一種RSSI不同特征值融合的提取算法

薛衛(wèi)星,邱衛(wèi)寧,花向紅,張　偉

(1．武漢大學(xué) 測繪學(xué)院,湖北 武漢 430079；2.武漢大學(xué) 災(zāi)害監(jiān)測與防治研究中心,湖北 武漢 430079)

?

一種RSSI不同特征值融合的提取算法

薛衛(wèi)星1,2,邱衛(wèi)寧1,2,花向紅1,2,張偉1,2

(1．武漢大學(xué) 測繪學(xué)院,湖北 武漢 430079；2.武漢大學(xué) 災(zāi)害監(jiān)測與防治研究中心,湖北 武漢 430079)

室內(nèi)WIFI指紋位置定位一般取RSSI的平均值作為其定位特征值，但考慮到室內(nèi)環(huán)境的復(fù)雜性和動態(tài)性，平均值并不能準(zhǔn)確地反映RSSI信號特征值。通過對不同外界干擾因素下RSSI的概率分布特征研究的基礎(chǔ)上，提出一種RSSI不同信號特征值融合指紋定位算法。給出算法實現(xiàn)的步驟，并且在穩(wěn)態(tài)環(huán)境下和動態(tài)環(huán)境下分別進行指紋定位在線端的數(shù)據(jù)采集實驗。實驗結(jié)果表明：RSSI不同信號特征值融合指紋定位算法的定位精度優(yōu)于均值指紋定位算法的定位精度。

RSSI信號特征值；概率分布特征；特征值融合;WIFI指紋定位算法

隨著信息技術(shù)的迅猛發(fā)展，室內(nèi)定位技術(shù)得到快速發(fā)展。在各種室內(nèi)定位技術(shù)中，基于RSSI(基于接收信號強度定位技術(shù))[1]的位置指紋定位方法因無需添加任何硬件設(shè)備[2]和無需知道AP的位置信息及準(zhǔn)確的信道模型[3]等優(yōu)點，已經(jīng)成為室內(nèi)定位的主流定位方法。該方法一般分為離線和在線兩個階段[4-6]。離線階段通過測量定位區(qū)域所有指紋參考點的RSSI信號并提取信號特征建立Radio Map的位置指紋數(shù)據(jù)庫[7-8]；在線階段得到定位點的信號特征，并和位置指紋庫匹配找出最相近的一組或幾組指紋參考點數(shù)據(jù)，然后采用一定的定位算法得到定位點的定位結(jié)果[9]，由此可見，無論是離線階段還是在線階段，RSSI信號特征值的選取[10]都是非常重要的工作，然而人們對RSSI信號特征的研究并不多[11]。一般選取RSSI信號特征的平均值作為其定位特征值，考慮到室內(nèi)環(huán)境的復(fù)雜性和動態(tài)性，信號傳播過程中往往存在多路徑傳播和非視距傳播[12-13]，RSSI信號特征值的平均值進行指紋定位有一定的局限性[14-16]。因此，本文從無線信號的傳播原理出發(fā)，提出一種基于RSSI信號強度概率、眾數(shù)和均值等特征值融合[17]的提取算法，給出RSSI不同信號特征值融合提取算法的指紋定位實現(xiàn)的步驟，通過實驗說明算法的可行性。

1　基于指紋定位的RSSI不同信號特征值的融合算法

1.1RSSI的概率分布特性

通常，RSSI信號特征的確定主要采用基于信號強度均值的算法或基于信號強度概率的算法。由于室內(nèi)環(huán)境的復(fù)雜性和動態(tài)性，RSSI信號傳播的過程中往往受到墻體的折射、反射，門窗的折射、反射、衍射，人行走動的遮擋、吸收等因素的影響，從而出現(xiàn)多路徑傳播和非視距傳播。這樣就使得RSSI信號特征的分布呈現(xiàn)不同的特征，一般有4種情況，如圖1所示。

在穩(wěn)態(tài)環(huán)境下，假設(shè)沒有多徑干擾信號的影響，則信號概率分布會呈現(xiàn)正態(tài)分布，即圖1中的居中分布。當(dāng)存在多徑干擾信號的影響時，如果多徑干擾信號與視距傳播的信號相差較大且兩者都比較穩(wěn)定時，則信號概率分布會形成以這兩個信號真值為中心的雙峰分布(見圖1)。當(dāng)多徑干擾信號與視距傳播的信號相差不大時，若多徑干擾信號干擾較弱，信號概率分布會呈現(xiàn)以視距傳播的信號為峰值的左偏分布；而當(dāng)多徑干擾信號占主要部分時，信號概率分布則呈現(xiàn)以多徑干擾信號為峰值的右偏分布。

