于　丹，王　澤，陳永樂

(太原理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，太原 030024)

?

基于零先驗(yàn)知識(shí)的室內(nèi)指紋定位優(yōu)化算法

于丹，王澤，陳永樂

(太原理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，太原 030024)

摘要:針對(duì)眾包方法構(gòu)建指紋庫(kù)數(shù)據(jù)質(zhì)量低和指紋模糊相似性等問題,提出了一種基于SLAM技術(shù)的指紋數(shù)據(jù)質(zhì)量?jī)?yōu)化和指紋唯一性增強(qiáng)的算法。利用ICNN算法完成數(shù)據(jù)關(guān)聯(lián)優(yōu)化,并在指紋向量中加入可信度指標(biāo)來優(yōu)化指紋更新過程；隨后針對(duì)指紋模糊相似性設(shè)計(jì)了基于高斯插值的指紋唯一性增強(qiáng)優(yōu)化算法,保證了指紋數(shù)據(jù)質(zhì)量,從本質(zhì)上提高了指紋定位的性能。實(shí)驗(yàn)表明，該算法能夠?qū)⒅讣y定位的中位數(shù)誤差從原始指紋的3 m提高到2 m,最大定位誤差從8 m左右下降到4 m以內(nèi)。

關(guān)鍵詞:WiFi信號(hào)強(qiáng)度；眾包方法；指紋定位

人們?nèi)粘Ｉ钪?絕大多數(shù)的時(shí)間都停留在室內(nèi)環(huán)境中,因此,室內(nèi)位置服務(wù)在商業(yè)應(yīng)用、醫(yī)療衛(wèi)生和智能家居等眾多領(lǐng)域有著廣泛的需求。然而,每個(gè)提供定位服務(wù)的室內(nèi)環(huán)境通常需要單獨(dú)部署一套室內(nèi)定位設(shè)備才能提供位置服務(wù),重復(fù)的部署開銷限制了室內(nèi)定位的大規(guī)模推廣應(yīng)用。依賴于現(xiàn)有基礎(chǔ)設(shè)施的室內(nèi)指紋定位，為室內(nèi)定位技術(shù)邁向商用提供了新的解決思路。尤其是隨著WiFi熱點(diǎn)在公共室內(nèi)環(huán)境中的普及,使得基于WiFi信號(hào)的指紋定位得到廣泛的研究。但是,指紋定位需要對(duì)環(huán)境中WiFi信號(hào)進(jìn)行先期采樣來構(gòu)建龐大指紋庫(kù),此工作費(fèi)時(shí)耗力,非人力所能及。目前,基于眾包思想(Crowdsourcing)的零先驗(yàn)知識(shí)條件下的指紋庫(kù)構(gòu)建方法成為新的突破技術(shù)[1-2],即用戶在使用定位服務(wù)的同時(shí)也為系統(tǒng)完成環(huán)境信號(hào)的采樣工作,避免人工先期采樣的高額開銷,但是引入了定位精度下降的新問題。

指紋定位分為離線采集和在線匹配兩個(gè)階段。在離線采集階段,基于零先驗(yàn)知識(shí)的指紋庫(kù)構(gòu)建方法主要分為兩類：一類是基于信號(hào)衰減模型構(gòu)建指紋庫(kù)[3-4]，但是室內(nèi)環(huán)境的復(fù)雜性和時(shí)變特性使建模估計(jì)的指紋數(shù)據(jù)極不準(zhǔn)確,定位的精度也嚴(yán)重偏低；另一類是基于眾包思想構(gòu)建指紋庫(kù)，針對(duì)工作繁重的指紋庫(kù)構(gòu)建,通過大型的商場(chǎng)、機(jī)場(chǎng)和超市等環(huán)境中每個(gè)手機(jī)用戶的無意識(shí)參與來共同完成指紋庫(kù)的構(gòu)建。本文正是基于此思想,但是難點(diǎn)在于如何將指紋與相應(yīng)的物理位置進(jìn)行關(guān)聯(lián)[2],而且這兩類指紋庫(kù)構(gòu)建方法均以室內(nèi)地圖已知為前提。近年來，有些研究者提出利用機(jī)器人領(lǐng)域的即時(shí)定位與構(gòu)圖(Simultaneous Localization and Mapping,SLAM)技術(shù)來同時(shí)構(gòu)建指紋庫(kù)和室內(nèi)地圖；但是室內(nèi)人員的移動(dòng)更具復(fù)雜性和不確定性,致使指紋庫(kù)采集數(shù)據(jù)的質(zhì)量明顯下降。其中文獻(xiàn)[5]和文獻(xiàn)[6]分別提出在人腳的部位安裝慣性傳感器測(cè)量人的移動(dòng),以此繪制室內(nèi)地圖和完成定位；但是腳部安裝慣性傳感器的方法會(huì)干擾人們的日常生活。盡管鑒于智能手機(jī)的零先驗(yàn)知識(shí)條件下的即時(shí)定位與構(gòu)圖技術(shù)得到了一定的研究[7],但是目前仍缺少針對(duì)離線構(gòu)建指紋庫(kù)數(shù)據(jù)質(zhì)量的優(yōu)化研究。

