本發(fā)明涉及一種基于WiFi信號(hào)強(qiáng)度采集、邊緣計(jì)算與貝葉斯后驗(yàn)概率模型的室內(nèi)無線定位方法，通過將云服務(wù)器邊緣計(jì)算與貝葉斯后驗(yàn)概率模型有機(jī)結(jié)合，設(shè)計(jì)一種能夠在不額外增加設(shè)備的前提下提高定位精度的室內(nèi)無線定位方法，屬于基于WiFi信號(hào)強(qiáng)度的室內(nèi)無線定位方法研究的相關(guān)領(lǐng)域。

背景技術(shù)：

基于WiFi信號(hào)強(qiáng)度的定位方法目前是室內(nèi)無線定位領(lǐng)域的主流方法之一，這主要?dú)w功于其較高的可靠性，精確性和便利程度。對(duì)于LBS(用戶位置服務(wù))而言，該方法更是驗(yàn)證各種創(chuàng)新系統(tǒng)或算法的首選基礎(chǔ)方法，多年來經(jīng)歷了各種各樣的二次開發(fā)和方法改良。該方法可以利用現(xiàn)有的網(wǎng)絡(luò)基礎(chǔ)設(shè)施和在已有的智能終端上添加相應(yīng)的App實(shí)現(xiàn)定位，既能應(yīng)用于室內(nèi)，又可以應(yīng)用于室外場(chǎng)合，具有受地理環(huán)境限制小，部署成本低、功耗低等優(yōu)點(diǎn)。目前，在基于WiFi信號(hào)強(qiáng)度的定位方法中最基礎(chǔ)也應(yīng)用最為廣泛的是三邊測(cè)量法。許多高校和研究機(jī)構(gòu)對(duì)該領(lǐng)域進(jìn)行了較為深入和廣泛的研究，其中一些卓有成效的成果包括：RADAR、Horus、Mole、EPE、Skyhook Wireless等系統(tǒng)。這些系統(tǒng)大部分均達(dá)到了一定的定位精度，但各自的應(yīng)用范圍受到了一定的限制：如RADAR、Horus系統(tǒng)，其算法過于復(fù)雜；Mole、EPE系統(tǒng)，不能滿足快速定位的需要。因此，當(dāng)今LBS領(lǐng)域需要一種新型定位方法提高定位精度，同時(shí)盡可能小的增加計(jì)算和通信成本。

室內(nèi)無線定位領(lǐng)域發(fā)展至今，三邊測(cè)量法是其最基礎(chǔ)也最主流的定位方法之一，它具有精度高、魯棒性強(qiáng)和操作方便等特點(diǎn)，且不需要額外的硬件設(shè)施，價(jià)格低廉，可利用現(xiàn)有已部署的WiFi路由器進(jìn)行定位，廣受眾多研究者和用戶的歡迎。三邊測(cè)量是在地面上布設(shè)一系列連續(xù)的三角形，采取測(cè)邊方式來測(cè)定各三角形頂點(diǎn)水平位置的方法。是建立大地控制網(wǎng)和工程測(cè)量控制網(wǎng)的方法之一。如今，研究人員將其延伸至室內(nèi)無線定位領(lǐng)域，通過WiFi信號(hào)強(qiáng)度與距離的轉(zhuǎn)換實(shí)現(xiàn)三角形的布設(shè)，通過各WiFi覆蓋范圍相交區(qū)域的求取與估計(jì)求得最終的定位結(jié)果。

然而美中不足的是，該方法常常伴隨著較大的環(huán)境干擾，同時(shí)，WiFi信號(hào)的不穩(wěn)定本身也會(huì)對(duì)定位結(jié)果產(chǎn)生較大影響，更不要說人體或物體遮擋等因素。因此，找到了貝葉斯后驗(yàn)概率模型作為該方法的理論依據(jù)。貝葉斯后驗(yàn)概率模型是一種基于條件概率和全概率的后驗(yàn)概率模型，該模型以貝葉斯公式為基礎(chǔ)，可以精確求取目標(biāo)的后驗(yàn)概率。貝葉斯公式為利用搜集到的信息對(duì)原有判斷進(jìn)行修正提供了有效手段。在采樣之前，經(jīng)濟(jì)主體對(duì)各種假設(shè)有一個(gè)判斷(先驗(yàn)概率)，關(guān)于先驗(yàn)概率的分布，通?？筛鶕?jù)經(jīng)濟(jì)主體的經(jīng)驗(yàn)判斷確定(當(dāng)無任何信息時(shí)，一般假設(shè)各先驗(yàn)概率相同)，較復(fù)雜精確的可利用包括最大熵技術(shù)或邊際分布密度以及相互信息原理等方法來確定先驗(yàn)概率分布。

