徐小良，高健，黃河，馬哲

（1.杭州電子科技大學(xué)計(jì)算機(jī)學(xué)院，浙江 杭州 310018；2.中浙信科技咨詢有限公司，浙江 杭州 310007）

基于RSS空間線性相關(guān)的WLAN位置指紋定位算法

徐小良1，高健1，黃河2，馬哲2

（1.杭州電子科技大學(xué)計(jì)算機(jī)學(xué)院，浙江 杭州 310018；2.中浙信科技咨詢有限公司，浙江 杭州 310007）

針對RSS（接收信號強(qiáng)度）時(shí)變性以及不同終端信號接收能力的差異性，導(dǎo)致WLAN位置指紋定位不穩(wěn)定的問題，基于RSS空間線性相關(guān)性提出一種新穎的位置指紋定位算法。在每個參考點(diǎn)分別采集多組RSS樣本形成特征矩陣，并構(gòu)建離線位置指紋數(shù)據(jù)庫。定位時(shí)，通過計(jì)算實(shí)時(shí)RSS矩陣與指紋庫參考點(diǎn)相關(guān)性，得到最相關(guān)的k個參考點(diǎn)，利用二次加權(quán)質(zhì)心算法計(jì)算用戶的最終位置。為了有效降低信號時(shí)變性的影響，采樣時(shí)進(jìn)行了濾波、排序等處理，構(gòu)建離線指紋數(shù)據(jù)庫時(shí)盡量增加采樣次數(shù)，但需要對樣本進(jìn)行聚合處理以適應(yīng)定位相關(guān)性計(jì)算。實(shí)驗(yàn)結(jié)果表明，該算法在保證較高定位準(zhǔn)確度的同時(shí)，針對不同終端有更好的定位穩(wěn)定性。

室內(nèi)定位；位置指紋；線性相關(guān)；加權(quán)質(zhì)心算法

1 引言

隨著無線網(wǎng)絡(luò)的廣泛普及和移動智能終端的迅猛發(fā)展，室內(nèi)定位受到越來越多的關(guān)注。由于室內(nèi)空間比較狹小，無線電波的傳播方式非常復(fù)雜，大多數(shù)的定位方法難以實(shí)現(xiàn)穩(wěn)定的定位效果。

目前用于室內(nèi)定位的主要方法有基于信號到達(dá)時(shí)間（time ofarrival，TOA）[1]、基于信號到達(dá)時(shí)間差（time difference of arrival，TDOA）[2]、基于信號到達(dá)角度（angle ofarrival，AOA）[3]、基于接收信號強(qiáng)度（received signal strength，RSS）和基于信道狀態(tài)信息（channel state information，CSI）[4]等?；赗SS的定位方法是根據(jù)信號強(qiáng)度隨傳播距離變化的規(guī)律實(shí)現(xiàn)定位，相比于其他定位方法，開發(fā)成本低、定位精度較高，是現(xiàn)今主流的室內(nèi)定位方法[5]。

研究人員已經(jīng)針對RSS定位方法開展了大量的研究工作，并取得了一定的研究成果。參考文獻(xiàn)[6]提出一種考慮室內(nèi)環(huán)境布局等因素的無線傳播模型，有利于提高定位精度；參考文獻(xiàn)[7]根據(jù)目標(biāo)AP（access point，接入點(diǎn)）距離采用簡單質(zhì)心算法與加權(quán)質(zhì)心算法進(jìn)行定位計(jì)算，解決測試點(diǎn)距離AP位置較遠(yuǎn)時(shí)準(zhǔn)確性不高的問題；參考文獻(xiàn)[8]提出基于矩陣相關(guān)（matrix correlation，MC）的位置指紋定位算法，算法能充分利用RSS樣本信息，具有較精確的定位效果；參考文獻(xiàn)[9]提出了一種抗多徑和陰影的視距指紋定位算法，降低了環(huán)境對室內(nèi)定位精準(zhǔn)度的影響；參考文獻(xiàn)[10]提出一種基于主成分分析 （principal component analysis，PCA）白化RSS的聚類算法，以增強(qiáng)指紋庫穩(wěn)定性，使定位誤差在2 m內(nèi)的概率提高44.8%。上述方法雖然在特定環(huán)境下提高了室內(nèi)定位的精確度，但針對不同終端，由于硬件及采用的無線技術(shù)不同，使得定位穩(wěn)定性較差。參考文獻(xiàn)[11]提出使用同一位置不同 AP的信號強(qiáng)度差值（signal strength difference，SSD）來消除環(huán)境的干擾，可以在一定程度上降低終端異質(zhì)的影響，但定位精準(zhǔn)度受到影響。