在線匹配方面,分為確定性和概率性算法兩類，其中,確定性策略是通過計(jì)算采集信號(hào)的平均值,根據(jù)指紋之間的相似性距離進(jìn)行匹配(如KNN算法、加權(quán)KNN算法等)。受室內(nèi)環(huán)境變化因素的影響,信號(hào)的波動(dòng)范圍較大,平均值往往無法準(zhǔn)確描述信號(hào)變化。概率性策略能夠在每個(gè)采集點(diǎn)保存信號(hào)的分布,然后通過貝葉斯估計(jì)、順序蒙特卡羅等概率方法獲得較準(zhǔn)確的位置估計(jì),定位精度有所改善,然而在采樣信號(hào)波動(dòng)較大時(shí),概率性匹配精度反而低于確定性匹配精度。通過現(xiàn)有無線射頻信號(hào)特征研究(以WiFi為例)發(fā)現(xiàn)，室內(nèi)指紋信號(hào)存在模糊相似性問題,即相近的位置存在相似指紋,距離較遠(yuǎn)的位置也可能存在相似指紋,這表明了指紋庫(kù)中指紋本身不具有唯一性,致使現(xiàn)有的指紋定位算法均具有較大的誤差下限[8],這將給指紋定位性能帶來極大挑戰(zhàn)。

本文針對(duì)零先驗(yàn)知識(shí)條件下指紋定位精度面臨的挑戰(zhàn),提出了一種面向多用戶協(xié)同感知的指紋定位性能優(yōu)化機(jī)制,主要從多用戶協(xié)同感知構(gòu)建指紋庫(kù)的質(zhì)量?jī)?yōu)化和指紋信號(hào)唯一性特征增強(qiáng)兩個(gè)方面進(jìn)行了定位精度的優(yōu)化改進(jìn),實(shí)驗(yàn)結(jié)果表明本文提出的基于零先驗(yàn)知識(shí)條件下的指紋定位的中位數(shù)誤差從原始指紋的3 m提高到2 m,最大定位誤差從8 m左右下降到4 m以內(nèi),指紋定位性能得到明顯改善。

1零先驗(yàn)知識(shí)下指紋定位優(yōu)化框架

綜合考慮了離線采集和在線匹配兩個(gè)過程中的指紋信號(hào)質(zhì)量問題。首先，對(duì)零先驗(yàn)知識(shí)條件下的基于SLAM方法的指紋庫(kù)構(gòu)建數(shù)據(jù)質(zhì)量進(jìn)行優(yōu)化,保障指紋庫(kù)數(shù)據(jù)的準(zhǔn)確性；同時(shí),在離線階段對(duì)采集的指紋間的粒度進(jìn)行插值擴(kuò)展,提高指紋庫(kù)中指紋信號(hào)的唯一性特征。優(yōu)化算法的總體框架如圖1所示。針對(duì)智能手機(jī)的WiFi信號(hào)和陀螺儀等傳感器感知信息,利用SLAM技術(shù)進(jìn)行指紋庫(kù)和地圖的同時(shí)構(gòu)建,并通過數(shù)據(jù)關(guān)聯(lián)和指紋更新等策略對(duì)指紋庫(kù)數(shù)據(jù)質(zhì)量進(jìn)行優(yōu)化。隨后,對(duì)構(gòu)建指紋庫(kù)中的指紋數(shù)據(jù)進(jìn)行高斯插值,保障指紋在線匹配的唯一性,從離線采集和在線匹配兩個(gè)階段保障了指紋質(zhì)量,從而有效的提高定位精度。

