基于多目標優(yōu)化的自適應(yīng)ap選取方法
【專利摘要】本發(fā)明提供一種基于多目標優(yōu)化的自適應(yīng)AP選取方法，包括在室內(nèi)環(huán)境中選取若干參考點，將信號強度信息和參考點的位置信息關(guān)聯(lián)起來組成位置指紋；采集定位點的WiFi信號強度信息，與位置指紋庫進行預(yù)匹配，獲得定位點的鄰近指紋點；選取定位點和鄰近參考點共同觀測到的AP集合作為初始AP集合；通過加權(quán)求和的方法融合信息增益和互信息，建立基于兩種不同信息熵指標的多目標優(yōu)化函數(shù)；采用基因算法對多目標優(yōu)化函數(shù)的最優(yōu)解進行解算，根據(jù)所得最優(yōu)AP子集進行位置估計，對不同的最優(yōu)子集的AP個數(shù)分別處理后，進行權(quán)重方案自優(yōu)化。本發(fā)明能自適應(yīng)環(huán)境因素的變化，在多目標優(yōu)化過程中能自動調(diào)整權(quán)重，通過最小方差獲取最優(yōu)結(jié)果。
【專利說明】
基于多目標優(yōu)化的自適應(yīng)AP選取方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明設(shè)及室內(nèi)定位技術(shù)領(lǐng)域，主要設(shè)及WiFi指紋室內(nèi)定位的自適應(yīng)AP選取方 法。
【背景技術(shù)】
[0002] 隨著社會經(jīng)濟的快速發(fā)展，人們對日常生活中的位置越來越感興趣。由于GPS(全 球定位系統(tǒng))難W在室內(nèi)很好的工作，近年來國內(nèi)外學(xué)者進行了大量的室內(nèi)定位和室內(nèi)導(dǎo) 航的研究，尤其是基于IE邸802.11或IE邸802.15標準的Wi-Fi定位追蹤系統(tǒng)。由于智能設(shè)備 和無線熱點的普及，Wi-Fi室內(nèi)定位系統(tǒng)是一種功能復(fù)用、低成本的定位技術(shù)。
[0003] 基于RSSI的Wi-Fi定位存在基于指紋和基于Ξ角交會的兩種定位方法，基于Ξ角 交會的定位方法構(gòu)建接收信號強度(RSSI)和距離之間的關(guān)系?；谥讣y的位置估計包括線 下指紋庫建立階段和線上實時定位階段。然而，由于信號傳播的多徑效應(yīng)，基于RSSI的Wi- Fi室內(nèi)定位精度較低，而且如何選取觀測質(zhì)量較好的AP(無線訪問接入點）對于Wi-Fi室內(nèi) 定位至關(guān)重要。
[0004] 由于Wi-Fi網(wǎng)絡(luò)的廣泛部署，通常在一個單一的位置可觀察10到20個AP，且在一個 單一的建筑可觀測到50多個APdAP選擇的目的是從所有可用的AP中選擇一個優(yōu)化子集從而 減少計算量并提高定位的精度。
[0005] 目前大量的學(xué)者提出了許多相關(guān)的算法，化en Y等提出了一種基于位置信息增益 的AP選取方法，但是該方法沒有考慮AP之間的相關(guān)性。Deng Z等進一步提出了利用聯(lián)合信 息增益改進的AP選取方法，化η Zou等提出了基于互信息的線上AP選取策略從而提取最有 價值的特征成分并減小冗余?；バ畔⑹请S機變量獨立性的自然信息理論測度，因此較小的 互信息表示較小的相關(guān)性?；诼?lián)合信息增益的AP選取策略和基于互信息的AP選取策略都 是重要的信息賭指標，兩種方法都有各自的優(yōu)勢且他們的定位結(jié)果受環(huán)境變化的影響較 大。
[0006] -般而言，由于無法綜合考慮RSSI觀測值的特征信息，基于單目標優(yōu)化的AP選擇 方法可能有害于Wi-Fi室內(nèi)定位系統(tǒng)。因此，為了保證和提高定位精度，亟需從多目標的角 度來考慮AP選取。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明針對現(xiàn)有基于單目標優(yōu)化的AP選取方法精度不高，對環(huán)境適應(yīng)性差的不 足，提出了一種基于多目標優(yōu)化的自適應(yīng)AP選取方法。
[000引本發(fā)明所采用的技術(shù)方案為一種基于多目標優(yōu)化的自適應(yīng)AP選取方法，包括W下 步驟：