上述研究工作并未針對不同終端下定位穩(wěn)定性差的問題做出深入的研究和探索，導(dǎo)致現(xiàn)有的室內(nèi)定位方法在不同終端情況下穩(wěn)定性較差。本文針對此問題，充分利用信號強(qiáng)度信息，結(jié)合室內(nèi)定位基本流程提出一種新穎的位置指紋定位算法。將RSS空間線性相關(guān)性作為定位度量標(biāo)準(zhǔn)，通過計(jì)算實(shí)時(shí)采集的 RSS數(shù)據(jù)與指紋樣本數(shù)據(jù)的線性相關(guān)系數(shù)，選取候選參考點(diǎn)利用二次加權(quán)質(zhì)心算法進(jìn)行定位，該算法不僅能保證定位精度，在不同終端定位時(shí)有更好的穩(wěn)定性。

2 RSS特性分析

將某一位置采集到的多個AP信號強(qiáng)度信息稱為RSS樣本，當(dāng)室內(nèi)環(huán)境能夠收到足夠數(shù)目（如4個以上）的 AP信號時(shí)，在任意兩個位置上獲取的RSS樣本和位置的物理距離存在很強(qiáng)的相關(guān)性，這種相關(guān)性會隨著位置間距的增大而減小，同時(shí)也受終端設(shè)備差異性的影響。本節(jié)分析了不同位置、不同終端下RSS的空間線性相關(guān)性，為本文提出的定位算法提供理論基礎(chǔ)。

2.1 不同位置RSS空間線性相關(guān)性

RSS能在一定程度上描述兩個位置點(diǎn)環(huán)境的近似程度[9]，對一個具體的AP、MT（mobile terminal，移動終端）組合，假定P（d）和P（d0）分別表示與AP相距任意距離d和參考距離d0處的接收信號強(qiáng)度，則有：

其中，PAP是 AP的發(fā)送功率；GAP是AP的天線增益；GMT是 MT的天線增益；f是系統(tǒng)損耗因子；λ是無線信號的波長；β是路徑損耗因子；X是一個正態(tài)隨機(jī)變量，X～N（0，σ2）。

由式（1）可知，假設(shè)外界環(huán)境相同，即硬件參數(shù)、系統(tǒng)損耗等因素不變，RSS主要依賴于終端與AP的距離d。當(dāng)它們位置比較接近時(shí)，終端所能采集的RSS樣本也比較相似，本文利用皮爾遜相關(guān)系數(shù)來描述這種空間相關(guān)性。計(jì)算相鄰位置RSS樣本相關(guān)系數(shù)，由于RSS樣本比較相似，所以計(jì)算出的相關(guān)系數(shù)趨于1，把這種相鄰位置RSS樣本強(qiáng)相關(guān)稱為空間線性相關(guān)。

可是實(shí)際情況下，RSS受到AP和MT的硬件參數(shù)以及外界環(huán)境的影響而產(chǎn)生波動。為了更有效地表示RSS空間線性相關(guān)性，需要對測量的RSS進(jìn)行濾波處理，并用多組RSS樣本信息構(gòu)建矩陣來描述位置點(diǎn)的指紋信息。

2.2 不同終端下RSS空間線性相關(guān)性

目前大多數(shù)的移動終端都具有測量AP RSS的能力，由于不同終端所采用的無線技術(shù)及硬件存在差異，同一位置每次所獲取的AP RSS往往有波動，這就對室內(nèi)定位造成了一定的難度。

根據(jù)式（1），兩個不同終端在同一位置對某AP的RSS觀測值如下：

由P（d）1-P（d）2可得：

從式（3）可以看出，對不同終端RSS值做差后，結(jié)果和AP配置幾乎無關(guān)，盡管結(jié)果受到終端天線增益G、系統(tǒng)損耗因子f、路徑損耗因子β、隨機(jī)變量X等因素的影響，但當(dāng)外界條件相同時(shí)，這些配置一般是保持不變的，因此，不同終端的差值趨于一個常量。由此可知，各終端所采集的RSS樣本值是線性相關(guān)的，將這種特性作為定位度量標(biāo)準(zhǔn)可以有效屏蔽終端的差異性。

