本發(fā)明涉及室內定位
技術領域：
，特別涉及一種低成本的基于指紋自適應環(huán)境變化的室內被動式定位方法。
背景技術：
：近些年以來，室內定位在許多新興的應用中起到了至關重要的作用，然而現(xiàn)存的大多數(shù)定位技術都需要目標自身攜帶可通訊設備，這造成了許多場景不適用。隨著wifi裝置的普遍性，基于RSS的被動式室內定位技術以其不需要用戶佩戴任何無線設備和不要求用戶主動參與定位過程的特點，受到了學術界和產業(yè)界的巨大關注。現(xiàn)有的基于RSS的室內被動式定位方法分為以下2類：第一類：基于模型的被動式定位。該方法通過學習目標的位置和RSS的測量值之間的數(shù)學模型關系來進行定位。然而要想在多路徑的室內環(huán)境中得到一個精準的模型來進行高精度的定位結果是很困難的，通常要求目標在無線鏈路的LOS路徑上，或者需要成本非常昂貴的硬件設備以及特殊的RF信號，但是前者會導致過多的能量消耗，后者會出現(xiàn)與日常設備無法兼容的現(xiàn)象。因此該類方法在現(xiàn)實生活中不適用。第二類：基于指紋的被動式定位。該方法首先通過收集目標在不同的位置指紋來建立一個指紋數(shù)據庫，然后定位一個目標位置時，將現(xiàn)測的指紋和原來所得到指紋數(shù)據庫進行對比分析，進而確定目標位置。該類方法能得到令人滿意的高精度，但是每當環(huán)境受到巨大變化或者細微變化時，它需要人工周期性地更新該指紋數(shù)據庫來獲得精準的定位，而這一過程會消耗大量的人力和物力。因此該類方法所需要的成本過高，可行性不好。綜上所述，現(xiàn)有的被動式技術在定位精度、適普性、成本等方面存在不足。因此需要擁有更高可行性的被動式定位新技術。技術實現(xiàn)要素：為了解決上述現(xiàn)有技術存在的問題，本發(fā)明的目的在于，提供一種基于指紋自適應環(huán)境變化的被動式室內定位方法，該方法既能提供令人滿意的高精度又能大大減少更新指紋庫所需的時間和成本。為了實現(xiàn)上述任務，本發(fā)明采取如下的技術解決方案：一種基于指紋自適應環(huán)境變化的被動式室內定位方法，其特征在于，該方法包括以下步驟：步驟一，在樣本區(qū)域部署傳感器節(jié)點；步驟二，通過部署傳感器節(jié)點采集整個樣本區(qū)域的初始RSS指紋矩陣；步驟三，通過整個區(qū)域的RSS矩陣獲取初始參考矩陣，然后計算指紋矩陣和參考矩陣之間的關系矩陣；步驟四，更新指紋矩陣的時候，測量樣本區(qū)域中參考位置的新RSS參考矩陣和未受到目標干擾的RSS值形成第一個約束條件；步驟五，利用關系矩陣和新RSS參考矩陣作為第二個約束條件；步驟六，利用受干擾最大矩陣的2個性質作為第三個約束條件；步驟七，利用LoLi-IR算法來更新指紋矩陣；步驟八，利用非線性最優(yōu)化將實時測量的RSS向量和更新后的指紋矩陣進行匹配，高精度恢復目標的位置?？蛇x的，在樣本區(qū)域部署傳感器節(jié)點，包括：設樣本區(qū)域的面積大小l×a,在樣本區(qū)域部署的節(jié)點形成的無線鏈路長度為l，在樣本區(qū)域的兩側邊上部署傳感器節(jié)點，形成一對一通信的鏈路個數(shù)為M；可選的，所述的通過部署傳感器節(jié)點采集整個樣本區(qū)域的初始RSS矩陣，包括：首先將樣本區(qū)域劃分為大小相等的N個網格讓目標在每個網格位置去站一遍，然后測量M條鏈路相應的RSS值，最后將所測得每個位置的M個RSS值形成初始矩陣X0，該矩陣的尺寸為M×N?？