本發(fā)明涉及通信技術(shù)領(lǐng)域，尤其涉及一種室內(nèi)定位的起點(diǎn)位置的定位方法和系統(tǒng)。

背景技術(shù)：

隨著智能手機(jī)和移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展，基于位置的服務(wù)吸引了越來越多的關(guān)注。實(shí)時(shí)定位已經(jīng)成為交通、商業(yè)、物流、個(gè)性服務(wù)等多個(gè)高層次應(yīng)用的基本技術(shù)。在室外的情況下，得到了全球?qū)Ш叫l(wèi)星系統(tǒng)提供了一個(gè)很好的定位服務(wù)，如全球定位系統(tǒng)(GPS)。然而，在室內(nèi)環(huán)境中，由于信號衰落和多徑效應(yīng)，全球衛(wèi)星定位系統(tǒng)無法達(dá)到合適的精度。

當(dāng)今的智能終端集如智能手機(jī)等成了很多內(nèi)置傳感器，例如方向傳感器，加速度傳感器，磁力計(jì)等等。基于手機(jī)傳感器數(shù)據(jù)的PDR(Pedestrian Dead Reckoning)定位技術(shù)，得到了越來越多的關(guān)注。PDR定位技術(shù)，在開始定位時(shí)，需要一個(gè)精確的參考點(diǎn)位置，作為起始點(diǎn)。目前主要的PDR解決方案，都必須提供一個(gè)確定的初始點(diǎn)位置，才可以來推算出行人的運(yùn)動(dòng)軌跡。這個(gè)問題極大地制約了PDR定位技術(shù)的推廣應(yīng)用。

因此，如何提供一種更加方便用戶使用的室內(nèi)定位方法和系統(tǒng)，更加準(zhǔn)確的確定室內(nèi)定位中的起點(diǎn)位置，以提高室內(nèi)定位的易用性和準(zhǔn)確性，成為本領(lǐng)域亟需解決的問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種更加方便用戶使用的室內(nèi)定位方法和系統(tǒng)，更加準(zhǔn)確的確定室內(nèi)定位中的起點(diǎn)位置，以提高室內(nèi)定位的易用性和準(zhǔn)確性。

本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的：

一種室內(nèi)定位的起點(diǎn)位置的定位方法，包括：

采集智能終端所在位置的指紋數(shù)據(jù)，建立指紋數(shù)據(jù)與所在位置對應(yīng)的起點(diǎn)指紋庫；

獲取智能終端當(dāng)前的指紋數(shù)據(jù)，并根據(jù)指紋數(shù)據(jù)獲取智能終端在起點(diǎn)指紋庫中的每個(gè)位置的位置概率；

獲取所述位置概率中最大的一個(gè)，該位置概率最大的所對應(yīng)的所在位置為智能終端的起點(diǎn)位置。

優(yōu)選的，所述指紋數(shù)據(jù)包括：RSS向量和坐標(biāo)值；所述采集智能終端所在位置的指紋數(shù)據(jù)，建立指紋數(shù)據(jù)與所在位置對應(yīng)的起點(diǎn)指紋庫的步驟具體包括：

在定位區(qū)域內(nèi)設(shè)定多個(gè)參考結(jié)點(diǎn)；

采集智能終端在參考結(jié)點(diǎn)的RSS向量和對應(yīng)的坐標(biāo)值；

根據(jù)每個(gè)參考結(jié)點(diǎn)的RSS向量，計(jì)算每個(gè)參考結(jié)點(diǎn)的RSS均值與方差均值，并將其作為該參考結(jié)點(diǎn)的指紋數(shù)據(jù)保存在指紋數(shù)據(jù)庫中。

優(yōu)選的，根據(jù)指紋數(shù)據(jù)獲取智能終端在起點(diǎn)指紋庫中的每個(gè)位置的位置概率的計(jì)算步驟具體包括：其中，RSS均值與方差均值分別為：μ＝E(RSS_i)，σ＝E(|RSS_i-μ|)，其中，i為自然數(shù)，u為RSS的均值，σ為RSS的方差均值，每個(gè)參考結(jié)點(diǎn)的RSS值大小在參考點(diǎn)位置是高斯正態(tài)分布，即

