基于矩陣向量概率指紋的基站定位系統*

涂巖愷

（1.廈門雅迅網絡股份有限公司,福建 廈門 361008；2.中國電子科技集團第三十研究所,四川 成都 610041）

基于矩陣向量概率指紋的基站定位系統*

涂巖愷1，2

（1.廈門雅迅網絡股份有限公司,福建 廈門 361008；2.中國電子科技集團第三十研究所,四川 成都 610041）

針對基站定位方法準確度不高的問題，提出基于矩陣向量概率指紋的基站定位方法．該方法對大量的采樣數據信號進行概率學習，以基站信號變化的概率分布構建無線信號指紋向量．該方法生成矩陣向量空間上的概率指紋，其本質上利用了大數據隱含的信號波動規律特征，因此相比傳統的簡單指紋匹配定位方法取得更為理想的定位準確率，定位結果也優于基于無線信號衰減規律的TOA方法．

基站定位；概率指紋；無線信號；向量空間

1 基站定位系統簡介

在山谷、密林、城市樓群這類無法接收GPS信號的環境下，如何實現位置定位，是許多工程應用（如工程機械車輛位置監控、戶外作業人員位置監控等）關注的焦點．現有的非GPS定位技術主要有：基于藍牙[1]、RFID[2]、WIFI[3]、基站[4]定位等．基站定位方法能滿足野外條件下的定位需求，并且因為其覆蓋范圍廣、實現成本較低等優點而成為一種主要的定位手段，目前的主流手機地圖APP軟件均帶有基站定位功能．

普通的基于LAC（基站區域碼）+CID（基站小區碼）的單基站定位由于基站位置相隔較遠因而精度很低；基于TOA（信號到達時間）或AOA（到達角度）方法需要在定位終端上安裝陣列天線等設備，因而不具普遍性；基于基站信號強度[5]估算與基站間距離的定位方法不需要額外設備，因此在具有手機通信模塊的普通設備上均能實現，但是由于無線信號的多徑效應等現象，使信號強度不穩定，造成定位精度較低．本文利用基站信號強度特征，基于柵格區域概率數據統計學習，構建了一種在矩陣向量空間上表述的基站無線信號概率指紋，提出該概率指紋的匹配定位方法，構建了實際的定位系統．基于概率指紋的基站定位系統框圖如圖1所示，是一個定位中心服務器．服務器在技術實現上基于MySQL與GUZZ數據持久層框架，支持大數據的分布式存儲與檢索．采樣數據來自于普通用戶手機或帶通信模塊的終端上傳的數據，采樣時通過地圖匹配標注出采樣終端位置，連同采樣數據上傳到定位中心．中心對采樣數據進行存儲、柵格化處理、提取柵格概率特征．

當一個區域采樣完成后，即可對該區域提供基站定位服務．定位終端將所收到的基站信號上傳到定位服務中心與柵格概率特征比對，得到特征最相似的柵格位置作為定位結果發回終端．

圖1 定位系統框圖

2 無線信號概率指紋

2.1 傳統無線信號指紋

無線信號指紋[6]可用于基站、WIFI、藍牙等多種無線信號，表示的是某位置上所收到的無線信號源與對應信號強度構成的向量，采用F表示，假設某區域能收到的所有無線信號源有n個，表示為Wi，i=1, 2, …, n．W代表無線信號唯一性標識，例如對于WIFI信號W可以是WIFI接入點的MAC地址，對于基站信號W則是基站的LAC+CID作為唯一性標識，則指紋向量可表示為：

其中，rssi表示對應的Wi在位置P的信號強度．}lnglat,{=P為采樣位置標簽，包含緯度lat與經度lng．

從傳統無線信號指紋的組成上可以看出，其無線信號強度為固定值，無法描述信號強度變化或波動的情況．實際上無線信號在任何時候都不是固定不變的，特別是基站信號，由于受到復雜的多徑效應[7]和衰減[8]等因素的影響，在同一位置接收某一基站的信號，會出現無時間規律的波動變化，這些因素也造成了傳統指紋方法后續的定位誤差．

