阅读说明：本技术 提高室内相邻网格定位准确率的方法、装置、设备和介质 (Method, device, equipment and medium for improving positioning accuracy of indoor adjacent grids ) 是由 潘维蔚 于 2019-03-15 设计创作，主要内容包括：本申请提供的一种提高室内相邻网格定位准确率的方法、装置、设备和介质,通过对相邻网格进行数据采集；根据无线保真RSSI数据的自身特征进行去除异常值；利用线性判别算法(LDA)在低维情况下进行排列组合,对所得的若干个概率值求和；通过门限的设置,对在线定位阶段的新数据进行了额外的约束。本申请能够去除异常值,提供全新的一种低维组合的方法对LDA进行处理,提高了相邻网格的区分准确率。(According to the method, the device, the equipment and the medium for improving the positioning accuracy of the indoor adjacent grids, data acquisition is carried out on the adjacent grids; removing abnormal values according to the characteristics of the wireless fidelity RSSI data; utilizing a Linear Discriminant Algorithm (LDA) to perform permutation and combination under the condition of low dimension, and summing a plurality of obtained probability values; by setting the threshold, additional constraint is carried out on the new data in the online positioning stage. The method and the device can remove abnormal values, provide a brand-new low-dimensional combination method for processing the LDA, and improve the distinguishing accuracy of the adjacent grids.)

提高室内相邻网格定位准确率的方法、装置、设备和介质

技术领域

本申请涉及无线通信网络技术领域。尤其是涉及一种提高室内相邻网格定位准确率的方法、装置、设备和介质。

背景技术

无线保真(Wireless-Fidelity,WiFi)系统是指一种可以将笔记本、移动设备等终端以无线方式通过一些固定的无线访问接入点(Access Point,AP)互相连接的技术。通常AP部署在室内一些便于安装的位置，系统或网络管理员知晓这些AP的位置，连接WiFi的设备之间可以直接或间接地通过AP进行通信。

WiFi定位技术是指WiFi除了通信功能之外同时实现定位功能。WiFi广泛使用在家庭、旅馆、咖啡馆、机场、商场等各类大型或小型建筑物内，这样使得WiFi成为室内定位领域中一个最引人注目的无线技术。

RSSI(Received Signal Strength Indication)接收信号强度指示，属于无线发送层的可选部分，用来判定链接质量，以及是否增大广播发送强度。RSSI是大多数无线通信设备正常运行中所必需的，很多通信系统需要RSSI信息用来感知链路的质量、实现切换、适应传输速率等功能。而几乎所有商用的无线设备，包括智能手机，无线传感器，RFIDReader，蓝牙，LTE等都支持RSSI数据的采集。WiFi信号的RSSI的获取很简单，RSSI取决于接收器的位置。RSSI不受信号带宽的影响，不需要高的带宽，因此RSSI是一个很受欢迎的信号特征，并广泛应用于定位中。

指纹定位算法是基于室内复杂环境下信号反射折射所形成的在不同位置形成的不同的信号强度信息而提出的一套算法。指纹定位算法分为离线阶段和在线阶段两部分。在离线训练阶段将室内区域划分为网格(间距1到2m)，使用接受设备对网格采样点逐个进行采样，每个网格对应一个独特的指纹，这个指纹可以是单维或多维的，是接受信息或信号的一个特征或多个特征，通常可记录该点位置、所获取的RSSI及AP地址等，最常见的特征是RSSI，对指纹数据进行处理(滤波、均值等)，在大量的已知位置上建立一个细粒度的指纹数据库。在线定位阶段用户持移动设备在定位区域移动，实时获取当前RSSI及AP地址，将该信息上传到服务器进行匹配。