該RSS值的概率為：

其中P_rss為參考結(jié)點(diǎn)的RSS值的概率，x為當(dāng)前參考結(jié)點(diǎn)的x軸坐標(biāo)值，u為RSS的均值，σ為RSS的方差均值。

優(yōu)選的，所述計(jì)算步驟進(jìn)一步包括：根據(jù)計(jì)算概率，其中m表示采集的RSS向量的個(gè)數(shù),S_j＝{RSS_j1，RSS_j2，...，RSS_jn}表示一個(gè)RSS向量，n為室內(nèi)布置的無線接入點(diǎn)的數(shù)量；求出概率值最大的起點(diǎn)就是用戶當(dāng)前的位置：SP＝argmaxp(S|SP_n)。

優(yōu)選的，其中，RSS值的概率的計(jì)算中，僅計(jì)算信號強(qiáng)度在-30dBm到-90dBm的RSS值的分布概率P_rss。

本發(fā)明公開一種室內(nèi)定位的起點(diǎn)位置的定位系統(tǒng)，包括：

數(shù)據(jù)采集模塊，用于采集智能終端所在位置的指紋數(shù)據(jù)，建立指紋數(shù)據(jù)與所在位置對應(yīng)的起點(diǎn)指紋庫；

獲取模塊，用于獲取智能終端當(dāng)前的指紋數(shù)據(jù)，并根據(jù)指紋數(shù)據(jù)獲取智能終端在起點(diǎn)指紋庫中的每個(gè)位置的位置概率；

處理模塊，用于獲取所述位置概率中最大的一個(gè)，該位置概率最大的所對應(yīng)的所在位置為智能終端的起點(diǎn)位置。

優(yōu)選的，所述指紋數(shù)據(jù)包括：RSS向量和坐標(biāo)值；所述數(shù)據(jù)采集模塊具體用于：

在定位區(qū)域內(nèi)設(shè)定多個(gè)參考結(jié)點(diǎn)；

采集智能終端在參考結(jié)點(diǎn)的RSS向量和對應(yīng)的坐標(biāo)值；

根據(jù)每個(gè)參考結(jié)點(diǎn)的RSS向量，計(jì)算每個(gè)參考結(jié)點(diǎn)的RSS均值與方差均值，并將其作為該參考結(jié)點(diǎn)的指紋數(shù)據(jù)保存在指紋數(shù)據(jù)庫中。

優(yōu)選的，所述獲取模塊具體用于：其中，RSS均值與方差均值分別為：μ＝E(RSS_i)，σ＝E(|RSS_i-μ|)，其中，i為自然數(shù)，u為RSS的均值，σ為RSS的方差均值，每個(gè)參考結(jié)點(diǎn)的RSS值大小在參考點(diǎn)位置是高斯正態(tài)分布，即

該RSS值的概率為：

其中P_rss為參考結(jié)點(diǎn)的RSS值的概率，x為當(dāng)前參考結(jié)點(diǎn)的x軸坐標(biāo)值，u為RSS的均值，σ為RSS的方差均值。

優(yōu)選的，所述獲取模塊具體用于：根據(jù)計(jì)算概率，其中m表示采集的RSS向量的個(gè)數(shù),S_j＝{RSS_j1，RSS_j2，...，RSS_jn}表示一個(gè)RSS向量，n為室內(nèi)布置的無線接入點(diǎn)的數(shù)量；求出概率值最大的起點(diǎn)就是用戶當(dāng)前的位置：SP＝argmaxp(S|SP_n)。