為了驗(yàn)證這個結(jié)論，在杭州電子科技大學(xué)第一教學(xué)樓403實(shí)驗(yàn)室，利用3種不同移動終端分別采集接收到的20個AP的強(qiáng)度，進(jìn)行了實(shí)驗(yàn)對比，結(jié)果如圖1所示，圖1中每一個點(diǎn)是對相應(yīng)AP進(jìn)行多次RSS測量的均值，實(shí)驗(yàn)也表明了RSS的線性相關(guān)性。從圖1中還可以分析出，當(dāng)RSS較強(qiáng)時(shí)，這種相關(guān)性比較明顯；當(dāng)RSS較弱時(shí)，相關(guān)性不太明顯，因此在定位階段，應(yīng)該做好AP的選擇，摒棄較弱的AP。

3 基于RSS空間線性相關(guān)定位方法

3.1 概述

由第2節(jié)分析可知，RSS具有顯著的空間線性相關(guān)性，對于不同終端，雖然信號接收能力存在差異，但是采集的RSS樣本也存在這種空間線性相關(guān)性，充分說明了RSS空間線性相關(guān)性對室內(nèi)定位具有積極的意義。

在室內(nèi)定位系統(tǒng)中，如何克服終端設(shè)備的差異性對定位精度以及穩(wěn)定性的影響，進(jìn)而實(shí)現(xiàn)精確、穩(wěn)定的定位系統(tǒng)是室內(nèi)定位領(lǐng)域的重點(diǎn)和難點(diǎn)?；赗SS位置指紋定位技術(shù)包括離線指紋庫構(gòu)建和在線定位兩個階段[12]。本文將RSS空間線性相關(guān)性應(yīng)用于上述兩個階段，在每個參考點(diǎn)采集多組RSS樣本形成特征矩陣，充當(dāng)指紋，通過皮爾遜相關(guān)系數(shù)計(jì)算實(shí)時(shí)RSS數(shù)據(jù)與指紋庫 RSS信息相關(guān)系數(shù)，最后利用二次加權(quán)質(zhì)心算法計(jì)算最終位置?？傮w框架如圖2所示。

基于RSS空間線性相關(guān)性的室內(nèi)定位算法的過程可概括如下。

（1）離線指紋數(shù)據(jù)庫構(gòu)建階段

該階段主要工作是進(jìn)行數(shù)據(jù)采集，構(gòu)建能夠描述位置信息的指紋數(shù)據(jù)庫。其中包括數(shù)據(jù)采集、數(shù)據(jù)過濾和數(shù)據(jù)處理。針對數(shù)據(jù)采集，首先在目標(biāo)定位環(huán)境中設(shè)計(jì)若干個參考點(diǎn)，通過移動設(shè)備在每個參考點(diǎn)采集多組RSS樣本信息，得到原始訓(xùn)練數(shù)據(jù)集；針對數(shù)據(jù)過濾，由于室內(nèi)環(huán)境比較復(fù)雜以及信道擁塞，導(dǎo)致移動設(shè)備接收的RSS信息存在時(shí)變性，因此需要采用數(shù)據(jù)過濾規(guī)則對原始RSS數(shù)據(jù)集進(jìn)行過濾處理，提高訓(xùn)練樣本質(zhì)量，本文采用限幅平均濾波法對RSS信息進(jìn)行過濾處理；針對數(shù)據(jù)處理，首先對 RSS樣本進(jìn)行排序處理，以增強(qiáng)與在線采集的RSS數(shù)據(jù)的相關(guān)性，其次，為了保證與在線RSS數(shù)據(jù)有相同的維度，需要對RSS樣本進(jìn)行聚合處理，最終得到參考點(diǎn)指紋信息。