同時(shí)，為了降低系統(tǒng)計(jì)算成本，本方法引入的云計(jì)算中邊緣計(jì)算的概念。云計(jì)算(cloud computing)是基于互聯(lián)網(wǎng)的相關(guān)服務(wù)的增加、使用和交付模式，通常涉及通過互聯(lián)網(wǎng)來提供動(dòng)態(tài)易擴(kuò)展且經(jīng)常是虛擬化的資源。云是網(wǎng)絡(luò)、互聯(lián)網(wǎng)的一種比喻說法。過去在圖中往往用云來表示電信網(wǎng)，后來也用來表示互聯(lián)網(wǎng)和底層基礎(chǔ)設(shè)施的抽象。因此，云計(jì)算甚至可以讓你體驗(yàn)每秒10萬億次的運(yùn)算能力，擁有這么強(qiáng)大的計(jì)算能力可以模擬核爆炸、預(yù)測(cè)氣候變化和市場(chǎng)發(fā)展趨勢(shì)。用戶通過電腦、筆記本、手機(jī)等方式接入數(shù)據(jù)中心，按自己的需求進(jìn)行運(yùn)算。本方法將數(shù)據(jù)搬運(yùn)到云端數(shù)據(jù)庫進(jìn)行計(jì)算，同時(shí)也將計(jì)算結(jié)果在云端進(jìn)行存儲(chǔ)，這樣一來，用戶端的計(jì)算和存儲(chǔ)量要求就大大降低了。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明結(jié)合云計(jì)算和大數(shù)據(jù)處理中的邊緣計(jì)算概念、概率論中的貝葉斯后驗(yàn)概率模型和基于WiFi信號(hào)強(qiáng)度的三邊定位方法提出了一種基于邊緣計(jì)算和貝葉斯后驗(yàn)概率模型的室內(nèi)無線定位方法。該方法的工作流程為：首先利用預(yù)先安裝在智能終端上的App進(jìn)行WiFi信號(hào)強(qiáng)度采集，并將采集結(jié)果組包發(fā)送至本地服務(wù)器(云端)；然后以數(shù)據(jù)庫中預(yù)存的信道衰減因子等參數(shù)為依據(jù)分別計(jì)算用戶所處位置的先驗(yàn)概率矩陣、優(yōu)化區(qū)域坐標(biāo)、位置概率矩陣和后驗(yàn)概率矩陣；最后，使用計(jì)算得到的后驗(yàn)概率矩陣更新數(shù)據(jù)庫中的位置概率矩陣，并將最終定位結(jié)果回送至用戶所持的智能終端。

本方法首次引入了邊緣計(jì)算和貝葉斯后驗(yàn)概率模型并將其有機(jī)的結(jié)合到了一起，通過對(duì)數(shù)據(jù)庫參數(shù)進(jìn)行適當(dāng)修改實(shí)現(xiàn)了位置概率矩陣的實(shí)時(shí)更新，從而更加精確地推算出用戶處于目標(biāo)位置的后驗(yàn)概率。實(shí)驗(yàn)結(jié)果表明，本方法在不增加額外基礎(chǔ)設(shè)施的情況下，一定程度上改善了傳統(tǒng)三遍定位方法及其改進(jìn)算法的定位精度。

附圖說明

圖1，系統(tǒng)工作流程示意圖。

圖2，基于邊緣計(jì)算概率模型的算法累積誤差圖。

圖3，最終定位結(jié)果CDF曲線。

具體實(shí)施方式

如圖1-3所示，首先，為了明確表示系統(tǒng)所需參數(shù)及各部分內(nèi)容，方便數(shù)據(jù)計(jì)算、存儲(chǔ)和綜合管理，本方法提出了一種基于貝葉斯后驗(yàn)概率模型的全新系統(tǒng)模型，該模型主要分為物理空間模型和位置概率模型兩部分。

物理空間模型的作用是將待測(cè)區(qū)域以一定規(guī)則劃分成合適的區(qū)塊(grid)，從而在系統(tǒng)計(jì)算結(jié)果保持一定精度的情況下，盡可能的降低算法復(fù)雜度。算法的計(jì)算成本與物理空間模型的最小分度直接相關(guān)，最小分度越小，計(jì)算結(jié)果越精確，但相應(yīng)地，計(jì)算成本也就越高。經(jīng)過綜合考慮，并結(jié)合實(shí)際應(yīng)用，將此最小分度設(shè)置為1分米。在1分米最小分度的前提下，本方法能夠在定位精度和運(yùn)算速度上取得令人滿意的平衡。物理空間模型的具體表達(dá)式為