1.2基于指紋定位的RSSI不同信號特征值融合的提取算法

基于RSSI[18]的位置指紋定位方法無論是離線階段還是在線階段，RSSI信號特征值的選取至關(guān)重要[19]。由RSSI信號特征的概率分布特性分析可知，室內(nèi)定位環(huán)境復(fù)雜的情況下，無論采用基于信號強度概率的眾數(shù)算法，還是采用基于信號強度均值的算法，都不能確切的反映RSSI信號強度的真值。為此，本文提出基于指紋定位的RSSI不同信號特征值融合的提取算法，其算法流程如圖2所示。

具體的算法步驟如下：

1)將信號強度從小到大排序，并求出每個信號強度分布對應(yīng)的百分比概率P(RSSIi)、中位數(shù)、眾數(shù)和均值。

2)對信號強度概率分布進行曲線擬合并對擬合曲線進行峰值檢測，若有兩個及兩個以上峰值，取曲線擬合峰值中最大的作為信號強度特征值。

3)若只有一個峰值，則用式(1)計算其概率分布的偏態(tài)系數(shù)Cs。

圖2　RSSI特征值融合算法流程

(1)

4)若-1≤Cs≤1，則判定該信號強度分布居中，取均值作為其信號特征值。

(2)

(3)

最后按式(4)求融合算法觀測值RSSIronghe，作為其信號特征值。

RSSIronghe=

(4)

式中：n是觀測值RSSI中非重復(fù)的RSSI的個數(shù);N同式(1)，N′同式(2)。

(5)

然后根據(jù)Di的大小找到與定位點物理歐式距離最近的K個指紋參考點，并對這K個指紋參考點的位置坐標(biāo)按式(6)賦予不同的權(quán)重系數(shù)ωi。

(6)

最后將這K個指紋參考點位置坐標(biāo)的加權(quán)和作為定位點的定位結(jié)果，如式(7)所示。

(7)

式中：(x,y)是定位點的坐標(biāo);(xi,yi)是指紋點的坐標(biāo)。

2　實驗及效果分析

為了考察基于指紋定位RSSI不同信號特征值融合的提取算法的效果，分別在武漢大學(xué)測繪學(xué)院102實驗室大廳(靜態(tài)環(huán)境：指該區(qū)域內(nèi)的所有物體和人在實驗期間沒有或基本沒有位置和狀態(tài)的變化)和408機房(動態(tài)環(huán)境：指該區(qū)域內(nèi)的物體或人在實驗期間有明顯的位置或狀態(tài)的變化)進行了算法定位實驗，如圖3所示。圖3中，實驗室102(靜態(tài)環(huán)境)有4個AP，408機房(動態(tài)環(huán)境)有5個AP，△代表指紋點，○代表定位點。實驗時，手機分別在實驗室102和機房408采集AP的信號強度，采用1 s的采樣率，每個時段采集數(shù)據(jù)8 min。需要說明的是：為便于分析，本文假定距離定位點最近的4個指紋點已經(jīng)篩選出來，然后再進行定位。由于不同手機接收AP信號強度具有差異性，故實驗中所有數(shù)據(jù)的采集均采用同一個手機進行。另外，為了防止某個手機的系統(tǒng)偏差影響定位結(jié)果，實驗中用3個手機在穩(wěn)態(tài)環(huán)境下進行重復(fù)實驗，確保無系統(tǒng)偏差后用其中一個手機做動態(tài)環(huán)境下的實驗。

圖3　實驗點位分布示意圖

圖4　峰值檢測后定位結(jié)果精度改善圖

2.1最佳RSSI特征值的確定

在RSSI特征值融合算法定位處理過程中，為得到最佳的RSSI特征值，需要處理峰值檢測、偏態(tài)系數(shù)閾值設(shè)定、左偏改正算法和右偏改正算法等技術(shù)問題。

峰值檢測：多峰值時選取最左邊的峰值作為融合值；單峰值時仍采用平均值作為融合值。圖4給出動態(tài)環(huán)境下手機1的10組數(shù)據(jù)峰值檢測前后定位結(jié)果精度的比較。

由圖4可知，經(jīng)過峰值檢測后，有6組數(shù)據(jù)定位結(jié)果明顯改善?？紤]到在信號強度的概率分布中，雙峰分布占到不少的一部分，而雙峰分布的左峰值與平均值相差一般較大，所以含有雙峰分布信號數(shù)據(jù)組的定位精度會明顯改善，未含有雙峰分布信號數(shù)據(jù)組的定位結(jié)果則基本保持不變。

偏態(tài)系數(shù)閾值：不同的偏態(tài)系數(shù)閾值對定位結(jié)果影響不一樣。選取穩(wěn)態(tài)環(huán)境下手機1的7組數(shù)據(jù)，分別設(shè)置不同的偏態(tài)系數(shù)閾值，其定位結(jié)果見圖5。