圖1　零先驗(yàn)知識(shí)下指紋定位優(yōu)化框架Fig.1　Zero prior knowledge-based fingerprint positioning optimization framework

2基于零先驗(yàn)知識(shí)的定位性能優(yōu)化算法

目前,許多指紋定位性能研究聚焦于設(shè)計(jì)在線匹配算法和濾波優(yōu)化算法來提高指紋定位的精度；然而在線匹配算法和對(duì)定位結(jié)果的濾波優(yōu)化算法,能夠?qū)Χㄎ徽`差進(jìn)行一定程度的矯正,但是無法從根本上提高定位系統(tǒng)的精度。只有對(duì)指紋數(shù)據(jù)質(zhì)量進(jìn)行優(yōu)化處理,才能做到標(biāo)本兼治,本文提出從指紋庫(kù)數(shù)據(jù)質(zhì)量和指紋唯一性特征兩個(gè)方面進(jìn)行優(yōu)化,既解決了離線指紋采集質(zhì)量低的問題,同時(shí)也兼顧了在線匹配存在模糊相似性的問題,從而有效提高指紋定位的精度。

2.1眾包策略中指紋庫(kù)數(shù)據(jù)質(zhì)量?jī)?yōu)化算法

傳統(tǒng)的眾包思想能夠提供一種群體無意識(shí)感知的解決思路,然而多用戶協(xié)同產(chǎn)生感知數(shù)據(jù)也為目標(biāo)的分析處理帶來新的難題。在室內(nèi)多用戶無意識(shí)的移動(dòng)情況下,感知數(shù)據(jù)存在明顯的關(guān)聯(lián)特征。例如,用戶在同一位置測(cè)量的指紋具有相似或重疊特性,據(jù)此能夠推斷用戶的重疊軌跡,從而優(yōu)化已構(gòu)建的指紋庫(kù)和室內(nèi)地圖。因此,高效準(zhǔn)確的數(shù)據(jù)關(guān)聯(lián)算法是保證多用戶協(xié)同感知的前提。為此,本文提出了一種多用戶協(xié)同感知的指紋庫(kù)與室內(nèi)地圖同時(shí)構(gòu)建框架,在構(gòu)建指紋庫(kù)與室內(nèi)地圖的同時(shí)優(yōu)化數(shù)據(jù)關(guān)聯(lián)和指紋更新過程。如圖2所示,該框架以多用戶的無意識(shí)協(xié)同感知數(shù)據(jù)為基礎(chǔ),依靠基于圖優(yōu)化理論的平滑SLAM方法,集成了感知數(shù)據(jù)的聚類優(yōu)化和去噪處理,通過數(shù)據(jù)關(guān)聯(lián)優(yōu)化和指紋更新優(yōu)化,綜合展現(xiàn)了零先驗(yàn)知識(shí)條件下對(duì)利用眾包思想獲得的指紋庫(kù)數(shù)據(jù)質(zhì)量進(jìn)行的優(yōu)化改進(jìn)。

圖2　多用戶協(xié)同感知的指紋庫(kù)與地圖同時(shí)構(gòu)建框架Fig.2　Multi-user collaborative sensing SLAM framework

