具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：基于指纹的室内定位方法它具体分为两个阶段：指纹映射(离线)和定位(在线)。在指纹映射阶段，采集均匀分布在室内场景中参考点(Reference points,RPs)处的相关信号特征，并存储在指纹数据库中构成指纹地图(Radio Map)；在定位阶段，将测试点处采集到的信号特征与指纹地图中存储的指纹进行匹配，从而得到测试点的预测位置信息。

指纹映射阶段主要是构建Radio Map，Radio Map主要由WiFi的RSS 指纹和地磁信号指纹组成。对于RSS指纹，首先将室内场景均匀分割为若干个区域，每个区域内均匀分布着若干个RPs，在这些RPs上收集无线接入点(Access points,APs)传输的RSS，这些RPS处的RSS构成了离线RSS指纹库，第i个参考点RP_i处的RSS指纹表示为：

其中，label_i表示RP_i的类别信息，(x_i,y_i)表示RP_i的坐标信息，MAC_i,j,RSS_i,j表示在RP_i处收集到AP的Mac地址为MAC_i,j的RSS_i,j，k_i是可以检测到AP的数目。

地磁信号由集成于智能手机中的磁力计采集得到，是一个三维矢量 B_p＝(B_px,B_py,B_pz)，其中B_px,B_py,B_pz表示磁力计的三轴分量，B_px,B_py分别指向地理的北向和东向，B_pz与重力方向一致。即使智能手机处于同一位置，每个分量的大小也会随着终端方向的改变而不同。所以我们需要将终端所在的载体坐标系转换为导航坐标系，本实施例采用旋转矩阵进行坐标系转换。

如图1所示，一种基于WiFi和地磁指纹的分区融合定位方法，包括如下步骤：

①在待定位的室内场景中，确定好定位区域、离线参考点、可以接收到的AP数目。本实施例选取某大学主楼大厅作为实验场景，该场景为一个典型的空旷区域，中间区域有障碍物的阻挡，整体上呈现出对称趋势，实验平面图如图2所示。采样面积共41.26×26.1＝1076.9m²，其中黑色圆点为离线参考点，共有97个，每个参考点间距2.4或1.6m，在每个离线参考点处的采样时间间隔为200ms，采样时间为30s，重复3次采集信号。对所有离线参考点采集到的RSS信号按照Mac地址求并集共得到262个AP，而且 AP的位置不确定。RSS和地磁信号数据采集时均带有时间戳、对应点的坐标位置和标签信息。将离线参考点坐标、标签、RSS、地磁信号、重力加速度计、时间戳上传并保存构成原始指纹地图。

②将重力加速度计和地磁信号的时间戳对齐，结合重力加速度计读数 G_p＝(G_px,G_py,G_pz)，采用旋转矩阵的方法将载体坐标系转换到导航坐标系，坐标系转换如图3所示，在忽略Z轴方向旋转的前提下，求解出φ,θ角从而将B_p＝(B_px,B_py,B_pz)转换为B_f＝(B_fx,B_fy,B_fz)，然后再将B_f投影到水平方向 (horizontal plane)B_h和垂直方向(vertical plane)B_v组成HV分量：

为了扩充地磁指纹的维度，将(B_h,B_v,||B_p||)组成三维矢量作为磁场强度指纹，第i个参考点RP_i处的RSS、地磁指纹可分别表示为：

MFP_i＝{label_i,(x_i,y_i),B_i,h,B_i,v,||B_i,p||}

其中，label_i表示RP_i的类别信息，(x_i,y_i)表示RP_i的坐标信息，MAC_i,j,RSS_i,j表示在RP_i处收集到AP的Mac地址为MAC_i,j的RSS_i,j，k_i＝262是可以检测到 AP的数目。

相对WiFi信号而言，地磁信号的更新扫描频率更快，在同样的采集时间参数下，每个参考点处可以采集到2000个样本。本实施例以3s为一组求解出||B_P||的方差最小的前10作为最终的地磁信息。

