屈 陽(yáng)，萬(wàn)國(guó)龍，叢 麗，秦紅磊

(北京航空航天大學(xué) 電子信息工程學(xué)院，北京 100191)

0 引言

基于調(diào)頻(frequency modulation，F(xiàn)M)廣播的定位技術(shù)的研究歷史可追溯至20世紀(jì)90年代，最早是采用移動(dòng)接收機(jī)檢測(cè)接收到的FM信號(hào)的相位進(jìn)行定位[1]，經(jīng)過(guò)近30年的發(fā)展，目前常用的基于FM的定位技術(shù)主要有K-近鄰定位算法(K-nearest neighbor，KNN)、K-加權(quán)近鄰定位算法(K-weighted nearest neighbor，KWNN)、高斯過(guò)程回歸算法(Gaussian process regression，GPR)等技術(shù)[2]。公共FM廣播信號(hào)由于其信號(hào)穩(wěn)定、信號(hào)穿透能力強(qiáng)、覆蓋范圍廣、硬件設(shè)施要求低等優(yōu)點(diǎn)[3]而被廣泛應(yīng)用于室內(nèi)定位。

在使用FM進(jìn)行室內(nèi)定位的研究中，F(xiàn)M頻道的數(shù)量對(duì)定位精度有很大影響。文獻(xiàn)[3-6]詳細(xì)研究了FM頻道數(shù)量的影響，其在采用了76個(gè)公共頻道和3個(gè)信標(biāo)的前提下，其2σ定位誤差為4.71 m。在室內(nèi)定位中，小范圍環(huán)境中較少存在指紋模糊的現(xiàn)象，比如單獨(dú)的一個(gè)小房間；大范圍環(huán)境中，由于室內(nèi)環(huán)境的復(fù)雜性，F(xiàn)M信號(hào)受室內(nèi)環(huán)境的影響較大，容易造成指紋的模糊，比如整個(gè)回字形類(lèi)的建筑。目前現(xiàn)有的解決方式主要有：1)歐氏距離的計(jì)算，比如根據(jù)信號(hào)的相關(guān)性調(diào)整歐氏距離[7]、根據(jù)當(dāng)前環(huán)境在歐氏距離計(jì)算時(shí)進(jìn)行環(huán)境自適應(yīng)參數(shù)調(diào)整[8]；2)利用信號(hào)的傳播特性建立信號(hào)傳播距離與實(shí)際物理距離之間的模型[9]；3)定位算法的改進(jìn)，比如基于距離權(quán)重的指紋定位算法[10]。此外，由于FM信號(hào)的波長(zhǎng)約為3 m，這就造成單純采用FM信號(hào)的定位精度很難超過(guò)3 m，由此催生了FM信號(hào)與其他信號(hào)進(jìn)行組合定位的研究，常用的有無(wú)線(xiàn)保真(wireless fidelity，WiFi)11]信號(hào)、藍(lán)牙信號(hào)、數(shù)字電視地面多媒體廣播信號(hào)[12]、數(shù)字視頻廣播信號(hào)[13]等多種信號(hào)源，對(duì)于提升定位精度有較大幫助。

本文針對(duì)指紋模糊的問(wèn)題，基于FM頻道波動(dòng)越大，對(duì)定位的貢獻(xiàn)越大的理論，根據(jù)采集到的FM頻道指紋的標(biāo)準(zhǔn)差來(lái)調(diào)整歐氏距離的權(quán)重，同時(shí)將定位過(guò)程拆分為區(qū)域定位和精確定位，提出了基于指紋標(biāo)準(zhǔn)差(standard deviation，SD)權(quán)重的FM兩級(jí)室內(nèi)定位算法。

1 指紋定位簡(jiǎn)介

指紋定位分為2個(gè)階段：離線(xiàn)階段和在線(xiàn)定位階段。離線(xiàn)階段是采集區(qū)域的數(shù)據(jù)特征，在本文中為采集公共FM廣播的信號(hào)特征；在線(xiàn)定位階段是利用定位算法進(jìn)行用戶(hù)位置解算。定位過(guò)程框圖如圖1[2]所示。

圖1 基于指紋的FM廣播信號(hào)定位方法

2 室內(nèi)定位算法

2.1 定位描述

在實(shí)驗(yàn)區(qū)域中，預(yù)先測(cè)量得到的指紋數(shù)據(jù)庫(kù)可以表示為

Ε={(eji，pi)|j=1，…，N，i=1，…，k}

(1)

式中：j為外輻射源個(gè)數(shù)；i為參考點(diǎn)(reference point，RP)個(gè)數(shù)；eji為第j個(gè)外輻射源在第i個(gè)RP的指紋位置；pi為第i個(gè)RP的位置，二維空間中，通常pi=(xi，yi)；N為外輻射源的數(shù)量；k為參考點(diǎn)的數(shù)量；E為指紋數(shù)據(jù)庫(kù)。

