本發(fā)明涉及定位技術(shù)領(lǐng)域，尤其涉及一種指紋聚類方法及裝置。

背景技術(shù)：

隨著移動互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，基于位置的服務(wù)需求隨之越來越廣泛，滲透于軍事、商業(yè)、生活等各個方面。目前，對于定位，人們最常使用的是全球定位系統(tǒng)(globalpositioningsystem，gps)，其通過多顆衛(wèi)星與用戶的gps接收機(jī)之間的信號時間差給用戶定位，定位范圍可覆蓋全球，但衛(wèi)星信號容易受到各種障礙物遮擋，即定位技術(shù)并不適用于室內(nèi)或高樓林立的場合，需采用其他的技術(shù)手段進(jìn)行室內(nèi)定位。

基于wifi(wirelessfidelity，無線保真)指紋庫的室內(nèi)定位技術(shù)在近幾年得到了廣泛的關(guān)注，該技術(shù)主要通過在多個經(jīng)過事先劃分且具有位置信息的區(qū)域中收集多個無線網(wǎng)絡(luò)接入點(diǎn)(accesspoint，ap)的接收信號強(qiáng)度(receivedsignalstrength，rss)值，建立一個包含每個位置點(diǎn)與該位置點(diǎn)收集到的rss值對應(yīng)關(guān)系的室內(nèi)定位指紋庫，以此，在對移動設(shè)備進(jìn)行定位時，可以通過在指紋庫中尋找與當(dāng)前移動設(shè)備收集到的rss值相匹配的位置點(diǎn)，實(shí)現(xiàn)定位。

目前對于基于wifi的室內(nèi)定位系統(tǒng)的研究，主要集中在wifi指紋庫的建立和實(shí)施定位兩個方面。其中，wifi指紋庫即所有采集到的wifi指紋的集合，雖然指紋庫都是基于采樣獲得的指紋，但是不同的處理方式會獲得不同類型的指紋庫，實(shí)現(xiàn)的定位效果不同，其決定著wifi指紋定位系統(tǒng)在實(shí)施過程中的定位效果，所以wifi指紋庫的準(zhǔn)確與可靠是非常重要的。針對wifi指紋庫中指紋數(shù)量較少、較為分散等技術(shù)問題，雖然可以采用建立連續(xù)模型的方式加以解決，但是在連續(xù)模型中，通常是一個位置坐標(biāo)對應(yīng)一個信號強(qiáng)度值，指紋的數(shù)量過于龐大，無疑會給實(shí)時定位階段指紋庫的檢索帶來較大的負(fù)擔(dān)，影響實(shí)時定位的效率。

技術(shù)實(shí)現(xiàn)要素：

針對上述問題，本發(fā)明提供了一種基于wifi室內(nèi)定位的指紋聚類方法及裝置，有效解決現(xiàn)有技術(shù)中，針對采集的wifi指紋建立連續(xù)模型后，定位階段檢索負(fù)擔(dān)過大的技術(shù)問題。

本發(fā)明提供的技術(shù)方案如下：

一種基于wifi室內(nèi)定位的指紋聚類方法，包括：

s1在目標(biāo)區(qū)域中針對選定的無線接入點(diǎn)隨機(jī)采樣多個采樣點(diǎn)；

s2根據(jù)采樣點(diǎn)的高斯過程建立各點(diǎn)的rss分布模型；

s3在所述rss分布模型中選定多個樣本點(diǎn)，并將選定的樣本點(diǎn)作為中心點(diǎn)；

s4計算rss分布模型中剩余樣本點(diǎn)與各中心點(diǎn)之間的歐氏距離，進(jìn)而將剩余樣本點(diǎn)分別歸類至距離自己最近的中心點(diǎn)的簇；

s5重新計算每個簇的中心點(diǎn)，并判斷同一簇中計算得到的中心點(diǎn)與選定的中心點(diǎn)之間的距離是否小于預(yù)設(shè)閾值，若是，跳轉(zhuǎn)至步驟s6，否則，跳轉(zhuǎn)至步驟s4；

s6完成針對該無線接入點(diǎn)的rss分布模型的指紋聚類。

進(jìn)一步優(yōu)選地，在步驟s4中，rss分布模型中剩余樣本點(diǎn)與各中心點(diǎn)之間的平方歐式距離v為：

其中，ui表示第i個中心點(diǎn)，si表示rss分布模型中剩余樣本點(diǎn)的集合，xj表示rss分布模型中剩余樣本點(diǎn)的坐標(biāo)；

和/或，在步驟s5中，重新計算每個簇的中心點(diǎn)為：

其中，mi表示第i個簇中包括的樣本點(diǎn)的數(shù)量，si表示rss分布模型中剩余樣本點(diǎn)的集合，xj表示rss分布模型中剩余樣本點(diǎn)的坐標(biāo)。

