本技术涉及一种基于蓝牙位置指纹的室内定位方法，利用与信道信息相关的高维空间谱信息及环境信息，利用主成分分析等手段提取稳健的空间谱指纹，匹配定位时，对抗室内多径的干扰的效果增强，提升了定位精度。在室内多径环境下，该指纹具有更好的对抗多径干扰的效用，该随机变量更加稳定。通过周期性的判断训练数据定位误差完成指纹库更新，若误差大于预先设定的门限值，则从现有多维空间谱指纹库和随机采集的现在时刻的少数定位指纹信息，利用主成分分析或者流型学习等方法，进行降维处理以得到当前时刻的指纹库；若误差小于预先设定的门限值，则沿用之前的指纹库进行定位。这样无须再定位时刻进行重复建库，很大程度上降低了建库负担。
权利要求书
1.一种基于蓝牙位置指纹的室内定位方法，其特征在于，包括步骤如下：
1)初次离线建库：
建立多维空间谱指纹库，所述多维空间谱指纹库包括定位接收信号强度RSSI、室内信道状态信息CSI、自相关函数在非0处的取值、接收到的信号经快速傅里叶变换的频域幅度和相位、功率谱密度和链路质量值LQ；
采用主成分分析法，即通过降维的思想将所述多维空间谱指纹库的定位接收信号强度RSSI、室内信道状态信息CSI、自相关函数在非0处的取值、接收到的信号经快速傅里叶变换的频域幅度和相位、功率谱密度和链路质量值LQ进行线性变换为稳健的指纹信息，形成匹配指纹库；
所述匹配指纹库还包括参考点的位置信息及其方向，所述参考点即为接收信号的蓝牙锚节点；
2)在线匹配阶段
对采集点获取的多维空间谱指纹信息进行主成分分析，并将结果与所述匹配指纹库中稳健的指纹信息进行匹配，利用模式匹配算法计算采集点指纹信息与稳健的指纹信息相似度，从而给出位置信息的估计；
3)更新多维空间谱指纹库
预先设定的门限值，所述门限值是指估计位置与实际位置之间误差的允许范围；
每间隔固定时间进行误差判断：即随机选取某一参考点进行上述方法进行的定位结果与实际位置的误差判断：若估计位置与实际位置的误差大于预先设定的门限值，则向多维空间谱指纹库中加入随机采集的当前时刻定位指纹信息，对所述多维空间谱指纹库进行降维处理，得到当前时刻的匹配指纹库；若估计位置与实际位置的误差小于预先设定的门限值，则沿用之前的匹配指纹库进行定位。
2.根据权利要求1所述的一种基于蓝牙位置指纹的室内定位方法，其特征在于，所述稳健的指纹库的建立方法，包括步骤如下：
(1)采集n个参考点样本信息：
每个样本有p个指标变量，构成一个n×p的数据矩阵X＝(xij)n×p，即
(2)将步骤(1)的参考点样本信息，即X＝(xij)n×p标准化，得到标准化矩阵Zij：
在公式(I)中
(3)计算步骤(2)所述标准化矩阵Zij的样本相关系数矩阵
其中
(4)解样本相关系数矩阵R的特征方程，得P个特征根λ1≥λ2≥…λp，求出特征贡献率并对每个特征根求出相应的单位特征向量
(5)确定主成分个数m，确定主成分个数按照累积贡献率
(6)得到主成分Yi＝UX,其中最后以特征值贡献率为权数，采用线性回归法，计算各参考点的综合得分，存入多维空间谱指纹库中，形成稳健的指纹信息。
3.根据权利要求1所述的一种基于蓝牙位置指纹的室内定位方法，其特征在于，所述步骤2)中给出位置信息的估计的具体步骤包括：
首先，计算采集点指纹与多维空间谱指纹数据库中参考点指纹的距离：假设多维空间谱指纹数据库中参考点指纹数据为m个，采集得到的指纹数据包含n个来自不同蓝牙锚节点的指纹，每个指纹数据表示为sj,j＝1…n,选取指纹数据中最大数值对应的蓝牙锚节点为目标锚节点sk，m个参考点指纹数据对应于n个蓝牙锚节点的指纹表示为 sij,i＝1…m,j＝1…n,选取接收目标蓝牙锚节点信号的参考点指纹slk,对每个参考点，则采集得到的采集点指纹数据与多维空间谱指纹数据库中的参考点指纹数据的距离 Llk＝|sk-slk|；