優(yōu)選的，其中，RSS值的概率的計(jì)算中，僅計(jì)算信號強(qiáng)度在-30dBm到-90dBm的RSS值的分布概率P_rss。

本發(fā)明的室內(nèi)定位方法由于包括采集智能終端所在位置的指紋數(shù)據(jù)，建立指紋數(shù)據(jù)與所在位置對應(yīng)的起點(diǎn)指紋庫；獲取智能終端當(dāng)前的指紋數(shù)據(jù)，并根據(jù)指紋數(shù)據(jù)獲取智能終端在起點(diǎn)指紋庫中的每個(gè)位置的位置概率；獲取所述位置概率中最大的一個(gè)，該位置概率最大的所對應(yīng)的所在位置為智能終端的起點(diǎn)位置。采用這種方式，首先建立起點(diǎn)指紋庫，通過指紋數(shù)據(jù)，并經(jīng)過概率計(jì)算獲取用戶的可能的起點(diǎn)位置，再通過計(jì)算位置概率中最大的一個(gè)來確定用戶的起點(diǎn)位置，從而更加準(zhǔn)備的確定用戶的起點(diǎn)位置，為PDR(Pedestrian Dead Reckoning，步行者航位推算)提供更好的數(shù)據(jù)支持，從而更快更準(zhǔn)確的進(jìn)行室內(nèi)定位，提高室內(nèi)定位的易用性和準(zhǔn)確性。

附圖說明

圖1是本發(fā)明實(shí)施例的一種室內(nèi)定位方法的流程圖；

圖2是本發(fā)明實(shí)施例的指紋數(shù)據(jù)記錄的示意圖；

圖3是本發(fā)明實(shí)施例的起點(diǎn)指紋庫的示意圖；

圖4是本發(fā)明實(shí)施例的一種室內(nèi)定位系統(tǒng)的示意圖。

具體實(shí)施方式

雖然流程圖將各項(xiàng)操作描述成順序的處理，但是其中的許多操作可以被并行地、并發(fā)地或者同時(shí)實(shí)施。各項(xiàng)操作的順序可以被重新安排。當(dāng)其操作完成時(shí)處理可以被終止，但是還可以具有未包括在附圖中的附加步驟。處理可以對應(yīng)于方法、函數(shù)、規(guī)程、子例程、子程序等等。

計(jì)算機(jī)設(shè)備包括用戶設(shè)備與網(wǎng)絡(luò)設(shè)備。其中，用戶設(shè)備或客戶端包括但不限于電腦、智能手機(jī)、PDA等；網(wǎng)絡(luò)設(shè)備包括但不限于單個(gè)網(wǎng)絡(luò)服務(wù)器、多個(gè)網(wǎng)絡(luò)服務(wù)器組成的服務(wù)器組或基于云計(jì)算的由大量計(jì)算機(jī)或網(wǎng)絡(luò)服務(wù)器構(gòu)成的云。計(jì)算機(jī)設(shè)備可單獨(dú)運(yùn)行來實(shí)現(xiàn)本發(fā)明，也可接入網(wǎng)絡(luò)并通過與網(wǎng)絡(luò)中的其他計(jì)算機(jī)設(shè)備的交互操作來實(shí)現(xiàn)本發(fā)明。計(jì)算機(jī)設(shè)備所處的網(wǎng)絡(luò)包括但不限于互聯(lián)網(wǎng)、廣域網(wǎng)、城域網(wǎng)、局域網(wǎng)、VPN網(wǎng)絡(luò)等。

在這里可能使用了術(shù)語“第一”、“第二”等等來描述各個(gè)單元，但是這些單元不應(yīng)當(dāng)受這些術(shù)語限制，使用這些術(shù)語僅僅是為了將一個(gè)單元與另一個(gè)單元進(jìn)行區(qū)分。這里所使用的術(shù)語“和/或”包括其中一個(gè)或更多所列出的相關(guān)聯(lián)項(xiàng)目的任意和所有組合。當(dāng)一個(gè)單元被稱為“連接”或“耦合”到另一單元時(shí)，其可以直接連接或耦合到所述另一單元，或者可以存在中間單元。

這里所使用的術(shù)語僅僅是為了描述具體實(shí)施例而不意圖限制示例性實(shí)施例。除非上下文明確地另有所指，否則這里所使用的單數(shù)形式“一個(gè)”、“一項(xiàng)”還意圖包括復(fù)數(shù)。還應(yīng)當(dāng)理解的是，這里所使用的術(shù)語“包括”和/或“包含”規(guī)定所陳述的特征、整數(shù)、步驟、操作、單元和/或組件的存在，而不排除存在或添加一個(gè)或更多其他特征、整數(shù)、步驟、操作、單元、組件和/或其組合。