[0009] 步驟一，在室內(nèi)環(huán)境中選取若干參考點，采集參考點處WiFi的信號強度信息，將信 號強度信息和參考點的位置信息關(guān)聯(lián)起來組成位置指紋，得到位置指紋庫；
[0010] 步驟二，采集定位點的WiFi信號強度信息，將定位點的WiFi信號強度信息與位置 指紋庫進行預(yù)匹配，獲得定位點的鄰近指紋點；
[0011] 步驟Ξ，選取定位點和鄰近參考點共同觀測到的AP集合作為初始AP集合；
[0012] 步驟四，通過加權(quán)求和的方法融合信息增益和互信息，建立基于兩種不同信息賭 指標的多目標優(yōu)化函數(shù)如下，
[0013] fitness =wiG · (l-IGsta)+WMi · MIsta
[0014] 式中，fitness表示多目標優(yōu)化函數(shù)的適應(yīng)值，作為目標函數(shù)，fitness越小對應(yīng)的 AP組合觀測質(zhì)量越好，WIG和WMI分別表示聯(lián)合信息增益和簡化互信息對應(yīng)的權(quán)重，且滿足WIG > 0，WM。0，WIG+WMI = 1，IGsta和MIsta分另懐示標準化后的聯(lián)合信息增益和互信息；
[0015] 步驟五，采用基因算法對多目標優(yōu)化函數(shù)的最優(yōu)解進行解算，包括W下子步驟，
[0016] 子步驟1.初始化階段，首先根據(jù)預(yù)設(shè)最優(yōu)子集的AP個數(shù)k，對N個AP的集合，利用二 進制方式進行隨機編碼得到編碼長度為N的個體并確保個體值為1的編碼的個數(shù)為k;當值 為1時表示編碼對應(yīng)的是最優(yōu)AP，而值為0的編碼對應(yīng)的AP表示非最優(yōu)AP;重復(fù)生成Np個個 體形成父代群體，Np為預(yù)設(shè)數(shù)值；
[0017] 子步驟2.按照步驟四中的目標函數(shù)計算初始種群的適應(yīng)值;每個個體中值為1的 編碼對應(yīng)的AP組成的集合就是該個體對應(yīng)的AP子集，獲得所有個體的適應(yīng)值后，按照輪盤 賭法選取Ns個優(yōu)良個體，化為預(yù)設(shè)數(shù)值，小于Np ;個體選中的概率采用反比例加權(quán)法；
[0018] 子步驟3.利用變異算子對選取的子代個體進行變異操作，包括交換個體的兩個染 色體編碼；
[0019] 子步驟4.按照步驟四中的目標函數(shù)計算變異后新產(chǎn)生個體的適應(yīng)值，與父代群體 進行比較，按照個體適應(yīng)值的大小從新生成的個體W及父代群體中選取適應(yīng)值最小的Np個 個體作為新的父代群體，完成種群進化，記錄當前種群的最小適應(yīng)值；
[0020] 子步驟5.返回子步驟2，直到滿足迭代終止條件，進入子步驟6;
[0021] 子步驟6.對具有最小適應(yīng)值的個體進行解碼，找出其編碼為1的染色體對應(yīng)的AP， 獲取最終需要的最優(yōu)AP子集；
[0022] 步驟六，根據(jù)步驟五所得最優(yōu)AP子集進行位置估計；
[0023] 步驟屯，設(shè)定不同的最優(yōu)子集的AP個數(shù)k，循環(huán)執(zhí)行步驟一至步驟六，直到對預(yù)設(shè) 的各AP個數(shù)k均已處理完成；
[0024] 步驟八，AP個數(shù)與權(quán)重方案自優(yōu)化，包括比較不同權(quán)重方案下的不同AP個數(shù)下位 置估計精度的方差大小，選取方差最小對應(yīng)的權(quán)重方案作為相應(yīng)環(huán)境下的最優(yōu)權(quán)重方案。
[0025] 而且，步驟四中，標準化后的聯(lián)合信息增益和互信息求取方式如下，
[0026] 針對IGsta的求算，設(shè)Wi-Fi指紋定位AP子集中N個AP為APi，AP2，…，APn，考慮N個AP 之間的相關(guān)性的聯(lián)合信息增益計算公式如下，
[0027] IG = H(L)-!KL|APi，AP2，...，APn)
[0028] 式中，IG表示N個AP的聯(lián)合信息增益，L表示參考點的位置，Η化)表示指紋點的信息 賭，定區(qū)域內(nèi)存在化個指紋點，則指紋點的信息；