進(jìn)一步優(yōu)選地，在步驟s2中具體包括：

s21根據(jù)采樣點(diǎn)之間的相關(guān)度得到各點(diǎn)信號強(qiáng)度值之間的相關(guān)度；

s22根據(jù)各點(diǎn)信號強(qiáng)度值之間的相關(guān)度得到rss分布模型；

s23根據(jù)rss分布模型得到目標(biāo)區(qū)域中任意一點(diǎn)對應(yīng)的信號強(qiáng)度值，完成該無線接入點(diǎn)在目標(biāo)區(qū)域中指紋庫的建立。

進(jìn)一步優(yōu)選地，在步驟s21中：

采樣點(diǎn)之間的相關(guān)度k(xi,yj)為：

各點(diǎn)信號強(qiáng)度值之間的相關(guān)度cov(xi,yj)為：

其中，表示采樣點(diǎn)的樣本方差；l表示信號強(qiáng)度空間相關(guān)性尺度變量；表示高斯噪聲；當(dāng)i＝j(luò)時，δ(xi,yj)值為1，否則為0；

在步驟s22中：

根據(jù)步驟s21中得到的信號強(qiáng)度值之間的相關(guān)度，對于采樣點(diǎn)矩陣x得到各點(diǎn)信號強(qiáng)度矩陣y的相關(guān)度cov(y)：

其中，k表示根據(jù)采樣點(diǎn)矩陣x求得的n×b的協(xié)方差矩陣k[i,j]＝k(xi,yj)；

得到rss分布模型：

進(jìn)一步優(yōu)選地，在步驟s23中，目標(biāo)區(qū)域中任意一點(diǎn)x*的信號強(qiáng)度值y*為：

其中，k*為點(diǎn)x*與采樣點(diǎn)矩陣x的協(xié)方差矩陣，其中，該協(xié)方差矩陣中的值k(i)＝k(x*,xi)。

本發(fā)明還提供了一種基于wifi室內(nèi)定位的指紋聚類裝置，包括：

信息接收模塊，用于接收針對選定的無線接入點(diǎn)采樣的多個采樣點(diǎn)；

模型建立模塊，用于根據(jù)信息接收模塊接收到的采樣點(diǎn)的高斯過程建立各點(diǎn)的rss分布模型；

樣本點(diǎn)選擇模塊，用于從模型建立模塊建立的rss分布模型中選定多個樣本點(diǎn)，并將選定的樣本點(diǎn)作為中心點(diǎn)；

計算模塊，用于計算rss分布模型中剩余樣本點(diǎn)與樣本點(diǎn)選擇模塊選定的中心點(diǎn)之間的歐氏距離，及用于根據(jù)歸類模塊的歸類結(jié)果重新計算每個簇的中心點(diǎn)；

歸類模塊，用于根據(jù)計算模塊的計算結(jié)果將剩余樣本點(diǎn)歸類至距離自己最近的中心點(diǎn)的簇；

判斷模塊，用于判斷同一簇中計算模塊計算得到的中心點(diǎn)與樣本點(diǎn)選擇模塊選定的中心點(diǎn)之間的距離是否小于預(yù)設(shè)閾值。

進(jìn)一步優(yōu)選地，在計算模塊中：

rss分布模型中剩余樣本點(diǎn)與各中心點(diǎn)之間的平方歐式距離為：

其中，ui表示第i個中心點(diǎn)，si表示rss分布模型中剩余樣本點(diǎn)的集合，xj表示rss分布模型中剩余樣本點(diǎn)的坐標(biāo)；

和/或，根據(jù)歸類模塊的歸類結(jié)果重新計算每個簇的中心點(diǎn)為：

其中，mi表示第i個簇中包括的樣本點(diǎn)的數(shù)量，si表示rss分布模型中剩余樣本點(diǎn)的集合，xj表示rss分布模型中剩余樣本點(diǎn)的坐標(biāo)。

進(jìn)一步優(yōu)選地，計算模塊還用于根據(jù)信息接收模塊接收的采樣點(diǎn)之間的相關(guān)度得到各點(diǎn)信號強(qiáng)度值之間的相關(guān)度，用于根據(jù)模型建立模塊建立的rss分布模型計算得到目標(biāo)區(qū)域中任意一點(diǎn)對應(yīng)的信號強(qiáng)度值；