本实施例利用手机重力传感器将B_p投影到水平方向B_h和垂直方向B_v，组成一个全新的二维地磁指纹向量(B_h,B_v)，简称为HV指纹。为了增加指纹的维度，我们将HV指纹和||B_p||指纹混合组成三维向量(B_h,B_v,||B_p||)。

地磁指纹的求解关键步骤为坐标系的转换：载体坐标系→导航坐标系。本实施例采用旋转矩阵方法，对于室内定位系统来讲，通常用X轴和Y轴来定义地图上的位置，而用Z轴来定义地面上的高度，该系统主要用来定义地图内的位置。智能手机可以通过沿XYZ轴旋转来实现坐标系转换，定义绕XYZ 方向旋转的矩阵如下：

其中，φ,θ,ψ分别定义为滚动(roll)、俯仰(pitch)、偏航(yaw)角。采用的旋转顺序为XYZ，记为R_xyz(旋转顺序)。

设手机的重力加速度计读数表示为G_p＝(G_px,G_py,G_pz)，G_px,G_py,G_pz分别表示重力加速度计G_p的三轴分量。设地球磁场强度B_r，境中附加在地球磁场上的环境噪声为V＝(V_x,V_y,V_z)，设重力加速度为g＝9.8ms^-2，那么可以得到下式：

B_p＝R_x(φ)R_y(θ)R_z(θ)B_r+V

通过上式可以求解出φ,θ,ψ分别如下：

偏航角的求解需要知道陀螺仪的朝向，一般不考虑Z轴方向的旋转，旋转矩阵可以简化为。

B_f＝R_y(-θ)R_x(-φ)B_p

完成坐标系转换后，再将三维磁场矢量B_f＝(B_fx,B_fy,B_fz)投影到水平方向(horizontal plane)B_h和垂直方向(vertical plane)B_v组成HV分量，如下所示。

为了扩充指纹维度，将(B_h,B_v,||B_p||)组成三维矢量作为磁场强度指纹，第 i个参考点RP_i处的磁场指纹表示为：

MFP_i＝{label_i,(x_i,y_i),B_i,h,B_i,v,||B_i,p||}。

③对实验区域内所有扫描得到的AP按照Mac地址求并集后，需要将缺失的AP值替换为-110dBm。为了消除RSS、MF之间的量纲影响，需要分别对这些特征进行预处理，采用先行归一化函数，使得不同的特征统一到一个相同的数据区间[0,1]内，以便分析。

其中X为原始数据矩阵，X_max,X_min分别表示X矩阵中的最大值和最小值。

④如图4所示，Stacked Autoencoders的网络结构设计为 262-128-64-128-262，网络的输入为无标签的RSS向量i＝1,2,…,K，其中K代表样本的个数，262代表RSS 特征的维度。考虑到后续需要对参考点的坐标进行拟合，Encoder和Decoder 的激活函数均采用Sigmod函数：f(x)＝1/(1+e^-x)。当迭代次数达到2000次时，网络趋于稳定，重构误差为0.025。

利用堆叠自编码器(Stacked Autoencoders)对根据整个区域内的离线 RSS数据按照均方误差最小原则进行重构，得到Stacked Autoencoders网络的权值和偏置参数。

⑤如图5所示；根据实验场景的物理限制，我们将整个区域划分为5类，即对离线训练和在线测试数据样本添加上标签1-5，区域划分。

当对所有的离线RSS数据重构完成后，把Stacked Autoencoders的 Decoder层断开，保留Encoder层的结构和参数，并在Encoder层后面添加一个分类器组成深度神经网络(DNN)，利用交叉熵作为损失函数，如下式所示。其中N为类别的个数，利用BP算法微调整个网络，使得分类的定位精度最优。

分类完成后，绘制混淆矩阵图，查看分类的正确率，分类结果如图6所示，其中横坐标表示分类器的判别输出的类别，纵坐标表示样本实际的类别信息，最下面一行表示每一类判别的正确率和误判率。从混淆矩阵图中看出分类的平均正确率可以达到96.6％，分类错误主要出现在第2类错判为第5类以及第三类错判为第2类。