其中Y表示整個(gè)物理空間矩陣，y_pq表示矩陣中位于p行q列的元素，實(shí)際應(yīng)用中，p＝100，q＝600。另外，每一個(gè)元素y_pq同樣表示一個(gè)向量，其具體表達(dá)式為

y_pq＝<cx_pq,cy_pq,inf_pq,prip_pq,pd_pq,posp_pq>

其中cx_pq,cy_pq表示該點(diǎn)在整個(gè)矩陣中的橫坐標(biāo)和縱坐標(biāo)，inf_pq是一個(gè)標(biāo)志位，表示該點(diǎn)是否位于相交區(qū)域內(nèi)，prip_pq是其先驗(yàn)概率，pd_pq是其位置概率，posp_pq是其后驗(yàn)概率。

位置概率模型是計(jì)算后驗(yàn)概率所需的重要參數(shù)，為了更加客觀地表示這一參數(shù)，對(duì)傳統(tǒng)的等概模型進(jìn)行了改進(jìn)，提出了三種全新的概率模型，并將其中的兩種概率模型應(yīng)用到了本方法中。

傳統(tǒng)的等概模型認(rèn)為用戶處于某一物理空間中各個(gè)位置的概率是等價(jià)的：將建筑物等分為60000個(gè)大小相同的區(qū)塊，則依據(jù)等概模型，該用戶在各個(gè)位置上的位置概率就全為1/60000。等概模型的數(shù)學(xué)表達(dá)式為

${\mathrm{pd}}_{pq}=\frac{1}{pq},(p,q\&Element;N^{+})$

其中p和q是物理空間模型的長和寬。顯然，傳統(tǒng)的等概模型具有很大的局限性，但由于到目前為止還沒有出現(xiàn)將貝葉斯后驗(yàn)概率模型與定位系統(tǒng)相結(jié)合的先例，因此也就沒有響應(yīng)的研究人員對(duì)該模型進(jìn)行特殊的，有針對(duì)性的改進(jìn)。

因此，本方法提出了基于建筑結(jié)構(gòu)的概率模型、基于AP信號(hào)強(qiáng)度的概率模型和基于邊緣計(jì)算的實(shí)時(shí)更新概率模型。其中，基于建筑結(jié)構(gòu)的概率模型是指根據(jù)建筑結(jié)構(gòu)賦予每一個(gè)區(qū)塊不同的位置概率：一些建筑結(jié)構(gòu)中不可能或很少會(huì)出現(xiàn)定位目標(biāo)，這些建筑結(jié)構(gòu)為中庭、設(shè)備間、廢棄房間、實(shí)心墻體內(nèi)部，將這些建筑結(jié)構(gòu)的位置概率設(shè)置為0或一個(gè)極小值將有助于定位精度的提升?；贏P信號(hào)強(qiáng)度的概率模型在基于建筑結(jié)構(gòu)的概率模型的基礎(chǔ)上加入了AP信號(hào)覆蓋區(qū)域的概念，即當(dāng)區(qū)域內(nèi)某一AP檢測(cè)到用戶正在使用此AP時(shí)，在其覆蓋范圍之外的區(qū)域?qū)⒉粫?huì)成為該用戶的合理位置。因此，在此模型中，只有用戶接入的AP的覆蓋區(qū)域會(huì)被賦予較大的位置概率，其他區(qū)域依然按照基于建筑結(jié)構(gòu)的概率模型所求解出的位置概率進(jìn)行賦值。基于建筑結(jié)構(gòu)的概率模型表示為

y_pq＝<cx_pq,cy_pq,inf_pq,prip_pq,pd_pq,posp_pq,ac_pq,T_pq>

T_pq＝<t₁,…,t₂₄>

pd_pq＝ac_pq×t_i,(p,q,i∈N⁺,1≤i≤24)

其中，pd_pq表示后驗(yàn)概率，ac_pq是根據(jù)建筑結(jié)構(gòu)確定的用戶活躍因子，T_pq代表時(shí)間向量，表示不同時(shí)間用戶出現(xiàn)在該區(qū)域的可能性，t₁,…,t₂₄分別表示一天的24個(gè)時(shí)間區(qū)間?；贏P信號(hào)強(qiáng)度的概率模型可以表示為

y_pq＝<cx_pq,d_pq,…,ac_pq,T_pq,ap_pq>

pd_pq＝ac_pq×t_i×ap_pq,(p,q,i∈N⁺,1≤i≤24)

其中ap_pq是AP加權(quán)因子，當(dāng)用戶位接入到某一個(gè)AP中時(shí)，該AP的加權(quán)因子為1，其他AP的加權(quán)因子為0。