下面結(jié)合附圖和較佳的實(shí)施例對本發(fā)明作進(jìn)一步說明。

實(shí)施例一

如圖1所示，本實(shí)施例中公開一種室內(nèi)定位的起點(diǎn)位置的定位方法，包括：

S101、采集智能終端所在位置的指紋數(shù)據(jù)，建立指紋數(shù)據(jù)與所在位置對應(yīng)的起點(diǎn)指紋庫；

S102、獲取智能終端當(dāng)前的指紋數(shù)據(jù)，并根據(jù)指紋數(shù)據(jù)獲取智能終端在起點(diǎn)指紋庫中的每個(gè)位置的位置概率；

S103、獲取所述位置概率中最大的一個(gè)，該位置概率最大的所對應(yīng)的所在位置為智能終端的起點(diǎn)位置。

本發(fā)明的室內(nèi)定位的起點(diǎn)位置的定位方法由于包括采集智能終端所在位置的指紋數(shù)據(jù)，建立指紋數(shù)據(jù)與所在位置對應(yīng)的起點(diǎn)指紋庫；獲取智能終端當(dāng)前的指紋數(shù)據(jù)，并根據(jù)指紋數(shù)據(jù)獲取智能終端在起點(diǎn)指紋庫中的每個(gè)位置的位置概率；獲取所述位置概率中最大的一個(gè)，該位置概率最大的所對應(yīng)的所在位置為智能終端的起點(diǎn)位置。采用這種方式，首先建立起點(diǎn)指紋庫，通過指紋數(shù)據(jù)，并經(jīng)過概率計(jì)算獲取用戶的可能的起點(diǎn)位置，再通過計(jì)算位置概率中最大的一個(gè)來確定用戶的起點(diǎn)位置，從而更加準(zhǔn)備的確定用戶的起點(diǎn)位置，為PDR(Pedestrian Dead Reckoning，步行者航位推算)提供更好的數(shù)據(jù)支持，從而更快更準(zhǔn)確的進(jìn)行室內(nèi)定位，提高室內(nèi)定位的易用性和準(zhǔn)確性。通過上述利用WiFi指紋的方式所求出的起點(diǎn)位置，即可以作為參考點(diǎn)提供給PDR方法。從而可以使PDR技術(shù)可以根據(jù)此參考點(diǎn)推算出用戶的運(yùn)動(dòng)軌跡，PDR為(Pedestrian Dead Reckoning)對步行者行走的步數(shù)、步長、方向進(jìn)行測量和統(tǒng)計(jì)，推算出步行者行走軌跡，和位置等信息。

根據(jù)其中一個(gè)示例，所述指紋數(shù)據(jù)包括：RSS向量和坐標(biāo)值；所述采集智能終端所在位置的指紋數(shù)據(jù)，建立指紋數(shù)據(jù)與所在位置對應(yīng)的起點(diǎn)指紋庫的步驟具體包括：

在定位區(qū)域內(nèi)設(shè)定多個(gè)參考結(jié)點(diǎn)；

采集智能終端在參考結(jié)點(diǎn)的RSS向量和對應(yīng)的坐標(biāo)值；

根據(jù)每個(gè)參考結(jié)點(diǎn)的RSS向量，計(jì)算每個(gè)參考結(jié)點(diǎn)的RSS均值與方差均值，并將其作為該參考結(jié)點(diǎn)的指紋數(shù)據(jù)保存在指紋數(shù)據(jù)庫中。

這樣就可以更加準(zhǔn)確的建立數(shù)據(jù)庫，方便定位，提高定位的準(zhǔn)確性。

根據(jù)其中一個(gè)示例，根據(jù)指紋數(shù)據(jù)獲取智能終端在起點(diǎn)指紋庫中的每個(gè)位置的位置概率的計(jì)算步驟具體包括：其中，RSS均值與方差均值分別為：μ＝E(RSS_i)，σ＝E(|RSS_i-μ|)，其中，i為自然數(shù)，u為RSS的均值，σ為RSS的方差均值，每個(gè)參考結(jié)點(diǎn)的RSS值大小在參考點(diǎn)位置是高斯正態(tài)分布，即