模型建立模塊用于根據(jù)各點(diǎn)信號強(qiáng)度值之間的相關(guān)度得到rss分布模型。

進(jìn)一步優(yōu)選地，在計算模塊中：

采樣點(diǎn)之間的相關(guān)度k(xi,yj)為：

各點(diǎn)信號強(qiáng)度值之間的相關(guān)度cov(xi,yj)為：

其中，表示采樣點(diǎn)的樣本方差；l表示信號強(qiáng)度空間相關(guān)性尺度變量；表示高斯噪聲；當(dāng)i＝j(luò)時，δ(xi,yj)值為1，否則為0；

在模型建立模塊中：

根據(jù)計算模塊計算得到的信號強(qiáng)度值之間的相關(guān)度，對于采樣點(diǎn)矩陣x得到各點(diǎn)信號強(qiáng)度矩陣y的相關(guān)度cov(y)：

其中，k表示根據(jù)采樣點(diǎn)矩陣x求得的n×b的協(xié)方差矩陣k[i,j]＝k(xi,yj)；

進(jìn)而得到rss分布模型：

進(jìn)一步優(yōu)選地，在計算模塊中：

根據(jù)模型建立模塊建立的rss分布模型，根據(jù)以下公式計算目標(biāo)區(qū)域中任意一點(diǎn)x*的信號強(qiáng)度值y*：

其中，k*為點(diǎn)x*與采樣點(diǎn)矩陣x的協(xié)方差矩陣，其中，該協(xié)方差矩陣中的值k(i)＝k(x*,xi)。

在本發(fā)明中，對室內(nèi)各個無線接入點(diǎn)進(jìn)行隨機(jī)采樣，獲取有限數(shù)量的wifi指紋，并根據(jù)采樣點(diǎn)的高斯過程建立各點(diǎn)的rss分布模型，計算出目標(biāo)區(qū)域中各點(diǎn)的信號強(qiáng)度值；隨后采用聚類算法對建立的rss分布模型中的樣本點(diǎn)進(jìn)行分類，生成基于概率模型算法所需的指紋庫。

其根據(jù)離散的wifi指紋分布得到連續(xù)的全平面的wifi指紋分布，尤其是對于隨機(jī)采樣過程中未涉及的區(qū)域，同樣能夠通過該方法進(jìn)行覆蓋；另外，對于wifi指紋采集初期，在指紋采集數(shù)量較少的情況，也能夠根據(jù)該方法建立信號強(qiáng)度模型，得到目標(biāo)區(qū)域中任意位置對應(yīng)的信號強(qiáng)度值(指紋值)，將wifi指紋由一維采樣路徑擴(kuò)展到目標(biāo)區(qū)域的二維全平面覆蓋，提供更多的wifi指紋數(shù)量幫助定位，并采用聚類算法對wifi指紋進(jìn)行歸類，大大提升室內(nèi)wifi定位的精度的同時，降低了實(shí)時定位階段的指紋庫檢索負(fù)擔(dān)。

附圖說明

下面將以明確易懂的方式，結(jié)合附圖說明優(yōu)選實(shí)施方式，對上述特性、技術(shù)特征、優(yōu)點(diǎn)及其實(shí)現(xiàn)方式予以進(jìn)一步說明。

圖1為本發(fā)明中基于wifi室內(nèi)定位的指紋聚類方法一種實(shí)施方式流程示意圖；

圖2為本發(fā)明中基于wifi室內(nèi)定位的指紋聚類方法另一種實(shí)施方式流程示意圖；

圖3為本發(fā)明一實(shí)例中針對某一無線接入點(diǎn)的采樣點(diǎn)分布；

圖4為本發(fā)明根據(jù)如圖3所示的采樣點(diǎn)建立的rss分布模型；

圖5為本發(fā)明一實(shí)例中采用指紋聚類算法得到的指紋庫；

圖6為本發(fā)明中基于wifi室內(nèi)定位的指紋聚類裝置示意圖；

附圖標(biāo)記：

100-指紋聚類裝置，110-信息接收模塊，120-模型建立模塊，130-樣本點(diǎn)選擇模塊，140-計算模塊，150-歸類模塊，160-判斷模塊。

具體實(shí)施方式

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對照附圖說明本發(fā)明的具體實(shí)施方式。顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖，并獲得其他的實(shí)施方式。