2.1.1數(shù)據(jù)關(guān)聯(lián)優(yōu)化

數(shù)據(jù)關(guān)聯(lián)是指確定不同用戶或者同一用戶在不同時(shí)間獲得的觀測(cè)指紋之間是否存在相似關(guān)系,以判斷觀測(cè)值是否源于同一物理位置。它是閉環(huán)檢測(cè)和地圖是否需要更新校正的基礎(chǔ),對(duì)提高海量室內(nèi)環(huán)境下SLAM方法的準(zhǔn)確性有重大意義。在多用戶協(xié)同感知的條件下,感知數(shù)據(jù)融合也同樣依靠觀測(cè)指紋之間的數(shù)據(jù)關(guān)聯(lián)來完成,通過指紋匹配來判斷多用戶移動(dòng)軌跡是否存在重疊或者閉環(huán),從而更新移動(dòng)軌跡的預(yù)測(cè),提高地圖構(gòu)建和定位的準(zhǔn)確性。常用的數(shù)據(jù)關(guān)聯(lián)方法有單一兼容最鄰近算法(ICNN)、聯(lián)合兼容分支定界(JCBB)和多假設(shè)數(shù)據(jù)關(guān)聯(lián)法。其中JCBB算法和多假設(shè)數(shù)據(jù)關(guān)聯(lián)算法能夠結(jié)合觀測(cè)值的累積和其他先驗(yàn)知識(shí)進(jìn)行較準(zhǔn)確的關(guān)聯(lián)匹配,然而對(duì)運(yùn)算和存儲(chǔ)具有較高的要求。ICNN算法具有計(jì)算量小且支持唯一性增強(qiáng)后指紋測(cè)距的馬氏距離方法,本文采用傳統(tǒng)的ICNN算法來匹配唯一性增強(qiáng)后的指紋。

2.1.2指紋更新優(yōu)化

多用戶協(xié)同感知條件下,指紋重疊更加頻繁,對(duì)地圖進(jìn)行更新校正的同時(shí)也應(yīng)該對(duì)指紋庫(kù)進(jìn)行更新,以選擇更加準(zhǔn)確的指紋和位置映射作為新的指紋。在指紋更新過程中,采取在指紋向量中添加一維可信度標(biāo)量值的方法來描述指紋與位置的準(zhǔn)確匹配程度,根據(jù)可信度的高低來選擇指紋進(jìn)行更新。主要思路是通過用戶協(xié)同更新次數(shù)(匹配次數(shù))和距離最近的完全可信位置(房間門口等已知位置)的遠(yuǎn)近來確定可信度,一方面當(dāng)指紋向量被用戶匹配次數(shù)越多指紋的可信度越高;另一方面用戶指紋匹配時(shí)距離最近完全可信位置越遠(yuǎn)可信度越低。綜合以上兩方面因素,指紋向量與可信度的形式化描述如下:

(1)

式中：C是指指紋被匹配的次數(shù)；B是統(tǒng)計(jì)用戶距離最近完全可信位置的步數(shù)。

在實(shí)際環(huán)境中,盡管選擇較高可信度的指紋進(jìn)行更新,可能仍無法改變指紋庫(kù)中數(shù)據(jù)的不對(duì)稱性特征。在指紋庫(kù)中,通常距離較近的位置具有近似指紋,然而也存在少數(shù)較遠(yuǎn)距離的位置具有相似的指紋。這給指紋的數(shù)據(jù)關(guān)聯(lián)帶來了較大的匹配誤差,盡管相似指紋之間存在微小的匹配誤差,也可能導(dǎo)致兩個(gè)較遠(yuǎn)位置的匹配結(jié)果。為消除這一問題,進(jìn)一步在離線指紋庫(kù)中采用K-Means聚類分簇方法,以保證相似的指紋盡可能分布在較近的位置,消除較遠(yuǎn)位置的相似指紋。主要思想是根據(jù)信號(hào)指紋測(cè)量的固有誤差設(shè)定相似指紋的判定標(biāo)準(zhǔn),并以該標(biāo)準(zhǔn)為半徑對(duì)指紋進(jìn)行分簇,同時(shí)利用位置間的步數(shù)設(shè)定遠(yuǎn)近判斷的上限,對(duì)相同簇中位置距離較遠(yuǎn)的近似指紋進(jìn)行刪除,減小指紋庫(kù)中數(shù)據(jù)的不對(duì)稱性。

