基于矩阵向量概率指纹的基站定位系统*

涂岩恺

（1.厦门雅迅网络股份有限公司,福建 厦门 361008；2.中国电子科技集团第三十研究所,四川 成都 610041）

基于矩阵向量概率指纹的基站定位系统*

涂岩恺1，2

（1.厦门雅迅网络股份有限公司,福建 厦门 361008；2.中国电子科技集团第三十研究所,四川 成都 610041）

针对基站定位方法准确度不高的问题，提出基于矩阵向量概率指纹的基站定位方法．该方法对大量的采样数据信号进行概率学习，以基站信号变化的概率分布构建无线信号指纹向量．该方法生成矩阵向量空间上的概率指纹，其本质上利用了大数据隐含的信号波动规律特征，因此相比传统的简单指纹匹配定位方法取得更为理想的定位准确率，定位结果也优于基于无线信号衰减规律的TOA方法．

基站定位；概率指纹；无线信号；向量空间

1 基站定位系统简介

在山谷、密林、城市楼群这类无法接收GPS信号的环境下，如何实现位置定位，是许多工程应用（如工程机械车辆位置监控、户外作业人员位置监控等）关注的焦点．现有的非GPS定位技术主要有：基于蓝牙[1]、RFID[2]、WIFI[3]、基站[4]定位等．基站定位方法能满足野外条件下的定位需求，并且因为其覆盖范围广、实现成本较低等优点而成为一种主要的定位手段，目前的主流手机地图APP软件均带有基站定位功能．

普通的基于LAC（基站区域码）+CID（基站小区码）的单基站定位由于基站位置相隔较远因而精度很低；基于TOA（信号到达时间）或AOA（到达角度）方法需要在定位终端上安装阵列天线等设备，因而不具普遍性；基于基站信号强度[5]估算与基站间距离的定位方法不需要额外设备，因此在具有手机通信模块的普通设备上均能实现，但是由于无线信号的多径效应等现象，使信号强度不稳定，造成定位精度较低．本文利用基站信号强度特征，基于栅格区域概率数据统计学习，构建了一种在矩阵向量空间上表述的基站无线信号概率指纹，提出该概率指纹的匹配定位方法，构建了实际的定位系统．基于概率指纹的基站定位系统框图如图1所示，是一个定位中心服务器．服务器在技术实现上基于MySQL与GUZZ数据持久层框架，支持大数据的分布式存储与检索．采样数据来自于普通用户手机或带通信模块的终端上传的数据，采样时通过地图匹配标注出采样终端位置，连同采样数据上传到定位中心．中心对采样数据进行存储、栅格化处理、提取栅格概率特征．

当一个区域采样完成后，即可对该区域提供基站定位服务．定位终端将所收到的基站信号上传到定位服务中心与栅格概率特征比对，得到特征最相似的栅格位置作为定位结果发回终端．

图1 定位系统框图

2 无线信号概率指纹

2.1 传统无线信号指纹

无线信号指纹[6]可用于基站、WIFI、蓝牙等多种无线信号，表示的是某位置上所收到的无线信号源与对应信号强度构成的向量，采用F表示，假设某区域能收到的所有无线信号源有n个，表示为Wi，i=1, 2, …, n．W代表无线信号唯一性标识，例如对于WIFI信号W可以是WIFI接入点的MAC地址，对于基站信号W则是基站的LAC+CID作为唯一性标识，则指纹向量可表示为：

其中，rssi表示对应的Wi在位置P的信号强度．}lnglat,{=P为采样位置标签，包含纬度lat与经度lng．

从传统无线信号指纹的组成上可以看出，其无线信号强度为固定值，无法描述信号强度变化或波动的情况．实际上无线信号在任何时候都不是固定不变的，特别是基站信号，由于受到复杂的多径效应[7]和衰减[8]等因素的影响，在同一位置接收某一基站的信号，会出现无时间规律的波动变化，这些因素也造成了传统指纹方法后续的定位误差．