由圖5可以看出：當(dāng)偏態(tài)系數(shù)閾值小于1時，7組數(shù)據(jù)的定位結(jié)果基本沒有變化；當(dāng)偏態(tài)系數(shù)閾值大于1時，7組數(shù)據(jù)的定位結(jié)果均開始逐漸變差。因此，本文將偏態(tài)系數(shù)閾值設(shè)為1。

左偏改正算法：左偏改正算法是基于眾數(shù)的，而目前整數(shù)dB的眾數(shù)區(qū)分度不高，故左偏改正時先后采用兩種左尾過濾法來逼近眾數(shù)的真值。由1.1中對信號強度概率分布特性的分析知，左偏分布時多徑干擾信號較弱，仍然呈現(xiàn)以視距傳播的信號為峰值的分布，所以只需分析左偏改正算法對定位結(jié)果改善的整體趨勢。因此，本文采用均值算法和左偏改正算法定位結(jié)果的點位誤差的差值來分析。定位數(shù)據(jù)采用動態(tài)環(huán)境下手機1的數(shù)據(jù)，結(jié)果見圖6。

圖5　不同偏態(tài)系數(shù)閾值對定位結(jié)果的影響圖

圖6　左偏改正后定位結(jié)果改善趨勢圖

由圖6可知：經(jīng)過左偏改正后，定位結(jié)果精度基本都得到改善，該整體改善趨勢與預(yù)計相符。

右偏改正算法：右偏改正算法是基于混合高斯分布模型的均值和方差，首先根據(jù)算法步驟(6)中的經(jīng)驗公式確定多徑干擾信號的均值與方差，進而求得視距信號均值。采用穩(wěn)態(tài)環(huán)境下的2組手機數(shù)據(jù)分析，結(jié)果見圖7。

由圖7可以看出：經(jīng)過右偏改正算法的定位精度優(yōu)于平均值的定位精度；不同位置定位結(jié)果的改善程度不同。由于不同位置的具體環(huán)境不同，多徑干擾信號對視距信號的干擾強弱也就不同，所以右偏改正算法對不同位置定位結(jié)果的改善程度也有大有小。

圖7　右偏改正算法和均值算法定位結(jié)果比較

2.2RSSI特征值融合定位效果分析

考慮到雙峰分布和右偏分布對定位結(jié)果的影響較大，表1以動態(tài)環(huán)境下手機1的數(shù)據(jù)為例列出峰值檢測和右偏判定的結(jié)果。

表1　動態(tài)環(huán)境下RSSI概率分布含雙峰分布或右偏分布情況

表2　穩(wěn)態(tài)環(huán)境下RSSI不同信號特征值定位點位誤差及精度　m

表3　動態(tài)環(huán)境下RSSI不同信號特征值定位點位誤差及精度　m

3　結(jié)束語

在對不同外界干擾因素下RSSI信號特征的概率分布特性分析的基礎(chǔ)上，提出一種基于RSSI不同信號特征值融合的指紋定位算法，并分別通過穩(wěn)態(tài)和動態(tài)環(huán)境下實驗，結(jié)果表明：該算法的定位精度優(yōu)于均值指紋定位算法的定位精度，說明本文算法的可行性和正確性。并且該融合算法定位具有以下特點：

1)對RSSI信號強度峰值檢測和篩選，多峰值時選取最左邊的峰值作為融合值；

2)考慮到外界干擾一般使信號強度變?nèi)酰捎脙煞N左尾過濾法來逼近眾數(shù)的真值，基于眾數(shù)實現(xiàn)左偏改正；

3)將混合高斯概率分布函數(shù)固定兩個參數(shù)用于右偏改正，簡化運算。這些特點使得該融合算法定位具有很好的環(huán)境適用性。

[1]PARK Do Woo，PARK Joon Goo.An Enhanced Ranging Scheme using WIFI RSSI Measurements for Ubiquitous Location[C].First ACIS/JNU International Conference on Computers，Networks，Systems，and Industrial Engineering，Jeju Island，Korea，2011.

[2]林巍凌.基于GIS的室內(nèi)定位約束與優(yōu)化算法[J].測繪工程，2016,25(10)：10-16.

[3]LIU Xing-Chuan，ZHANG Sheng，ZHAO Qing-Yuan.A real-time algorithm for fingerprint localization based on clustering and spatial diversity[C].2010 International Congress on Ultra Modern Telecommunications and Control Systems and Workshops，Moscow，Russia，2010.

[4]SUROSO Dwi-Joko，PANARAT C，SORAKSA P.Location fingerprint technique using fuzzy C-means clustering algorithm for Indoor localization[C].IEEE Region 10 Annual International Conference，Bali，Indonesia，2011

[5]SHARMA C，WONG Yew，F(xiàn)AI S.Access point placement for fingerprint-based localization[C].12thIEEE International Conference on communication Systems，Singapor，Singapor 2010.

