一种大型地下室照明灯定位方法与流程

1.本发明属于室内定位技术领域，具体涉及一种大型地下室照明灯定位方法，具体为一种基于加权knn算法和wifi指纹的大型地下室照明灯定位系统。


背景技术：

2.目前定位技术比较成熟和稳定的是gps定位技术，这种技术利用卫星信号实现对物体的定位，能够准确的得到物体的经纬度。但是这种技术目前主要用于室外定位。并不适用于室内定位，一来由于卫星信号在传播过程中受到建筑物的遮挡，衰减较大。二来由于gps在是室内定位的精度无法达到以米为单位的级别。
3.另外目前室内比较好的定位技术还有蓝牙定位，这技术通过蓝牙信号进行定位，传输不受视距的影响。但对于复杂的空间环境，蓝牙系统的稳定性稍差，受噪声信号干扰大，且蓝牙器件和设备的价格比较贵。所以并不能大覆盖范围的进行定位，因此不太适用于大型的地下室环境。并且这种定位方式的定位精度较高，能够达到厘米级别，照明灯的定位并不需要这么高的精度。所以蓝牙定位的方式主要还是用于小范围的高精度定位。
4.近年来随着小区、商业中心的规模越来越大，地下室的规模也越来越大。有的地下室面积甚至高达上万平。而作为地下室就一定会在各个位置安装相应的照明灯，但是地下室的规模一大，往往照明灯的数量就数以万计，并且分布在庞大的地下室的各个角落。
5.基于上述情形，想要在大型地下室将所有灯的位置信息和wifi指纹都采集一遍，是十分耗时耗力的。同时对于不同的地下室，其布局不同，灯的安装位置也不同。另外如果不对照明灯进行定位，如果有照明灯出现故障，那么在庞大的地下室空间内从上万盏灯中找到出现故障的照明灯是十分困难的。为此，设计一种大型地下室照明灯定位方法，从而克服上述问题。