蛇x的，所述的通過整個區(qū)域的RSS矩陣求得初始參考矩陣，然后利用這兩個矩陣得到對應的關系矩陣，包括：通過求矩陣X0的秩，也就是把這個矩陣化為階梯型矩陣，然后看看秩為多少，若秩為m，在矩陣的列中尋找m個線性無關的列向量。然后將該矩陣的最大線性無關向量按列重拍在一起，就組成了參考矩陣XR，然后利用下列等式求得關系矩陣Z:minZ,E||Z||*+λ||E||2,1,s.t.,X0＝XRZ+E.上述優(yōu)化公式進一步地可以通過求解以下優(yōu)化問題，即minZ,E,J||J||*+λ||E||2,1,s.t.,XR＝X0Z+E,Z＝J.可選的，所述的更新指紋矩陣的時候，測量樣本區(qū)域中參考位置的新RSS參考矩陣和未受到目標干擾的RSS值形成第一個約束條件，包括：假設待更新指紋矩陣為X的秩為r，利用SVD分解可以證明X為近似低秩矩陣，首先將X分解如下：X=UΣVT=Σi=1min(M,N)σiuiviT,]]>如果則表明X為近似低秩矩陣，然后利用低秩重構指紋矩陣：求得由于未受到干擾的鏈路的RSS值和參考位置的RSS值已知，于是有索引指紋矩陣并且可以用求解；如果上式不易求解，則利用進行SVD分解，即如果二值矩陣B滿足等距特性，則可以用進行等價，而通常XI中存在噪聲，所以嚴格滿足上式的L和R不易得到，因此利用拉格朗日乘子法放寬上述約束，有：結果發(fā)現(xiàn)重構的不能唯一確定。可選的，所述利用關系矩陣和新RSS參考矩陣作為第二個約束條件，包括：利用之前收集的參考位置上的RSS值即新的RSS參考矩陣和XR來約束上式得：考慮到當環(huán)境改變時，某些位置與參考位置之間的RSS關系會發(fā)生變化，因此直接利用上式重構指紋矩陣的精度也會受到影響?？蛇x的，所述利用受干擾最大矩陣的2個性質作為第三個約束條件，包括：為了進一步提高重構矩陣的準確度，利用受干擾最大矩陣的兩個特性：同一鏈路相鄰位置上的RSS值是連續(xù)變化的和相鄰鏈路同一位置上的RSS值是相似的。通過上述2個特性，上式可以擴展為：其中，XD來源于G和H分別是相鄰位置RSS值連續(xù)約束矩陣和相鄰鏈路RSS值相似約束矩陣?？蛇x的，所述利用LoLi-IR算法來更新RSS矩陣，包括：為了求解上式的最優(yōu)化問題，設計LoLi-IR算法。首先固定L，尋找一個合適的使得上式獲得最小值，具體通過使上述優(yōu)化問題相對于RT的導數(shù)為零，得到新生成的使其與當前最小值v進行比較，如果則更新和否則不變。接著固定R，尋找合適的接下來方法同上，一直重復上述過程直到收斂(默認迭代次數(shù)為200次)。最后，指紋矩陣X就被高精度的重構出來了?？蛇x的，所述利用非線性最優(yōu)化來匹配實時的RSS測量向量和更新后的指紋矩陣獲得精度高的目標位置，包括：當目標處在監(jiān)控區(qū)域時，實時的RSS測量向量Y需要和更新后的指紋矩陣X進行匹配，然后利用非線性最優(yōu)化恢復目標位置向量，最后用OMP算法來求解該非線性最優(yōu)問題。本發(fā)明的基于指紋自適應環(huán)境變化的被動式室內定位方法，帶來的有益效果是：通過測量區(qū)域內少量參考位置處的RSS值來對整個區(qū)域所有位置的指紋矩陣進行重構更新，該定位方法避免了大量的人力和物力去不斷的更新整個區(qū)域的指紋庫，減少相應的成本，提高了基于指紋被動式定位方法的可行性。