Φ化J)表示指紋點 k的概率，設(shè)Wiy) = ^，條件信息賭H(L I APi，ΑΡ2，…，APn)采用先驗條件概率計算，
[0029] 信息增益的標準化公式如下，
[0030]
[0031] 針對MIsta的求算，考慮N個AP，定義Nsub個AP子集的互信息計算公式如下，
[003^ 施(乂巧，地2，..'，載^姑）=//(.!/'了）+ //('W:) + …她)-思(益!，地|，...，地馬"6)
[00削其中，Nsub如，對于N個AP中的任意Nsub個AP組合，滿足刪抑碼:，.'.，'明,,,,,,）=1恤的 AP組合為最優(yōu)的AP組合；
[0034]考慮信息賭滿足不等式W及信息賭的定義，有
[003引 0《M7(，ylP]，…，作V…占）含 W(J巧）+ 好(部2) +...+燈(ν?戶AW,)《.logW麵
[0036] 互信息標準化公式如下，
[0037]
[0038] 式中，Nmax表示N個AP中，觀測值不同取值個數(shù)最大的AP對應(yīng)的觀測值不同取值的 個數(shù)。
[0039] 而且，子步驟2中，
[0040] 個體選中的概率采用反比例加權(quán)法時，每個個體的權(quán)重計算公式如下，
[0041]
[0042] 式中，wi表示第i個個體選中的概率，fitnessi表示第i個個體的適應(yīng)值，Np表示父 代群體的個體數(shù)。
[0043] 本發(fā)明的創(chuàng)新之處在于，第一方面，信息增益選取AP的方法思路是最大化區(qū)分指 紋點，互信息選取AP的方法思路是最小化數(shù)據(jù)冗余，降低各AP之間的相關(guān)性。本發(fā)明將兩者 優(yōu)勢進行融合，在考慮指紋點最大區(qū)分度的同時最大程度的降低AP之間的相關(guān)性，減小數(shù) 據(jù)冗余，能使定位效率和精度更佳。第二方面，在WiFi室內(nèi)指紋定位技術(shù)中，由于無法綜合 考慮RSSI測量的特征信息，基于單目標優(yōu)化的AP選擇方法可能有害于Wi-Fi室內(nèi)定位系統(tǒng)。 而本發(fā)明是基于多目標優(yōu)化，能提高算法的精度和魯棒性。第Ξ方面，在不同的環(huán)境下，環(huán) 境影響因素不同，權(quán)重策略也不同。本發(fā)明能自適應(yīng)環(huán)境因素的變化，在多目標優(yōu)化過程中 能自動調(diào)整權(quán)重，通過最小方差獲取最優(yōu)結(jié)果。
【附圖說明】
[0044] 圖1是本發(fā)明實施例的基于多目標優(yōu)化的自適應(yīng)AP選取方法的流程圖；
[0045] 圖2是本發(fā)明實施例的實驗方案分布示意圖；
[0046] 圖3是本發(fā)明實施例的基因算法隨機編碼示意圖；
[0047] 圖4是本發(fā)明實施例的基因算法編碼變異示意圖；
[004引圖5是本發(fā)明實施例的方差與精度均值散點圖。
【具體實施方式】
[0049]為了使本發(fā)明的目的、技術(shù)方案和有益效果更加清楚明白，下面結(jié)合附圖及具體 實施方式，進一步說明本發(fā)明。應(yīng)當理解，w下描述的實施方式僅用于解釋本發(fā)明，并不用 于限定本發(fā)明。
[0050] 為了解決WiFi室內(nèi)指紋定位中AP數(shù)目較多，數(shù)據(jù)量較大的問題，通過綜合考慮信 息增益(JIG)和互信息(MI)兩種進行AP選取的算法優(yōu)勢，本發(fā)明公開了一種基于信息增益 和互信息的自適應(yīng)AP融合選取算法，建立多目標優(yōu)化函數(shù)同時利用基因算法(GA)尋求多目 標函數(shù)的最優(yōu)解。根據(jù)不同室內(nèi)環(huán)境下測試的定位結(jié)果方差來自適應(yīng)調(diào)整多目標函數(shù)的權(quán) 重，使得定位精度最優(yōu)。
[0051] 詳見圖1，本發(fā)明實施例提供的一種基于多目標優(yōu)化的自適應(yīng)AP選取方法，具體實 施時可采用計算機軟件技術(shù)實現(xiàn)自動運行流程，包含W下步驟：
[0052] 步驟一，在室內(nèi)環(huán)境中選取若干參考點，采集參考點處WiFi的信號強度信息，將信 號強度信息和參考點的位置信息關(guān)聯(lián)起來組成位置指紋，得到位置指紋庫。