該RSS值的概率為：

其中P_rss為參考結(jié)點(diǎn)的RSS值的概率，x為當(dāng)前參考結(jié)點(diǎn)的x軸坐標(biāo)值，u為RSS的均值，σ為RSS的方差均值。

根據(jù)其中一個(gè)示例，所述計(jì)算步驟進(jìn)一步包括：根據(jù)

計(jì)算概率，其中m表示采集的RSS向量的個(gè)數(shù),S_j＝{RSS_j1，RSS_j2，...，RSS_jn}表示一個(gè)RSS向量，n為室內(nèi)布置的無線接入點(diǎn)的數(shù)量；求出概率值最大的起點(diǎn)就是用戶當(dāng)前的位置：SP＝argmaxp(S|SP_n)。

按照上述過程和公司進(jìn)行計(jì)算，就可以計(jì)算各個(gè)可能位置的概率，從而篩選出最大概率所在位置，并據(jù)此對用戶進(jìn)行定位。

根據(jù)其中一個(gè)示例，其中，RSS值的概率的計(jì)算中，僅計(jì)算信號強(qiáng)度在-30dBm到-90dBm的RSS值的分布概率P_rss?？紤]到信號強(qiáng)度值的有效性，我們只記錄從-30dBm到-90dBm的RSS值的分布概率。

日常生活中，人們絕大部分的時(shí)間都是待在室內(nèi)的，而身處室內(nèi)的大多數(shù)情況下，人們的手機(jī)都是閑置的。我們希望手機(jī)在這些閑置狀態(tài)下，可以被用來進(jìn)行指紋采樣，同時(shí)也不會影響到我們的其它行為。在某一參考點(diǎn)獲得的RSS向量就是RSS_i(RSS_i,1,RSS_i,2,RSS_i,3,RSS_i,4)。而參考點(diǎn)坐標(biāo)為L_i(x_i,y_i)，RSS_i與L_i的一一對應(yīng)關(guān)系，即為該參考點(diǎn)的指紋，指紋數(shù)據(jù)的記錄結(jié)構(gòu)如圖2所示；

用戶自定義node表示日常生活中用戶會經(jīng)常性停留一段時(shí)間的位置，例如辦公桌，茶水間等。由于用戶自定義node都是一些會經(jīng)常停留的點(diǎn)，所以當(dāng)采樣人員停留在用戶自定義node位置處，可以采集大量的指紋訓(xùn)練數(shù)據(jù)集。指紋訓(xùn)練數(shù)據(jù)集通過一定的處理，可以生成起點(diǎn)訓(xùn)練指紋庫。起點(diǎn)訓(xùn)練指紋庫的格式如圖3所示；

上圖的起點(diǎn)訓(xùn)練指紋庫中，智能手機(jī)的MAC地址代表不同的采樣人員，因?yàn)椴煌蓸尤藛T使用不同的手機(jī)，MAC地址是作為設(shè)備識別的唯一標(biāo)識。每位采樣人員可能出現(xiàn)的起點(diǎn)組成了一個(gè)起點(diǎn)集合，所以可以看到起點(diǎn)訓(xùn)練庫中每個(gè)MAC地址對應(yīng)著一個(gè)起點(diǎn)集合。

之后通過上述的方法進(jìn)行計(jì)算即可。

本實(shí)施例中，在使用上述方案對起點(diǎn)位置進(jìn)行定位之后，接下來可以根據(jù)起點(diǎn)位置進(jìn)行室內(nèi)定位，具體方案如下。