但是无论是传统方法还是运用机器学习的方法都存在定位累计准确率在低于2m的误差范围内过低的问题，区分相邻网格效果差。

发明内容

鉴于以上所述现有技术的缺点，本申请的目的在于提供一种提高室内相邻网格定位准确率的方法、装置、设备和介质，用于解决现有WiFi定位系统区分相邻网格准确率差的问题。

为实现上述目的及其他相关目的，本申请提供一种提高室内相邻网格定位准确率的方法，其特征在于，所述方法包括：选择一对相邻网格并获取其内匹配的由k个AP接入点依据不同时间产生的多组k维RSSI值构成的训练数据集；对所述训练数据集进行归一化处理，并将各所述k维RSSI值代入归一化后的训练数据集进行异常值处理；将所述新训练数据集进行LDA运算以判断各所述k维RSSI值所对应的网格；和/或，将各所述k维RSSI值降维成k组k-1维RSSI值并进行LDA运算以得到k个概率值，并依据预设约束门限判断各所述k维RSSI值所对应的网格；获取该相邻网格内一终端对应的由k个AP接入点依据不同时间产生的多组k维RSSI值构成的测试数据集，对所述测试数据集中各k维RSSI值代入上一步骤以判断各所述k维RSSI值所对应的网格。

于本申请的一实施例中，所述将各所述k维RSSI值代入归一化后的训练数据集进行异常值处理的方法包括：利用欧几里得距离寻找与各所述k维RSSI值对应的测试点距离最近的N个点；判断N个点所对应的网格与所述测试点所对应的网格一致的点所占比例是否达到阈值；若否，则判断该测试点所述对应的k维RSSI值存在异常以进行去除。

于本申请的一实施例中，所述用于寻找与各所述k维RSSI值对应的测试点距离最近的N个点的方法还包括：马氏距离、曼哈顿距离、及汉明距离中任意一种。

于本申请的一实施例中，所述将各所述k维RSSI值降维成k组k-1维RSSI值并进行LDA运算以得到k个概率值，并依据预设约束门限判断各所述k维RSSI值所对应的网格的方法包括：预设约束门限为λ，所述λ取值范围为(0.5，1)；若k个概率值相加大于等于k*λ，则判断所述k维RSSI值所对应的网格为第一网格；若k个概率值相加小于k*(1-λ)，则判断所述k维RSSI值所对应的网格为第二网格；若k个概率值相加小于k*λ且大于等于k*(1-λ)，则依据所述LDA运算直接判断各所述k维RSSI值所对应的网格。

于本申请的一实施例中，所述概率值依据测试场景不同而不相同；所述约束门限能够依据场景不同进行调整。

于本申请的一实施例中，所述一对相邻网格能够是边线长度为1米至2米范围内的网格。

于本申请的一实施例中，针对同一时间或近似时间产生的多组k维RSSI值进行同时性校准。

于本申请的一实施例中，将各所述k维RSSI值降维成k组k-1维RSSI值是依据一定顺序进行的，而不能随意改变；各所述k-1维RSSI值分别对应不同的AP接入点。

于本申请的一实施例中，所述一对相邻网格是依据指纹定位算法中划分的紧邻的两个网格。

为实现上述目的及其他相关目的，本申请提供一种提高室内相邻网格定位准确率的装置，所述装置包括：训练模块，用于选择一对相邻网格并获取其内匹配的由k个AP接入点依据不同时间产生的多组k维RSSI值构成的训练数据集；对所述训练数据集进行归一化处理，并将各所述k维RSSI值代入归一化后的训练数据集进行异常值处理；将所述新训练数据集进行LDA运算以判断各所述k维RSSI值所对应的网格；和/或，将各所述k维RSSI值降维成k组k-1维RSSI值并进行LDA运算以得到k个概率值，并依据预设约束门限判断各所述k维RSSI值所对应的网格；测试模块，用于获取该相邻网格内一终端对应的由k个AP接入点依据不同时间产生的多组k维RSSI值构成的测试数据集，对所述测试数据集中各k维RSSI值代入上一步骤以判断各所述k维RSSI值所对应的网格。