[0053] 實施例為了進一步說明模型對于環(huán)境的適應(yīng)性，在兩種典型的室內(nèi)環(huán)境中進行實 驗(一種為存在人員活動的動態(tài)環(huán)境，另一種為無人員活動的穩(wěn)定環(huán)境）。在選擇的兩個不 同環(huán)境中選取若干參考點（圖中的實屯、圓都代表參考點，點位詳見圖2的會議室和計算機 房），在各參考點處采集WiFi信號強度信息，信號采集持續(xù)時間為2min并取均值作為其RSSI 特征值。將RSSI特征值和參考點的位置信息關(guān)聯(lián)起來組成位置指紋，得到位置指紋庫。
[0054] 步驟二，采集定位點的WiFi信號強度信息，將定位點的WiFi信號強度信息與位置 指紋庫進行預(yù)匹配，獲得定位點的鄰近指紋點。
[0055] 實施例采集定位點的WiFi信號強度信息，信號采集持續(xù)時間同樣為2min并取均值 作為RSSI特征值(圖中的小正方形都代表定位點，點位詳見圖2)，將定位點的RSSI特征值與 位置指紋庫進行預(yù)匹配，獲得待定位點的鄰近參考點（即指紋點）。
[0056] 步驟Ξ，選取定位點和其鄰近參考點共同觀測到的AP集合作為進一步選取AP的初 始AP集合。
[0057] 運樣可W-定程度上排除信號衰減非常嚴重的AP，實現(xiàn)W可見性原則進行AP初步 選取，具體實施時，可由本領(lǐng)域技術(shù)人員自行預(yù)設(shè)輸入AP個數(shù)范圍值。
[0058] 步驟四，通過加權(quán)求和的方法融合信息增益和互信息，建立基于兩種不同信息賭 指標的多目標優(yōu)化函數(shù)。
[0059] 實施例的多目標優(yōu)化函數(shù)公式如下：
[0000] fitness =wiG · (l-IGsta)+WMi · MIsta
[0061 ] 式中，fitness表示多目標優(yōu)化函數(shù)的適應(yīng)值，即目標函數(shù)，fitness越小對應(yīng)的AP 組合觀測質(zhì)量越好，WIG和WMI分別表示聯(lián)合信息增益和簡化互信息對應(yīng)的權(quán)重，且滿足WIG> 0，WMI > 0，WIG+WMI = 1，IGsta和MIsta分別表示標準化后的聯(lián)合信息增益和互信息。
[0062]標準化的聯(lián)合信息增益和互信息的求算公式如下：
[00創(chuàng) IGsta求算公式：
[0064]基于RSSI的Wi-Fi指紋定位AP子集對于位置區(qū)分度的貢獻可W采用聯(lián)合信息增益 的大小表示，設(shè)Wi-Fi指紋定位AP子集中N個AP為APi，AP2，…，APn，考慮N個AP之間的相關(guān)性 的聯(lián)合信息增益計算公式如下：
[00化]IG = H(L)-!KL|APi，AP2，...，APn)
[0066]式中：IG表示N個AP的聯(lián)合信息增益，L表示參考點的位置，Η化)表示指紋點的信息 賭，假定區(qū)域內(nèi)存在化個指紋點，則指紋點的信息賭
P化J)表示指紋 點レ的概率，通常認為指紋點為等概率事件，即嗦件信息賭Ηα|ΑΡι，ΑΡ2，···，ΑΡΝ) 可采用先驗條件概率計算。
[0067]
[006引式中：向量做汾} = b'&s'ifi Wi嚴2 .... _r,W嚴'、]表示ΑΡ集合的聯(lián)合離散觀測值，則 AP集合觀測到的離散RSSI值集合0={RSSIi}，i = l，2, . . .，N〇，N。表示區(qū)域內(nèi)所有觀測到AP 集合的離散RSSI向量，Ndiff表示不同的RSSI向量的個數(shù)，p(RSSIi)表示區(qū)域內(nèi)觀測到RSSIi 的概率，P化jIrSSIi)表示在觀測到RSSIi的條件下，觀測點位于指紋點以的條件概率。P (RSSIi)的統(tǒng)計直方圖計算公式如下：
[0069]

[0070] 式中：Count(RSSIi)表示離散RSSI集合0中向量RSSIi的個數(shù)，N。表示區(qū)域內(nèi)所有觀 測到AP集合的離散RSSI向量。則依據(jù)貝葉斯定理可W推導(dǎo)出條件概率p(kl RSSIi)的計算公 式如下：
[0071]
