坐标一起上传 到服务器。定位服务器建立指纹图后对所有指纹进 行聚类，并完成位置估计。 本次实验选取三层办公楼为实验场所，其中１２ 个ＡＰ分布在３个楼层内，各个参考点分布在３个楼 层的走廊内，两个相邻参考点之间的距离约为 ２ ｍ，利用信号采集端对每个点进行３０次问隔为１ Ｓ 的采样。并在聚类算法中，将偏向ｐ设为相似度中值。 ４．１楼层判别准确率 为了研究基于ＲＳＳＩ阈值的楼层判别算法的效 果，本文测试了不同ＡＰ分布情况下阈值Ｒ。改变时 的楼层判别准确率，如图５所示。 １．０ ● ０．９ 槲０．８ ｜ｆ ｆ 樱 ０．７ ．ｌ Ｉ １ ０ ６ 嗵 ０．５ ｌ ｌ； ０．４ ４ ● 、 １ 竭 銎布 、、 ｌ１０ 一ｌＯ０ －９０ －８０ －７０ －６０ －５０ ＲＳＳ阈值Ｒｏ／ｄＢｍ 图５不同ＡＰ分布情况Ｆ楼层判别正确率曲线 从图５中可以看到，当ＡＰ在楼层间分布均匀 时，且闽值Ｒ０取在一８２ ｄＢｍ附近时，基于ＲＳＳＩ闽值 的楼层判别方法的准确率能够达到９９％；当ＡＰ在楼 层问分布不均匀，且阈值Ｒ。取在一８０ ｄＢｍ附近时， 算法依然能够达到９７．２％的准确率。对于全局匹配 算法，当ＡＰ在楼层间分布均匀时准确率为７８．２％， 而当ＡＰ在楼层间分布不均匀时准确率为６７．８％。 由此可见，本文提出的楼层判别算法由于考虑 了ＲＳＳＩ在楼层中的衰减特性，相比较于传统全局匹 配算法，极大提高了楼层判断的准确率。需要说明 的是，楼层间高度不同时ＡＰ与用户的距离会发生变 化，所以对定位精度也会有影响。 ４．２定位精度 为了分析定位计算时参考类的个数ｎ对定位精 度的影响，图６给出了参考类个数ｎ从１至１７时算法 的定位精度变化。从图中可以看出，参考类类个数 取在４附近时定位精度较高，当ｎ过大时定位精度降 低，并且其均方根误差与Ｋ—ＮＮ算法的均方根误差接 近。从图中还可以看出，当参考类个数ｎ为１时，定 位精度反而更低，这是由于当两个类相邻时边界位 置的指纹可能被聚到错误的类中。因此，选择少数 几个类作为ＷｉＦｉ指纹法位置计算的参考类，会提高 定位精度。 ４．２ ４．１ 吕 椒 图６不Ｉ司参考类数目对定位精度对比 为了分析本文基于地图环境信息模型的定位算 法准确性，图７所示为不同算法定位误差的累计分 布函数（ＣＤＦ）曲线。从图７中可以看出，与传统的 Ｋ—ＮＮ算法相比，基于仿射传播聚类的定位算法降 低了整体的定位误差以及最大误差，并且在引入地 图环境信息模型后，定位误差得到进一步降低。 １・０ Ｏ・９ Ｏ・８ ／／） ／二—＝＝：一＿ ～。＝ ｒ 一一Ｔ 褂Ｏ＿７ ／ 肇０．６ ／ ７ ｐ ｌ ７ ／１／ ｆ ／／ ＋聚类＋Ｋ ＮＮ＋地图信息模型 ＋聚类＋Ｋ－ＮＮ ； 一１３ Ｋ－ＮＮ ｉ 第１期 黎海涛，等：基于室内地图环境信息的多楼层ＷｉＦｉ定位技术研究 ３７ 误差（ＲＭＳＥ）。可以看到，本文算法的ＲＭＳＥ值低于 ｍ／一叫∞ 邑删 露 ５ ４ ４ ３ ３ ２ ２ ｌ １ Ｏ ０ ５ ０ ５ Ｏ ５ Ｏ ５ Ｏ ５ 其他Ｋ－ＮＮ等未利用地图环境信息方法的ＲＭＳＥ值。 本文首先基于定位区域环境建立了地图信息模 型，并利用仿射传播聚类算法对指纹进行离线训练， 减少了指纹的时变特性影响和定位阶段匹配计算的 复杂度。进一步，基于信号在楼层间的衰减特性， 提出基于ＲＳＳＩ阈值的楼层判别算法。最后，提出基 于地图信息模型的位置估计算法，以降低非视距偏 差对定位效果的影响。实验结果表明，所提的多楼 层ＷｉＦｉ定位方法能够有效提高定位精度和楼层判别 的准确率，并减少了匹配算法计算复杂度。 