多映射數據結構位置指紋庫濾波算法

陳戈珩, 謝澤亮, 李 尋

(長春工業大學 計算機科學與工程學院， 吉林 長春 130012)

0 引 言

隨著各種大型商場、車站等大型建筑物的建立，人們對精確室內定位服務的渴望也越來越強烈，但是由于GPS定位對室內環境具有較大的局限性，其中包括了室內環境對GPS信號的遮蔽，導致GPS定位精度大幅下降，難以在室內定位的過程中有所作為。

在對室內定位主流研究方向中，根據定位時所需信息的不同分為測距無關(range-free)和基于測距(range-based)兩大類。其中基于測距算法首先得到了研究人員的重視，基于測距的研究方法主要是通過信號的各項特征值，以及信號的衰減模型來量化信號源AP(Access Point)與接收設備的距離，主要算法有AOA、TDOA、TOA、AOA與TDOA混合定位[1-4]以及RSSI等[5-7]，但在室內定位的研究過程中，研究人員發現除了利用信號的強度RSSI(Received Signal Strength Indication)進行定位研究外，其他的定位算法都需要使用到額外的硬件，AOA算法需要陳列天線，TOA和TDOA需要高精度的時間同步，而且基于室內復雜的信號傳播環境，TOA和TDOA以及AOA都不適用于室內定位的研究。隨著WiFi技術的逐漸普及，WiFi室內定位技術成為當今室內定位研究的熱門方向，其原因有兩點：第一,WiFi室內定位技術無需額外的硬件設備，現在人們使用的所有移動設備都配有WiFi模塊，大大節約了定位成本;第二,WiFi熱點現如今已經覆蓋人們生活的主要場景，利用WiFi進行室內定位具有較高的可行性。

在研究WiFi室內定位技術的過程中，基于位置指紋的定位方式是實際測試中精度最高的方式[8]，位置指紋室內定位分為離線(off-line)階段和在線(on-line)階段兩個過程。在離線階段，通過wlan無線網絡接入點，可以輕松獲取相關AP的信息，將這些信息如相位、信號強度作為接收信號的特征值，通過把當前位置坐標作為標簽值，可以構建離線數據庫。在線階段，通過無線接入點可以獲得接收信號的信號特征值，通過與離線數據庫各項數據的匹配得到最相似的位置數據，從而估算出當前位置的具體坐標。

在離線階段需要建立完整RSSI信號分布圖(Radio Map)，通過規劃和測量選取目標參考節點，從而將待定位區域完整地覆蓋。在構建RSSI信號分布圖的過程中，每個目標參考節點都對應著一定數量的AP信號強度值，每個AP節點之間互相獨立，將每個目標參考節點的坐標以及信號強度值存入離線數據庫，但是由于WiFi信號的時變性以及室內環境的復雜性，如人體遮擋以及干擾，存入離線數據庫過程中往往伴有噪聲，使得離線數據庫在線過程中并不能與當時的信號分布相匹配，從而影響在線階段的匹配過程。

1 多映射數據結構的數據庫濾波算法

由于每個AP節點互相獨立，所以在構建離線數據庫的時候需要對每個AP節點進行單獨的分析與數據采集。同一AP距離下RSSI值的變化如圖1所示。

在同一距離下，對同一AP(同一MAC地址)進行RSSI信號值的采樣，發現RSSI信號值會隨著采樣時間進行跳變，這種跳變是難以預測的，所以在構建離線數據庫的時候，通常情況下會對采樣的RSSI信號強度值進行濾波處理。

對采集的RSSI一維向量{rssi1，rssi2，rssi3,…，rssij}進行均值濾波:

(1)

圖1 同一AP距離下RSSI值的變化圖

將得到的結果存入離線數據庫，并對整個數據庫做鄰域濾波[9-10],以降低噪聲。

但是在線匹配過程中，鄰域均值濾波的效果并不明顯，究其原因,鄰域均值濾波只能對已經新建完畢的信號強度分布圖進行濾波，這種濾波時小范圍降低節點的噪聲，而當在線過程中，進行采樣信號值與離線數據庫進行匹配時，采樣信號通常伴有噪聲，這樣必須把采樣信號也進行濾波才能與離線數據庫相匹配。由于AP的獨立性，所以需要對每個AP節點進行單獨的分析，對5組MAC地址AP節點的RSSI值采樣如圖2所示。

圖2 不同AP的RSSI值采樣序列

對采集的結果進行數據統計,如圖3所示。

圖3 RSSI值數據統計表

從圖3發現如下規律，RSSI值的信號波動經常會呈現出區域回歸狀態，即RSSI值的波動在固定值中跳變，且具有上限和下限，極少情況下會出現RSSI值超出上限和低于下限，且RSSI值的波動較準確滿足正態分布。針對以上情況，文中給出一種多映射數據結構的數據庫濾波算法，以適應高精度定位的需要。

在對指紋定位算法構建離線數據庫的階段，針對RSSI信號呈現的正態分布，采用針對信號的高斯濾波，以濾出RSSI信號非常規的跳變，對于每個坐標每一組AP的RSSI接收值則有:

(2)

(3)

(4)

式中:μ----測試組所有RSSI值的平均值；

σ----測試組所有RSSI值的標準差。

將大概率出現的信號值，即概率密度分布滿足0.3≤f(x)≤1的值取出。

經過高斯濾波之后得到關于高斯濾波之后的RSSI信號值，高斯濾波主要是濾除游離在信號上限和信號下限的異常信號，高斯濾波之后的樣本集合為：

(5)