[0072] 式中：p(RSSIi I Lj)表示指紋點^處觀測到RSSIi的條件概率。p(RSSIi I Lj)的計算公 式如下
[0073]
[0074] 式中：Count(RSSIilLj)表示在指紋點1^油觀測到RSSIi的個數(shù)。
[0075] 依據(jù)信息賭的性質(zhì)信息增益IG滿足：
[0076] 〇< IG<H(L) = log化
[0077] 信息增益的標準化公式如下：
[007引
[0079] MIsta求算公式：
[0080] 考慮N個AP，定義Nsub(Nsub < N)個AP子集的互信息計算公式如下：
[0081] Μμ 巧，馬，+ …+Η(馬。*)-封(雌，.碼'，...，氣婚)
[00劇對于Ν個ΑΡ中的任意Nsub個ΑΡ組合，滿足W(嘩w]，·· = mill的ΑΡ組合即最優(yōu) 的AP組合?？紤]信息賭滿足不等式W及信息賭的定義，則有：
[0086] 式中：Nmax表示N個AP中，觀測值不同取值個數(shù)最大的AP對應(yīng)的觀測值不同取值的 個數(shù)。則有互信息標準化公式如下：
[0087]
[0088] 實施例的不同的權(quán)重配比方案如表1所示，針對不同的權(quán)重方案分別計算多目標 優(yōu)化函數(shù)的最優(yōu)值，并選取出不同權(quán)重方案下的最優(yōu)AP子集進行WiFi室內(nèi)定位。即在不同 權(quán)重方案下分別執(zhí)行步驟五和步驟六。
[0089] 表1不同的權(quán)重配比方案
[0090]
[0091] ~步驟五，采用基因算法捜索對多目標優(yōu)化函數(shù)的最優(yōu)解進行解算，基因算法實施 的流程為：
[0092] 采用基因算法捜索多目標優(yōu)化函數(shù)的最優(yōu)解，基因算法實施的流程為：
[0093] 1.初始化階段，首先由本領(lǐng)域技術(shù)人員自行預(yù)設(shè)最優(yōu)子集的AP個數(shù)k，對N個AP的 集合，利用二進制方式進行隨機編碼得到編碼長度為N的個體并確保個體值為1的編碼的個 數(shù)為k。當值為1時表示編碼對應(yīng)的是最優(yōu)AP，而值為0的編碼對應(yīng)的AP表示非最優(yōu)AP。隨機 編碼示意圖如圖3所示，N個AP記為APi，AP2, . . .，APn。重復(fù)生成Np個個體形成父代群體，具體 實施時，本領(lǐng)域技術(shù)人員可自行預(yù)設(shè)Np的取值。。
[0094] 2.按照步驟四中的目標函數(shù)計算初始種群的適應(yīng)值。每個個體中值為1的編碼對 應(yīng)的AP組成的集合就是該個體對應(yīng)的AP子集。獲得所有個體的適應(yīng)值后，按照輪盤賭法選 取化個優(yōu)良個體(其中，化為預(yù)設(shè)數(shù)值，小于Np)。由于個體的適應(yīng)值越小，個體質(zhì)量越好，即 個體對應(yīng)的AP子集越優(yōu)，因此個體選為優(yōu)良個體的概率與適應(yīng)值成反比。個體選中的概率 采用反比例加權(quán)法。每個個體的權(quán)重計算公式為：
[0095]
[0096] 式中：Wi表示第i個個體選中的概率，fitnessi表示第i個個體的適應(yīng)值，Np表示父 代群體的個體數(shù)。
[0097] 3.利用變異算子對選取的子代個體進行變異操作。參見圖4,由于最優(yōu)AP子集的個 數(shù)為提前設(shè)定，因此變異算子需要交換個體的兩個染色體編碼完成個體變異操作。變異算 子在變異前需要計算是否產(chǎn)生變異的概率，個體的染色體變異的概率與當前位置染色體編 碼有關(guān)。假定當前位置染色體的編碼為1，則計算化個優(yōu)良個體中當前位置編碼為1的個數(shù) Ni;若當前位置染色體的編碼為0,則計算化個優(yōu)良個體中當前位置編碼為0的個數(shù)No。位置 編碼變異的概率計算公式為：
[0100]其中wi(l含i含N)表示個體當前位置染色體的變異概率。為了避免某個染色體的 變異概率為0而弱化新群體的多樣性，公式中分母、分子同時加1使得其變異概率永遠大于 0。則個體的變異操作發(fā)生的概率計算公式為：
[0101 ] Wm = Wi · Wj