其次，从采集点指纹数据与多维空间谱指纹数据库中的参考点指纹数据的距离选取其中最小的K个距离，由这K个参考点给出位置信息的估计假设K个参考点的位置为 (xi,yi),i＝1...K，则位置信息估计根据来估计，由此给出了位置信息的估计。
技术说明书
一种基于蓝牙位置指纹的室内定位方法
技术领域
本技术涉及一种基于蓝牙位置指纹的室内定位方法，属于定位的技术领域。
背景技术
近年来随着经济的快速发展，大中型城市的大型建筑和底下商场街道建设的越来越多。人们生活和工作的大部分时间都集中在大楼、商场、餐厅等室内环境，高精度的室内定位技术能够有效地提高工作效率和生活质量，室内定位服务的需求量日益增长。蓝牙作为一种短距离的无线通信技术，发展成熟，价格便宜，性价比高，并且已经成为移动设备上的标配。在众多室内定位技术中，基于位置指纹的室内定位技术可以在低成本的前提下取得较为理想的定位精度。因此，研究基于蓝牙位置指纹的室内定位技术势在必行。
传统的参数化室内定位方法是通过测量信号的到达时间(TOA)、信号的到达差 (TDOA)、信号的到达角度(DOA)及接收信号强度(RSSI)等方法直接应用到室内定位环境中，并针对室内定位的实际环境和定位需求做数据的预处理和定位结果的后处理。但由于室内定位环境相对复杂，多径传播十分严重，上述参数的估计往往存在较大误差，这些误差会导致定位算法的性能往往不太理想。非参数化室内定位方法无须估计上述参数，可有效对抗室内多径传播，在很大程度上提高了室内定位的精度。该方法定位过程分为两个阶段：离线建库阶段和实时定位阶段。在离线建库阶段，各参考点接收来自发送节点的信号，根据接收信号强度进行建库。在实时定位阶段，根据接收信号强度和库中位置指纹进行匹配，给出定位结果。因此非参数化室内定位方法的一个最大的缺点是需要指纹库的参考，如何降低指纹库获取的复杂度及提高指纹库的稳定性是亟待解决的关键问题。
技术内容
针对现有技术的不足，本技术提供一种基于蓝牙位置指纹的室内定位方法。本技术解决传统定位方法中因环境变化给室内定位带来的影响，提高定位精度。同时用多维空间谱指纹代替传统的信号强度指纹可以大大降低建库负担，无需重复建库，减少工作量。
本技术的技术方案如下：
一种基于蓝牙位置指纹的室内定位方法，包括步骤如下：
1)初次离线建库：
建立多维空间谱指纹库，所述多维空间谱指纹库包括定位接收信号强度RSSI、室内信道状态信息CSI、自相关函数在非0处的取值、接收到的信号经快速傅里叶变换的频域幅度和相位、功率谱密度和链路质量值LQ；所述自相关函数是指：描述一个随机过程在相隔t时间的两个不同时刻取值的相关程度；
采用主成分分析法，即通过降维的思想将所述多维空间谱指纹库的定位接收信号强度RSSI、室内信道状态信息CSI、自相关函数在非0处的取值、接收到的信号经快速傅里叶变换的频域幅度和相位、功率谱密度和链路质量值LQ进行线性变换为稳健的指纹信息，形成匹配指纹库；
所述匹配指纹库还包括参考点的位置信息及其方向，所述参考点即为接收信号的蓝牙锚节点；
2)在线匹配阶段
对采集点获取的多维空间谱指纹信息进行主成分分析，并将结果与所述匹配指纹库中稳健的指纹信息进行匹配，利用模式匹配算法计算采集点指纹信息与稳健的指纹信息相似度，从而给出位置信息的估计；
3)更新多维空间谱指纹库
预先设定的门限值，所述门限值是指估计位置与实际位置之间误差的允许范围；
每间隔固定时间进行误差判断：即随机选取某一参考点进行上述方法进行的定位结果与实际位置的误差判断：若估计位置与实际位置的误差大于预先设定的门限值，则向多维空间谱指纹库中加入随机采集的当前时刻定位指纹信息，对所述多维空间谱指纹库进行降维处理，得到当前时刻的匹配指纹库；若估计位置与实际位置的误差小于预先设定的门限值，