于本申请的一实施例中，所述将各所述k维RSSI值代入归一化后的训练数据集进行异常值处理的功能包括：利用欧几里得距离寻找与各所述k维RSSI值对应的测试点距离最近的N个点；判断N个点所对应的网格与所述测试点所对应的网格一致的点所占比例是否达到阈值；若否，则判断该测试点所述对应的k维RSSI值存在异常以进行去除。

于本申请的一实施例中，所述用于寻找与各所述k维RSSI值对应的测试点距离最近的N个点的方法还包括：马氏距离、曼哈顿距离、及汉明距离中任意一种。

于本申请的一实施例中，所述将各所述k维RSSI值降维成k组k-1维RSSI值并进行LDA运算以得到k个概率值，并依据预设约束门限判断各所述k维RSSI值所对应的网格的功能包括：预设约束门限为λ，所述λ取值范围为(0.5，1)；若k个概率值相加大于等于k*λ，则判断所述k维RSSI值所对应的网格为第一网格；若k个概率值相加小于k*(1-λ)，则判断所述k维RSSI值所对应的网格为第二网格；若k个概率值相加小于k*λ且大于等于k*(1-λ)，则依据所述LDA运算直接判断各所述k维RSSI值所对应的网格。

于本申请的一实施例中，所述概率值依据测试场景不同而不相同；所述约束门限能够依据场景不同进行调整。

于本申请的一实施例中，所述一对相邻网格能够是边线长度为1米至2米范围内的网格。

于本申请的一实施例中，针对同一时间或近似时间产生的多组k维RSSI值进行同时性校准。

于本申请的一实施例中，将各所述k维RSSI值降维成k组k-1维RSSI值是依据一定顺序进行的，而不能随意改变；各所述k-1维RSSI值分别对应不同的AP接入点。

于本申请的一实施例中，所述一对相邻网格是依据指纹定位算法中划分的紧邻的两个网格。

为实现上述目的及其他相关目的，本申请提供一种提高室内相邻网格定位准确率的设备，所述设备包括：存储器、及处理器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行时实现如上所述的提高室内相邻网格定位准确率的方法。

为实现上述目的及其他相关目的，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的提高室内相邻网格定位准确率的方法。

如上所述，本申请的一种提高室内相邻网格定位准确率的方法、装置、设备和介质，通过选择一对相邻网格并获取其内匹配的由k个AP接入点依据不同时间产生的多组k维RSSI值构成的训练数据集；对所述训练数据集进行归一化处理，并将各所述k维RSSI值代入归一化后的训练数据集进行异常值处理；将所述新训练数据集进行LDA运算以判断各所述k维RSSI值所对应的网格；和/或，将各所述k维RSSI值降维成k组k-1维RSSI值并进行LDA运算以得到k个概率值，并依据预设约束门限判断各所述k维RSSI值所对应的网格；获取该相邻网格内一终端对应的由k个AP接入点依据不同时间产生的多组k维RSSI值构成的测试数据集，对所述测试数据集中各k维RSSI值代入上一步骤以判断各所述k维RSSI值所对应的网格。

具有以下有益效果：

能够去除异常值，提供全新的一种低维组合的方法对LDA进行处理，提高了相邻网格的区分准确率。

附图说明

图1显示为本申请于一实施例中的提高室内相邻网格定位准确率的方法的流程示意图。

图2显示为本申请于一实施例中的指纹定位的场景示意图。

图3显示为本申请于一实施例中的提高室内相邻网格定位准确率的装置的模块示意图。

图4显示为本申请于一实施例中的提高室内相邻网格定位准确率的设备的结构示意图。

具体实施方式

以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。

在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。

鉴于如上所述WSN网络中存在的干扰问题，本申请提供一种提高室内相邻网格定位准确率的方法、装置、设备和介质，通过对相邻网格进行数据采集；根据无线保真RSSI数据的自身特征进行去除异常值；利用线性判别算法(LDA)在低维情况下进行排列组合，对所得的若干个概率值求和；通过门限的设置，对在线定位阶段的新数据进行了额外的约束，从而解决WiFi定位系统区分相邻网格准确率差的问题。