对所有的离线RSS数据重构完成后，将Stacked Autoencoders的解码层(Decoder)断开，保存编码层(Encoder)。然后在Encoder后连接一个分类器，事先设定好区域数目N值，根据交叉熵原则，按照BP算法微调整个网络，使得分类的精度得到最优。

⑥考虑到地磁在大范围内的分辨能力不足，所以当分类完成后，在 Encoder层后面添加一个全连接的回归网络，在每个类内将RSS和(B_h,B_v,||B_P||) 组成292维的混合指纹作为回归神经网络的输入，最后根据RMSE准则求解最终的定位误差：

将地磁信号从载坐标系转换为导航坐标系，同时将地磁信号投影到水平方向(horizontal plane)B_h和垂直方向(vertical direction)B_v，和地磁信号的模值||B_p||组合为三维向量(B_h,B_v,||B_p||)，在Encoder后连接一个全连接的回归网络，把(B_h,B_v,||B_p||)和RSS组成混合指纹在每个类内对离线参考点的坐标进行拟合，根据均方根误差(RootMean Squared Error,RMSE)最小原则微调整个网络，当每个类内的离线参考点都达到收敛时停止训练。

对于测试点，首先根据②划分其位于哪一类内，然后在根据③求解出拟合的坐标，最后计算出测试点的平均定位误差。

同时为了验证所提出的定位算法的性能，本实施例选取四种对比方案：

(1)WiFi分类定位误差：分类完成后，只用RSS来估计在线测试点的位置；

(2)WiFi不分类定位误差：对整个实验场景不划分区域，直接用堆叠自编码器的Encoder层+回归函数组成DNN网络估计在线测试点的位置；

(3)ISODATA：采用ISODATA算法对RSS特征聚类后，再利用支持向量回归(SVR)估计在线测试点的位置；

(4)autosvr：采用堆叠自编码器对RSS进行分类，然后利用支持向量回归(SVR)估计测试点的位置。

最终定位结果如图7所示，从图中可以看出，对于大型实验场景内，在高分类精度的条件下，该发明能够带来定位性能上的增益，较大的定位误差主要是由分类错误造成的；地磁信号作为RSS的辅助信息，在低定位误差区间内能够带来增益；而ISODATA聚类算法不太适合稀疏的RSS信号。本发明所提出的算法与尚明所提及的四种算法的平均定位误差见表1。

表1算法性能比较

本发明提出的基于WiFi和地磁指纹的分区融合定位方法，首先根据RSS 的稀疏性，采用堆叠自编码器提取RSS的特征；然后将实验场景划分为特定的区域，即对RSS样本添加标签信息，根据堆叠自编码器提取RSS的特征进行分类；最后在每个区域内，将RSS和地磁作为混合指纹输入到回归神经网络内进行拟合。实验结果分析可得，该算法在室内场景条件下能够取得非常好的重构、分类、拟合误差。

综上所述，本发明和上述定位模型相对，最大的优点在于：

①Stacked Autoencoders通过多层非线性的隐含层结构学习低层输入数据的特征，能够从冗余含噪的RSS指纹库中提取有效的特征，构建函数映射关系；

②传统定位模型的定位误差容易受到离线阶段参考点的采样间隔的影响，本发明针对大型场景的物理限制，将实验场景划分为不同的区域，按照RSS的特征，把在线测试点分类到区域内后，再在每个类内进行回归，增加的类别信息可以带来定位性能上的增益。

③考虑了不同特征的数据融合，针对WiFi信号在大范围区分度高，而局部区分度低，地磁信号大范围区分度较低，而局部差异明显，将两者结合可以互相弥补各自缺点，有效提高定位效果。

本发明中各实施例的技术方案可进行组合，实施例中的技术特征亦可进行组合形成新的技术方案。

虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。