技术实现要素：

6.本发明的目的在于克服现有技术存在的不足，而提供一种大型地下室照明灯定位方法，本发明能够快速有效地对大型地下室中数以万计的大型照明灯进行定位。用户面对不同的大型地下室，只需要将地下室进行网格化分区，并设置坐标。同时每一个区域采集少量参考点的wifi指纹。构建出wifi指纹库，就能够在上万盏照明灯安装好后，实现快速的在线定位。能够节省大量的人力物力，同时为照明灯后续的维护带来方便。
7.本发明是通过如下的技术方案予以实现的：一种大型地下室照明灯定位方法，该方法由加权knn算法系统和指纹系统，所述指纹系统由wifi指纹信息和位置指纹信息作为样本进行离线采集，在通过离线采集到的数据通过加权knn算法计算出这些照明灯的位置。
8.作为优选：所述离线采集的具体方法为：
9.1)首先将大型地下室分为若干个区域，并将区域网格化，并通过网格设置各个区域参考点坐标；
10.2)通过移动设备在参考点不停地获取wifi信号强度，并取平均值，将获取到的平
均值作为参考点的wifi强度；
11.3)最后将位置指纹和信号强度指纹保存到系统的mysql数据库当中，生成对应的wifi指纹库。
12.作为优选：所述加权knn算法的具体步骤为：
13.1)系统得到照明灯的wifi指纹后，会在离线采集阶段得到wifi指纹库中找到和该wifi指纹最匹配的k个数据，k＝knn算法，knn算法中的k是指在进行分类或回归时，选择与目标数据点最近的k个数据点来预测目标数据点的类别或值，该算法中的“k”是一个超参数，可以手动设置；
14.2)使用knn算法，是通过计算在线接收的rss向量s＝(s1,s2,s3,...,sn)与数据库中各参考点采集的rss向量ri＝(ri 1,ri 2,...,ri n)间的欧氏距离进行匹配，两者之间的欧式距离记为：
[0015][0016]
式中，i＝1,2,3,...,m,m是参考点总数，当d越小时表示s与对应参考点r之间的匹配度越高，即用户位置越接近参考点的位置；
[0017]
3)根据以上原理，计算在线接收的向量s与每一个参考点向量的欧氏距离并根据欧氏距离进行从小到大的排序，取前k个参考点的位置信息，求得的均值即为用户当前位置：
[0018][0019]
式中，(xi,yi)表示所选出的k个欧氏距离最小的参考点对应的位置坐标；
[0020]
4)通过增加权重因子，来衡量不同参考点对采集点的影响程度，采集点和参考点的wifi指纹匹配误差越小，其对定位的影响程度就越小，权重因子也就越大，把k个参考点的坐标加权之和作为待测点的估计位置，计算公式如下所示：
[0021][0022]
本发明的有益效果如下：本发明所设计的一种大型地下室照明灯定位方法，能够快速有效地对大型地下室中数以万计的大型照明灯进行定位。用户面对不同的大型地下室，只需要将地下室进行网格化分区，并设置坐标。同时每一个区域采集少量参考点的wifi指纹。构建出wifi指纹库，就能够在上万盏照明灯安装好后，实现快速的在线定位。能够节省大量的人力物力，同时为照明灯后续的维护带来方便。
附图说明
[0023]
图1为本发明的knn算法定位图。
[0024]
图2为本发明的加权knn算法定位图。
[0025]
图3为本发明的定位方法原理图。
具体实施方式
[0026]
为使本领域的普通技术人员更加清楚地理解本发明的目的、技术方案和优点，以下结合附图和实施例对本发明做进一步的阐述。
[0027]
在本发明的描述中，需要理解的是，“上”、“下”、“左”、“右”、“内”、“外”、“横向”、“竖向”等术语所指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或原件必须具有特定的方位，因此不能理解为对本发明的限制。
[0028]
下面将结合附图对本发明作详细的介绍：如图1所示，一种大型地下室照明灯定位方法，该方法由加权knn算法系统和指纹系统，所述指纹系统由wifi指纹信息和位置指纹信息作为样本进行离线采集，在通过离线采集到的数据通过加权knn算法计算出这些照明灯的位置。
[0029]
所述离线采集的具体方法为：
[0030]
1)首先将大型地下室分为若干个区域，并将区域网格化，并通过网格设置各个区域参考点坐标；
[0031]
2)通过移动设备在参考点不停地获取wifi信号强度，并取平均值，将获取到的平均值作为参考点的wifi强度；
[0032]
3)最后将位置指纹和信号强度指纹保存到系统的mysql数据库当中，生成对应的wifi指纹库。
[0033]
所述加权knn算法的具体步骤为：
[0034]
1)系统得到照明灯的wifi指纹后，会在离线采集阶段得到wifi指纹库中找到和该wifi指纹最匹配的k个数据，k＝knn算法，knn算法中的k是指在进行分类或回归时，选择与目标数据点最近的k个数据点来预测目标数据点的类别或值，该算法中的“k”是一个超参数，可以手动设置；
[0035]
2)使用knn算法，是通过计算在线接收的rss向量s＝(s1,s2,s3,...,sn)与数据库中各参考点采集的rss向量ri＝(ri 1,ri 2,...,ri n)间的欧氏距离进行匹配，两者之间的欧式距离记为：
[0036][0037]
式中，i＝1,2,3,...,m,m是参考点总数，当d越小时表示s与对应参考点r之间的匹配度越高，即用户位置越接近参考点的位置；
[0038]
3)根据以上原理，计算在线接收的向量s与每一个参考点向量的欧氏距离并根据欧氏距离进行从小到大的排序，取前k个参考点的位置信息，求得的均值即为用户当前位置：
[0039][0040]
式中，(xi,yi)表示所选出的k个欧氏距离最小的参考点对应的位置坐标；
[0041]
4)通过增加权重因子，来衡量不同参考点对采集点的影响程度，采集点和参考点的wifi指纹匹配误差越小，其对定位的影响程度就越小，权重因子也就越大，把k个参考点
的坐标加权之和作为待测点的估计位置，计算公式如下所示：
[0042][0043]
具体实施例
[0044]
如图1所示，使用knn算法，系统会将和照明灯wifi指纹最匹配的四个参考点的坐标值的均值作为照明灯的位置，也就是四个参考点的中心位置作为照明灯的位置，虽然这种方式大致能够确定照明灯的位置，但是还是不够精确。因为knn法是在最近邻算法的基础上给k个参考点相同的权重进行计算的，但考虑到不同参考点距待测点的欧氏距离不同，在计算过程中的权重应该是不等的。因此本系统在knn算法的基础上，进行了改进，使用加权knn算法，通过增加权重因子，来衡量不同参考点对采集点的影响程度。采集点和参考点的wifi指纹匹配误差越小，其对定位的影响程度就越小，权重因子也就越大。把k个参考点的坐标加权之和作为待测点的估计位置。计算公式如下所示：
[0045][0046]
假设k＝4，使用加权knn算法进行定位过程如图2，由图2可知通过加权knn算法能够得到照明灯更加精准的位置。为了方便理解，提供了图3为本发明的定位方法原理图。
[0047]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。