基于邊緣計(jì)算的實(shí)時(shí)更新概率模型是本發(fā)明提出的重要模型，同時(shí)也是本方法采用的主要模型，它將上一次定位得到的后驗(yàn)概率矩陣與本次定位中的位置概率矩陣相融合，產(chǎn)生新的位置概率矩陣，從而根據(jù)用戶實(shí)時(shí)位置精確調(diào)整每一次定位中位置概率矩陣的值，提高定位精度。當(dāng)用戶在上一次定位位于某一區(qū)域時(shí)，該區(qū)域附近的位置概率就會(huì)上升，因此，在下一次定位中，該用戶出現(xiàn)在此位置或與此位置相鄰空間的概率就會(huì)增大，這與用戶的實(shí)際狀態(tài)即靜止不動(dòng)或向相鄰區(qū)域移動(dòng)相符。

pd_pq＝pd_pq+α×posp_pq,(p,q∈N⁺,0≤α≤1)

其中a是更新補(bǔ)償因子，a取0.2。

其次，在確定系統(tǒng)模型后，當(dāng)系統(tǒng)接收到智能終端采集的AP信號(hào)強(qiáng)度時(shí)，云端將首先計(jì)算用戶處于物理空間內(nèi)某一位置的先驗(yàn)概率。先驗(yàn)概率的計(jì)算步驟為：計(jì)算目標(biāo)區(qū)塊與各AP歐氏距離；確定環(huán)境噪聲分布，從云端數(shù)據(jù)庫獲得其概率密度和概率分布函數(shù)；依條件概率公式計(jì)算先驗(yàn)概率。

P(S_r|d_pq)＝F(S_r+Δ)-F(S_r-Δ)

$F\left(a\right)=\underset{-\mathrm{\&infin;}}{\overset{a}{\&Integral;}}f\left(x\right)dx$

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}}{e}^{-\frac{{(x-\mathrm{\&mu;})}^2}{2{\mathrm{\&sigma;}}^2}},(-\mathrm{\&infin;}\&lt;x\&lt;\mathrm{\&infin;})$

其中S_r是采集到的信號(hào)強(qiáng)度，d_pq是距離，F(xiàn)(a)是與噪聲同分布的概率分布函數(shù)，f(x)是F(a)的概率密度函數(shù)，均值μ和其標(biāo)準(zhǔn)差σ為事先測(cè)定的經(jīng)驗(yàn)值，均值由LDPL模型計(jì)算得出。LDPL模型的具體表現(xiàn)形式為

$S_r=n-10{\mathrm{\&gamma;log}}_{10}\left(\frac{d}{d_0}\right)-{\mathrm{\&chi;}}_{\mathrm{\&sigma;}}$

此信號(hào)強(qiáng)度與距離轉(zhuǎn)化公式主要應(yīng)用與室內(nèi)信道環(huán)境，S_r表示接收信號(hào)強(qiáng)度。d是測(cè)量點(diǎn)與熱點(diǎn)間距離。d₀是單位距離，此處取值為1。γ表示環(huán)境衰減因子，n是信號(hào)強(qiáng)度偏移量，信號(hào)強(qiáng)度偏移量n與熱點(diǎn)型號(hào)有關(guān)，通過讀取熱點(diǎn)型號(hào)獲取信號(hào)強(qiáng)度偏移量參數(shù)的具體信息。χ_σ是符合高斯分布的噪聲隨機(jī)變量。

先驗(yàn)概率計(jì)算完成之后，將自動(dòng)從云端導(dǎo)入數(shù)據(jù)庫中預(yù)存的位置概率，其值在用戶第一次請(qǐng)求定位時(shí)由基于建筑結(jié)構(gòu)的概率模型決定，在后面的定位過程中由基于邊緣計(jì)算的實(shí)時(shí)更新概率模型決定。同時(shí)，根據(jù)先驗(yàn)概率計(jì)算結(jié)果推導(dǎo)出一個(gè)相交區(qū)域。這個(gè)相交區(qū)域主要用來降低算法復(fù)雜度，也就是說，相交區(qū)域之外的區(qū)塊無需參與后驗(yàn)概率的計(jì)算，目標(biāo)用戶只可能位于各先驗(yàn)概率二維視圖的交集之中。

最后，本方法將依據(jù)貝葉斯后驗(yàn)概率公式計(jì)算用戶位置后驗(yàn)概率。

$P\left(d_{pq}\right|S_r)=\frac{P\left(S_r\right|d_{pq})P\left(d_{pq}\right)}{{\&Sigma;}_{i=1}^n\left(P\right(S_r|d_{pq,i}\left)P\right(d_{pq,i}\left)\right)}$

其中P(S_r|d_pq)分子第一項(xiàng)表示該點(diǎn)的先驗(yàn)概率，P(d_pq)表示位置概率，則是其全概率。將上述計(jì)算過程拓展到n個(gè)AP，即可完成一次完整的定位。

實(shí)驗(yàn)結(jié)果顯示，本方法可以將傳統(tǒng)方法的定位精度提高一米左右，同時(shí)，本方法采用的云計(jì)算和邊緣計(jì)算模式有效地降低了算法復(fù)雜度，使得單次定位計(jì)算時(shí)間縮短到一秒以下。