[0102] 其中Wm表示染色體交換算子的概率，即個體的第i個染色體和第j個染色體編碼互 換的概率，Wi分別表示其變異概率。
[0103] 4.按照步驟四中的目標函數(shù)計算變異后新產(chǎn)生個體的適應(yīng)值，與父代群體進行比 較，按照個體適應(yīng)值的大小從新生成的個體W及父代群體中選取適應(yīng)值最小的Np個個體作 為新的父代群體，完成種群進化，記錄當前種群的最小適應(yīng)值。
[0104] 5.循環(huán)執(zhí)行W上的2~4,直到滿足迭代終止條件，即群體的最小適應(yīng)值不再變化 為止，進入步驟6。
[0105] 6.對具有最小適應(yīng)值的個體進行解碼，找出其編碼為1的染色體對應(yīng)的AP，從而獲 取最終需要的最優(yōu)AP子集。
[0106] 步驟六，進行位置估計。
[0107] 在步驟五利用基因算法找出最優(yōu)AP子集后，利用現(xiàn)有典型的加權(quán)K最鄰近算法進 行位置估計。位置估計的誤差計算公式為：
[010 引
[0109] 式中：d表示位置計算的誤差，化巧表示位置估計點的估計位置，（x，y)表示位置估 計位置的真實位置。位置估計的精度采用平均誤差表示：
[0110]
[0111] 式中：σ表示位置估計的精度，Ντ表示所有定位點的個數(shù)，di表示第i個點位置估計 的誤差。
[0112] 步驟屯，設(shè)定不同的最優(yōu)子集的AP個數(shù)k，循環(huán)執(zhí)行步驟一至步驟六，直到對預(yù)設(shè) 的各AP個數(shù)k均已處理完成。
[0113] 步驟八，AP個數(shù)與權(quán)重方案自優(yōu)化。環(huán)境不同，多目標優(yōu)化函數(shù)中聯(lián)合信息增益和 互信息的最佳權(quán)重方案可能不同。針對不同的權(quán)重方案，計算不同AP個數(shù)的位置估計精度 的平均值和方差，通過分析得到給定權(quán)重方案下，不同AP個數(shù)的位置估計精度的平均值與 方差呈現(xiàn)明顯的線性相關(guān)性，即方差越小，不同AP個數(shù)的位置估計的精度平均值越小，位置 估計的精度越好。因此只需比較不同權(quán)重方案下的不同AP個數(shù)下位置估計精度的方差大 小，選取方差最小對應(yīng)的權(quán)重方案作為該環(huán)境下的最優(yōu)權(quán)重方案。
[0114] 兩種實驗場景下的定位精度結(jié)果如表2和表3所示：
[0115] 表2.實驗場景一下不同權(quán)重方案W及不同AP個數(shù)下的定位精度表
[0118]表3.實驗場景二下不同權(quán)重方案W及不同AP個數(shù)下的定位精度表
[0119]
[0120] 作為優(yōu)選，步驟八中所述的選取方差最小對應(yīng)的權(quán)重配比方案作為該環(huán)境下的最 優(yōu)權(quán)重方案。此處所用的方法是線性回歸分析法，建立回歸方程：
[0124] 式中，k表示定位時使用的AP子集個數(shù)，實驗中分別設(shè)置為4~10，Cnt表示對應(yīng)的 不同AP子集個數(shù)種類，Ok表示AP子集個數(shù)為k時的位置估計精度，Ave表示AP子集個數(shù)分布 設(shè)置為4~10時位置估計精度的均值，Var表示其對應(yīng)的方差。通過回歸方程顯著性檢驗對 位置估計精度的平均值與方差是否呈現(xiàn)明顯的線性相關(guān)性進行判定。圖5分別給出了兩種 不同環(huán)境下的一次線性回歸模型的擬合直線圖，上方子圖為場景1的精度均值與方差的擬 合直線圖；下方子圖為場景2的精度均值與方差的擬合直線圖。
[0125] 采用的分析方法是線性回歸分析法，公式如下：
[0126] Ave = 0o+0ivar
[0127] 式中，Ok表示AP子集個數(shù)為k時的位置估計精度，Ave表示設(shè)置不同AP子集個數(shù)時 位置估計精度的均值，化r表示其對應(yīng)的方差。通過回歸方程得出位置估計精度的平均值與 方差是否呈現(xiàn)明顯的線性相關(guān)性。
[0128] 表4回歸系數(shù)及其顯著性檢驗表
[0129]