附圖說明圖1是本發(fā)明的基于指紋自適應環(huán)境變化的被動式定位方法流程圖。圖2是本發(fā)明的基于指紋自適應環(huán)境變化的被動式定位方法部署示意圖。圖3是不同時間點下指紋更新的重構誤差累積分布(CDF)圖。圖4是不同個數(shù)參考位置下指紋更新的重構誤差累積分布圖。圖5是不同大小部署區(qū)域下本發(fā)明的基于指紋自適應環(huán)境變化的被動式定位方法和其他方法更新指紋的時間代價圖。圖6是利用本發(fā)明的基于指紋自適應環(huán)境變化的被動式定位方法更新指紋、使用真實指紋，以及不更新指紋時分別進行定位的定位誤差累積分布圖。圖7是不同時間點下圖6所示三種情況下平均定位誤差對比圖。圖8是四種不同定位方法定位誤差累積分布圖。圖9是不同時間點下四種不同方法平均定位誤差對比圖。下面將結合附圖和實施例對本發(fā)明作進一步地詳細描述。具體實施方式為了更清楚地說明本發(fā)明的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。本實施例給出一種基于指紋自適應環(huán)境變化的被動式室內定位方法，包括：步驟一，在樣本區(qū)域部署傳感器節(jié)點；步驟二，通過部署的傳感器節(jié)點采集整個樣本區(qū)域的初始RSS指紋矩陣；步驟三，通過整個區(qū)域的RSS矩陣獲取初始參考矩陣，然后計算指紋矩陣和參考矩陣之間的關系矩陣；步驟四，更新指紋矩陣的時候，測量樣本區(qū)域中參考位置的新RSS參考矩陣和未受到目標干擾的RSS值形成第一個約束條件；步驟五，利用關系矩陣和新RSS參考矩陣作為第二個約束條件；步驟六，利用受干擾最大矩陣的2個性質作為第三個約束條件；步驟七，利用LoLi-IR算法來更新指紋矩陣；步驟八，利用非線性最優(yōu)化將實時測量的RSS向量和更新后的指紋矩陣進行匹配，高精度恢復目標的位置。在實施中，在眾多基于指紋的定位方法中，本實施例巧妙地只需測量區(qū)域中少量參考位置處的RSS值來更新整個區(qū)域的指紋庫，從而大大減少了更新數(shù)據庫所帶來的人力、物力以及成本。首先收集原始監(jiān)測區(qū)域所有位置處的RSS值構成原始指紋矩陣，求出其對應的參考矩陣，獲得兩者之間的關系矩陣。當更新指紋矩陣的時候，先獲取區(qū)域內參考位置的RSS值得到新的參考矩陣，然后利用待更新指紋矩陣中已知RSS值(包括未受干擾的RSS值和參考矩陣的RSS值)作為第一個約束條件，新參考矩陣和關系矩陣作為第二個約束條件，受干擾最大矩陣(從更新后的指紋矩陣得到的)所特有的2個性質作為第三個約束條件，利用LoLi-IR算法來重構并更新指紋矩陣。最后，當對目標進行定位的時候，通過非線性最優(yōu)化將實時測量的RSS向量與更新后的質問矩陣進行匹配，精確恢復目標的位置。本實施例給出的基于指紋自適應環(huán)境變化的被動式定位方法，相對于現(xiàn)有技術中的被動式定位方法，通過測量區(qū)域中少量參考位置的RSS值來更新整個區(qū)域的指紋數(shù)據庫，這么做，大大降低了人工更新整個區(qū)域的指紋數(shù)據庫所帶來的人力、物力和成本。優(yōu)選的，所述在樣本區(qū)域部署傳感器節(jié)點，包括：在樣本區(qū)域的兩側分別部署傳感器節(jié)點，如圖2所示。