一种基于Wi-Fi的室内定位算法研究与实现

为实现在多楼层大面积的室内环境下获得精准定位信息，以芬兰Tampere大学的公开数据集为基础，建

伴随着社会的进步和数据业务的快速发展，地理位置信息在人们日常生活中发挥着越来越重要的作用，因此人们对于定位与导航的需求不断增长。近年来，由于互联网和物联网技术的广泛应用，以及智能手机和其他无线设备在市场的广泛普及，各种基于位置的服务应用不断受到关注，其中高精度的定位技术是位置服务应用的核心技术。迄今为止全球定位系统(GPS)是世界上应用最多的导航和定位系统，它的使用让人们能在广阔的室外环境迅速获取可靠的、高精度的位置信息，但是当GPS 信号遇到厚的障碍物时，信号会在障碍物表面反射，穿过障碍物的信号强度会大幅的衰减，所以GPS 很难满足室内环境下精准定位的需求。特别对于大型室内导航需求已经成为亟待解决的问题。

当前基于Wi-Fi 的定位是室内导航研究的热点[1] [2]， 特性是不需要布设其余定位设备， 使用成本低。

针对基于Wi-Fi 的定位算法，Bah1 等[3]提出使用KNN 算法进行精准定位，定位中使用最小二乘法找到相邻最优位置，取最优结果作为定位结果。但单独使用该算法进行大型室内精准定位有个缺陷，即取前k 个位置进行位置估算， 会累积增加定位误差；Brunato 等[4]通过机器学习训练模型的方法解决室内定位， 但该方法训练模型使用时间过长以及对样本数据要求较高。基于上述学者的研究思路及存在的问题，本文提出同样基于Wi-Fi 信号RSS，首先对实验数据进行预处理，构建基础指纹库，然后对自动编码器和神经网络模型结合形成楼层分类模型进行训练，最后利用RSS 相关性，使用加权KNN 算法对单个楼层的坐标进行估计，结合楼层分类模型得到精准楼层分类的单个楼层定位。实验结果表明，使用加权KNN算法结合楼层分类模型相对于日常室内定位方法更能够获取到高精度的定位。

2. 数据来源 数据使用的是2017 年1 月至8 月期间在芬兰Tampere 大学[5]的一栋4 层教学楼中采集，该楼总共部署了992 个信号发射源，采集数据包括两组Wi-Fi 数据。其中一组数据用于室内定位模型的训练，另一组数据用于模型的测试，总共包含了687 个训练指纹和3951 个测试指纹数据。因此，我们所用到的数据主要有四种： 1) 训练指纹RSS：一个697 × 992 的矩阵； 2) 训练指纹坐标：一个697 × 3 的矩阵(x,y,z 的3D 坐标)； 3) 测试指纹RSS：一个3951 × 992 的矩阵； 4) 测试指纹坐标：一个3951 × 3 的矩阵(x,y,z 的3D 坐标)。