[0130] 表4中β〇表示常系數(shù)項的線性回歸系數(shù)，βι為一次項的回歸系數(shù);p表示自變量與因 變量的相關(guān)系數(shù);F表示F檢驗統(tǒng)計值，F(xiàn)o.05表示置信水平取0.05時的F單尾檢驗限值，F(xiàn)> Fo.05整體回歸效果顯著；t表示一次項系數(shù)的t檢驗統(tǒng)計值，表示置信水平取0.05時的t 雙尾檢驗限值表示回歸系數(shù)顯著。從表5中可W看出，場景1下方差與精度均值之間 相關(guān)系數(shù)為0.9187,存在明顯的相關(guān)性，場景2相關(guān)系數(shù)為0.6247,也呈現(xiàn)較強的正線性相 關(guān)性。此外，兩種場景下的F檢驗結(jié)果均為顯著，因此一次線性回歸整體顯著，同時兩種場景 下一次項系數(shù)的檢驗也均顯著，因此本步驟中的一次線性回歸模型是顯著的。總體而言，方 差與精度均值存在正線性相關(guān)性。
[0131] 然后依照方差最小進行權(quán)重方案優(yōu)化，各權(quán)重方案下兩個實驗場景的不同AP個數(shù) 的位置估計的平均值和方差如下表所示。
[0132] 表5不同場景下的不同AP個數(shù)的位置估計精度的平均值和方差
[0133]
[0134] 分析:在指定AP個數(shù)的情況下，位置估計精度與權(quán)重方案沒有明顯的關(guān)系，隨著聯(lián) 合信息增益權(quán)重的增加 W及互信息權(quán)重的減少，位置估計精度呈現(xiàn)波動的特性。然而在指 定的權(quán)重方案下，通過求取不同AP子集個數(shù)的位置估計精度的平均值和方差發(fā)現(xiàn)，位置估 計精度的平均值與方差呈現(xiàn)明顯的線性相關(guān)性，即方差越小，位置估計精度的平均值越小， 位置估計的精度越好。因此，可W在不同權(quán)重配比情況下，通過設(shè)置不同的AP子集個數(shù)，并 計算該環(huán)境下的位置估計精度的方差，選取方差最小的權(quán)重方案作為該環(huán)境下的最優(yōu)權(quán)重 方案。
[0135] 應(yīng)當理解的是，本說明書未詳細闡述的部分均屬于現(xiàn)有技術(shù)。
[0136] 應(yīng)當理解的是，上述針對較佳實施例的描述較為詳細，并不能因此而認為是對本 發(fā)明專利保護范圍的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明權(quán) 利要求所保護的范圍情況下，還可w做出替換或變形，均落入本發(fā)明的保護范圍之內(nèi)，本發(fā) 明的請求保護范圍應(yīng)W所附權(quán)利要求為準。
【主權(quán)項】
1. 一種基于多目標優(yōu)化的自適應(yīng)AP選取方法，其特征在于，包括以下步驟： 步驟一，在室內(nèi)環(huán)境中選取若干參考點，采集參考點處WiFi的信號強度信息，將信號強 度信息和參考點的位置信息關(guān)聯(lián)起來組成位置指紋，得到位置指紋庫； 步驟二，采集定位點的WiFi信號強度信息，將定位點的WiFi信號強度信息與位置指紋 庫進行預(yù)匹配，獲得定位點的鄰近指紋點； 步驟三，選取定位點和鄰近參考點共同觀測到的AP集合作為初始AP集合； 步驟四，通過加權(quán)求和的方法融合信息增益和互信息，建立基于兩種不同信息熵指標 的多目標優(yōu)化函數(shù)如下， fitness=wig · (l_IGsta)+WMi · MIsta 式中，fitness表示多目標優(yōu)化函數(shù)的適應(yīng)值，作為目標函數(shù)，fitness越小對應(yīng)的AP組 合觀測質(zhì)量越好，wIG和wMI分別表示聯(lián)合信息增益和簡化互信息對應(yīng)的權(quán)重，且滿足w IG 2 0， WMI之0，WIG+WMI = 1，IGsta和MIsta分別表不標準化后的聯(lián)合彳目息增益和互彳目息； 步驟五，采用基因算法對多目標優(yōu)化函數(shù)的最優(yōu)解進行解算，包括以下子步驟， 子步驟1.