設樣本區(qū)域的面積大小l×a，并把區(qū)域劃分為N個正方形網格，M個鏈路，每條鏈路有NM個格子，在樣本區(qū)域部署的節(jié)點形成的無線鏈路長度為l，樣本區(qū)域的節(jié)點數(shù)量為2M，形成一對一通信的M條鏈路(圖中TX表示發(fā)送節(jié)點，RX表示接收節(jié)點，則{TXi,RXi},i∈[1,M])。當目標處于鏈路i的第一菲涅爾區(qū)域時(FirstFresnelZone)，將會對鏈路產生較大的干擾，導致鏈路的RSS值會衰減?？蛇x的，所述通過上述傳感器節(jié)點采集整個樣本區(qū)域的初始RSS指紋矩陣，包括：首先讓目標在樣本區(qū)域內的每個網格位置站一遍，每個位置站的時候每條鏈路會有Q個RSS值，最后取每條鏈路Q個RSS值出現(xiàn)概率最大的值作為該條鏈路RSS真實值，所以每個位置可以得到M個鏈路的M個RSS值，對于N個網格位置而言，就可以得到指紋矩陣。具體地，通過測量整個區(qū)域的每個格子的RSS真實值，用xij表示RSS真實值，其中i＝1,2,…,M，j＝1,2,…,N，收集完后構建指紋矩陣X0，其中X0＝(xij)M×N?？蛇x的，所述通過初始的RSS指紋矩陣獲取初始參考矩陣，然后計算指紋矩陣和參考矩陣之間的關系矩陣，包括：通過求矩陣X0的秩，也就是把這個矩陣化為階梯型矩陣，然后看看秩為多少，若秩為m，在矩陣的列中尋找m個線性無關的列向量。然后將該矩陣的最大線性無關向量按列重排在一起，就組成了參考矩陣XR，然后利用下列等式求得關系矩陣Z:minZ,E||Z||*+λ′||E||2,1,s.t.,X0＝XRZ+E.其中||·||*表示一個矩陣的范式，λ′為調節(jié)系數(shù)。進一步的，上式可以用下式進行等價minZ,E,J||J||*+λ′||E||2,1,s.t.,XR＝X0Z+E,Z＝J；該問題可以通過增廣拉格朗日乘子法來解決，當參考位置的個數(shù)和指紋矩陣的秩相等時，E＝0，從而關系矩陣Z就得到了，所得到的關系矩陣Z將用于更新指紋矩陣的時候作為約束條件，從而提高指紋矩陣更新的精度。可選的，更新指紋矩陣的時候，測量樣本區(qū)域中參考位置的新RSS參考矩陣和未受到目標干擾的RSS值形成第一個約束條件，包括：假設待更新指紋矩陣為X的秩為r，利用SVD分解可以證明X為近似低秩矩陣，首先將X分解如下：X=UΣVT=Σi=1min(M,N)σiuiviT,]]>其中T表示對矩陣進行轉置，U是大小為M×M矩陣，Σ是大小為M×N對角矩陣，V是大小為N×N矩陣，ui和vi分別表示U和V的第i列。如果則表明X為近似低秩矩陣，由于X為近似低秩矩陣，所以它可以最大線性無關的秩r粗略地重構出來，于是利用求得當目標處于樣本區(qū)域時，目標在一個位置只會干擾有限條鏈路，即只有幾條鏈路的RSS值會發(fā)生明顯的衰減，而大部分鏈路的RSS值保持不變，這些未受到干擾鏈路的RSS值是在系統(tǒng)運行的過程中一直能夠直接測量得到的，所以這部分RSS值是已知的。因此在更新指紋矩陣的時候，待更新指紋矩陣中參考位置的RSS值和未受干擾RSS值是已知的，而此時的索引指紋矩陣可以用待更新的完整矩陣和系數(shù)矩陣的Hadamard積來進行表示，于是有索引指紋矩陣其中XI＝(x(i,j))M×N，(B)M×N為二值矩陣，它是由0和1兩個元素組成的大小為M×N的矩陣，其中0表示待更新指紋矩陣當前元素的RSS值是待更新的，1表示RSS值是已知的，符號表示Hadamard積，即兩個矩陣相對應的位置進行乘積。