氣壓圖被廣泛應(yīng)用于氣象研究中，其通過建立氣壓圖就可以得到任意目標(biāo)位置的氣壓值，我們知道，在緯度高的地方相應(yīng)地氣壓值也更高，距離無線接入點(diǎn)的距離越近rss值也越大；溫度與濕度變化，以及氣流運(yùn)動等因素會造成氣壓的波動，室內(nèi)場景下的多徑效應(yīng)、非視距傳播等因素同樣會導(dǎo)致不遵從傳播模型的信號波動現(xiàn)象?？芍愃朴跉鈮褐档倪B續(xù)變化，rss值在室內(nèi)也是連續(xù)變化的，即當(dāng)目標(biāo)區(qū)域某位置的rss值發(fā)生突變，其附近位置的rss值也會呈現(xiàn)相同趨勢的變化。

以此，若針對目前wifi室內(nèi)定位存在的wifi指紋分離、數(shù)量較少等問題，在目標(biāo)區(qū)域中能夠得到類似“氣壓圖”的rss分布模型，就可以獲取目標(biāo)區(qū)域任意位置的近似rss向量，雖然采用這種方法能夠解決目前wifi室內(nèi)定位中指紋采樣數(shù)量過少問題，但是rss分布模型是一種連續(xù)模型，如果目標(biāo)區(qū)域范圍很大，相應(yīng)地指紋數(shù)量也會很大，無疑會給實(shí)時定位過程中指紋庫檢索帶來負(fù)擔(dān)。

基于此，本發(fā)明中提供了一種基于wifi室內(nèi)定位的指紋聚類方法，假定室內(nèi)包括多個無線接入點(diǎn)，在該指紋庫建立方法中逐一針對各個無線接入點(diǎn)采集wifi指紋，并針對采集到的wifi指紋根據(jù)高斯過程得到rss分布模型，完成指紋庫的建；之后，分別采用聚類算法對各無線接入點(diǎn)對應(yīng)的rss分布模型進(jìn)行聚類。

如圖1所示為該指紋聚類方法一種實(shí)施方式流程示意圖，從圖中可以看出，在該指紋聚類方法中包括：s1在目標(biāo)區(qū)域中針對選定的無線接入點(diǎn)隨機(jī)采樣多個采樣點(diǎn)；s2根據(jù)采樣點(diǎn)的高斯過程建立各點(diǎn)的信號強(qiáng)度分布模型；s3在信號強(qiáng)度分布模型中選定多個樣本點(diǎn)，并將選定的樣本點(diǎn)作為中心點(diǎn)；s4計算rss分布模型中剩余樣本點(diǎn)與各中心點(diǎn)之間的歐氏距離，進(jìn)而將剩余樣本點(diǎn)分別歸類至距離自己最近的中心點(diǎn)的簇；s5重新計算每個簇的中心點(diǎn)，并判斷同一簇中計算得到的中心點(diǎn)與選定的中心點(diǎn)之間的距離是否小于預(yù)設(shè)閾值，若是，跳轉(zhuǎn)至步驟s6，否則，跳轉(zhuǎn)至步驟s4；s6完成針對該無線接入點(diǎn)的信號強(qiáng)度分布模型的指紋聚類。

對上述實(shí)施方式進(jìn)行改進(jìn)得到本實(shí)施方式，如圖2所示，在本實(shí)施方式中，該指紋庫建立方法中包括：s1在目標(biāo)區(qū)域中針對選定的無線接入點(diǎn)隨機(jī)采樣多個采樣點(diǎn)；s21根據(jù)采樣點(diǎn)之間的相關(guān)度得到各點(diǎn)信號強(qiáng)度值之間的相關(guān)度；s22根據(jù)各點(diǎn)信號強(qiáng)度值之間的相關(guān)度得到信號強(qiáng)度分布模型；s23根據(jù)信號強(qiáng)度分布模型得到目標(biāo)區(qū)域中任意一點(diǎn)對應(yīng)的信號強(qiáng)度值，完成該無線接入點(diǎn)在目標(biāo)區(qū)域中指紋庫的建立；s3在信號強(qiáng)度分布模型中選定多個樣本點(diǎn)，并將選定的樣本點(diǎn)作為中心點(diǎn)；s4計算rss分布模型中剩余樣本點(diǎn)與各中心點(diǎn)之間的歐氏距離，進(jìn)而將剩余樣本點(diǎn)分別歸類至距離自己最近的中心點(diǎn)的簇；s5重新計算每個簇的中心點(diǎn)，并判斷同一簇中計算得到的中心點(diǎn)與選定的中心點(diǎn)之間的距離是否小于預(yù)設(shè)閾值，若是，跳轉(zhuǎn)至步驟s6，否則，跳轉(zhuǎn)至步驟s4；s6完成針對該無線接入點(diǎn)的信號強(qiáng)度分布模型的指紋聚類。