2.2指紋庫(kù)中指紋間的唯一性特征增強(qiáng)算法

不同室內(nèi)空間的環(huán)境各異,WiFi信號(hào)覆蓋情況存在差異,為滿足室內(nèi)指紋定位在不同室內(nèi)環(huán)境中的精確性,需要保障指紋與室內(nèi)位置的對(duì)應(yīng)關(guān)系在整個(gè)指紋庫(kù)中具有唯一性。受環(huán)境中基礎(chǔ)設(shè)施和人員移動(dòng)的影響,充當(dāng)指紋的多種信號(hào)存在不穩(wěn)定性,嚴(yán)重降低了指紋庫(kù)中數(shù)據(jù)的唯一性。當(dāng)室內(nèi)AP分布稀疏時(shí),將會(huì)有較多的位置存在指紋相似性。如圖3所示,在自由空間Log-Normal衰減模型下,左圖中的位置A，B，C和D具有相同信號(hào)強(qiáng)度,右圖中的位置A和B也具有相同信號(hào)強(qiáng)度。在室內(nèi)環(huán)境中將存在許多位置在AP分布稀疏時(shí)出現(xiàn)相似指紋。此時(shí),通過哈希、插值和高維映射等方法加大WiFi信號(hào)指紋差異性將是增強(qiáng)指紋唯一性的有效途徑。

圖3　AP稀疏分布情況下的指紋相似問題Fig.3　Fingerprintsimilarityunder the sparse distribution of APs

針對(duì)WiFi信號(hào)在小范圍的自由空間中具有近乎相同的信號(hào)強(qiáng)度,但是在室內(nèi)較大范圍空間中,相似信號(hào)強(qiáng)度的位置關(guān)系更加依賴于室內(nèi)環(huán)境結(jié)構(gòu)。在沒有室內(nèi)建筑結(jié)構(gòu)藍(lán)圖的情況下,可以對(duì)小范圍自由空間信號(hào)強(qiáng)度進(jìn)行插值以增強(qiáng)相近位置測(cè)得信號(hào)強(qiáng)度的差異性。本文采用高斯權(quán)值插值方法,假設(shè)某個(gè)室內(nèi)采集的指紋庫(kù)向量集合為ZWiFi,可將指紋庫(kù)中的第i個(gè)指紋向量描述為:

(2)

式中：wi是插值的權(quán)值向量；βi是指從wi中拋除第i個(gè)元素的向量,其向量1-范數(shù)值為1；[wi]i是指向量wi的第i個(gè)元素；ei是除第i個(gè)元素外全為零的單位向量。直觀上,[wi]j可以作為位置i和位置j對(duì)應(yīng)WiFi指紋之間被插值權(quán)值。在沒有其他先驗(yàn)條件的前提下,選擇如式(3)描述的高斯插值權(quán)值作為核函數(shù),該方法也在機(jī)器學(xué)習(xí)領(lǐng)域的相似條件下得到較好的驗(yàn)證。

(3)

式中：l為尺度參數(shù),可測(cè)得經(jīng)驗(yàn)值；|xi-xj|2代表位置i和位置j之間的距離。此時(shí),位置i的指紋向量將被建模為一個(gè)高斯分布,WiFi指紋的度量標(biāo)準(zhǔn)變?yōu)轳R氏(Mahalanobis)距離。為了控制高斯分布的計(jì)算規(guī)模,需設(shè)定指紋庫(kù)的大小,通常依據(jù)室內(nèi)環(huán)境(如樓層、房間等)進(jìn)行子指紋庫(kù)的劃分。

3實(shí)驗(yàn)驗(yàn)證與結(jié)果

3.1實(shí)驗(yàn)設(shè)計(jì)

為了驗(yàn)證算法的有效性,針對(duì)設(shè)計(jì)算法對(duì)指紋庫(kù)中指紋相似性和信號(hào)變化特征的影響效果進(jìn)行了實(shí)驗(yàn)驗(yàn)證。由于智能手機(jī)中基于位置應(yīng)用的廣泛普及,采用了GALAXYNote3作為實(shí)驗(yàn)測(cè)量平臺(tái),本實(shí)驗(yàn)集中指紋信號(hào)自身特性,暫不考慮設(shè)備差異性帶來的指紋間誤差。

實(shí)驗(yàn)環(huán)境為700m2左右的實(shí)驗(yàn)室開放空間,由于辦公桌椅覆蓋的地方無人經(jīng)過,本實(shí)驗(yàn)選擇3位實(shí)驗(yàn)人員以右側(cè)電梯口處為開始位置(初始位置指紋可信度為1),在走廊和房間中人員可移動(dòng)區(qū)域中進(jìn)行自由行走,每?jī)刹街讣y采樣一次,對(duì)經(jīng)過的360個(gè)位置進(jìn)行WiFi指紋的采集,共有10個(gè)AP被部署用于信號(hào)測(cè)量。每個(gè)位置采樣10次取平均值,這樣在離線指紋庫(kù)中生成指紋記錄共360條,其中每條指紋記錄描述為f=〈ri,r2,…,rn〉,ri的值為信號(hào)強(qiáng)度的平均值,n值為AP的數(shù)量。