用戶(hù)所在位置指紋已知，則可以表示為

E0={(ej0，p0)|j=1，…，N}

(2)

式中：ej0為用戶(hù)所在位置的第j個(gè)外輻射源的指紋位置；E0為用戶(hù)所在位置的指紋位置。采用合適的定位算法來(lái)求解用戶(hù)所在位置p0。

2.2 定位算法

2.2.1KNN區(qū)域定位算法

在KNN區(qū)域定位算法中，首先計(jì)算用戶(hù)所在位置的指紋與所有已知點(diǎn)的指紋的歐氏距離，即

(3)

式中:ΔE=[ΔE1，ΔE2，…，ΔEk]為用戶(hù)與所有已知參考點(diǎn)的歐氏距離的集合，其中ΔEi為用戶(hù)與第i個(gè)RP的歐氏距離。根據(jù)歐氏距離選取m(m≥1)個(gè)近鄰點(diǎn)(通常m不宜過(guò)大，應(yīng)根據(jù)實(shí)際情況進(jìn)行選擇)，則選取的最小的m個(gè)歐氏距離的集合可表示為

(4)

式中h為選擇的第h個(gè)近鄰點(diǎn)。則選取的近鄰點(diǎn)所對(duì)應(yīng)的RP的集合可表示為

一個(gè)偶然的機(jī)會(huì)，我在一位收藏家朋友的票夾里看到幾枚1944-1946年由晉冀魯豫邊區(qū)政府發(fā)行的糧票，出于糧食工作的職業(yè)本能，我好說(shuō)軟磨，硬是花錢(qián)將其買(mǎi)了下來(lái)，作為我的藏品。這是很珍貴的歷史文物，是我黨我軍光輝歷程的歷史見(jiàn)證，反映了糧食工作在中國(guó)革命歷史時(shí)期發(fā)揮的重要作用。自此我非常注意軍用糧票及有關(guān)資料的收集，翻開(kāi)收藏的軍用糧票紀(jì)念冊(cè)，重溫我黨我軍的歷史，使我更加熱愛(ài)和珍惜現(xiàn)在的幸福生活。

P_ΔP={P1∪…∪Ph|h=1，…，m}

(5)

式中Ph為選擇的第h個(gè)RP。由于每個(gè)近鄰點(diǎn)均有其區(qū)域信息，則區(qū)域定位結(jié)果的集合可表示為

Z_ΔP={Z1∪…∪Zh|h=1，…，m}

(6)

式中Zh為第h個(gè)RP的區(qū)域信息。

KNN區(qū)域定位選擇集合Z_ΔP中個(gè)數(shù)最多的子集作為區(qū)域定位結(jié)果，若存在2個(gè)不同子集的個(gè)數(shù)既相同且最多的情況，則將歐氏距離最小的近鄰點(diǎn)所在的區(qū)域信息作為區(qū)域定位結(jié)果。

2.2.2KWNN精確定位算法

KWNN定位算法將每個(gè)近鄰點(diǎn)的位置(xi，yi)用式(3)中的歐氏距離的倒數(shù)進(jìn)行加權(quán)后得出用戶(hù)的位置坐標(biāo)，即

(7)

式中ε為趨近于0的小數(shù)。

2.3 基于指紋SD權(quán)重的定位算法

為了增加歐氏距離判斷的可信度，提出了基于指紋SD權(quán)重的FM兩級(jí)室內(nèi)定位算法即標(biāo)準(zhǔn)差權(quán)重(standard deviation-weight，SDW)算法。算法的原理如下：

式(3)表征了用戶(hù)與各參考點(diǎn)之間的歐氏距離，可以看出：電臺(tái)波動(dòng)范圍越大，其歐氏距離判斷越明顯，對(duì)后續(xù)的定位解算貢獻(xiàn)也越大。根據(jù)已有指紋，計(jì)算出FM各個(gè)頻道的SD，再據(jù)此對(duì)其賦予權(quán)值。假設(shè)權(quán)值為ωj，則歐氏距離為

(8)

0.2·x·SD1+…+0.2·N·x·SDN=1

(9)

解出x，則對(duì)應(yīng)的第j個(gè)頻道的權(quán)值為

ωj=0.2·j·x·SDj

(10)

式中：SDj為第j個(gè)頻道的SD值。定位過(guò)程分為區(qū)域定位和精確定位。將SDW算法計(jì)算出的歐氏距離應(yīng)用于區(qū)域定位和精確定位，在區(qū)域定位后，根據(jù)判定準(zhǔn)則，判斷是否剔除不屬于定位區(qū)域的近鄰點(diǎn)。

判定準(zhǔn)則：當(dāng)Z_ΔP中個(gè)數(shù)最多的子集數(shù)量超過(guò)設(shè)定的門(mén)限值時(shí)，精確定位時(shí)僅選擇屬于定位區(qū)域的近鄰點(diǎn)。由式(6)可得Z_ΔP，假設(shè)Z_ΔP中個(gè)數(shù)最多的子集為Zn，其個(gè)數(shù)為n，則：