假設(shè)高斯過程有一組包含噪聲的訓(xùn)練樣本：

d＝{(x1,y1),(x2,y2),...,(xn,yn)}

則：

yi＝f(xi)+ε

其中，xi表示d維空間中的自變量樣本值，yi表示目標(biāo)值/觀察值，噪聲ε表示均值為0、方差為的高斯分布。

基于此，在上述實(shí)施方式中，將n個輸入自標(biāo)量x用n×d的矩陣x來表示，n個觀察值用n×1的矩陣y表示。具體，在rss分布模型中，x表示目標(biāo)區(qū)域的n個采樣點(diǎn)位置坐標(biāo)，y表示選定的無線接入點(diǎn)在這些采樣點(diǎn)對應(yīng)的信號強(qiáng)度值(rss值)。

高斯過程通過函數(shù)f和訓(xùn)練樣本d來估算后驗(yàn)分布，其核心在于不同觀察值之間是相關(guān)的，即f(xi)與f(yi)的協(xié)方差取決于xi與yi的協(xié)方差?？紤]到高斯噪聲，采樣點(diǎn)之間的協(xié)方差函數(shù)k(xi,yj)具體為：

各點(diǎn)信號強(qiáng)度值之間的相關(guān)度cov(xi,yj)為：

其中，表示采樣點(diǎn)的樣本方差；l表示信號強(qiáng)度空間相關(guān)性尺度變量，用以決定兩點(diǎn)之間相關(guān)性上升或下降的速度，l越大表示等距離采樣點(diǎn)之間信號強(qiáng)度相關(guān)性越??；表示高斯噪聲；當(dāng)i＝j(luò)時，δ(xi,yj)值為1，否則為0。

以此，對于輸入位置坐標(biāo)樣本矩陣x(采樣點(diǎn)矩陣)，得到各位置坐標(biāo)點(diǎn)信號強(qiáng)度矩陣y的相關(guān)度cov(y)為：

其中，k表示根據(jù)采樣點(diǎn)矩陣x求得的n×b的協(xié)方差矩陣k[i,j]＝k(xi,yj)?？梢园l(fā)現(xiàn)信號強(qiáng)度值為高斯分布：以此得到rss分布模型。

從上式中可以看出，每當(dāng)有一組采樣點(diǎn)矩陣x輸入，就可以利用協(xié)方差矩陣k描述采樣點(diǎn)作為坐標(biāo)與信號強(qiáng)度值之間的相關(guān)度，以此，針對選定的無線接入點(diǎn)，目標(biāo)區(qū)域中任意一點(diǎn)x*的信號強(qiáng)度值y*為：

其中，k*為點(diǎn)x*與采樣點(diǎn)矩陣x的協(xié)方差矩陣，其中，該協(xié)方差矩陣中的值k(i)＝k(x*,xi)。

在一個實(shí)例中，如圖3所示為目標(biāo)區(qū)域中某一無線ap的原始采樣點(diǎn)，基于上述描述的指紋庫建立方法建立的rss分布模型如圖4所示，具體，在圖3和圖4中，橫縱坐標(biāo)x/y表示采樣點(diǎn)的坐標(biāo)位置(二維坐標(biāo))，z軸表示采樣點(diǎn)對應(yīng)的信號強(qiáng)度值。

由于rss分布模型是一種連續(xù)模型，為了減輕時定位過程中指紋庫檢索的負(fù)擔(dān)，在上述實(shí)施方式中，進(jìn)一步采用聚類方法對其中包括的樣本點(diǎn)進(jìn)行聚類。我們知道，聚類(clustering)是指制定一個標(biāo)準(zhǔn)，作為某個對象集合進(jìn)行分類的根據(jù)，得到的這些類被稱為簇(cluster)。在制定的標(biāo)準(zhǔn)下，同一簇內(nèi)的對象是相似的，不同簇中的對象有一定的差異性。也就是說，聚類是用來將具有某個共同點(diǎn)的對象聚為一類，與差異性較大的對象盡量分離。聚類分析是一種統(tǒng)計分析方法，應(yīng)用于模式識別、市場劃分、生物行為分析、數(shù)據(jù)空間分布等眾多領(lǐng)域。

在聚類分析中，為了描述目標(biāo)之間的接近程度，或者是目標(biāo)之間的相異度，需要定義一些聚類統(tǒng)計量作為聚類分析的量化指標(biāo)，歐式距離即是經(jīng)常被用來表示相異度的一種指標(biāo)。具體，對于空間中的兩個p維向量xi＝(xi1,xi2,...,xip)^t和xj＝(xj1,xj2,...,xjp)^t，則兩個向量之間的歐式距離可以表示為：