[6]LIU Xing-Chuan，ZHANG Sheng，LU Heng-Hui.Method for efficiently constructing and updating radio map of fingerprint positioning[C].2010 IEEE Globecom Workshops，Miami，F(xiàn)L，United states，2010.

[7]KILANI M B，RAYMOND A J,FRANS Ois Gagnon,et al.RSSI-based Indoor Tracking using the Extended Kalman Filter and Circularly Polarized Antennas[C].2014 11th Workshop on Positioning，Navigation and Communication，Dresden，Germany,2014.

[8]CHEN Yiqiang，YANG Qiang，YIN Jie，et al.Power-efficient access-point selection for indoor location estimation[J].IEEE Transactions on Knowledge and Data Engineering.2006，18(7):877-888.

[9]LIU Xing-Chuan，ZHANG Sheng，ZHAO Qingyuan.A novel approach for fingerprint positioning based on spatial diversity[C].3rdInternational Conference on Advanced Computer Theory and Engineering，Chengdu，China，2010.

[10] MALYAVEJ V，KUMKEAW W，AORPIMAI M.Indoor Robot Localization by RSSI/IMU Sensor Fusion [C].2013 10th International Conference on Electrical Engineering/Electronics，Computer，Telecommunications and Information Technology，ECTI-CON，Krabi，Thailand，2013.

[11] KAEMARUNGSI K，KRISHNAMURTHY P.Analysis of WLAN’s received signal strength indication for indoor location fingerprinting[J].Pervasive and Mobile Computing,2012，8(12):292-316.

[12] YANG Yuan，ZHAO Yubin，KYAS M.A Grid-scan Maximum Likelihood Estimation with A Bias Function for Indoor Network Localization[C].2013 International Conference on Indoor Positioning and Indoor Navigation，Montbeliard-Belfort，F(xiàn)rance，2013.

[13] LIU Hung-Huan，LO Wei-Hsiang，TSENG Chih-Cheng.A WiFi-Based Weighted Screening Method for Indoor Positioning Systems[J].Wireless Pers Commun,2014，(1)79:611-627.

[14] 李勇軍,左娟.GPS動態(tài)定位自適應(yīng)卡爾曼濾波算法研究[J].測繪工程,2012,21(4):29-32.

[15] 毛大智，賀黎明.廉價GPS測量精度及穩(wěn)定性分析[J].測繪與空間地理信息,2015,38(12):74-76.

[16] 荊昊，James PINCHIN，Chris HILL.采用無線信號測距加權(quán)的室內(nèi)協(xié)同定位[J].導(dǎo)航定位學(xué)報，2014，2(2):31-39.

[17] 史建青,焦明連,董春來.信標(biāo)GPS定位信號與測深儀水聲信號的融合技術(shù)研究[J].測繪工程,2011,20(2):18-20.

[18] 劉春燕，王堅.基于幾何聚類指紋庫的約束KNN室內(nèi)定位模型[J].武漢大學(xué)學(xué)報(信息科學(xué)版)，2014，39(11)：1287-1292.

[19] 蘇天祥，文援蘭，朱俊.雙自適應(yīng)因子濾波算法[J]．測繪學(xué)報，2015，44(1):26-31.

[責(zé)任編輯：張德福]

An extraction algorithm of different RSSI characteristic value fusion

XUE Weixing1,2,QIU Weining1,2,HUA Xianghong1,2,ZHANG Wei1,2

(1.School of Geodesy & Geomatics，Wuhan University，Wuhan 430079，China;2.Hazard Monitoring & Prevention Research Center，Wuhan University，Wuhan 430079，China)

The mean value of RSSI is usually taken as its truth value in WIFI fingerprint indoor positioning.However，the mean value of RSSI does not accurately reflect the real value of RSSI considering a variety of factors for RSSI measurements in the indoor environment.This paper proposes a fusion algorithm based on different RSSI signal characteristic values after concluding the probability of RSSI signal characteristics under different disturbance factors.The performance on WIFI indoor positioning of this value is compared with that of the mean value under steady-state environment and dynamic environment.The experimental results demonstrate that there is a better accuracy for the fusion filtering algorithm value than mean value.

characteristic value of RSSI;probability distribution;characteristic value fusion;WIFI fingerprint localization algorithm

10.19349/j.cnki.issn1006-7949.2016.11.013

2015-07-10；

2016-01-03

國家自然科學(xué)基金資助項目(41374011;41174010)

薛衛(wèi)星(1990-)，男，碩士研究生.

P228

A

1006-7949(2016)11-0065-07