（2）在線定位階段

圖1 同一位置不同終端分別采集多個AP的RSS樣本對比

圖2 定位系統(tǒng)總體框架

該階段的主要工作是通過比較終端實(shí)時(shí)獲取的RSS數(shù)據(jù)與指紋庫中的RSS數(shù)據(jù)，將信號強(qiáng)度最相似的參考點(diǎn)的位置估計(jì)為目標(biāo)定位結(jié)果。其中包括RSS信息采集、數(shù)據(jù)過濾、空間線性相關(guān)性計(jì)算和最終位置估算。針對 RSS信息采集，在現(xiàn)階段連續(xù)采集多組RSS樣本信息，作為待預(yù)測位置的原始 RSS特征信息；針對數(shù)據(jù)預(yù)處理，對原始RSS樣本信息進(jìn)行濾波和排序處理，得到描述待預(yù)測位置的RSS特征矩陣；針對空間線性相關(guān)性計(jì)算，通過計(jì)算待預(yù)測位置 RSS特征矩陣與離線指紋庫各參考點(diǎn)指紋皮爾遜相關(guān)系數(shù)，確定最相似的k個參考位置點(diǎn)；針對位置估算，由于最終確定的k個相似位置點(diǎn)中常存在偏離用戶當(dāng)前位置較遠(yuǎn)的參考點(diǎn)，這些點(diǎn)會嚴(yán)重影響定位精度，所以利用二次加權(quán)質(zhì)心算法進(jìn)行位置估算，得到用戶的最終位置。

3.2 離線指紋數(shù)據(jù)庫構(gòu)建階段

由第3.1節(jié)可知，離線階段首先需要RSS數(shù)據(jù)采集以及數(shù)據(jù)處理。假設(shè)目標(biāo)定位環(huán)境有 P個 AP用于定位，移動設(shè)備在物理位置l處第n次采集的RSS樣本信息為其 中 p= 1,2，…,P，rssl,n,p表示參考點(diǎn)l處第n組RSS樣本中第p個AP的信號強(qiáng)度。

對參考點(diǎn) l多次采集的 RSS樣本進(jìn)行過濾后，得到N組RSS樣本序列，用矩陣Fl表示：

其中，rssl,n,p表示參考點(diǎn) l第 n組 RSS信息中第 p個AP的RSS值。

Fl的第p行表示參考點(diǎn)l對第p個AP的多次RSS信息采集，為了增強(qiáng)離線指紋庫與在線RSS數(shù)據(jù)的相關(guān)性，對同一AP多次采集的RSS進(jìn)行排序，即對矩陣Fl每一行排序，使矩陣滿足：

離線指紋庫構(gòu)建時(shí)，采集的RSS組數(shù)越多，越能形象描述參考位置空間特性，定位精確度越高。在實(shí)時(shí)定位時(shí)，終端也需要采集相應(yīng)組數(shù)RSS樣本，這就使得定位速度緩慢。要做到快速定位，需要對矩陣Fl聚合處理，使得定位階段需要采集的RSS樣本較少。

3.3 在線定位階段

離線階段通過數(shù)據(jù)過濾與處理，去除了訓(xùn)練樣本中不穩(wěn)定、非正常的RSS數(shù)據(jù)，得到能較準(zhǔn)確描述參考位置的離線指紋數(shù)據(jù)庫。在線定位過程中，采集到待定位的實(shí)時(shí)RSS數(shù)據(jù)，也要對RSS數(shù)據(jù)進(jìn)行濾波、排序等處理，然后對比實(shí)時(shí)RSS數(shù)據(jù)與參考點(diǎn)指紋相關(guān)性，通過皮爾遜相關(guān)系數(shù)描述這種相關(guān)性，對最相關(guān)的k個參考點(diǎn)，利用二次加權(quán)質(zhì)心算法計(jì)算用戶的最終位置。

3.3.1 基于RSS線性相關(guān)系數(shù)計(jì)算

在待定位區(qū)域，終端采集m組通過濾波處理的RSS樣本，構(gòu)建成一個P×M維的RSS測量矩陣，對RSS測量矩陣的每一行進(jìn)行排列，需要和指紋庫構(gòu)建時(shí)排序規(guī)則相同，即可得到需要的在線RSS矩陣F*：

根據(jù)皮爾遜相關(guān)系數(shù)計(jì)算在線終端接收樣本與指紋數(shù)據(jù)庫樣本的線性相關(guān)系數(shù)rl，為：

將所述Q個相關(guān)系數(shù)計(jì)算好后，對其進(jìn)行降序排序，從大到小取k個相關(guān)系數(shù)所對應(yīng)的參考點(diǎn){P1P2…Pk}，Pk=（xkykrk）。Pk表示所述Q個相關(guān)系數(shù)降序排序后的第k個相關(guān)系數(shù)所對應(yīng)的參考點(diǎn)信息，（xk，yk）分別是第k個相關(guān)系數(shù)所對應(yīng)的坐標(biāo)值，rk表示第k個相關(guān)系數(shù)。然后，運(yùn)用加權(quán)質(zhì)心算法，求出用戶的最終位置點(diǎn)。