参考文献 ［１］ＤＡＶＩＤＳＯＮ Ｐ，ＣＯＬＬＩＮ Ｊ，ＴＡＫＡＬＡ Ｊ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒｓ ｆｏｒ ｉｎｄｏｏｒ ｐｏｓｉｔｉｏｎｉｎｇ ｕｓｉｎｇ ｆｌｏｏｒ ｐｌａｎｓ［Ｃ］／／ Ｕｂｉｑｕｉｔｏｕｓ Ｐｏｓｉｔｉｏｎｉｎｇ Ｉｎｄｏｏｒ Ｎａｖｉｇａｔｉｏｎ ａｎｄ Ｌｏｃａｔｉｏｎ Ｂａｓｅｄ Ｓｅｒｖｉｃｅ．Ｋｉｒｋｋｏｎｕｍｍｉ．Ｆｉｎｌａｎｄ：ＩＥＥＥ．２０１０． ［２】周瑞．应用室内结构布局提高ｗｉ－Ｆｉ定位精度和稳定性［Ｊ］． 电子科技大学学报，２０１３，４２（２）：２９５—２９９． ＺＨＯＵ Ｒｕｉ．Ｉｍｐｒｏｖｉｎｇ ｏｆ ＷｉＦｉ ｐｏｓｉｔｉｏｎｉｎｇ ｐｒｅｃｉｓｉｏｎ ａｎｄ ｓｔａｂ订ｉｔｙ ｂａｓｅｄ ｏｎ ｉｎｄｏｏｒ ｓｔｒｕｃｔｕｒｅ ａｎｄ ｌａｙｏｕｔ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０１３， ４２（２）：２９５－２９９． ［３】ＳＡＮＧＷＯＯＫ Ｂ，ＳＥＯＫＳＥＯＮＧ Ｊ，ＹＵ Ｃｈａｎ．ＳＵ，ｅｔ ａ１． Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ａ ｌａｒｇｅ．ｓｃａｌｅ ＷｉＦｉ ｒａｄｉｏｍａｐ ａｎｄ ｔｈｅｉｒ ｉｍｐｌｉｃａｔｉｏｎｓｉｎｉｎｄｏｏｒｌｏｃａｌｉｚａｔｉｏｎ『Ｃ］／／ＩｎｔｅｒｎａｔｉｏｎａｌＣ０ｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｔｗｏｒｋ ｏｆｔｈｅ Ｆｕｔｕｒｅ．Ｐａｒｉｓ．Ｆｒａｎｃｅ：ＩＥＥＥ．２０１３． 『４］Ｌ０ＴＴ Ｍ，ＦＯＲＫＥＬ Ｉ．Ａ ｍｕｌｔｉ—ｗａｌｌ—ａｎｄ—ｆｌｏｏｒ ｍｏｄｅｌ ｆｏｒ ｉｎｄｏｏｒ ｒａｄｉｏ ｐｒｏｐａｇａｔｉｏｎ［Ｃ］／／Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ．Ｒｈｏｄｅｓ，Ｇｒｅｅｃｅ：ＩＥＥＥ，２００１． ［５］ＹＵＮＫＩ Ｋ，ＳＥＵＮＧＨｗＡＮ Ｃ，ＬＥＥ Ｊ．Ｈｅｉｇｈｔ ｅｓｔｉｍａｔｉｏｎ ｓｃｈｅｍｅ ｏｆ ｌｏｗ—ｃｏｓｔ ｐｅｄｅｓｔｒｉａｎ ｄｅａｄ－ｒｅｃｋｏｎｉｎｇ ｓｙｓｔｅｍ ｕｓｉｎｇ Ｋａｌｍａｎ ｆｉｌｔｅｒ ａｎｄ ｗａｌｋ ｃｏｎｄｉｔｉｏｎ ｅｓｔｉｍａｔｉｏｎ ａｌｇｏｒｉｔｈｍ［Ｃ］／／ ＩＥＥＥ／ＡＳＭＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｄ Ｉｎｔｅｌｌｉｇｅｎｔ Ｍｅｃｈａｔｒｏｎｉｃｓ（ＡＩＭ）．Ｗｏｌｌｏｎｇｏｎｇ，Ａｕｓｔｒａｌｉａ： ＩＥＥＥ，２０１３． ［６］ＨＵＡＮＧ Ｙｕｎｇ—ｆａ，ＺＨＥＮＧ Ｙｏｕ—ｉｒｎｇ．Ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ａｎ ＭＭＳＥ ｂａｓｅｄ ｉｎｄｏｏｒ ｌｏｃａｌｉｚａｔｉｏｎ ｗｉｔｈ ｗｉｒｅｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋｓ［Ｃ］／／Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｔｗｏｒｋｅｄ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ａｄｖａｎｃｅｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ ｆＮＣＭ）． Ｇｙｅｏｎｇｊｕ，Ｓｏｕｔｈ Ｋｏｒｅａ：ＩＥＥＥ，２０ １ ０． ［７】ＨＡＲＡ Ｓ，ＡＮＺＡＩ Ｄ．