初始化階段，首先根據(jù)預(yù)設(shè)最優(yōu)子集的AP個數(shù)k，對N個AP的集合，利用二進制 方式進行隨機編碼得到編碼長度為N的個體并確保個體值為1的編碼的個數(shù)為k;當值為1時 表示編碼對應(yīng)的是最優(yōu)AP，而值為0的編碼對應(yīng)的AP表示非最優(yōu)AP;重復(fù)生成N P個個體形成 父代群體，NP為預(yù)設(shè)數(shù)值； 子步驟2.按照步驟四中的目標函數(shù)計算初始種群的適應(yīng)值;每個個體中值為1的編碼 對應(yīng)的AP組成的集合就是該個體對應(yīng)的AP子集，獲得所有個體的適應(yīng)值后，按照輪盤賭法 選取Ns個優(yōu)良個體，Ns為預(yù)設(shè)數(shù)值，小于N P;個體選中的概率采用反比例加權(quán)法； 子步驟3.利用變異算子對選取的子代個體進行變異操作，包括交換個體的兩個染色體 編碼； 子步驟4.按照步驟四中的目標函數(shù)計算變異后新產(chǎn)生個體的適應(yīng)值，與父代群體進行 比較，按照個體適應(yīng)值的大小從新生成的個體以及父代群體中選取適應(yīng)值最小的NP個個體 作為新的父代群體，完成種群進化，記錄當前種群的最小適應(yīng)值； 子步驟5.返回子步驟2，直到滿足迭代終止條件，進入子步驟6; 子步驟6.對具有最小適應(yīng)值的個體進行解碼，找出其編碼為1的染色體對應(yīng)的AP，獲取 最終需要的最優(yōu)AP子集； 步驟六，根據(jù)步驟五所得最優(yōu)AP子集進行位置估計； 步驟七，設(shè)定不同的最優(yōu)子集的AP個數(shù)k，循環(huán)執(zhí)行步驟一至步驟六，直到對預(yù)設(shè)的各 AP個數(shù)k均已處理完成； 步驟八，AP個數(shù)與權(quán)重方案自優(yōu)化，包括比較不同權(quán)重方案下的不同AP個數(shù)下位置估 計精度的方差大小，選取方差最小對應(yīng)的權(quán)重方案作為相應(yīng)環(huán)境下的最優(yōu)權(quán)重方案。2. 根據(jù)權(quán)利要求1所述基于多目標優(yōu)化的自適應(yīng)AP選取方法，其特征在于:步驟四中， 標準化后的聯(lián)合信息增益和互信息求取方式如下， 針對IGSta的求算，設(shè)Wi-Fi指紋定位AP子集中N個AP為AP!，AP2，…，APn，考慮N個AP之間 的相關(guān)性的聯(lián)合信息增益計算公式如下， IG = H(L)-H(L|APi,AP2,---,APn) 式中，IG表示N個AP的聯(lián)合信息增益，L表示參考點的位置，H(L)表示指紋點的信息熵， 定區(qū)域內(nèi)存在Nl個指紋點，則指紋點的信息熵〃 (Ζ) = -￡/^)^Μ&)，ρ〇^)表示指紋點1^的 Μ 概率，設(shè)= 條件信息熵HalAPiAPs，…，ΑΡν)采用先驗條件概率計算， 信息增益的標準化公式如下，針對MISta的求算，考慮Ν個ΑΡ，定義NSub個ΑΡ子集的互信息計算公式如下， M{AI[,APZ,, · ·, A^J = Η(ΑΦ + H(AP2)+- ·+)- H{APX,AP2,--,ΑΡ^) 其中，NSub < N，對于N個AP中的任意NSub個AP組合，滿足M/UA^,) = min的AP組 合為最優(yōu)的AP組合； 考慮信息熵滿足不等式以及信息熵的定義，有 0 < Μ7 {APy ,AP2,···, APNsub )<Η{ΑΡι) + Η{ΑΡ2) + ···+H{APh%b) < Nsub · log Nmx 互信息標準化公式如下，suo w mx· 式中，Nmax表示N個AP中，觀測值不同取值個數(shù)最大的AP對應(yīng)的觀測值不同取值的個數(shù)。3.根據(jù)權(quán)利要求1或2所述基于多目標優(yōu)化的自適應(yīng)AP選取方法，其特征在于:子步驟2 中，個體選中的概率采用反比例加權(quán)法時，每個個體的權(quán)重計算公式如下，式中，wi表示第i個個體選中的概率，fitnessi表示第i個個體的適應(yīng)值，NP表示父代群 體的個體數(shù)。
【文檔編號】H04W4/02GK105872972SQ201610283599
【公開日】2016年8月17日
【申請日】2016年4月29日
【發(fā)明人】張偉, 花向紅, 邱衛(wèi)寧, 吳幫, 劉少偉
【申請人】武漢大學(xué)