则沿用之前的匹配指纹库进行定位。此处设计的优点为，无须再定位时刻进行重复建库，很大程度上降低了建库负担。
根据本技术优选的，所述稳健的指纹库的建立方法，包括步骤如下：
(1)采集n个参考点样本信息：
每个样本有p个指标变量，构成一个n×p的数据矩阵X＝(xij)n×p，即
(2)将步骤(1)的参考点样本信息，即X＝(xij)n×p标准化，得到标准化矩阵Zij：
在公式(I)中
(3)计算步骤(2)所述标准化矩阵Zij的样本相关系数矩阵
其中
(4)解样本相关系数矩阵R的特征方程，得P个特征根λ1≥λ2≥…λp，求出特征贡献率并对每个特征根求出相应的单位特征向量
(5)确定主成分个数m，确定主成分个数按照累积贡献率使指纹数据库信息利用率达到85％以上；
所述主成分是对空间谱数据库中的数据通过主成分分析方法得到的贡献率大的主成分；
(6)得到主成分Yi＝UX,其中最后以特征值贡献率为权数，采用线性回归法，计算各参考点的综合得分，存入多维空间谱指纹库中，形成稳健的指纹信息。
根据本技术优选的，所述步骤2)中给出位置信息的估计的具体步骤包括：
首先，计算采集点指纹与多维空间谱指纹数据库中参考点指纹的距离：假设多维空间谱指纹数据库中参考点指纹数据为m个，采集得到的指纹数据包含n个来自不同蓝牙锚节点的指纹，每个指纹数据表示为sj,j＝1…n,选取指纹数据中最大数值对应的蓝牙锚节点为目标锚节点sk，m个参考点指纹数据对应于n个蓝牙锚节点的指纹表示为 sij,i＝1…m,j＝1…n,选取接收目标蓝牙锚节点信号的参考点指纹slk,对每个参考点，则采集得到的采集点指纹数据与多维空间谱指纹数据库中的参考点指纹数据的距离 Llk＝|sk-slk|；
其次，从采集点指纹数据与多维空间谱指纹数据库中的参考点指纹数据的距离选取其中最小的K个距离，由这K个参考点给出位置信息的估计假设K个参考点的位置为 (xi,yi),i＝1...K，则位置信息估计根据来估计，由此给出了位置信息的估计。
本技术的优势在于：
本技术涉及一种基于蓝牙位置指纹的室内定位方法，充分利用与信道信息相关的高维空间谱信息以及环境信息，并利用主成分分析等手段提取稳健的空间谱指纹，具有更加稳定的指纹意味着在指纹数据库中的指纹数据可靠性增强，匹配定位时，对抗室内多径的干扰的效果增强，提升了定位精度。在室内多径环境下，该指纹具有更好的对抗多径干扰的效用，统计学意义上，该随机变量更加稳定。
本技术的重点还在于更新指纹库阶段，通过周期性的判断训练数据定位误差完成指纹库更新，若误差大于预先设定的门限值，则从现有多维空间谱指纹库和随机采集的现在时刻的少数定位指纹信息，利用主成分分析或者流型学习等方法，进行降维处理以得到当前时刻的指纹库；若误差小于预先设定的门限值，则沿用之前的指纹库进行定位。这样无须再定位时刻进行重复建库，很大程度上降低了建库负担。
具体实施方式：
下面结合实施例对本技术做详细的说明，但不限于此。
实施例1、
一种基于蓝牙位置指纹的室内定位方法，包括步骤如下：
1)初次离线建库：
建立多维空间谱指纹库，所述多维空间谱指纹库包括定位接收信号强度RSSI、室内信道状态信息CSI、自相关函数在非0处的取值、接收到的信号经快速傅里叶变换的频域幅度和相位、功率谱密度和链路质量值LQ；所述自相关函数是指：描述一个随机过程在相隔t时间的两个不同时刻取值的相关程度；
采用主成分分析法，即通过降维的思想将所述多维空间谱指纹库的定位接收信号强度RSSI、室内信道状态信息CSI、自相关函数在非0处的取值、接收到的信号经快速傅里叶变换的频域幅度和相位、功率谱密度和链路质量值LQ进行线性变换为稳健的指纹信息，形成匹配指纹库；
所述匹配指纹库还包括参考点的位置信息及其方向，所述参考点即为接收信号的蓝牙锚节点；