3.2性能評(píng)價(jià)

圖4　數(shù)據(jù)關(guān)聯(lián)性能與指紋可信度關(guān)系比較Fig.4　Comparisonbetweendata association performance and fingerprint confidence

本實(shí)驗(yàn)將對(duì)指紋庫(kù)構(gòu)建質(zhì)量?jī)?yōu)化算法進(jìn)行評(píng)價(jià),分析經(jīng)過數(shù)據(jù)關(guān)聯(lián)優(yōu)化和基于可信度指紋更新后的指紋數(shù)據(jù)質(zhì)量情況。由于可信度的計(jì)算依賴于匹配次數(shù)和距離完全可信位置的步數(shù),其最大數(shù)值并非為1 .本實(shí)驗(yàn)首先將指紋可信度進(jìn)行歸一化,選擇所有統(tǒng)計(jì)可信度值最大除所有其他可信度值,樓梯入口的初始位置指紋可信度為1 .如圖5所示,發(fā)現(xiàn)大多數(shù)情況下,指紋可信度越高,ICNN匹配算法的準(zhǔn)確率越高。然而存在少量指紋可信度偏高,ICNN匹配準(zhǔn)確率低的情景(如圖4中的位置點(diǎn)7和9),這是由于可信度還受距離完全可信點(diǎn)的步數(shù)的影響。此外,從整體上看,ICNN數(shù)據(jù)關(guān)聯(lián)的匹配概率均在50%以上,并有少部分位置能夠獲得100%的匹配準(zhǔn)確率。

圖5　高斯插值前后指紋間歐氏距離對(duì)比Fig.5　Comparison of Euclidean distance between fingerprints by Gauss interpolation

經(jīng)過SLAM過程數(shù)據(jù)優(yōu)化和指紋唯一性增強(qiáng)處理后,對(duì)指紋數(shù)據(jù)進(jìn)行了定位性能評(píng)價(jià)實(shí)驗(yàn),對(duì)實(shí)驗(yàn)環(huán)境中的隨機(jī)30個(gè)位置點(diǎn)通過kNN指紋匹配算法進(jìn)行定位結(jié)果測(cè)量。如圖6所示,發(fā)現(xiàn)傳統(tǒng)SLAM技術(shù)獲得的指紋能夠獲的接近3m的中位數(shù)誤差,而對(duì)指紋數(shù)據(jù)庫(kù)中數(shù)據(jù)質(zhì)量進(jìn)行優(yōu)化后,能夠?qū)⒅形粩?shù)誤差提高到2.3m,高斯插值后的中位數(shù)誤差更是接近2m,最大定位誤差也從傳統(tǒng)SLAM技術(shù)獲得指紋的8m左右下降到4m以內(nèi),定位性能獲得明顯提升。

圖6　算法優(yōu)化后的指紋定位性能Fig.6　Fingerprint positioning performance after algorithmoptimization

4結(jié)束語

通過對(duì)指紋自身的數(shù)據(jù)質(zhì)量進(jìn)行優(yōu)化來提高指紋定位的精度,提出了一種基于SLAM技術(shù)的指紋數(shù)據(jù)質(zhì)量?jī)?yōu)化和指紋唯一性增強(qiáng)的綜合優(yōu)化算法,能夠從本質(zhì)上解決指紋數(shù)據(jù)質(zhì)量低的問題,遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)的依賴于指紋匹配算法提高定位精度的做法,實(shí)驗(yàn)結(jié)果也進(jìn)一步驗(yàn)證了本文設(shè)計(jì)算法的有效性。

參考文獻(xiàn)：

[1]WUC,YANGZ,LIUY,etal.WILL:Wirelessindoorlocalizationwithoutsitesurvey[J].IEEETransactionsonParallelandDistributedSystems,2013,24(4):839-848.