如图1所示，展示为本申请于一实施例中的提高室内相邻网格定位准确率的方法的流程示意图。如图所示，所述方法包括：

步骤S101：选择一对相邻网格并获取其内匹配的由k个AP接入点依据不同时间产生的多组k维RSSI值构成的训练数据集。

举例来说，如图2展示为依据指纹定位算法建立的指纹数据库。如图所示，AP为WiFi，RP是离线采集选取的参考点。其室内定位中的位置指纹法，就是事先把各个位置上的信号特征(各Wi-Fi的信号强度)测量一遍，存入指纹数据库。定位的时候，将当前的信号特征与指纹库中的进行匹配，从而确定位置。

例如，在网格边长为3m的指纹数据库中，室内的待测位置的终端定位还比较准确，但是当网格边长缩小到2m或者1m时，其定位精度将大大降低。

进一步来说，当网格边长欲从3m精确到2m或者1m时，其内的待测位置的终端可能仅能确定在几块网格中，并不能精准的确定在哪个更小的网格中，由此，本申请提出所述提高室内相邻网格定位准确率的方法以解决该问题。

鉴于上述过程，首先选择一对相邻网格，从而进一步确定具体在哪个网格中。应需说明的是，原待测位置的终端应处在相邻网格(如边长2m的网格)所组成边长更大的网格中(如边长3m的网格)。

于本申请的一实施例中，所述一对相邻网格是依据指纹定位算法中划分的紧邻的两个网格。

于本申请的一实施例中，所述一对相邻网格能够是边线长度为1米至2米范围内的网格。

如前文所述，AP接入点即为无线访问接入点，举例来说，其可以是WiFi，通常AP部署在室内一些便于安装的位置，系统或网络管理员知晓这些AP的位置，连接WiFi的设备之间可以直接或间接地通过AP进行通信。

RSSI(Received Signal Strength Indication)接收信号强度指示，属于无线发送层的可选部分，用来判定链接质量，以及是否增大广播发送强度。RSSI是大多数无线通信设备正常运行中所必需的，很多通信系统需要RSSI信息用来感知链路的质量、实现切换、适应传输速率等功能。而几乎所有商用的无线设备，包括智能手机，无线传感器，RFIDReader，蓝牙，LTE等都支持RSS数据的采集。WiFi信号的RSSI的获取很简单，RSSI取决于接收器的位置。RSSI不受信号带宽的影响，不需要高的带宽，因此RSSI是一个很受欢迎的信号特征，并广泛应用于定位中。

于本实施例中，通过k个AP接入点与待测位置的终端的无线互联，可以获得对应该待测位置的终端的多组k维RSSI信号强度值，例如[100，150，30，80]。

于本申请的一实施例中，针对同一时间或近似时间产生的多组k维RSSI值进行同时性校准。

这里针对同一时间或近似时间产生的多组k维RSSI值需要进行校准，以使得k个AP在某个时刻每个AP收到了一个RSSI值。

步骤S102：对所述训练数据集进行归一化处理，并将各所述k维RSSI值代入归一化后的训练数据集进行异常值处理。

于本实施例中，所述训练数据集进行归一化处理时为了便于运算。

于本申请的一实施例中，所述将各所述k维RSSI值代入归一化后的训练数据集进行异常值处理的方法包括：

A、利用欧几里得距离寻找与各所述k维RSSI值对应的测试点距离最近的N个点。

于本申请的一实施例中，还可以用马氏距离、曼哈顿距离、及汉明距离中任意一种来代替欧几里得距离以寻找与各所述k维RSSI值对应的测试点距离最近的N个点。

B、判断N个点所对应的网格与所述测试点所对应的网格一致的点所占比例是否达到阈值；若否，则判断该测试点所述对应的k维RSSI值存在异常以进行去除。

于本实施例中，所述阈值可以为二分之一、三分之一或三分之二等等。

举例来说，寻找到与各所述k维RSSI值对应的测试点距离最近的点有50个，假设与所述测试点所对应的网格一致的点不足25个(二分之一)，则判断该测试点所述对应的k维RSSI值存在异常，也就是说这组数据需要去除，不能进入后需的运算当中。