接著，利用作為第一個約束條件使包括未受干擾的RSS值和參考位置的RSS值；并且可以用求解；但是上式不易求解，為了解決這個問題進行SVD分解，即如果二值矩陣B滿足等距特性，則上述問題可以用進行等價，而通常XI中存在噪聲，所以嚴格滿足上式的L和R不易得到。因此利用拉格朗日乘子法放寬上述約束，有：結果發(fā)現(xiàn)重構的不能唯一確定?？蛇x的，利用關系矩陣和新RSS參考矩陣作為第二個約束條件，包括：于是利用參考矩陣XR和關系矩陣作為第二個約束條件對上式進行進一步約束，得到考慮到當環(huán)境改變時，某些位置與參考位置之間的關系會發(fā)生變化，直接利用上式對指紋矩陣進行重構的精度會受到影響。可選的，利用受干擾最大矩陣的2個性質作為第三個約束條件，包括：受干擾最大矩陣是由更新后的指紋矩陣中受干擾最大的RSS值組成的，由于一共有M條鏈路，每條鏈路上有個網格，所以受干擾最大矩陣是一個M行列矩陣，其中每一行代表每條鏈路LOS路徑上個網格位置的RSS值。為了進一步提高重構矩陣的精度，利用受干擾最大矩陣的兩個特性：同一鏈路相鄰位置RSS值的連續(xù)性和相鄰鏈路同一位置RSS值的相似性。利用這兩個性質來提高精度具體為，這個受干擾最大矩陣就是根據更新后的指紋矩陣提取得到的，更新指紋矩陣是個迭代的過程，因此每一步更新指紋矩陣后續(xù)提取相應的受干擾最大矩陣，進而通過對這個提取出的干擾最大矩陣進行約束，提高重構指紋矩陣的精度。通過上述2個特性，上式可以擴展為：其中，XD來源于G和H分別是相鄰位置RSS值連續(xù)約束矩陣和相鄰鏈路相似約束矩陣。關于受干擾最大矩陣的兩個特性證明如下：定義拓撲矩陣T用來表示網格位置之間的相鄰關系,當i網格和j網格相鄰時，T(i,j)的值為1，否則為0，相鄰位置RSS值連續(xù)變化的證明由NLC(i,j)進行表示，NLC(i,j)=|XD(i,j)|-(|XD(i)|T(j)/ΣT(j))max|XD(I,J)|-min|XD(I,J)|,]]>其中XD(i)代表受干擾最大矩陣XD的第i行，T(j)代表矩陣T的第j列，|Xd(i)|T(j)代表鏈路i和網格j的相鄰位置的總和，∑T(j)表示網格j相鄰網格位置的個數(shù)，max|XD(I,J)|-min|XD(I,J)|表示受干擾最大矩陣中最大的元素差。實驗表明對于90％的數(shù)據，其對應的NLC(i,j)小于0.2，說明相鄰位置的RSS值是具有連續(xù)變化的性質。相鄰鏈路RSS值的相似性證明由ALS(i,j)表示，ALS(i,j)=|XD(i,j)|-XD(i-1,j)max(|XD(I,J)-XD(I-1,J)|),]]>其中，I∈[1,M]，max(|XD(I,J)-XD(I-1,J)|)表示相鄰鏈路差距最大的值。實驗表明對于80％的數(shù)據，其對應的ALS(i,j)小于0.4，說明相鄰鏈路相對相同位置的RSS值具有相似的性質。其中，G為矩陣G*的列歸一化矩陣，G*＝T+G1，矩陣G1為的對角矩陣，對角線上的元素由G1(i)＝-∑T(i)得來，其它的元素都為0，其中T(i)為T的第i列，例如當時，有：則此時的G只能保證相鄰位置的RSS值是連續(xù)變化的。但實際上，當目標處于每條鏈路LOS路徑上的位置時，這些相鄰位置的RSS值是連續(xù)變化且呈現(xiàn)對稱性的，即當目標處于LOS路徑的最中間位置時RSS值衰減最小，靠近鏈路接收端和發(fā)送端位置時的RSS值衰減最大，因此將G的最中間列進行修正。