2)在线匹配阶段
对采集点获取的多维空间谱指纹信息进行主成分分析，并将结果与所述匹配指纹库中稳健的指纹信息进行匹配，利用模式匹配算法计算采集点指纹信息与稳健的指纹信息相似度，从而给出位置信息的估计；
3)更新多维空间谱指纹库
预先设定的门限值，所述门限值是指估计位置与实际位置之间误差的允许范围；
每间隔固定时间进行误差判断：即随机选取某一参考点进行上述方法进行的定位结果与实际位置的误差判断：若估计位置与实际位置的误差大于预先设定的门限值，则向多维空间谱指纹库中加入随机采集的当前时刻定位指纹信息，对所述多维空间谱指纹库进行降维处
理，得到当前时刻的匹配指纹库；若估计位置与实际位置的误差小于预先设定的门限值，则沿用之前的匹配指纹库进行定位。此处设计的优点为，无须再定位时刻进行重复建库，很大程度上降低了建库负担。
实施例2、
如实施例1所述的一种基于蓝牙位置指纹的室内定位方法，其区别在于，所述稳健的指纹库的建立方法，包括步骤如下：
(1)采集n个参考点样本信息：
每个样本有p个指标变量，构成一个n×p的数据矩阵X＝(xij)n×p，即
(2)将步骤(1)的参考点样本信息，即X＝(xij)n×p标准化，得到标准化矩阵Zij：
在公式(I)中
(3)计算步骤(2)所述标准化矩阵Zij的样本相关系数矩阵
其中
(4)解样本相关系数矩阵R的特征方程，得P个特征根λ1≥λ2≥…λp，求出特征贡献率并对每个特征根求出相应的单位特征向量
(5)确定主成分个数m，确定主成分个数按照累积贡献率使指纹数据库信息利用率达到85％以上；
所述主成分是对空间谱数据库中的数据通过主成分分析方法得到的贡献率大的主成分；
(6)得到主成分Yi＝UX,其中最后以特征值贡献率为权数，采用线性回归法，计算各参考点的综合得分，存入多维空间谱指纹库中，形成稳健的指纹信息。
实施例3、
如实施例1所述的一种基于蓝牙位置指纹的室内定位方法，其区别在于，所述步骤2) 中给出位置信息的估计的具体步骤包括：
首先，计算采集点指纹与多维空间谱指纹数据库中参考点指纹的距离：假设多维空间谱指纹数据库中参考点指纹数据为m个，采集得到的指纹数据包含n个来自不同蓝牙锚节点的指纹，每个指纹数据表示为sj,j＝1…n,选取指纹数据中最大数值对应的蓝牙锚节点为目标锚节点sk，m个参考点指纹数据对应于n个蓝牙锚节点的指纹表示为 sij,i＝1…m,j＝1…n,选取接收目标蓝牙锚节点信号的参考点指纹slk,对每个参考点，则采集得到的采集点指纹数据与多维空间谱指纹数据库中的参考点指纹数据的距离 Llk＝|sk-slk|；
其次，从采集点指纹数据与多维空间谱指纹数据库中的参考点指纹数据的距离选取其中最小的K个距离，由这K个参考点给出位置信息的估计假设K个参考点的位置为 (xi,yi),i＝1...K，则位置信息估计根据来估计，由此给出了位置信息的估计。
信号指纹定位算法： 利用事先已经测好的先验指纹信息进行定位的算法，指纹信息的建立和利用指纹信息进行定位时都只需要简单的硬件即可实现。 信号指纹定位算法利用了复杂环境的多径效应，可以在NLOS环境下进行精确定位，算法本身不需要硬件的额外支持，依靠已经建立好的离线数据库，只要在接收端获得超宽带信号对应的信息，即可得到定位结果。 根据定位阶段匹配函数的不同，信号指纹定位算法一般可以分为确定性的定位算法、概率性的定位算法和神经网络法三类。 确定性定位算法是利用已有的信号指纹推算出目标节点的位置信息。 基于概率的定位算法是通过条件概率为指纹建立模型，然后通过贝叶斯法则来推算出目标节点的位置信息； 神经网络法是一种最有效反映非线性输入-输出映射的方法。 定位过程： 一、建立指纹数据库； 二、训练（整理）指纹数据库； 三、利用实时测得的信号和已有的指纹信息进行定位。 