能夠在大規(guī)模城市范圍內(nèi)廣泛應(yīng)用的室內(nèi)定位系統(tǒng)必須能夠?yàn)樗械囊苿?dòng)終端提供準(zhǔn)確的定位服務(wù)，當(dāng)采集指紋數(shù)據(jù)庫的移動(dòng)設(shè)備與在線定位的移動(dòng)設(shè)備型號不一致時(shí)，定位系統(tǒng)的定位精度將受到一定的影響。然而，由于采集RSSI指紋數(shù)據(jù)庫的設(shè)備總是有限的，不可能為每一個(gè)型號的手機(jī)建立一個(gè)RSSI指紋數(shù)據(jù)庫，因此，必須采取一定的措施緩解設(shè)備差異對定位精度的影響。

基于位置指紋的WiFi定位技術(shù)可以分為兩類：確定性方法，基于概率的方法。確定性方法中，采用RSSI接收信號的平均值作為指紋庫的基本數(shù)據(jù)單元。

在離線數(shù)據(jù)采集階段，設(shè)移動(dòng)終端在某個(gè)參考點(diǎn)(x,y)經(jīng)過一段時(shí)間的采樣采集到的RSSI樣本數(shù)據(jù)集為向量RSSI＝{rssi₁，rssi₂，rssi₃...rssi_n}，將樣本數(shù)據(jù)集的均值及位置信息存入數(shù)據(jù)庫中作為該點(diǎn)的指紋數(shù)據(jù)記為(x，y，rssi₁，rssi₂，rssi₃，rssi₄)。當(dāng)所有參考點(diǎn)的RSSI數(shù)據(jù)采集完之后，可以得到一個(gè)完整的指紋數(shù)據(jù)庫。

在實(shí)時(shí)定位階段，移動(dòng)終端采集到的RSSI數(shù)據(jù)為向量RSSI＝{rssi₁，rssi₂，rssi₃，rssi₄}，將實(shí)時(shí)得到的RSSI數(shù)據(jù)與指紋數(shù)據(jù)庫中的RSSI樣本進(jìn)行匹配，估計(jì)用戶的位置。最近鄰居法(Nearest Neighbor in Signal Space)是最為簡單的一種匹配算法。它通過計(jì)算實(shí)時(shí)RSSI數(shù)據(jù)與指紋數(shù)據(jù)庫中某一參考點(diǎn)的RSSI樣本數(shù)據(jù)的信號強(qiáng)度的距離d(向量RSSI,RSSI)，其具體計(jì)算方法如式(3-1)所示。最近鄰居法選擇信號強(qiáng)度距離最小的參考點(diǎn)作為最終的估計(jì)位置。

其中，N為無線AP數(shù)，當(dāng)參數(shù)p＝1時(shí)，計(jì)算的是曼哈頓距離，p＝2時(shí)，為歐氏距離，通常我們選擇歐式距離計(jì)算信號強(qiáng)度間的距離。最近鄰居法得到的位置必然是在指紋數(shù)據(jù)庫中已經(jīng)存在的參考點(diǎn)位置。K近鄰法(K-NNSS)是最近鄰居法的一種改進(jìn)版本，它不再是簡單的使用信號空間中距離最近的點(diǎn)作為位置估計(jì)，而是采用距離最近的幾個(gè)采樣點(diǎn)的平均值來估計(jì)用戶的位置。

基于概率的方法，是一種基于貝葉斯定理的定位算法。首先，在離線數(shù)據(jù)采集階段，記錄了n個(gè)位置的位置指紋集合(L，RSSI)＝{(L₁,RSSI₁),(L₂,RSSI₂)，(L₃,RSSI₃)...(L_N,RSSI_N)},在實(shí)時(shí)定位階段，在某個(gè)位置采集到的RSSI樣本數(shù)據(jù)為RSSI＝{rssi₁，rssi₂，rssi₃，rssi₄}。基于概率的方法就是，通過貝葉斯定理推算出實(shí)時(shí)的RSSI在指紋數(shù)據(jù)庫中的已知位置的后驗(yàn)概率，記為p(L_i丨RSSI)。具體推理過程如下：