具體為定義若p為整數(shù)，令：G(p,p)＝0,G(p+1,p)＝-G(p-1,p)＝1,若p不是整數(shù)，令：其中為下取整，為上取整操作。矩陣H表示相鄰鏈路相對相同的位置RSS測量值相似，例如鏈路1的第一個位置和鏈路2的第個位置即為相對相同的位置，設矩陣H＝Toeplitz(-1,1,0)M×M，其中Toeplitz矩陣的中心對角線元素由1構成，下一層由-1構成，其它元素都為0，如下所示：可選的，設計LoLi-IR算法來更新指紋矩陣，包括：為了求解上式的最優(yōu)化問題，設計LoLi-IR算法。首先固定L，尋找一個合適的使得上式獲得最小值，具體通過使上式相對于RT的導數(shù)為零，然后得到新生成的使其與當前最小值v進行比較，如果則更新和否則不變。接著固定R，尋找合適的接下來方法同上，一直重復上述過程直到優(yōu)化結果收斂(默認迭代次數(shù)為200次)。最后，待更新指紋矩陣X就被高精度的重構出來了。下面以固定L為例進行說明：首先定義一個函數(shù)f，有：固定L，讓得到對于第一部分的導數(shù)，有其中IR為對角矩陣，對于第二部分的導數(shù)，如下：其中bj和θj分別代表矩陣B和θ的第j列，接著其中，Diag(x)表示對角線元素均為x的對角線矩陣，ij表示XI的第j列。第三部分的導數(shù)很容易得到：∂(||Lθ-XR*Z||F2)∂θ=∂(Σj=1N||Lθj-pj||F2)∂θj]]>其中P＝XR*Z，pj代表矩陣P的第j列。為了求解剩下兩部分的導數(shù)，定義受干擾最大矩陣XD為：其中Lii表示L的第ii行。于是有：∂(||XD*Gjj||F2)∂θ=∂(Σj=1N||LiiθjGjj||F2)∂θj]]>∂(||Hjj*XD||F2)∂θ=∂(Σj=1N||HjjLiiθj||F2)∂θj]]>其中，jj＝jmod(N/M)，Gjj表示G的第jj列，Hjj表示H的第jj行。最后得到R的值，具體表示如下：RT＝λIR+LT*L+(Diag(B(:,j))*L)T*(Diag(B(:,j))*L)+(G(jj,:)T*L(ii,:))T*(G(jj,:)T*L(ii,:))+(H(:,jj)*L(ii,:))T*(H(:,jj)*L(ii,:))-1+(Diag(B(:,j))*L)T*XI(:,j)+LT*(P(:,j)).于是，待更新指紋矩陣X就被準確的重構出來了?？蛇x的，利用非線性最優(yōu)化將實時測量的RSS向量和更新后的指紋矩陣進行匹配，高精度恢復目標的位置，包括：當目標處在監(jiān)控區(qū)域時，首先獲取實時的目標引起的RSS測量向量Y，然后將這個RSS向量和更新后的指紋矩陣X進行匹配，使用的定位匹配算法不同于以前，它則是利用非線性最優(yōu)化恢復目標位置向量，使用下述定位模型：YM×1＝XM×N·WN×1+N，其中N為噪聲，W為位置向量且wi∈{0,1}，當wi＝1表明目標處于第i個格子，否則為wi＝0。具體地，定位向量W可以通過下式恢復出來:min||Y-XW^||2s.t.||W^||0≤s,]]>其中s為稀疏階且s≥1，最后用OMP算法來求解該最非線性最優(yōu)化問題。實驗結果對比：發(fā)明人嘗試從以下四個方面去評估本實施例給出的基于指紋自適應環(huán)境變化的被動式定位方法：重構指紋矩陣的穩(wěn)定性能；參考位置個數(shù)；時間消耗；定位性能。