2.2 矩阵向量空间上的概率指纹

从基站信号无规律的变化中提取出描述总体变化情况的概率分布特征．这需要比较密集的采样点或对某一位置采样点进行连续多次采样，为概率分布学习提供数据量支撑．整体系统实施需包含连续采样、栅格化处理、生成概率指纹3个部分．

2.2.1 连续采样

1）在需要实施基站定位区域，每隔一定距离进行采样，将采样点经纬度坐标位置、接收到的LAC+CID、信号强度、采样时间、运营商类型上传到基站定位中心服务器，记录进数据库的采样信息表．

2）在该采样点上隔一小段时间进行重复采样．直到采样数量达到要求．

3）更换采样位置，直到采样点否均匀遍布需要实现基站定位的区域．

2.2.2 栅格化处理

由于一般在一个小范围区域内的无线信号受干扰影响程度相同，即无线信号波动情况相同，因此对采样区域小范围栅格化，对栅格内所有信号提取概率特征，栅格化处理步骤如下：

1）服务器计算出所有采样点的经、纬度的最大和最小值(minlng, minlat, maxlng, maxlat)．其中minlng和maxlng代表所有采样点经度最小值和最大值，minlat和maxlat代表所有采样点纬度最小值和最大值．

2）取较小距离r为步长，将步长换算为经纬度数θ．从minlng开始以每θ度划分横向栅格，得到栅格的横向边界位置坐标集：

{minlng, minlng+θ, minlng+2θ,…, maxlng}.

从minlat开始以每θ度划分纵向栅格，得到栅格的纵向边界位置坐标集：

{minlat, minlat+θ, minlat+2θ,…, maxlat}.

根据栅格边界即可把采样区域划分为许多方形栅格，每个栅格记为Cell（m, n），其中m代表栅格处于第m行，n代表栅格处于第n列．栅格化处理的优点在于：能减少在同一个采样点所需的重复采样次数，降低采样工作量．为保证栅格内不同采样点信号强度受环境干扰影响程度相同，栅格化步长r不应取太大的值，在较繁杂的环境中r值应取较小值，在较简单的环境中r值可适当增大．

2.2.3 生成概率指纹

统计学习栅格内信号变化的概率特征：

1）取出一个栅格Cell（m, n）内的所有采样记录，假设一共R条，其中共有k个基站，每个基站的LAC+CID标识用变量ID表示，则所有k个基站可用集合M表示M={ID1, ID2, ID3,…, IDk}，对每个基站i，(i=ID1, ID2,…, IDk)，建立一维数据缓存Ci,x，其中x 表示信号强度，其有效区间为[0, -100]，将每个缓存数值初始化为零：Ci,x=0．

2）从R条采样记录逐个取出采样数据，根据采样数据的基站编号值i与对应的信号强度值x，将对应的Ci,x缓存计数加1，判断是否从单条采样记录中取出所有基站信号累加到相应的Ci,x中，如果是则取下一条采样记录处理，直到处理完栅格内所有R条记录．

3）用PIDi(x)表示基站IDi当其信号强度为x时的概率，则可统计出每一个栅格内的所有基站无线信号的概率分布：

这些概率分布值组成概率指纹：

从图2中可以直观看出生成概率指纹的原理，图中LSL与USL代表信号强度最小值与最大值，之间柱体越高表示该信号强度出现概率越大．

由式（3）与传统指纹表达式（1）的对比可以看出，普通指纹是一个一维向量，而概率指纹中的每一个元素不再是一个固定值，而是一个与信号强度x相关的概率分布，是一个矩阵向量．在概率指纹中包含了普通概率指纹中所没有的信号强度概率分布信息．

图2 栅格化与概率指纹

3 指纹匹配定位

3.1 伪概率指纹

待定位终端接收到LAC+CID 集合N={ID1, ID2, …, IDn}与对应的信号强度值{x1, x2, …, xn}，设终端信号强度满足平均分布，其分布范围为λ，计算各基站信号强度在[xi-λ, xi+λ]区间的概率分布：