其中，p(L_i丨RSSI)在某個(gè)位置得到實(shí)時(shí)樣本數(shù)據(jù)RSSI的概率。p(L_i)是位置L_i的先驗(yàn)概率，通常情況下，任務(wù)用戶可能出現(xiàn)在任意位置，所以它可以看做一個(gè)均勻分布，而p(RSSI丨L_k)對于所以位置可以看做為一個(gè)常數(shù)。在定位階段，通過計(jì)算得到的最大后驗(yàn)概率的位置作為用戶的位置估計(jì)。因此定位的計(jì)算過程可以簡化如式(3-3)：

argmax[p(L_i丨RSSI)]＝argmax[p(RSSI丨L_i)] (3-3)

不同的AP間的信號可以認(rèn)為是獨(dú)立不相關(guān)的，因此，計(jì)算可以簡化為如果用高斯模型對RSSI信號進(jìn)行建模，則可以得到式(3-4)。

其中，u和σ表示信號強(qiáng)度樣本數(shù)據(jù)的平均值和標(biāo)準(zhǔn)偏差。

然而這兩種類型的定位匹配算法本身都未考慮設(shè)備差異導(dǎo)致的RSSI差異化的問題。Haeberlen在文獻(xiàn)中提出一種基于線性變換的人工校正方法，該方法采用人工校正的方法得到不同設(shè)備間的線性變換方程，然而面對成百上千種差異化的設(shè)備和不斷涌現(xiàn)的新設(shè)備，采用人工校正的方法是不切實(shí)際的。

本文提出一種基于RSSI差值的定位算法。雖然在同一地點(diǎn)同一地點(diǎn),不同的手機(jī)接收到的RSSI樣本數(shù)據(jù)的大小有差異,但是各手機(jī)接收到的各個(gè)AP間的RSSI差值卻是相似的。因此，假設(shè)實(shí)時(shí)定位階段采集到的RSSI數(shù)據(jù)為RSSI＝{rssi₁，rssi₂，rssi₃...rssi_n},選擇其中最大的AP信號強(qiáng)度值作為參考，記為rssi_max，則可以得到差值序列RSSI＝{rssi₁-rssi_max，rssi₂-rssi_max，rssi₃-rssi_max...rssi_n-rssi_max}，簡寫為RSSI＝{Δrssi₁，Δrssi₂，Δrssi₃...Δrssi_n}。同理，對指紋數(shù)據(jù)庫中的信號強(qiáng)度序列作同樣的處理。設(shè)指紋數(shù)據(jù)庫中參考點(diǎn)L的RSSI序列為RSSI＝{rssi₁，rssi₂，rssi₃...rssi_n}，其中最大的AP信號強(qiáng)度值記為rssi_max，處理后，其差值序列為RSSI＝{rssi₁-rssi_max，rssi₂-rssi_max，rssi₃-rssi_max...rssi_n-rssi_max}＝{Δrssi₁，Δrssi₂，Δrssi₃...Δrssi_n}。在定位階段，通過比較位置指紋數(shù)據(jù)庫和在線實(shí)時(shí)采集的RSSI的差值序列，進(jìn)行位置估計(jì)。對于確定性方法，對數(shù)據(jù)庫中每一個(gè)參考點(diǎn)位置RSSI序列的通過公式(3-5)計(jì)算信號強(qiáng)度距離，選擇距離最小的一個(gè)參考點(diǎn)或幾個(gè)參考點(diǎn)的平均值作為位置估計(jì)。

對于高斯模型法，對數(shù)據(jù)庫中每一個(gè)參考點(diǎn)位置RSSI序列的通過公式(3-6)計(jì)算信號強(qiáng)度的相似程度，選擇概率最大的一個(gè)參考點(diǎn)或幾個(gè)參考點(diǎn)的平均值作為位置估計(jì)。

通過這種基于RSSI差值的位置匹配算法來緩解設(shè)備差異對定位精度的影響。

根據(jù)本發(fā)明其中一個(gè)實(shí)施例，如圖4所示，本實(shí)施例公開一種室內(nèi)定位的起點(diǎn)位置的定位系統(tǒng)，包括：

數(shù)據(jù)采集模塊401，用于采集智能終端所在位置的指紋數(shù)據(jù)，建立指紋數(shù)據(jù)與所在位置對應(yīng)的起點(diǎn)指紋庫；