重構指紋矩陣的穩(wěn)定性能：圖3為在不同時間點時矩陣重構誤差的累積分布圖，橫軸表示重構誤差，縱軸表示累積分布。從中可以看到重構指紋矩陣和真實矩陣的累積誤差在經過3天、5天、15天、45天和3個月分別為2.7dBm，2.5dBm，3.3dBm，3.6dBm和4.4dBm。從上可以看出，更新后的指紋矩陣可以作為可靠的指紋數(shù)據庫，從而大大降低成本去更新指紋數(shù)據庫。參考位置個數(shù)：圖4為在不同個數(shù)參考參考位置下矩陣重構誤差的累積分布圖，橫軸表示重構誤差，縱軸表示累積分布。從中可以看出，當按照本實施例所給出的利用指紋矩陣中極大無關列對應的8個參考位置中選取越多的參考點，本實施例的指紋更新效果越好，而當所選的8個位置都為參考位置時所得到的效果最好。相反的，當在監(jiān)測區(qū)域中隨機取8個位置作為參考位置時，指紋更新的精度非常低，使重構矩陣的準確度下降42％。時間消耗：一般來說，更新一個監(jiān)控區(qū)域的RSS測量值需要全部手動獲得，假設更新指紋區(qū)域大小為6m×6m，其中每個格子長0.6m，每個格子有100個RSS，收集一個RSS需花時間1秒，通常方法所需時間為小時，本實施例給出的方法所需時間為小時。圖5為本實施例給出的TafLoc指紋更新重構方法和現(xiàn)有其他系統(tǒng)在不同區(qū)域大小更新矩陣所需的時間消耗，橫軸表示區(qū)域邊緣長度，縱軸表示時間消耗。從中可見，隨著更新區(qū)域的不斷變大，本實施例給出的方法能夠大大減少更新指紋庫所需的時間。定位性能：圖6為TafLoc方法和利用真實指紋庫進行定位，以及不更新指紋庫直接利用OMP方法進行定位時的定位性誤差累積分布圖，橫軸表示定位誤差，縱軸表示累積分布。從中可以看出，TafLoc經過15天后對指紋矩陣進行更新后，所得到的結果是50％的格子的定位精度為1.1m，它比真實情況差，但是它與不進行更新直接利用OMP方法(用OMPw/o表示)相比，對于50％的網格來言，定位精度提高了45％。圖7為在5個不同時間段下圖6中所示3種方式的定位誤差，橫軸表示不同時間點，縱軸表示平均定位誤差。從中可知，沒有使用更新指紋矩陣時定位的誤差很大，當使用更新指紋矩陣時可以減少定位誤差，另外，TafLoc能在較長時間內實現(xiàn)較高的定位精度。圖8為TafLoc與現(xiàn)有方法RTI(模型的方法，需要知道鏈路的長度信息)，以及RASS方法(基于指紋庫的方法，利用支持向量機進行定位)的定位性能比較，其中為了說明本實施例給出的指紋更新方法對其他基于指紋庫的定位方法有效，對RASS方法使用和不使用本實施例給出的指紋更新方法的定位性能進行了分析(分別用RASSw/rec.和RASSw/orec.表示)。圖中所示為4種方法的定位誤差累積分布圖，橫軸表示定位誤差，縱軸表示累積分布。從中可知，15天后對于50％的網格位置，本實施例給出的TafLoc方法、RTI、RASSw/rec.和RASSw/orec.各自的誤差為1.1m，1.6m，2.0m，3.3m?？梢奣afLoc相比于RTI和RASS分別提高了28％和43％的定位精度。圖9為5個時間段下4種方法的平均定位誤差，橫軸表示5個不同時間點，縱軸表示平均定位誤差。從中可知，TafLoc相比于RTI和RASS分別在5個不同時間段上的定位精度都較高。總體而言，本發(fā)明的TafLoc既能大大減少更新整個指紋庫所需的人力和成本，又能達到令人滿意的定位精度和穩(wěn)定度。當前第1頁1 2 3