[2]RAIA,CHINTALAPUDIKK,PADMANABHANVN,etal.Zee:zero-effortcrowdsourcingforindoorlocalization[C]∥CM,Proceedingsofthe18thAnnualInternationalConferenceonMobileComputingandNetworking.Istanbul,Turkey,2012:293-304.

[3]VARSHAVSKYA,PANKRATOVD,KRUMMJ,etal.Calibree:calibration-freelocalizationusingrelativedistanceestimations[M]∥PervasiveComputing.BerlinHeidelberg:Springer,2008:146-161.

[4]NARZULLAEVA,PARKY,JUNGH.AccuratesignalstrengthpredictionbasedpositioningforindoorWLANsystems[C]∥IEEE,ProceedingsofPosition,LocationandNavigationSymposium(PLANS),Monterey,California,2008:685-688.

[5]ANGERMANNM,ROBERTSONP.Footslam:pedestriansimultaneouslocalizationandmappingwithoutexteroceptivesensors-hitchhikingonhumanperceptionandcognition[J].ProceedingsoftheIEEE,2012,100(SpecialCentennialIssue):1840-1848.

[6]BRUNOL,ROBERTSONP.Wislam:improvingfootslamwithwifi[C]∥IEEE,InternationalConferenceonIndoorPositioningandIndoorNavigation(IPIN),Guimaraes,Portugal,2011:1-10.

[7]FARAGHERRM,SARMOC,NEWMANM.OpportunisticradioSLAMforindoornavigationusingsmartphonesensors[C]∥IEEE,PositionLocationandNavigationSymposium(PLANS).MyrtleBeach,SouthCarolina,2012:120-128.

[8]CHENY,LIUW,XIONGY,etal.Afuzzysimilarityeliminationalgorithmforindoorfingerprintpositioning[J].InternationalJournalofDistributedSensorNetworks,2015,501:753191.

[9]陳永樂,朱紅松,孫利民.一種抗多徑和陰影的視距指紋定位算法[J].計(jì)算機(jī)研究與發(fā)展,2015,50(3):524-531.

(編輯：劉笑達(dá))

Zero Prior Knowledge-based Indoor Fingerprint Positioning Optimization Algorithm

YU Dan,WANG Ze,CHEN Yongle

(CollegeofComputerScienceandTechnology,TaiyuanUniversityofTechnology,Taiyuan030024，China)

Abstract:This paper proposes an algorithm based on fingerprint data quality optimization and fingerprint uniqueness enhancement, focusing on the low quality of fingerprint database and fingerprint fuzzy similarity problem. It utilizes the ICNN algorithm to optimize data association, and adds a confidence value in the fingerprint vector to optimize the fingerprint updating process, then designs an uniqueness enhancement algorithm based on Gaussian for fingerprint fuzzy similarity, which guarantees the data quality of fingerprint,and essentially improves the performance of fingerprint positioning. Experiments show that the proposed algorithm can reduce the median error of fingerprint positioning from 3 m to 2 m,and the maximum positioning error is reduced from 8 m to 4 m.

Key words:WiFi signal strength; crowdsourcing; fingerprint positioning

文章編號(hào):1007-9432(2016)02-0195-05

*收稿日期：2015-11-20

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目：基于移動(dòng)感知的室內(nèi)指紋定位可通用性問題研究(61401300)；山西省教育廳科技創(chuàng)新基金資助項(xiàng)目(2014124)；太原理工大學(xué)校青年基金資助項(xiàng)目(2013Z060)；太原理工大學(xué)校團(tuán)隊(duì)基金資助項(xiàng)目(2014TD054)

作者簡(jiǎn)介：于丹(1983-)，女，太原人，碩士生，主要從事無線傳感器網(wǎng)絡(luò)研究，(E-mail)yudan@tyut.edu.cn通訊作者：陳永樂，副教授，碩士生導(dǎo)師，主要從事無線傳感器網(wǎng)絡(luò)研究，(E-mail)chenyongle@tyut.edu.cn

中圖分類號(hào):TP393

文獻(xiàn)標(biāo)識(shí)碼:A

DOI：10.16355/j.cnki.issn1007-9432tyut.2016.02.014