2.2 矩陣向量空間上的概率指紋

從基站信號無規律的變化中提取出描述總體變化情況的概率分布特征．這需要比較密集的采樣點或對某一位置采樣點進行連續多次采樣，為概率分布學習提供數據量支撐．整體系統實施需包含連續采樣、柵格化處理、生成概率指紋3個部分．

2.2.1 連續采樣

1）在需要實施基站定位區域，每隔一定距離進行采樣，將采樣點經緯度坐標位置、接收到的LAC+CID、信號強度、采樣時間、運營商類型上傳到基站定位中心服務器，記錄進數據庫的采樣信息表．

2）在該采樣點上隔一小段時間進行重復采樣．直到采樣數量達到要求．

3）更換采樣位置，直到采樣點否均勻遍布需要實現基站定位的區域．

2.2.2 柵格化處理

由于一般在一個小范圍區域內的無線信號受干擾影響程度相同，即無線信號波動情況相同，因此對采樣區域小范圍柵格化，對柵格內所有信號提取概率特征，柵格化處理步驟如下：

1）服務器計算出所有采樣點的經、緯度的最大和最小值(minlng, minlat, maxlng, maxlat)．其中minlng和maxlng代表所有采樣點經度最小值和最大值，minlat和maxlat代表所有采樣點緯度最小值和最大值．

2）取較小距離r為步長，將步長換算為經緯度數θ．從minlng開始以每θ度劃分橫向柵格，得到柵格的橫向邊界位置坐標集：

{minlng, minlng+θ, minlng+2θ,…, maxlng}.

從minlat開始以每θ度劃分縱向柵格，得到柵格的縱向邊界位置坐標集：

{minlat, minlat+θ, minlat+2θ,…, maxlat}.

根據柵格邊界即可把采樣區域劃分為許多方形柵格，每個柵格記為Cell（m, n），其中m代表柵格處于第m行，n代表柵格處于第n列．柵格化處理的優點在于：能減少在同一個采樣點所需的重復采樣次數，降低采樣工作量．為保證柵格內不同采樣點信號強度受環境干擾影響程度相同，柵格化步長r不應取太大的值，在較繁雜的環境中r值應取較小值，在較簡單的環境中r值可適當增大．

2.2.3 生成概率指紋

統計學習柵格內信號變化的概率特征：

1）取出一個柵格Cell（m, n）內的所有采樣記錄，假設一共R條，其中共有k個基站，每個基站的LAC+CID標識用變量ID表示，則所有k個基站可用集合M表示M={ID1, ID2, ID3,…, IDk}，對每個基站i，(i=ID1, ID2,…, IDk)，建立一維數據緩存Ci,x，其中x 表示信號強度，其有效區間為[0, -100]，將每個緩存數值初始化為零：Ci,x=0．

2）從R條采樣記錄逐個取出采樣數據，根據采樣數據的基站編號值i與對應的信號強度值x，將對應的Ci,x緩存計數加1，判斷是否從單條采樣記錄中取出所有基站信號累加到相應的Ci,x中，如果是則取下一條采樣記錄處理，直到處理完柵格內所有R條記錄．

3）用PIDi(x)表示基站IDi當其信號強度為x時的概率，則可統計出每一個柵格內的所有基站無線信號的概率分布：

這些概率分布值組成概率指紋：

從圖2中可以直觀看出生成概率指紋的原理，圖中LSL與USL代表信號強度最小值與最大值，之間柱體越高表示該信號強度出現概率越大．

由式（3）與傳統指紋表達式（1）的對比可以看出，普通指紋是一個一維向量，而概率指紋中的每一個元素不再是一個固定值，而是一個與信號強度x相關的概率分布，是一個矩陣向量．在概率指紋中包含了普通概率指紋中所沒有的信號強度概率分布信息．