3.3.2 二次加權(quán)質(zhì)心算法進(jìn)行位置估算

質(zhì)心算法是將最終確定的 k個相似參考點(diǎn)組成多邊形，用該多邊形質(zhì)心代表估算位置。由于該k個相似位置點(diǎn)中常存在偏離用戶當(dāng)前位置較遠(yuǎn)的參考點(diǎn)，采用傳統(tǒng)的質(zhì)心算法會受到這些點(diǎn)的干擾，影響定位精度。如圖3所示，參考點(diǎn) A、B、C、D、E在待定位位置S周圍呈不均勻分布，質(zhì)心算法結(jié)果將最終位置定位在I點(diǎn)。在圖 3所示的3種情況中，均是參考點(diǎn)A和E離待定位位置S的實(shí)際距離較遠(yuǎn)，由于其產(chǎn)生的負(fù)面作用，使得估算出的位置I不同程度地偏向A和E點(diǎn)，待定位位置的實(shí)際位置距A和E越遠(yuǎn)，偏離程度越大。

本文用二次加權(quán)質(zhì)心算法來計(jì)算用戶的最終位置，第一次質(zhì)心算法預(yù)算出初始位置，第二次質(zhì)心算法中，首先將距離初始位置較遠(yuǎn)的坐標(biāo)歸并為有用的參考點(diǎn)，然后再進(jìn)行一次加權(quán)質(zhì)心算法估算用戶最終位置，如圖4所示，將A、E歸并為F點(diǎn)，再利用B、C、D、F組成的多邊形的質(zhì)心I充當(dāng)定位的位置。

二次加權(quán)質(zhì)心算法具體計(jì)算過程如下。

（1）一次加權(quán)質(zhì)心算法計(jì)算

將k個相似參考點(diǎn)信息拆分為兩個數(shù)組VX和VY：

其中，VX和VY表示所述k個相關(guān)系數(shù)所對應(yīng)的參考點(diǎn)信息中x坐標(biāo)數(shù)組和y坐標(biāo)數(shù)組，vxk和vyk表示第k個相關(guān)系數(shù)對應(yīng)參考點(diǎn)的x坐標(biāo)和y坐標(biāo)信息。

對所述 k個位置節(jié)點(diǎn)利用加權(quán)質(zhì)心算法進(jìn)行第一次計(jì)算，算出初始位置坐標(biāo)質(zhì)心算法如下：

圖3 參考點(diǎn)分布不均勻時(shí)定位誤差示意

圖4 二次加權(quán)質(zhì)心處理原理

其中，k表示所述Q個相關(guān)系數(shù)降序排序后取得的參考點(diǎn)數(shù)量，ri表示第 i個參考點(diǎn)所對應(yīng)的相關(guān)系數(shù)，（xi，yi）分別表示第i個參考點(diǎn)對應(yīng)的位置坐標(biāo)信息。

（2）二次加權(quán)質(zhì)心算法計(jì)算

4 實(shí)驗(yàn)與結(jié)果分析

對于本文所提出的算法，搭建了實(shí)際環(huán)境并進(jìn)行了相應(yīng)的實(shí)驗(yàn)，實(shí)驗(yàn)環(huán)境部署在杭州電子科技大學(xué)第一教學(xué)樓403實(shí)驗(yàn)室，為長22.5 m、寬14 m的矩形場地，室內(nèi)布置4個AP，分別在4個角落。對加權(quán)K近鄰（W K NN）定位算法[13]、矩陣相關(guān)定位算法[8]和基于信號強(qiáng)度差定位算法[9]與本文定位新算法進(jìn)行比較實(shí)驗(yàn)。

（1）實(shí)驗(yàn)1

定位與指紋庫構(gòu)建階段，采用相同終端情況下，采用不同的參考點(diǎn)間距，分別測試4種定位算法平均誤差，如圖5所述。定位誤差定義為：

其中，（xi，yi）表示第 i個測試點(diǎn)的實(shí)際物理坐標(biāo)，（xi,1oc，yi,1oc）表示第 i個測試點(diǎn)的估算位置坐標(biāo)。