指纹定位算法中，主要有两种方法可以进行TOA的估计： 一、基于匹配滤波的的相关接收技术。 匹配滤波是最佳滤波的一种，当输入信号具有某种特殊波形时，其输出达到最大，对信号的匹配滤波相当于对信号进行自相关运算。此时，接收机具有较高的采样速率，精度较高。利用发射信号的模板与接收信号进行互相关即可得到精度较高的TOA估计，但是受到Nyquist采样定理的限制，使得其很难匹配接收到的众多的多径分量；匹配滤波必须具有接收信号的先验信息（模板信号），但是，此模板信号在不同的环境下是不同的，甚至受到多径的影响而不同。所以此法，在环境复杂的室内环境或NLOS环境下不适用。 二、基于能量探测的接收技术。 是一种低采样速率、低复杂度的接收技术，是一种非相关（Non-coherent）的TOA估计技术，通常采用适当的门限与接收信号比较，选择最先超过门限的能量块作为TOA估计值。
62 2016年8月 第 8 期（第29卷 总第227期）月刊 2016年 第8期 电信工程技术与标准化 经验与交流 基于MR 的位置指纹定位算法 孙林洁1，王粟2 (1 中国移动通信集团设计院有限公司，北京 100080；2 中国移动通信集团公司，北京 100033) 摘 要 基于MR的无线优化方法在无线网络中正逐步推广应用，而其中位置指纹定位算法更适合于复杂的室内环境， 能够较准确的区分室内外用户并实现室内分层的覆盖评估及业务定位。 关键词 MR；定位方法；指纹库；匹配；校准 中图分类号 TN929.5 文献标识码 A 文章编号 1008-5599（2016）08-0062-03 收稿日期：2016-01-28 通过 LTE 网络的快速建设，中国移动4G 网络的覆盖优势已经初步建立。随着4G 用户的大发展，4G 网络需要进一步实现从数量优势到质量优势的转变，从做广向做深做厚的转变，从室外覆盖提升向室内覆盖提升为主的转变。室内覆盖优势的进一步确立成为当前网络工作的重中之重。中国移动超过70%的业务量发生在室内，但目前业界一直缺乏有效手段可以全面评估室内区域的无线网络覆盖情况，给深度覆盖方面的网络质量评估、网络规划、网络优化工作造成极大困难。 通过采集网络所有终端用户上报的测量报告（MR）数据，根据一定的空间定位算法，将所有用户端的测量数据渲染到空间地图中，可以为网络质量评估、话务热点分布分析、载频隐性故障分析、越区覆盖分析、网络干扰分析、邻区优化、覆盖优化等提供支撑，为无线优化和网络规划建设提供较准确的依据。 1 MR 定位技术 MR 是指移动终端通过控制信道，在业务信道上以一定时间间隔，以测量报告的方式向基站周期性上报所 在小区的下行信号强度、质量等信息。基站将终端上报的下行信息和自身收集的上行物理信息上传给基站控制器，并由其收集与统计。 所有基于MR 的无线优化方法，其核心算法是定位。本文分析比较了几种常用定位算法的优劣性，并对位置指纹定位优化算法做了详细的分析，现网优化结果验证了其算法的有效性。 目前业界主要有以下几种定位方法。 （1）APP 定位方法：通过解析S1-U 口信令，将用户上报的经纬度提取出来，获取用户位置信息。此方法精度校准，但需在室外才能精准定位且由于绝大多数APP 的经纬度被加密，无法直接解析得出，可用的样本点数量有限。（2）TA+AOA 定位：根据MR 中TA 值估算基站和UE 之间的距离，再根据AOA 的角度信息就可以获得终端的位置信息。此方法定位精度受环境的影响明显，在开阔地区定位较准；但在高大建筑物较多区域，定位精度会较差。 （3）三角定位：结合MR 场强信息及网元工参信息，利用主服小区和2个或多个最强的邻区形成的三角形或多边形，计算中心点，并进行场强加权偏移，获得定位结果。然而现网MR 数据邻区信息不全的现象占较大比