獲取模塊402，用于獲取智能終端當(dāng)前的指紋數(shù)據(jù)，并根據(jù)指紋數(shù)據(jù)獲取智能終端在起點(diǎn)指紋庫中的每個(gè)位置的位置概率；

處理模塊403，用于獲取所述位置概率中最大的一個(gè)，該位置概率最大的所對應(yīng)的所在位置為智能終端的起點(diǎn)位置。

采用這種方式，首先建立起點(diǎn)指紋庫，通過指紋數(shù)據(jù)，并經(jīng)過概率計(jì)算獲取用戶的可能的起點(diǎn)位置，再通過計(jì)算位置概率中最大的一個(gè)來確定用戶的起點(diǎn)位置，從而更加準(zhǔn)備的確定用戶的起點(diǎn)位置，為PDR(Pedestrian Dead Reckoning，步行者航位推算)提供更好的數(shù)據(jù)支持，從而更快更準(zhǔn)確的進(jìn)行室內(nèi)定位，提高室內(nèi)定位的易用性和準(zhǔn)確性。

根據(jù)其中一個(gè)示例，所述指紋數(shù)據(jù)包括：RSS向量和坐標(biāo)值；所述數(shù)據(jù)采集模塊具體用于：

在定位區(qū)域內(nèi)設(shè)定多個(gè)參考結(jié)點(diǎn)；

采集智能終端在參考結(jié)點(diǎn)的RSS向量和對應(yīng)的坐標(biāo)值；

根據(jù)每個(gè)參考結(jié)點(diǎn)的RSS向量，計(jì)算每個(gè)參考結(jié)點(diǎn)的RSS均值與方差均值，并將其作為該參考結(jié)點(diǎn)的指紋數(shù)據(jù)保存在指紋數(shù)據(jù)庫中。

這樣就可以更加準(zhǔn)確的建立數(shù)據(jù)庫，方便定位，提高定位的準(zhǔn)確性。

根據(jù)其中一個(gè)示例，所述獲取模塊具體用于：其中，RSS均值與方差均值分別為：μ＝E(RSS_i)，σ＝E(|RSS_i-μ|)，其中，i為自然數(shù)，u為RSS的均值，σ為RSS的方差均值，每個(gè)參考結(jié)點(diǎn)的RSS值大小在參考點(diǎn)位置是高斯正態(tài)分布，即

該RSS值的概率為：

其中P_rss為參考結(jié)點(diǎn)的RSS值的概率，x為當(dāng)前參考結(jié)點(diǎn)的x軸坐標(biāo)值，u為RSS的均值，σ為RSS的方差均值。

根據(jù)其中一個(gè)示例，所述獲取模塊具體用于：根據(jù)計(jì)算概率，其中m表示采集的RSS向量的個(gè)數(shù),S_j＝{RSS_j1，RSS_j2，...，RSS_jn}表示一個(gè)RSS向量，n為室內(nèi)布置的無線接入點(diǎn)的數(shù)量；求出概率值最大的起點(diǎn)就是用戶當(dāng)前的位置：SP＝argmaxp(S|SP_n)。

按照上述過程和公司進(jìn)行計(jì)算，就可以計(jì)算各個(gè)可能位置的概率，從而篩選出最大概率所在位置，并據(jù)此對用戶進(jìn)行定位。

根據(jù)其中一個(gè)示例，其中，RSS值的概率的計(jì)算中，僅計(jì)算信號強(qiáng)度在-30dBm到-90dBm的RSS值的分布概率P_rss?？紤]到信號強(qiáng)度值的有效性，我們只記錄從-30dBm到-90dBm的RSS值的分布概率。

以上內(nèi)容是結(jié)合具體的優(yōu)選實(shí)施方式對本發(fā)明所作的進(jìn)一步詳細(xì)說明，不能認(rèn)定本發(fā)明的具體實(shí)施只局限于這些說明。對于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單推演或替換，都應(yīng)當(dāng)視為屬于本發(fā)明的保護(hù)范圍。