圖5 W K NN、MC、SSD與本文算法定位誤差比較

圖5中可以看出當(dāng)距離為 0.5～1.5 m時(shí)，4種定位算法精度都較高，其中本文算法定位誤差最小，當(dāng)大于1.5 m時(shí)，定位誤差明顯增大?？紤]到采樣間距太小會使得采集指紋的工作量增大，因此后續(xù)的實(shí)驗(yàn)采取1 m作為構(gòu)建離線指紋庫時(shí)采樣點(diǎn)間距。當(dāng)取1 m作為采樣間距時(shí)，本算法的平均定位誤差為1.96 m，相比W K NN算法2.37 m與SSD算法2.45 m有較大的提升，比MC算法的2.13 m提升了0.17 m。

（2）實(shí)驗(yàn)2

定位與指紋庫構(gòu)建階段，采用相同終端情況下，對不同位置定位誤差波動性進(jìn)行對比實(shí)驗(yàn)。

圖6給出了W K NN、MC、SSD與本算法在25個采樣點(diǎn)的誤差對比結(jié)果。從整體上看，相比于W K NN算法和SSD算法，本算法定位誤差波動性較小，相比于MC算法，定位誤差波動相似。

（3）實(shí)驗(yàn)3

定位與指紋庫構(gòu)建階段，采用不同終端進(jìn)行對比實(shí)驗(yàn)。指紋庫構(gòu)建采用華為榮耀7手機(jī)，定位時(shí)分別采用華為榮耀7、紅米Note 2、中興u956手機(jī)。圖7分別給出了W K NN、MC、SSD與本算法定位誤差累計(jì)概率的比較結(jié)果。

從圖7可以看出，本文算法在誤差距離為 5 m時(shí)，定位誤差累計(jì)概率趨于1，而SSD算法、W K NN算法和MC算法分別需要誤差距離達(dá)到7 m、6.5 m和5.5 m，這也就驗(yàn)證了實(shí)驗(yàn)1的結(jié)論。在不同終端條件下，圖7顯示了使用W K NN算法時(shí)，不同終端差異化比較明顯，說明該算法受終端異質(zhì)的影響較大，而MC算法和SSD算法相對于W K NN算法，受終端異質(zhì)的影響較小，而本文提出的算法受終端異質(zhì)影響最小。因此可以得出，本文算法相對于其他3種算法，在不同終端定位下有更好的穩(wěn)定性，并且相比于W K NN算法和SSD算法，在定位精度方面有明顯的優(yōu)勢。

圖6 W K NN、MC、SSD與本文算法在各個定位點(diǎn)誤差

圖7 不同算法下不同終端定位誤差累計(jì)概率比較

5 結(jié)束語

針對RSS時(shí)變性以及不同終端信號接收能力差異性的問題，本文提出了基于RSS空間線性相關(guān)的WLAN室內(nèi)定位算法，該算法利用特征矩陣充當(dāng)參考點(diǎn)的指紋信息，利用相關(guān)系數(shù)作為相似性度量標(biāo)準(zhǔn)，采用二次加權(quán)質(zhì)心算法估算用戶的最終位置。通過實(shí)驗(yàn)結(jié)果可以看出，本文算法有較高的定位精度，平均定位誤差可以達(dá)到1.96 m，并且本算法可以有效降低不同終端信號接收能力差異性對定位性能的影響?？紤]到目前的智能終端都內(nèi)置很多先進(jìn)的傳感器原件，因此在后續(xù)的研究中，計(jì)劃將多傳感器與位置匹配算法融合來進(jìn)一步提升定位的精度。

[1]AL-JAZZAR S,CAFFERY J J,YOU H R.A scattering model based approach to NLOS mitigation in TOA location systems[C]// IEEEVehicularTechnology Conference,May6-9,2002,Birmingham, England.New Jersey:IEEE Press,2002:861-865.

[2]YAMASAKIR,OGINO A,TAMAKIT,etal.TDOA location system for IEEE 802.11b WLAN[C]//IEEE Wireless Communications and Networking Conference,March 13-17,2005,New Orleans, USA.New Jersey:IEEE Press,2005:2338-2343.

[3]XIE Y Q,WANG Y,ZHU C,et al.Grid search based hybrid TOA/AOA location techniques for NLOS environments[J].IEEE Communications Letters,2009,13(4):254-256.

[4]HALPERIN D,HU W,SHETH A,et al.Predictable 802.11 packet delivery from wireless channel measurements[J].ACM Sigcomm Computer Communication Review,2010,40(4): 159-170.