3)若1)、2)均不滿(mǎn)足，不執(zhí)行此準(zhǔn)則。

當(dāng)執(zhí)行此準(zhǔn)則時(shí)，此時(shí)用戶(hù)位置坐標(biāo)可表示為

(11)

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)區(qū)域?yàn)楸本┖娇蘸教齑髮W(xué)新主樓F座3樓，實(shí)驗(yàn)區(qū)域如圖2所示。實(shí)驗(yàn)數(shù)據(jù)為使用Tektronix頻譜儀采集的FM廣播21個(gè)頻道的數(shù)據(jù)，實(shí)驗(yàn)選擇的近鄰點(diǎn)個(gè)數(shù)k為從1到10線(xiàn)性遞增，定位區(qū)域中指紋數(shù)據(jù)分為7個(gè)區(qū)域，共計(jì)912個(gè)RP(圖中僅標(biāo)注出部分RP)。隨機(jī)從該指紋數(shù)據(jù)庫(kù)中選擇45個(gè)點(diǎn)作為測(cè)試點(diǎn)，余下的點(diǎn)作為RP。實(shí)驗(yàn)結(jié)果是在50次蒙特卡洛下得出的。

圖2 室內(nèi)實(shí)驗(yàn)區(qū)域

3.2 結(jié)果分析

3.2.1 區(qū)域定位精度

此性能指標(biāo)選擇為k取不同值時(shí)的平均區(qū)域定位精度(如圖3所示)。

從圖中可以看出，SDW算法對(duì)于提升區(qū)域定位精度有較為明顯的改進(jìn)，KNN算法區(qū)域平均定位精度最低為95.24 %，而SDW算法區(qū)域平均定位精度最低為97.02 %。此外，在進(jìn)行蒙特卡洛時(shí)，幾乎可以保證區(qū)域定位精度不會(huì)退化。表1為區(qū)域平均定位精度最差時(shí)不同k值下的區(qū)域定位精度。

圖3 KNN與SDW區(qū)域平均定位精度

表1 2種算法在區(qū)域平均定位精度最差時(shí)分別對(duì)應(yīng)的區(qū)域定位精度

3.2.2 精確定位精度

1)1σ和2σ定位誤差：

圖4和圖5分別給出了SDW算法和KWNN算法在50次蒙特卡洛下的1σ和2σ定位誤差，其中σ為標(biāo)準(zhǔn)差。表2和表3分別給出了2種算法在50次蒙特卡洛下的1σ和2σ最大、最小和均值定位誤差。

圖4 1σ定位誤差

表2 1σ時(shí)2種算法對(duì)應(yīng)的最大、最小和均值定位誤差

從圖4和表2可以看出，SDW算法在50次蒙特卡洛下，1σ定位誤差在絕大部分情況下定位誤差得到改善，且1σ的平均定位誤差相較KWNN算法定位誤差改進(jìn)了0.916 9 m，定位精度提升了15.5 %左右。

圖5 2σ定位誤差

表3 2σ時(shí)2種算法對(duì)應(yīng)的最大、最小和均值定位誤差

從圖5和表3可以看出，SDW算法在50次蒙特卡洛下，2σ定位誤差在絕大部分情況下定位誤差得到改善，且2σ的平均定位誤差相較KWNN算法定位誤差改進(jìn)了3.847 2 m，定位精度提升了22.6 %左右。

2)平均均方根誤差：

表4給出了SDW、KWNN算法在50次蒙特卡洛下不同k值對(duì)應(yīng)的平均均方根誤差。

表4 50次蒙特卡洛下的平均均方根誤差

從表中可以看出，無(wú)論k取何值，其平均均方根誤差均得到改善，當(dāng)k=4時(shí)，其平均均方根誤差降低了18.68 %。結(jié)果表明，SDW算法相較KWNN算法，其定位結(jié)果的均方根誤差得到了改善。

4 結(jié)束語(yǔ)

本文提出了基于SD權(quán)重的FM兩級(jí)室內(nèi)定位算法，該算法充分利用了FM各個(gè)頻道的波動(dòng)情況，有效降低了指紋的模糊性；同時(shí)將定位過(guò)程劃分為區(qū)域定位和精確定位，進(jìn)一步降低了錯(cuò)誤近鄰點(diǎn)的影響。實(shí)驗(yàn)表明：與KNN區(qū)域定位算法相比，SDW算法能夠提供更加準(zhǔn)確的區(qū)域信息；與KWNN精確定位算法相比，其1σ、2σ定位誤差和平均均方根誤差均得到顯著改善。因此，SDW算法相較傳統(tǒng)指紋定位算法更具優(yōu)勢(shì)。下一步研究重點(diǎn)為優(yōu)化權(quán)值及門(mén)限的自適應(yīng)調(diào)整。