針對采樣信號的概率將信號進行排序，得到排序后的RSSI序列：

(6)

(7)

式中:pthreshold----篩選的概率門限；

np(xi)----當前概率RSSI值出現的次數。

通過將信號的概率進行排序，將概率出現次數最高的數據與當前數據量總和進行比較，如果大于概率門限,則保留當前篩選之后的RSSI信號值;如果小于概率門限的信號值，則將下一組RSSI值累加當前的RSSI值與當前數據量總和進行比較，并與門限概率進行判斷，直到大于門限概率。將篩選的數據存入離線數據庫得到同一AP不同坐標離線數據庫，如圖4所示。

圖4 同一AP不同坐標離線數據庫示意圖

圖中離線RSSI數據集對于同一個AP節點每個參考位置所對應的RSSI都不是一一對應的，通過多組RSSI值同時對應一個坐標，之后將所有AP數據采集完畢得到離線數據庫存儲結構，在線階段中，無線設備每次將采集的信號與離線數據庫做匹配時，同一位置都會有不同向量組將與之匹配，離線數據庫結構見表1。

表1 離線數據庫結構

(X1，Y1)位置對應的RSSI組合應為(-71，-75，-53，-36)，(-73，-75，-53，-36)，(-77，-75，-53，-36)等18種，單一坐標對應多個離線數據集且RSSI組合的排序是根據信號高斯概率來分布的，在線過程中，首先進行匹配概率最高的，以此來縮短在線階段樣數據與離線數據庫匹配的效率。

2 實驗與分析

給出的算法在實驗室中進行實際驗證，對WiFi中RSSI信號的采集使用了NativaWiFiApi接口讀取筆記本無線網卡中所有AP的RSSI信息，首先對同一位置坐標采集所有AP節點的RSSI信號值，遍歷所有AP節點，對每個節點中的RSSI數據進行高斯濾波得到其概率分類，并進行頻數排序，接著對每個概率分類運算得到其頻數概率，將頻數概率與門限頻率進行比較，高于門限頻率，則代表濾波結束，將數據存入數據庫，低于門限頻率，則累加下一組概率的頻數，再與門限頻率比較，直到高于門限頻率，則整個濾波過程結束，具體流程由圖5所示。

圖5 基于多映射方法的指紋庫濾波算法的實現流程

實驗結果通過均方根誤差(RMSE)來比較鄰域均值濾波算法與多映射濾波算法，結果如圖6所示。

圖6 算法均方根誤差圖

多映射數據結構能夠有效降低WiFi信號時變的影響，減小定位的誤差，很好地維持離線數據庫與真實環境的擬合度，將平均均方根誤差(RMSE)由3.3縮減為1.4。

3 結 語

針對傳統離線數據庫以單向量形式構建位置標簽所產生誤差過大的情況，基于針對WiFi信號時變以及位置指紋定位的特點，給出了一種多映射數據結構的數據庫濾波算法，通過高斯濾波篩選出頻數，并設置門限概率進一步篩選出所需的RSSI標簽值，以多個RSSI標簽值映射同一個位置標簽，以筆記本為實驗設備通過無線網卡的API接口采集實驗數據。通過與均值鄰域濾波進行比較，證明多映射數據結構能夠有效降低誤差，提高離線數據庫與真實環境的擬合度，大概率避免傳統離線數據庫以單向量形式構建位置標簽所產生誤差過大的情況，有效降低了WiFi信號時變對離線數據庫構建的影響。

[1] Kong F, Wang J, Zheng N, et al. A robust weighted intersection algorithm for target localization using AOA measurements[C]// Advanced Information Management, Communicates, Electronic and Automation Control Conference. IEEE,2017.

[2] 孔范增,陳國軍,鄭娜娥,等.基于射線跟蹤的TOA定位算法的GDOP研究[J].信息工程大學學報,2017,18(1):35-39.

[3] 周恭謙,楊露菁,劉忠,等.基于TDOA定位的基站布設對模糊區分布及定位精度的影響分析[J].海軍工程大學學報,2017,29(1):96-101.

[4] 趙宏旭.基于TDOA的Chan算法和Taylor算法的分析與比較[J].電子世界,2017(9):176-177.

[5] 羅炬鋒,付耀先,王營冠.基于RSSI測距的WLS定位算法[J].華中科技大學學報：自然科學版,2011,39(11):34-38.

[6] 孫順,董凱,修建娟,等.基于CWLS的多運動站TDOA/GROA輻射源定位算法[J].中國電子科學研究院學報,2016,11(5):540-546.

[7] 孫佳，胡明，趙佳.K-means初始聚類中心選取優化算法[J].長春工業大學學報,2016,37(1):25-29.

[8] Brunato M, Battiti R. Statistical learning theory for location fingerprinting in wireless LANs[J]. Computer Networks,2005,47(6):825-845.

[9] 劉偉嵬,顏云輝,孫宏偉,等.一種基于鄰域噪聲評價法的圖像去噪算法[J].東北大學學報:自然科學版,2008,29(7):1033-1036.

[10] 王民,文義玲.常用圖像去噪算法的比較與研究[J].西安建筑科技大學學報:自然科學版,2010,42(6):895-898.