一种基于无线网络定位系统设计和实现.docVIP

一种基于无线网络定位系统设计和实现 　　摘 要：通过对典型WLAN定位方法的研究与分析，本文设计并实现了一种基于位置指纹的WLAN室内定位系统。同时，将NNSS、KWNN和基于概率密度三个经典WLAN定位算法应用于该系统中，进行了实际测试和分析，结果表明，本文所实现的系统具有很好的可靠性和实用性。 　　关键词：WLAN；室内定位；RSSI；位置指纹 　　中图分类号：TN929.5 　　1 前言 　　基于位置的服务（LBS）越来越受到人们的关注，越来越多的定位直接利用现成的无线通讯模块来估计对象节点的位置，应运而生的WLAN定位技术以低成本、低功耗成为室内定位的主要方法之一。 　　2 基于WLAN的定位算法 　　基于WLAN的定位算法主要有到达角度定位（Angle 0f Arrival，AOA）、到达时间定位（Time Of Arrival，TOA）、信号强度分析法（Received Signal Strength，RSS）以及位置指纹定位法（Location Fingerprint）。AOA和TOA需要专门的设备支持，而且受非视距以及多径影响比较严重；RSS对信道传输模型的依赖性非常强，多径效应、墙壁的遮挡以及环境条件的变化都会使其精度严重恶化。采用位置指纹定位技术则可以有效地克服以上定位算法的缺点。基于位置指纹的定位方法主要包括两个阶段：（1）构建指纹图（Radio Map）；（2）定位阶段。 　　3 基于位置指纹的WLAN定位的实现方法 　　3.1 定位网络构建 　　基于位置指纹的WLAN系统的实现，首先需要搭建一个室内无线局域网环境，使每个可能出现移动用户的位置被三个或三个以上AP信号覆盖。在初始情况下，根据经验和推测将AP放置在适当位置，保持一定的发射功率，然后选取一些关键点进行测量，如果发现盲区，则调整AP的位置，或者提高AP的发射功率，再进一步测量，直至可能出现移动用户的位置没有盲区为止 。定位网络系统由多个AP、多个移动客户端和一个定位服务器组成。移动客户端通过网卡获取其到各个AP的RSSI，并发送到定位服务器进行处理。 　　3.2 RSSI采样 　　参照室内平面图选择适当的采样点，在各个采样点多次测量和记录相应AP的RSSI值，并根据采样数据分析环境的无线信道情况。由于实验是构建环境RadioMap，因此必须采集尽可能多的数据。这就要求从多角度、多方面在同一采样点测量多次。 　　3.3 计算RadioMap 　　RadioMap是元组（ap，x，y，s）的集合，其中ap是某个特定的AP，（x，y）是每个采样点的平面坐标，s是（x，y）处ap的RSSI特征量，它被用作定位匹配算法的参考，直接影响定位精度，因此要求其中必须包含尽可能多的元组，而这些元组可以通过经验值法全部采样得到，也可以通过数学模型计算得到。 　　3.4 定位阶段（OnLine阶段） 　　当建立完RadioMap后，就可以运用相应的定位匹配算法，把实时测量的RSSI特征值和RadioMap中的位置指纹进行比较，找出最佳匹配，获得最佳定位效果。 　　4 定位算法 　　目前，在位置指纹定位算法中，典型的定位算法包括最近邻算法NNSS、加权k近邻KWNN和基于概率密度的方法。 　　4.1 最邻近算法 　　NNSS（Nearest Neighors in Signal Space）有n个AP，m个采样点。直接把RSSI平均值作为上述位置指纹，计算测量点的RSSI值和采样点的RSSI值之间的欧几里得距离，即假定第i个采样点的对各AP信号强度元组为（si1，si2…sin）用户当前位置测量得到的信号强度为（s1，s2……sn）。则测量点和第i个采样点的RSSI欧几里得距离为disi，i从1到m中，取dis最小的值所对应的采样点的位置为测量点的估计值。 　　4.2 加权K邻近算法（KWNN） 　　需要注意选择恰当的k值。因为如果k选取太大，则会将离用户实际位置并不是很近的点也包括进来，反而降低了定位精度。首先求测量点RSSI和各个采样点RSSI间的欧几里得距离，再取出k个欧几里得距离最小时对应的k个位置，求出该k个位置坐标的平均值作为该测量点的位置： 　　但直接求k个坐标的平均值作为测量点位置并不是很合适，应该距离越近的位置权值越大。根据该理论权值计算方法如下： 　　上述公式中k和q为两个参数，本系统中q被设为2。由此得出测量点坐标估计值为： 　　4.3 基于概率密度的定位算法（ProbabilityMethod） 　　在该定位方法中，一个采样点1处的位置指纹是RSSI值在该采样点上对各个AP的联合的概率密度。由于各个AP独立，因此联合概率可由各AP的边缘概率求得： 　　上式中 表示在l处AP1的RSSI为