本發(fā)明屬于無線定位，涉及一種基于rssi混合濾波及gprm的室內(nèi)無線定位方法。

背景技術(shù)：

1、室內(nèi)無線定位技術(shù)，作為現(xiàn)代智能系統(tǒng)不可或缺的一部分，其應(yīng)用場景日益廣泛，從商場導(dǎo)航到緊急救援，都展示了室內(nèi)無線定位技術(shù)的重要性。盡管全球定位系統(tǒng)(globalpositioning?system，gps)在室外環(huán)境中表現(xiàn)出色，但室內(nèi)環(huán)境的復(fù)雜性和多變性使得gps和其他傳統(tǒng)定位技術(shù)在室內(nèi)的應(yīng)用受到限制。因此，研究和開發(fā)適用于室內(nèi)無線環(huán)境的高精度定位方法成為了當前的研究熱點。

2、接收信號強度(received?signal?strength?indication，rssi)由于其在室內(nèi)無線定位中的易獲取性，成為了眾多研究的基礎(chǔ)。然而，rssi信號強度容易受到環(huán)境因素如障礙物衰減和多徑效應(yīng)的影響，導(dǎo)致定位精度受限。近年來，多項研究集中于如何有效濾波和修正rssi值波動以減少環(huán)境干擾的影響，通過自適應(yīng)rssi濾波方法，測量的rssi輸入值只有在具有高變化水平時才被自動濾波，減少了rssi讀數(shù)的波動。或采用卡爾曼濾波算法的狀態(tài)估計來平滑rssi值，減小環(huán)境噪聲引起的測量誤差。還有一種基于狄克遜檢驗法剔除異常數(shù)據(jù)的方法，根據(jù)數(shù)據(jù)的偏態(tài)程度使用高斯均值濾波進一步優(yōu)化rssi數(shù)據(jù)；一種非線性雙集隸屬度濾波器，提高了計算效率并減少了測量時潛在的不準確性。

3、盡管這些方法在一定程度上改進了rssi值的穩(wěn)定性，但在環(huán)境復(fù)雜的室內(nèi)環(huán)境中，這些方法仍然無法有效適應(yīng)環(huán)境噪聲和變化所帶來的挑戰(zhàn)。

技術(shù)實現(xiàn)思路

1、為解決上述問題，本發(fā)明提供一種基于rssi混合濾波及gprm的室內(nèi)無線定位方法，包括以下步驟：

2、s10，對收集到的rssi數(shù)據(jù)，采用改進的四分位數(shù)法與卡爾曼濾波相結(jié)合的混合濾波；

3、s20，得到rssi訓(xùn)練數(shù)據(jù)，采用高斯過程回歸模型進行距離曲線擬合，完成rssi到距離值的轉(zhuǎn)換；

4、s30，通過粒子群優(yōu)化算法來優(yōu)化加權(quán)最小二乘算法并得到最終計算結(jié)果。

5、優(yōu)選地，所述s10中在四分位數(shù)法中引入可調(diào)節(jié)系數(shù)β，公式為：

6、iqr＝q3-q1?(1)

7、式中，iqr為四分位距，q1是第一四分數(shù)，是數(shù)據(jù)中所有數(shù)值由小到大排列后25％位置的數(shù)值；q3是第三四分數(shù)，即數(shù)據(jù)中所有數(shù)值由小到大排列后75％位置的數(shù)值；設(shè)rssi樣本中異常rssi數(shù)據(jù)的上界和下界分別為rssiub,rssilb，則異常值的范圍定義為：

8、rssilb＝max(q1-β*iqr,μ-β*σ)?(4)

9、rssiub＝min(q3+β*iqr,μ-β*σ)?(5)

10、式中，μ表示rssi數(shù)據(jù)的平均值，σ表示標準差；通過調(diào)節(jié)β參數(shù)，根據(jù)具體環(huán)境下的數(shù)據(jù)特性和需求來調(diào)整異常值的判定標準。

11、優(yōu)選地，所述s10中卡爾曼濾波包括預(yù)測階段和更新階段，其中，

12、預(yù)測階段：

13、

14、式中，是在時間k的狀態(tài)估計，由上一時刻k-1的估計進行預(yù)測；fk是狀態(tài)轉(zhuǎn)移矩陣，bk是控制輸入矩陣，uk是控制輸入，pk|k-1是估計誤差協(xié)方差，qk是過程噪聲協(xié)方差；

15、更新階段：

16、kk＝pk|k-1hkt(hkpk|k-1hkt+rk)-1?(8)

17、

18、pk|k＝(i-kkhk)pk|k-1?(10)

19、式中，kk是卡爾曼增益，hk是觀測矩陣，zk是在時間k的實際觀測，rk是觀測噪聲協(xié)方差，i是單位矩陣；

20、設(shè)rssi值的狀態(tài)轉(zhuǎn)移矩陣fk＝1，bk＝0，則狀態(tài)預(yù)測公式及協(xié)方差公式分別定義為：

21、

22、pk|k-1＝pk-1|k-1+qk?(12)