对数据集进行异常值处理是对数据集的一种过滤，因为在实际场景中会受到各种干扰，如人的走动，环境信号噪声等，因此，进行异常值处理能够确保待运算的数据集准确性，也将大大提升后续定位运算及判断的准度率。

步骤S103：将所述新训练数据集进行LDA运算以判断各所述k维RSSI值所对应的网格；和/或，将各所述k维RSSI值降维成k组k-1维RSSI值并进行LDA运算以得到k个概率值，并依据预设约束门限判断各所述k维RSSI值所对应的网格。

于实施例中，该步骤实际上可以同时进行两种处理：1)将所述新训练数据集进行LDA运算以判断各所述k维RSSI值所对应的网格；2)将各所述k维RSSI值降维成k组k-1维RSSI值并进行LDA运算以得到k个概率值，并依据预设约束门限判断各所述k维RSSI值所对应的网格。

线性判别分析(Linear Discriminant Analysis,LDA)是一种机器学习算法，是将高维的模式(比如可以是多个AP的RSSI样本，不同AP对应不同维度)投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，使投影后模式样本的类间散布矩阵最大，并且同时类内散布矩阵最小，即保证投影后在新的空间中有最小的类内距离和最大的类间距离，即相邻网格的高维数据在该空间中有最佳的可分离性。机器学习是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能的方法。从实践的意义上来说，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。

针对2)的处理方式，具体方法如下：

预设约束门限为λ，所述λ取值范围为(0.5,1)；

若k个概率值相加大于等于k*λ，则判断所述k维RSSI值所对应的网格为第一网格；

若k个概率值相加小于k*(1-λ)，则判断所述k维RSSI值所对应的网格为第二网格；

若k个概率值相加小于k*λ且大于等于k*(1-λ)，则依据所述LDA运算直接判断各所述k维RSSI值所对应的网格。

于本实施例中，将各所述k维RSSI值降维成k组k-1维RSSI值，具体为每组依次去除一个AP(一维)，成为k-1维数据。

例如，[10,7,8,9,6]变成[10,7,8,9],[10,7,8,6],[10,7,9,6],[10,8,9,6],[7,8,9,6]。

于本申请的一实施例中，将各所述k维RSSI值降维成k组k-1维RSSI值是依据一定顺序进行的，而不能随意改变；各所述k-1维RSSI值分别对应不同的AP接入点。

举例来说，将第一网格设为标签0，将第2网格设为标签1。

之所以能训练是由于本身就有0和1的标签，有了这个标签，就可以得出五个内部参数不一样的LDA，这个参数不同就是指投影的映射矢量不同，这五个是很不同的数据集，不同的数据集在LDA算法有完全不同的投影矢量，因此有了5个不同的低维LDA，那么如果有新的测试5维数据[100,400,500,200,300]，我们不知道它的标签是0还是1，那么我们也分成5组4维数据，顺序也不能乱，用已经获得的5个不同映射矢量的LDA来分别测试这五个，这次得到5个不同LDA内部生成的是0还是1的概率，我们把这些概率相加，看是不是满足我们的门限，是的话用门限判决。实际上大部分数据满足本申请所述的门限，对少数都不满足两种门限的，还可以用最初的第一种路径直接LDA判决是0还是1。

于本实施例中，对k组k-1维数据进行LDA算法，分别得到实际运用算法输出的预测值为0的概率P₁、P₂…、P_k，则对应预测值为1的概率分别为(1-P₁)、(1-P₂)…(1-P_k)完成求和。

需要说明的是，因空间位置改变的信号强度值在各自网格内方差几乎相同。而相邻网格数据的方差主要分空间位置和自身能量波动两部分，而自身能量波动主要受发射点能量变化和到达时间变化决定，因而对同一个AP发射点可认为在相邻网格自身能量波动近似，从而一维数据方差近似，多维数据方差由于独立性是一维数据方差的简单代数相加，因而多维数据在各自网格内方差近似，因而LDA算法用以突出类间距离对于处理中心距离低于2m以内的相邻网格是合理的。