[5]HOSSAIN A K M M,SOH W S.A survey of calibration-free indoor positioning systems[J].Computer Communications,2015(66):1-13.

[6]NARZULLAEV A,PARK Y,YOO K,et al.A fast and accurate calibration algorithm for real-time locating systems based on the received signal strength indication[J].AEU-International Journal of Electronics and Communications,2011,65(4):305-311.

[7]劉暢,張迅.WLAN接入點(diǎn)的室內(nèi)定位技術(shù) [J].電信科學(xué), 2015,31(2):135-139．LIUC,ZHANGX.WLANaccesspointindoorpositioningtechnology[J]. Telecommunications Science,2015,31(2):135-139.

[8]SUNYL,XUYB.Errorestimation method formatrixcorrelation-based W i-Fi indoor localization[J].KSII Transactions on Internet& Information Systems,2013,7(11):2657-2675.

[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,2013,50(3):524-531. CHEN Y L,ZHU H S,SUN L M.A line of sight fingerprint localization algorithm resisting multipath and shadow[J].Journal of Computer Research and Development,2013,50(3):524-531.

[10]楊明極,劉愷懌,邵丹.用于WLAN室內(nèi)定位的PCA聚類算法[J].電信科學(xué),2016,32(7):21-26. YANG M J,LIU K Y,SHAO D.PCA clustering algorithm for indoor positioning in WLAN[J].Te lecommunications Science, 2016,32(7):21-26.

[11]CHANG N,RASHIDZADEH R,AHMADI M.Robust indoor positioning using differential wi-fi access points [J].IEEE Transactions on Consumer Electronics,2010,56(3):1860-1867.

[12]GENTILE C,ALSINDI N,RAULEFS R,et al.Geolocation techniques:principles and applications[M].Berlin:Springer Publishing Company,2014:64-70.

[13]XUYB,ZHOUM,MENGWX,etal.Optimal K NNpositioning algorithm via theoreticalaccuracy criterion in WLAN indoor environment[C]// 2010 IEEE Global Telecommunications Conf,Dec 6-10,2010, Miami,USA.New Jersey:IEEE Press,2010:1-5.

Fingerprint localization algorithm based on linear spatial dependence of WLAN RSS

XU Xiaoliang1,GAO Jian1,HUANG He2,MA Zhe2
1.School of Computer Science and Technology,Hangzhou Dianzi University,Hangzhou 310018,China 2.Zhongzhexin Consulting Co.,Ltd.,Hangzhou 310007,China

Due to RSS time-varying and difference of signal receiving ability of different terminals,the performance of RSS-based technologies is usually instability.In order to solve such problem,a novel fingerprint localization algorithm based on linear spatial dependence of RSS was proposed.Multiple sets of RSS samples were collected at each reference point to form a feature matrix and an offline location fingerprintdatabase was conducted.When the real-time RSS matrix was used to calculate the correlation between the real-time RSS matrix and the reference point of the fingerprint library, the k-reference points were obtained,and the final position of the user was calculated by the quadratic weighted centroid algorithm.In order to effectively reduce the influence of signal time-varying,the sampling and sorting process were carried out,and the number of sampling times increased as much as possible when constructing the offline fingerprint database,but the samples needed to be aggregated to fit the positioning correlation calculation.Experiment results show that the proposed algorithm can guarantee the high positioning accuracy and also achieve the better stability for different term inal.

indoor localization,location fingerprint,linear dependence,weighted centroid algorithm

TN911

：A

10.11959/j.issn.1000-0801.2017064

徐小良（1976-），男，杭州電子科技大學(xué)計(jì)算機(jī)學(xué)院教授、碩士生導(dǎo)師，主要研究方向?yàn)闊o線網(wǎng)絡(luò)、大數(shù)據(jù)處理、人工智能等。

高?。?991-），男，杭州電子科技大學(xué)計(jì)算機(jī)學(xué)院碩士生，主要研究方向?yàn)闊o線與移動通信。

黃河（1991-），男，中浙信科技咨詢有限公司工程師、技術(shù)經(jīng)理，主要研究方向?yàn)閿?shù)據(jù)通信。

馬哲（1982-），男，博士，中浙信科技咨詢有限公司工程師，主要研究方向?yàn)榇髷?shù)據(jù)分析。

2017-01-10；

2017-03-03

國家青年科學(xué)基金資助項(xiàng)目（No.61602410）

Foundation Item:The National Science Foundation for Young Scientists of China(No.61602410)