Ｕｓｅ ｏｆ ａ ｓｉｍｐｌｉｉｆｅｄ ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ ｆｕｎｃｔｉｏｎ ｉｎ ａ ｗｌａｎ－ｂａｓｅｄ ｌｏｃａｔｉｏｎ ｅｓｔｉｍａｔｉｏｎ［Ｃ］／／ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒｋｉｎｇ．Ｂｕｄａｐｅｓｔ，Ｈｕｎｇａｒｙ：ＩＥＥＥ，２００９． ［８】ＳＵＲＯＳＯ Ｄ Ｊ，ＳＯＯＲＡＫＳＡ Ｐ＿Ｆｉｎｇｅｒｐｒｉｎｔ—ｂａｓｅｄ ｔｅｃｈｎｉｑｕｅ ｆ０ｒ ｉｎｄｏｏｒ ｌｏｃａｌｉｚａｔｉｏｎ ｉｎ ｗｉｒｅｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋｓ ｕｓｉｎｇ ｆｕｚｚｙ Ｃ－ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ［Ｃ］／／Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｙｓｔｅｍｓ（ＩＳＰＡＣＳ）．Ｃｈｉａｎｇ Ｍａｉ，Ｔｈａｉｌｎａｄ： ＩＥＥＥ．２０Ｉ１． ｆ９１ ＴＨＥＲＤＰＨＡＰＩＹ久ＮＡＫ Ｊ，ＰＩＲ０ＭＳ０ＰＡ Ｋ．Ａｎ ａｎａｌｙｓｉｓ ｏｆ ｓｕｉｔａｂｌｅ ｐａｒａｍｅｔｅｒｓ ｆｏｒ ｅｆｉｆｃｉｅｎｔｌｙ ａｐｐｌｙｉｎｇ Ｋ—ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ ｔｏ ｌａｒｇｅ ＴＣＰ ｄｕｍｐ ｄａｔａ ｓｅｔ ｕｓｉｎｇ Ｈａｄｏｏｐ ｆｒａｍｅｗｏｒｋ［Ｃ］／／Ｉｎｔｅｍａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｃｏｍｐｕｔｅｒ，Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｎａｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ．Ｋｒａｂｉ，Ｔｈａｉｌａｎｄ：ＩＥＥＥ，２０１３． ［１０】ＦＲＥＹ Ｂ Ｊ，ＤＵＥＣＫ Ｄ．Ｃｌｕｓｔｅｒｉｎｇ ｂｙ ｐａｓｓｉｎｇ ｍｅｓｓａｇｅｓ ｂｅｔｗｅｅｎ ｄａｔａ ｐｏｉｎｔｓ［Ｊ］．Ｓｃｉｅｎｃｅ，２００７，３１５（５８１４）：９７２—９７７． ［１１］ＰＯＲＲＡＴ Ｄ，Ｃ０Ｘ Ｄ Ｃ．ＵＨＦ ｐｒｏｐａｇａｔｉｏｎ ｉｎ ｉｎｄｏｏｒ ｈａｌｌｗａｙｓ［Ｃ］／／Ｉｎｔｅｍａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ａｎｃｈｏｒａｇｅ Ａｌａｓｋａ，ＵＳＡ：ＩＥＥＥ，２００３． ［１２］ＷＵ Ｃ Ｓ，ＺＨＥＮＧ ＬＩＵ Ｙ Ｈ，ｅｔ ａ１．ＷＩＬＬ：Ｗｉｒｅｌｅｓｓ ｉｎｄｏｏｒ ｌｏｃａｌｉｚａｔｉｏｎ ｗｉｈｔｏｕｔ ｓｉｔｅ ｓｕｒｖｅｙ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｒａｌｌｅｌ ａｎｄ Ｄｉｓｔｉｒｂｕｔｅｄ Ｓｙｓｔｅｍｓ，２０１３， ２４（４）：６４—７２． ［１３］ＭＯＮＴＯＲＳＩ Ｆ，ＭＡＺＵＥＬＡＳ Ｓ，ＶＩＴＥＴＴＡ Ｇ Ｍ，ｅｔ ａ１．Ｏｎ ｈｔｅ ｐｅｒｆｏｒｍａｎｃｅ ｌｉｍｉｔｓ ｏｆ ｍａｐ—ａｗａｒｅ ｌｏｃａｌｉｚａｔｉｏｎ［Ｊ］．ＩＥＥＥ Ｔｒｎａｓａｃｔｉｏｎｓ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｈｅｏｒｙ，２０１３，５９（８）：５０２３— ５０３８． 编辑税红