设置约束门限：进入门限比较单元，对点如果满足下式，则M判决值取0：

P₁+P₂+…+P₄≧k*λ；

对应的，如果满足下式，则M判决值取1：

P₁+P₂+…+P₄≦k*(1-λ)；

如果概率求和均不满足上述两个表达式范围，则认为最初的LDA预测值是对的。其中，其中，所述λ取值范围为(0.5,1)。举例来说，λ为0.8。

于本申请的一实施例中，所述概率值依据测试场景不同而不相同；所述约束门限能够依据场景不同进行调整。

需要说明的是，所述概率值就是通过训练集的训练以的得到计算出所述概率值的参数，从而可以通过代入实测数据集得到相应概率值。

步骤S104：获取该相邻网格内一终端对应的由k个AP接入点依据不同时间产生的多组k维RSSI值构成的测试数据集，对所述测试数据集中各k维RSSI值代入上一步骤以判断各所述k维RSSI值所对应的网格。

通过获取实测数据集则并代入步骤S103以判断各所述k维RSSI值所对应的网格。

当然本申请所述方法还可以拓展到其他室外场景，只要两个网格满足是固定的小区域即可。

本申请所述方法，完成去异常值的低维组合的门限约束，在相同环境下新的多维AP的RSSI数据能够几乎完全准确地被区分位于相邻网格的哪一侧，准确率达到约99％，相对于其他算法有比较明显的提升5％以上，在不同环境下新的多维AP的RSSI数据也有较大的提升。最终达到了不增加接收端开销，提高相邻网格二元区分准确率。

下面则通过具体实施例进一步说明。

选取的相邻网格是一栋建筑物里的一间有诸多办公设施和人员的办公室门内和门外紧邻部分进行区分，实验选用华为手机NEM-10作为接收设备，其中手机内置有WiFi模块，办公室内放置有4个AP，通过HL-340USB串行口分别与4台个人计算机相连。测试前，对AP内核写入程序并充分调试，使AP在接收到手机反向的应答信号时,将RSS信息、手机的MAC地址、收到应答信号的时刻通过串行口输出到个人计算机上，并进行同时性校准。测试时个人计算机保存记录并整合4台个人计算机的信息。

A、实验所用的真实环境为办公室环境，其中办公室所在的门内网格和走廊所在的门外格点，选取的相邻格点是门内以门为边界线的内网格和门外对应的外网格(网格为1m1m的正方形，即相邻网格中心距离可以充分保证算法处理的数据低于2m误差范围，实现网格区分度最小时的准确率提升，同时为使准确率提升更具有一般性，门内门外没有门的阻隔，这样相邻网格信号强度差异本身更小，网格之间区分难度更大)，实验时实验人员携带手机在门内门外网格的时间严格相等，实验人员每6分钟轮换网格(这样可以保证训练数据的均衡性)，共分三个时间段进行三次不同真实办公室环境(比如办公室内物体的摆放以及人员的变化)的实验，第一种环境共收集2383组的4维数据，第二种环境总共收集535组的4维数据，第三种环境总共收集957组的4维数据，计算机总计收集到3875组的4维数据，采集后完成存储工作。

B、去除异常值，对4个AP产生的4维训练数据时序校准过的训练数据集进行归一化，对归一化后的数据进行异常值处理，即将离线训练的多维数据代入离线训练集自身，寻找欧几里得距离最近的50个点，用欧几里得距离直接判断，当检测任意的维数据是否为异常点时，如果最近的50个点中至少有25个点与对应的网格一致则认为不是异常点；否则判断为异常点。去除了一些定义的异常点。