基于此，在上述實(shí)施方式中，將上述xi和yi替換為采樣的二維坐標(biāo)，利用k-means聚類算法根據(jù)樣本點(diǎn)的位置坐標(biāo)進(jìn)行分類即可完成對信號強(qiáng)度分布模型中樣本點(diǎn)的聚類，具體：

首先在目標(biāo)區(qū)域某一無線接入點(diǎn)的rss分布模型中n個樣本點(diǎn)中選定k(k<n)個作為中心點(diǎn)；對于rss分布模型中剩余樣本點(diǎn)，測量其到每個中心點(diǎn)的歐氏距離，進(jìn)而將剩余樣本點(diǎn)分別歸類至距離自己最近的中心點(diǎn)的簇。具體，在rss分布模型中剩余樣本點(diǎn)與各中心點(diǎn)之間的平方歐式距離v為：

其中，ui表示第i個中心點(diǎn)，si表示rss分布模型中剩余樣本點(diǎn)的集合，xj表示rss分布模型中剩余樣本點(diǎn)的坐標(biāo)。

歸類完成之后，根據(jù)下式重新計算每個簇的中心點(diǎn)ui：

其中，mi表示第i個簇中包括的樣本點(diǎn)的數(shù)量，si表示rss分布模型中剩余樣本點(diǎn)的集合，xj表示rss分布模型中剩余樣本點(diǎn)的坐標(biāo)。

之后根據(jù)計算得到的中心點(diǎn)判斷同一簇中計算得到的中心點(diǎn)與選定的中心點(diǎn)之間的距離是否小于預(yù)設(shè)閾值，若是，完成針對該無線接入點(diǎn)的rss分布模型的指紋聚類；否則，重新測量rss分布模型中剩余樣本點(diǎn)到新的中心點(diǎn)的歐氏距離，將剩余樣本點(diǎn)分別歸類至距離自己最近的中心點(diǎn)(計算得到的中心點(diǎn))的簇，并重新計算各簇的中心點(diǎn)，直到同一簇中計算得到的中心點(diǎn)與選定的中心點(diǎn)之間的距離小于預(yù)設(shè)閾值uthres，即歸類結(jié)束，其中，ui表示第i個中心點(diǎn)，ui-1表示第i-1個中心點(diǎn)。要說明的是，這里我們對預(yù)設(shè)閾值uthres的具體值不做限定，其與采樣點(diǎn)的密度、聚類過程中迭代的次數(shù)等因素相關(guān)，根據(jù)實(shí)際情況進(jìn)行設(shè)定，如可以設(shè)定為5cm(厘米)、10cm甚至更多。

以此通過k-means算法將rss分布模型中的樣本點(diǎn)歸類為k個簇，針對每個簇，將這個簇中所有的樣本點(diǎn)坐標(biāo)統(tǒng)一為一個相同的坐標(biāo)，該坐標(biāo)具體為該簇的中心點(diǎn)的坐標(biāo)。也就是說，經(jīng)過聚類之后，每個簇只對應(yīng)著一個位置坐標(biāo)(簇的中心坐標(biāo))，且該位置坐標(biāo)對應(yīng)該簇中所有樣本點(diǎn)對應(yīng)的rss向量集合。

聚類完成之后，得到基于概率模型算法實(shí)時定位的指紋庫，在一個實(shí)例中，假若基于上述聚類算法得到指紋庫如圖5所示，其中，包括位置信息1和位置信息2，對于位置信息1來說，mac1(對應(yīng)一個無線接入點(diǎn))中對應(yīng)rss均值1為-90dbm(分貝毫x)的概率為概率11、rss均值1為-89dbm的概率為概率12、rss均值1為-88dbm的概率為概率13；mac2中對應(yīng)rss均值2為-90dbm的概率為概率21、rss均值2為-89dbm的概率為概率22、rss均值2為-88dbm的概率為概率23；mac3中對應(yīng)rss均值3為-90dbm的概率為概率31、rss均值3為-89dbm的概率為概率32、rss均值3為-88dbm的概率為概率33，以此類推，在實(shí)時定位階段基于該概率模型進(jìn)行定位。

如圖6所示為本發(fā)明提供的基于wifi室內(nèi)定位的指紋聚類裝置示意圖，從圖中可以看出，在該指紋聚類裝置100中包括：信息接收模塊110、模型建立模塊120、樣本點(diǎn)選擇模塊130、計算模塊140、歸類模塊150以及判斷模塊160，其中，模型建立模塊120與信息接收模塊110連接，樣本點(diǎn)選擇模塊130與模型建立模塊120連接，計算模塊140分別與樣本點(diǎn)選擇模塊130、模型建立模塊120以及歸類模塊150連接，判斷模塊160分別與樣本點(diǎn)選擇模塊130和計算模塊140連接。