圖2 柵格化與概率指紋

3 指紋匹配定位

3.1 偽概率指紋

待定位終端接收到LAC+CID 集合N={ID1, ID2, …, IDn}與對應的信號強度值{x1, x2, …, xn}，設終端信號強度滿足平均分布，其分布范圍為λ，計算各基站信號強度在[xi-λ, xi+λ]區間的概率分布：

生成終端的偽概率指紋：

終端生成偽概率指紋的目的在于保證終端定位實時性，避免和采樣過程一樣長時間學習信號的概率分布影響定位響應時間．

3.2 匹配定位

將偽概率指紋上傳到定位中心．定位中心從概率特征表中取出所有滿足N∩M≠Φ的記錄，計算概率特征表中每條記錄的概率指紋與終端的偽概率指紋的相似度：

其中，S代表概率相似性；ε為階梯函數：

將相似度最高的記錄中的經緯度（柵格中心標）作為定位結果下發到終端，完成定位．

4 應用效果

在上海某樓宇密集實驗區域內進行實際應用，該基站定位系統準確率見表1，定位誤差在100 m以內的概率超過50%，平均定位精度115 m．

與傳統手機APP的普通基站定位性能比較如圖3所示，定位效果明顯提高，特別是大幅改善了誤差在100 m以內的定位概率．

表1 基站定位性能

圖3 基站定位效果對比

圖4 基站定位實測效果

圖4 為實測效果圖，黑色點為實際行走路線，白色點為本系統基站定位結果，實際點與對應基站定位點由黑色線連接．可以看出，定位點比較準確，緊密隨用戶終端移動．采用本文提出的矩陣向量概率指紋方法能夠充份利用信號變經的概率分布特征，相比傳統方法增加了有效利用的信息量，定位效果得到提高，達到一定的實際應用效果，證明了該方法的有效性．

[1] 張浩，趙千川．藍牙手機室內定位系統[J]．計算機應用，2011，31（11）：3152-3156．

[2] Ni L M, Liu Y, Lau Y C, et al. LANDMARC: indoor location sensing using active RFID[J]. Wireless Networks, 2004，10（6）：701-710．

[3] 涂巖愷，陳典全．多模自適應 WIFI 無線圖構建與定位方法[J]．電子測量技術，2013（9）：112-114．

[4] 苗強，吳德偉，毛玉泉．多基站無源定位技術在區域定位網絡中的應用[J]．現代雷達，2007，29（8）：12-14．

[5] 郭英龍，賽景波，樂麗琴，等．移動通信基站定位系統[J]．微型機與應用，2010（5）：42-44．

[6] 魏菲，李允俊，金華．使用位置指紋算法的 WiFi 定位系統設計[J]．單片機與嵌入式系統應用，2014，14（5）：29-32．

[7] Ray J K, Cannon M E, Fenton P C. Mitigation of static carrier-phase multipath effects using multiple closely spaced antennas[J]. Navigation-Washington, 1999，46（3）：193-202．

[8] 劉益，王東，胡楚然，等．陰影衰落環境下無線傳感網絡的概率覆蓋研究[J]．電子技術應用，2011，37（8）：98-101．

Station Positioning System Based on Matrix Vector of Probability Finger Print

TU Yankai1,2
（1.Xiamen Yaxon Network Co.,Ltd., Xiamen, Fujian 361008, China;2.The 30th Research Institute of China Electronics Technology Group Corporation, Chengdu, Sichuan 610041,China）

To handle the low precision of station positioning, a station positioning method based on matrix vector of probability finger print is proposed. By analysing the probability of a huge amount of sampling data signal, a wireless signal finger print vector is created. Compared with the traditional one-dimensional finger print vector, this method applies signal fluctuation principles to form a matrix vector of probability finger print. Therefore, the positioning result is better than that of either traditional finger print matching method or TOA method.

station positioning; probability finger print; wireless signal; vector space

TN967.3

A

1672-0318（2015）03-0014-05

10.13899/j.cnki.szptxb.2015.03.003

2015-01-29

*項目來源：廈門市科技計劃資助項目（編號：3502Z20130008）

涂巖愷（1983-），福建永安人，博士，工程師，研究方向為智能信號處理．