技术特征：
1.一种大型地下室照明灯定位方法，该方法由加权knn算法系统和指纹系统，其特征在于：所述指纹系统由wifi指纹信息和位置指纹信息作为样本进行离线采集，在通过离线采集到的数据通过加权knn算法计算出这些照明灯的位置。2.根据权利要求1所述的大型地下室照明灯定位方法，其特征在于：所述离线采集的具体方法为：1)首先将大型地下室分为若干个区域，并将区域网格化，并通过网格设置各个区域参考点坐标；2)通过移动设备在参考点不停地获取wifi信号强度，并取平均值，将获取到的平均值作为参考点的wifi强度；3)最后将位置指纹和信号强度指纹保存到系统的mysql数据库当中，生成对应的wifi指纹库。3.根据权利要求1所述的大型地下室照明灯定位方法，其特征在于：所述加权knn算法的具体步骤为：1)系统得到照明灯的wifi指纹后，会在离线采集阶段得到wifi指纹库中找到和该wifi指纹最匹配的k个数据，k＝knn算法，knn算法中的k是指在进行分类或回归时，选择与目标数据点最近的k个数据点来预测目标数据点的类别或值，该算法中的“k”是一个超参数，可以手动设置；2)使用knn算法，是通过计算在线接收的rss向量s＝(s1,s2,s3,...,sn)与数据库中各参考点采集的rss向量ri＝(ri 1,ri 2,...,ri n)间的欧氏距离进行匹配，两者之间的欧式距离记为：式中，i＝1,2,3,...,m,m是参考点总数，当d越小时表示s与对应参考点r之间的匹配度越高，即用户位置越接近参考点的位置；3)根据以上原理，计算在线接收的向量s与每一个参考点向量的欧氏距离并根据欧氏距离进行从小到大的排序，取前k个参考点的位置信息，求得的均值即为用户当前位置：式中，(xi,yi)表示所选出的k个欧氏距离最小的参考点对应的位置坐标；4)通过增加权重因子，来衡量不同参考点对采集点的影响程度，采集点和参考点的wifi指纹匹配误差越小，其对定位的影响程度就越小，权重因子也就越大，把k个参考点的坐标加权之和作为待测点的估计位置，计算公式如下所示：

技术总结
一种大型地下室照明灯定位方法，该方法由加权KNN算法系统和指纹系统，所述指纹系统由wifi指纹信息和位置指纹信息作为样本进行离线采集，在通过离线采集到的数据通过加权KNN算法计算出这些照明灯的位置。本发明所设计的一种大型地下室照明灯定位方法，能够快速有效地对大型地下室中数以万计的大型照明灯进行定位。用户面对不同的大型地下室，只需要将地下室进行网格化分区，并设置坐标。同时每一个区域采集少量参考点的WiFi指纹。构建出WiFi指纹库，就能够在上万盏照明灯安装好后，实现快速的在线定位。能够节省大量的人力物力，同时为照明灯后续的维护带来方便。为照明灯后续的维护带来方便。为照明灯后续的维护带来方便。


技术研发人员：金鹏 李强 周颢 谈海生 杜皓华 李向阳
受保护的技术使用者：德清阿尔法创新研究院
技术研发日：2023.05.22
技术公布日：2023/9/14