在工作過程中，選定了一未建立指紋庫的無線接入點(diǎn)之后，在目標(biāo)區(qū)域針對選定的無線接入點(diǎn)隨機(jī)采樣多個采樣點(diǎn)，并將各采樣點(diǎn)發(fā)送至指紋聚類裝置100中。指紋聚類裝置100中的信息接收模塊110在接收到各采樣點(diǎn)之后，模型建立模塊120根據(jù)采樣點(diǎn)的高斯過程建立各點(diǎn)的rss分布模型；之后，樣本點(diǎn)選擇模塊130在rss分布模型中選定多個樣本點(diǎn)，并將選定的樣本點(diǎn)作為中心點(diǎn)；之后，計算模塊140計算rss分布模型中剩余樣本點(diǎn)與各中心點(diǎn)之間的歐氏距離，進(jìn)而歸類模塊150將剩余樣本點(diǎn)分別歸類至距離自己最近的中心點(diǎn)的簇；之后，計算模塊140重新計算每個簇的中心點(diǎn)，并通過，若是，則完成針對該無線接入點(diǎn)的rss分布模型的指紋聚類否則，計算模塊140重新計算rss分布模型中剩余樣本點(diǎn)與新的中心點(diǎn)之間的歐氏距離，通過歸類模塊150進(jìn)行重新歸類，之后再次重新計算新的簇的中心點(diǎn)，直到判斷模塊160判斷同一簇中計算得到的中心點(diǎn)與前一次計算得到的中心點(diǎn)之間的距離小于預(yù)設(shè)閾值。

更進(jìn)一步來說，上述計算模塊140還用于根據(jù)信息接收模塊110接收的采樣點(diǎn)之間的相關(guān)度得到各點(diǎn)信號強(qiáng)度值之間的相關(guān)度、根據(jù)模型建立模塊120建立的信號強(qiáng)度分布模型計算得到目標(biāo)區(qū)域中任意一點(diǎn)對應(yīng)的信號強(qiáng)度值；模型建立模塊120根據(jù)各點(diǎn)信號強(qiáng)度值之間的相關(guān)度得到信號強(qiáng)度分布模型。

假設(shè)高斯過程有一組包含噪聲的訓(xùn)練樣本：

d＝{(x1,y1),(x2,y2),...,(xn,yn)}

則：

yi＝f(xi)+ε

其中，xi表示d維空間中的自變量樣本值，yi表示目標(biāo)值/觀察值，噪聲ε表示均值為0、方差為的高斯分布。

基于此，在本實(shí)施方式中，將n個輸入自標(biāo)量x用n×d的矩陣x來表示，n個觀察值用n×1的矩陣y表示。具體，在rss分布模型中，x表示目標(biāo)區(qū)域的n個采樣點(diǎn)位置坐標(biāo)，y表示選定的無線接入點(diǎn)在這些采樣點(diǎn)對應(yīng)的信號強(qiáng)度值(rss值)。

高斯過程通過函數(shù)f和訓(xùn)練樣本d來估算后驗(yàn)分布，其核心在于不同觀察值之間是相關(guān)的，即f(xi)與f(yi)的協(xié)方差取決于xi與yi的協(xié)方差?？紤]到高斯噪聲，采樣點(diǎn)之間的協(xié)方差函數(shù)k(xi,yj)具體為：

各點(diǎn)信號強(qiáng)度值之間的相關(guān)度cov(xi,yj)為：

其中，表示采樣點(diǎn)的樣本方差；l表示信號強(qiáng)度空間相關(guān)性尺度變量，用以決定兩點(diǎn)之間相關(guān)性上升或下降的速度，l越大表示等距離采樣點(diǎn)之間信號強(qiáng)度相關(guān)性越小；表示高斯噪聲；當(dāng)i＝j(luò)時，δ(xi,yj)值為1，否則為0。

以此，對于輸入位置坐標(biāo)樣本矩陣x(采樣點(diǎn)矩陣)，得到各位置坐標(biāo)點(diǎn)信號強(qiáng)度矩陣y的相關(guān)度cov(y)為：

其中，k表示根據(jù)采樣點(diǎn)矩陣x求得的n×b的協(xié)方差矩陣k[i,j]＝k(xi,yj)?？梢园l(fā)現(xiàn)信號強(qiáng)度值為高斯分布：以此得到rss分布模型。