C、对进行异常值处理后的数据运用LDA算法构建模型H，排列组合4个AP，分为4组，每组依次去除一个AP(一维)，成为3维数据，对4组3维数据进行LDA算法，分别得到实际运用算法输出的预测值为0的概率P₁、P₂、…、P₄完成求和看是否大于3.2(λ为0.8)，或者，对应预测值为1的概率分别为(1-P₁)、(1-P₂)、…、(1-P₄)完成求和看是否大于3.2。

D、代入测试数据归一化，直接P₁、P₂、…、P₄是否和大于3.2或者小于0.8，在这之间范围的求和仍适用LDA

最终本发明在办公室相同环境下准确率接近0.99，不同环境下对完整的训练集进行学习的在每一种环境下都有准确率的提高。

在一些实施方式中，所述基于神经网络的WSN抗干扰方法可应用于控制器，例如：ARM控制器、FPGA控制器、SoC控制器、DSP控制器、或者MCU控制器等等。在一些实施方式中，所述基于神经网络的WSN抗干扰方法也可应用于包括存储器、存储控制器、一个或多个处理单元(CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子系统、显示屏、其他输出或控制设备，以及外部端口等组件的计算机；所述计算机包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视、个人数字助理(Personal DigitalAssistant，简称PDA)等个人电脑。在另一些实施方式中，所述基于神经网络的WSN抗干扰方法还可应用于服务器，所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上，也可以由分布的或集中的服务器集群构成。

如图3所示，展示本申请实施例中的提高室内相邻网格定位准确率的装置的模块示意图。如图所示，所述装置300包括：

训练模块301，用于选择一对相邻网格并获取其内匹配的由k个AP接入点依据不同时间产生的多组k维RSSI值构成的训练数据集；对所述训练数据集进行归一化处理，并将各所述k维RSSI值代入归一化后的训练数据集进行异常值处理；将所述新训练数据集进行LDA运算以判断各所述k维RSSI值所对应的网格；和/或，将各所述k维RSSI值降维成k组k-1维RSSI值并进行LDA运算以得到k个概率值，并依据预设约束门限判断各所述k维RSSI值所对应的网格；

测试模块302，用于获取该相邻网格内一终端对应的由k个AP接入点依据不同时间产生的多组k维RSSI值构成的测试数据集，对所述测试数据集中各k维RSSI值代入上一步骤以判断各所述k维RSSI值所对应的网格。

需要说明的是，本实施例的提高室内相邻网格定位准确率的装置的实施方式，与上文中提高室内相邻网格定位准确率的方法的实施方式类似，故不再赘述。

应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，测试模块302可以为单独设立的处理元件，也可以集成在上述系统的某一个芯片中实现，此外，测试模块302也可以以程序代码的形式存储于上述系统的存储器中，由上述系统的某一个处理元件调用并执行以上分类器模型训练模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital signal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。

如图4所示，展示本申请一实施例中提高室内相邻网格定位准确率的设备的结构示意图。所述设备400包括：存储器401及处理器402，所述存储器401存储有计算机程序，所述处理器402用于执行所述存储器401存储的计算机程序，以使所述设备执行时实现如图1所述的基于神经网络的WSN抗干扰方法。

所述存储器401可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

所述处理器402可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

为实现上述目的及其他相关目的，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图1所述的提高室内相邻网格定位准确率的方法。

所述计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，通过选择一对相邻网格并获取其内匹配的由k个AP接入点依据不同时间产生的多组k维RSSI值构成的训练数据集；对所述训练数据集进行归一化处理，并将各所述k维RSSI值代入归一化后的训练数据集进行异常值处理；将所述新训练数据集进行LDA运算以判断各所述k维RSSI值所对应的网格；和/或，将各所述k维RSSI值降维成k组k-1维RSSI值并进行LDA运算以得到k个概率值，并依据预设约束门限判断各所述k维RSSI值所对应的网格；获取该相邻网格内一终端对应的由k个AP接入点依据不同时间产生的多组k维RSSI值构成的测试数据集，对所述测试数据集中各k维RSSI值代入上一步骤以判断各所述k维RSSI值所对应的网格。

本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。