23、其中是時刻k的rssi值預(yù)測，是時刻k-1的rssi值預(yù)測；

24、其更新階段中hk可以簡化為單位矩陣，則更新方程可以改寫為：

25、kk＝pk|k-1(pk|k-1+rk)-1?(13)

26、

27、pk|k＝(1-kkhk)pk|k-1?(15)。

28、優(yōu)選地，所述s20中高斯過程回歸模型具體為設(shè)一個回歸問題，x表示輸入變量，y表示輸出變量，在高斯過程回歸框架中，輸出變量y關(guān)于輸入變量x的分布被建模為：

29、y＝f(x)+ε?(19)

30、式中，f(x)是一個未知函數(shù)，ε是服從高斯分布的觀測噪聲；假設(shè)f是一個高斯過程，表示為：

31、

32、式中，m(x)是均值函數(shù)；k(x,x')是協(xié)方差函數(shù)，用于描述任意兩個數(shù)據(jù)點x和x'之間的相似度；

33、通過將rssi信號強度作為訓(xùn)練數(shù)據(jù)的輸入x，將對應(yīng)的距離作為輸出y，使用gprm進行訓(xùn)練，訓(xùn)練完成后，模型預(yù)測新的rssi信號強度rssii對應(yīng)的距離di，實現(xiàn)對信號與距離關(guān)系的曲線擬合，公式表示為：

34、

35、優(yōu)選地，所述s30中基于加權(quán)最小二乘算法的無線定位方法具體為：

36、假設(shè)有n個參考點，其位置已知，分別為(x1,y1),(x2,y2),...,(xn,yn)，未知點的坐標記為(x,y)，設(shè)未知點到第i個參考點的距離為di，則有如下關(guān)系：

37、

38、由于實際測量中會存在誤差，用加權(quán)最小二乘算法來求解未知點的最佳位置，使得計算的距離和測量距離之間的誤差最?。?/p>

39、首先，將距離公式平方：

40、di2＝(x-xi)2+(y-yi)2?(23)

41、設(shè)誤差為δ，則最小化誤差的平方和為：

42、

43、通過以下步驟將其線性化并使用最小二乘法求解：

44、線性化：

45、引入新的變量bi：

46、bi＝di2-xi2-yi2?(25)

47、重新排列得到：

48、x2+y2-2xxi-2yyi＝bi?(26)

49、轉(zhuǎn)換為矩陣形式，引入矩陣a和向量b：

50、

51、加權(quán)最小二乘求解，引入權(quán)重矩陣w，可為對角矩陣，對角線元素為各測量值的權(quán)重，解為:

52、x＝(atwa)-1atwb?(30)。

53、優(yōu)選地，所述s30中進一步提高定位精度，采用粒子群優(yōu)化算法，包括以下步驟：

54、s31，初始化粒子群，假設(shè)粒子可能的解為(x,y)；

55、s32，計算每個粒子的適應(yīng)度值；

56、s33，更新粒子的個體最優(yōu)值和全局最優(yōu)值；

57、s34，更新粒子的速度和位置；

58、s35，重復(fù)s32-s34直到達到終止條件。

59、優(yōu)選地，所述s31中采用改進的粒子群優(yōu)化算法，包括以下步驟：

60、s311，引入動態(tài)慣性權(quán)重w在迭代過程中逐漸線性減小，在迭代初期有助于維持廣泛的搜索范圍，而在后期則專注于局部的細致搜索。

61、s312，速度限制:為防止粒子運動過快而錯過最優(yōu)解，對粒子速度設(shè)置上限；

62、s313，邊界處理:當粒子位置超出預(yù)定義的搜索空間時，將其拉回到邊界位置；

63、s314，初始化策略:使用加權(quán)最小二乘算法的結(jié)果作為初始粒子群的一部分，加快收斂速度。

64、本發(fā)明有益效果至少包括：

65、(1)針對現(xiàn)有研究的不足，提出了一種基于改進四分位數(shù)法以及卡爾曼濾波算法相結(jié)合的混合濾波算法，用來進行rssi濾波處理。此混合濾波算法結(jié)合了四分位數(shù)法去除異常值的能力和卡爾曼濾波平滑數(shù)據(jù)的優(yōu)勢，不僅能有效處理rssi信號中的極端值，還能動態(tài)調(diào)整噪聲抑制力度，從而提高濾波效果、適應(yīng)性和精度。

66、(2)針對傳統(tǒng)的rssi測距模型在進行曲線擬合時效果不佳，難以有效捕捉數(shù)據(jù)中的復(fù)雜非線性關(guān)系和不確定性從而導(dǎo)致定位精度不高的問題，本發(fā)明提出一種高斯過程回歸模型(gaussian?process?regression?model,gprm)，用來對濾波過后的rssi進行曲線擬合，可以更好地捕捉rssi信號在不同距離下的變化規(guī)律，從而提高定位的準確性，最終通過粒子群算法優(yōu)化后的加權(quán)最小二乘算法來實現(xiàn)室內(nèi)無線定位工作。