本发明公开了一种基于接收信号强度的层次分类室内定位方法，属于室内定位技术领域。本发明的基于接收信号强度的层次分类室内定位方法首先给出了1‑sigma区间判别机制，将整个平面楼层空间划分成若干存在交叉数学的区块域；进一步以高斯过程分类，实现以房间为颗粒元素的室内定位。所提方法在浙江某医疗养护中心进行实地测试，通过与支持向量机(SVM)、决策树、K近邻(KNearestNeighbor，KNN)方法相比所提方法在准确率、平均误差和标准误差等方面表现更佳，平均误差达到80.8以下，标准误差达到81.1以下，误差方差达到7.7以下，准确率达到97.6％以上，稳定性仅低于SVM(误差方差为4.6)。

步骤1：采集所有参考点RP的信号；

步骤2：根据各个参考点RP计算1-sigma区间；

步骤3：根据1-sigma区间进行区块划分，得到区块级分类器；

步骤4：在各个区块内训练高斯过程分类器，即颗粒级分类器。

在一种实施方式中，所述的步骤1为：

使用手机或者平板电脑，根据WiFi AP的mac地址，确认采集信号来自哪个WiFiAP；然后确定参考点RP，在每个参考点上站立停留，使用手机或者平板电脑收集来自各个WiFi 的RSS信号，每个位置采集50次以上，标注这些RSS信号采集自哪个RP；当所有RP的RSS信号均采集完毕，保存RSS信号，作为RSS数据库。

在一种实施方式中，所述的步骤2具体为：

采集各个参考点(RP)上各个WiFi节点(AP)的接收信号强度(RSS)值，构成均值集与方差集，记为

均值集与方差集其中j为第j个参考点，n为AP总数。

其中与分别代表参考点RPj与WiFi节点APi之间的k次RSS测量的均值与标准差，其中，i为AP标号，均值与方差计算方法为：

h指代第几次采样，在连加里面变回从1加到k；

对于参考点RPj，WiFi节点APi的1-sigma的区间为：

在一种实施方式中，所述的步骤3为：

将整个环境中的n个WiFi AP划分成n份，每个AP对应一个类别；从第一个参考点RP开始，计算每个RP接收到n个AP的RSS信号的n个1-sigma区间；对于任一RP的n个1-sigma 区域，首先确定均值最大的1-sigma区间，然后到与这个其余(n-1)个1-sigma中与均值最大1-sigma区间相交的1-sigma区间，记录这些区间对应的AP，将该RP聚类至这些AP对应的类别；当所有RP聚类结束，则完成区域划分。

基于指纹的方法也是解决室内定位问题的主流策略(Li Z，Liu J，Niu X，Li L，Wang Z， ***，18(11)：40-63.)。接收信号强度RSS(Recved Signal Strength) 指纹定位分为采集所有可能目标位置上RSS数据建立RSS指纹库的离线，与目标体的当前 RSS与指纹库匹配的在线阶段。该方法规避了回归定位中对wifi接入点AP数目和位置的限制，因此基于指纹的定位可以进一步降低室内定位的成本。指纹方法仅关注特征空间中各类别边界，使其鲁棒性较回归方法更具有优势。

本质上，指纹定位是一种基于RSS数据的分类过程，使用RSS数据库对可能的目标位置确定类别标签，建立分类机制，在线阶段利用该分类机制判别信号类别，确定信号位置。但是在稀疏节点条件下，信号源较少使得可用特征数难以实现简单分类，并且由于室内环境中因为存在多径效应(Error probability model for IEEE802.15.4 wireless communications in the presence of co-***，25(1)：43-53)、共信道干扰(Elnahrawy，EX，Li，***：# Communications Society Conference on Sensor&Ad HocCommunications&Networks.)以及设备、行人对无线信号的吸收等影响，使RSS测量值的噪声极大，传统分类方法的定位正确率不高。

江南大学是教育部直属、国家“211工程”重点建设高校和“双一流”建设高校。学校具有悠久的办学历史、厚重的文化积淀，源起1902年创建的三江师范学堂，历经国立中央大学、南京大学等发展时期；1958年南京工学院食品工业系整建制东迁无锡独立建校，成立无锡轻工业学院；1962年无锡纺织工学院并入无锡轻工业学院；1995年更名为无锡轻工大学；2001年无锡轻工大学、江南学院、无锡教育学院合并组建江南大学；2003年东华大学无锡校区并入江南大学。

本发明提出一种基于层次分类的室内定位方法，首先给出了1-sigma区间判别机制，将整个平面楼层空间划分成若干存在交叉数学的区块域；进一步以高斯过程分类，实现以房间为颗粒元素的室内定位，可以解决人员流通造成的信号强度不稳定，从而导致定位不准确的问题。本发明所提方法在浙江某医疗养护中心进行实地测试，通过与支持向量机(SVM)、决策树、K近邻(K Nearest Neighbor，KNN)方法相比所提方法在准确率、平均误差和标准误差等方面表现更佳，平均误差达到80.8以下，标准误差达到81.1以下，误差方差达到7.7以下，准确率达到97.6％以上，稳定性仅低于SVM(误差方差为4.6)。

科技成果只有通过实施开发应用，使其转化为生产力，才能取得经济效益和社会效益。成果方目标是将科技成果转化为现实生产力，期待有意愿的企业或合作单位进行合作推广或者进行产品生产。考虑合作转化、许可+合作等转化方式与企业、科学技术研究开发机构和其他组织建立合作关系。