從上式中可以看出，每當(dāng)有一組采樣點(diǎn)矩陣x輸入，就可以利用協(xié)方差矩陣k描述采樣點(diǎn)作為坐標(biāo)與信號強(qiáng)度值之間的相關(guān)度，以此，針對選定的無線接入點(diǎn)，目標(biāo)區(qū)域中任意一點(diǎn)x*的信號強(qiáng)度值y*為：

其中，k*為點(diǎn)x*與采樣點(diǎn)矩陣x的協(xié)方差矩陣，其中，該協(xié)方差矩陣中的值k(i)＝k(x*,xi)。

由于rss分布模型是一種連續(xù)模型，為了減輕時定位過程中指紋庫檢索的負(fù)擔(dān)，在本實(shí)施方式中，進(jìn)一步采用聚類方法對其中包括的樣本點(diǎn)進(jìn)行聚類，并采用歐式距離作為衡量指標(biāo)。具體，對于空間中的兩個p維向量xi＝(xi1,xi2,...,xip)^t和xj＝(xj1,xj2,...,xjp)^t，則兩個向量之間的歐式距離可以表示為：

基于此，在本實(shí)施方式中，將上述xi和yi替換為采樣的二維坐標(biāo)，利用k-means聚類算法根據(jù)樣本點(diǎn)的位置坐標(biāo)進(jìn)行分類即可完成對信號強(qiáng)度分布模型中樣本點(diǎn)的聚類，具體：

首先在目標(biāo)區(qū)域某一無線接入點(diǎn)的rss分布模型中n個樣本點(diǎn)中選定k(k<n)個作為中心點(diǎn)；對于rss分布模型中剩余樣本點(diǎn)，測量其到每個中心點(diǎn)的歐氏距離，進(jìn)而將剩余樣本點(diǎn)分別歸類至距離自己最近的中心點(diǎn)的簇。具體，在rss分布模型中剩余樣本點(diǎn)與各中心點(diǎn)之間的平方歐式距離v為：

其中，ui表示第i個中心點(diǎn)，si表示rss分布模型中剩余樣本點(diǎn)的集合，xj表示rss分布模型中剩余樣本點(diǎn)的坐標(biāo)。

歸類完成之后，根據(jù)下式重新計算每個簇的中心點(diǎn)ui：

其中，mi表示第i個簇中包括的樣本點(diǎn)的數(shù)量，si表示rss分布模型中剩余樣本點(diǎn)的集合，xj表示rss分布模型中剩余樣本點(diǎn)的坐標(biāo)。

之后根據(jù)計算得到的中心點(diǎn)判斷同一簇中計算得到的中心點(diǎn)與選定的中心點(diǎn)之間的距離是否小于預(yù)設(shè)閾值，若是，完成針對該無線接入點(diǎn)的rss分布模型的指紋聚類；否則，重新測量rss分布模型中剩余樣本點(diǎn)到新的中心點(diǎn)的歐氏距離，將剩余樣本點(diǎn)分別歸類至距離自己最近的中心點(diǎn)(計算得到的中心點(diǎn))的簇，并重新計算各簇的中心點(diǎn)，直到同一簇中計算得到的中心點(diǎn)與選定的中心點(diǎn)之間的距離小于預(yù)設(shè)閾值uthres，即歸類結(jié)束，其中，ui表示第i個中心點(diǎn)，ui-1表示第i-1個中心點(diǎn)。要說明的是，這里我們對預(yù)設(shè)閾值uthres的具體值不做限定，其與采樣點(diǎn)的密度、聚類過程中迭代的次數(shù)等因素相關(guān)，根據(jù)實(shí)際情況進(jìn)行設(shè)定，如可以設(shè)定為5cm(厘米)、10cm甚至更多。

以此通過k-means算法將rss分布模型中的樣本點(diǎn)歸類為k個簇，針對每個簇，將這個簇中所有的樣本點(diǎn)坐標(biāo)統(tǒng)一為一個相同的坐標(biāo)，該坐標(biāo)具體為該簇中心點(diǎn)的坐標(biāo)。也就是說，經(jīng)過聚類之后，每個簇只對應(yīng)著一個位置坐標(biāo)(簇的中心坐標(biāo))，且該位置坐標(biāo)對應(yīng)該簇中所有樣本點(diǎn)對應(yīng)的rss向量集合，聚類完成之后，得到基于概率模型算法實(shí)時定位的指紋庫。

應(yīng)當(dāng)說明的是，上述實(shí)施例均可根據(jù)需要自由組合。以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。