生成终端的伪概率指纹：

终端生成伪概率指纹的目的在于保证终端定位实时性，避免和采样过程一样长时间学习信号的概率分布影响定位响应时间．

3.2 匹配定位

将伪概率指纹上传到定位中心．定位中心从概率特征表中取出所有满足N∩M≠Φ的记录，计算概率特征表中每条记录的概率指纹与终端的伪概率指纹的相似度：

其中，S代表概率相似性；ε为阶梯函数：

将相似度最高的记录中的经纬度（栅格中心标）作为定位结果下发到终端，完成定位．

4 应用效果

在上海某楼宇密集实验区域内进行实际应用，该基站定位系统准确率见表1，定位误差在100 m以内的概率超过50%，平均定位精度115 m．

与传统手机APP的普通基站定位性能比较如图3所示，定位效果明显提高，特别是大幅改善了误差在100 m以内的定位概率．

表1 基站定位性能

图3 基站定位效果对比

图4 基站定位实测效果

图4 为实测效果图，黑色点为实际行走路线，白色点为本系统基站定位结果，实际点与对应基站定位点由黑色线连接．可以看出，定位点比较准确，紧密随用户终端移动．采用本文提出的矩阵向量概率指纹方法能够充份利用信号变经的概率分布特征，相比传统方法增加了有效利用的信息量，定位效果得到提高，达到一定的实际应用效果，证明了该方法的有效性．

[1] 张浩，赵千川．蓝牙手机室内定位系统[J]．计算机应用，2011，31（11）：3152-3156．

[2] Ni L M, Liu Y, Lau Y C, et al. LANDMARC: indoor location sensing using active RFID[J]. Wireless Networks, 2004，10（6）：701-710．

[3] 涂岩恺，陈典全．多模自适应 WIFI 无线图构建与定位方法[J]．电子测量技术，2013（9）：112-114．

[4] 苗强，吴德伟，毛玉泉．多基站无源定位技术在区域定位网络中的应用[J]．现代雷达，2007，29（8）：12-14．

[5] 郭英龙，赛景波，乐丽琴，等．移动通信基站定位系统[J]．微型机与应用，2010（5）：42-44．

[6] 魏菲，李允俊，金华．使用位置指纹算法的 WiFi 定位系统设计[J]．单片机与嵌入式系统应用，2014，14（5）：29-32．

[7] Ray J K, Cannon M E, Fenton P C. Mitigation of static carrier-phase multipath effects using multiple closely spaced antennas[J]. Navigation-Washington, 1999，46（3）：193-202．

[8] 刘益，王东，胡楚然，等．阴影衰落环境下无线传感网络的概率覆盖研究[J]．电子技术应用，2011，37（8）：98-101．

Station Positioning System Based on Matrix Vector of Probability Finger Print

TU Yankai1,2
（1.Xiamen Yaxon Network Co.,Ltd., Xiamen, Fujian 361008, China;2.The 30th Research Institute of China Electronics Technology Group Corporation, Chengdu, Sichuan 610041,China）

To handle the low precision of station positioning, a station positioning method based on matrix vector of probability finger print is proposed. By analysing the probability of a huge amount of sampling data signal, a wireless signal finger print vector is created. Compared with the traditional one-dimensional finger print vector, this method applies signal fluctuation principles to form a matrix vector of probability finger print. Therefore, the positioning result is better than that of either traditional finger print matching method or TOA method.

station positioning; probability finger print; wireless signal; vector space

TN967.3

A

1672-0318（2015）03-0014-05

10.13899/j.cnki.szptxb.2015.03.003

2015-01-29

*项目来源：厦门市科技计划资助项目（编号：3502Z20130008）

涂岩恺（1983-），福建永安人，博士，工程师，研究方向为智能信号处理．