一種提高WiFi指紋定位精度與效率的方法
【專利摘要】本發(fā)明涉及一種提高WiFi指紋定位精度與效率的方法，在離線訓(xùn)練階段，構(gòu)建用于在線定位的指紋數(shù)據(jù)庫，并對指紋數(shù)據(jù)庫中采用K?means聚類算法進(jìn)行分類，其中，指紋數(shù)據(jù)庫中的采樣點(diǎn)的信號強(qiáng)度值經(jīng)過數(shù)據(jù)平滑處理；在線定位階段，采用K近鄰算法尋得與實(shí)測指紋距離最近的K個指紋，K個指紋的均值對應(yīng)采樣點(diǎn)的位置即為待測點(diǎn)的估計(jì)位置。本發(fā)明能夠提高定位精度和定位效率。
【專利說明】
一種提高w i F i指紋定位精度與效率的方法
技術(shù)領(lǐng)域
[000?]本發(fā)明涉及基于WiFi的室內(nèi)定位技術(shù)領(lǐng)域，特別是涉及一種提高WiFi指紋定位精 度與效率的方法。
【背景技術(shù)】
[0002] 室內(nèi)定位系統(tǒng)是目前信息技術(shù)領(lǐng)域的熱點(diǎn)之一，隨著物聯(lián)網(wǎng)和無線通信技術(shù)的迅 速發(fā)展，基于位置的服務(wù)在醫(yī)療衛(wèi)生、公共安全、工業(yè)生產(chǎn)等領(lǐng)域展現(xiàn)了廣闊的應(yīng)用前景。
[0003] 全球定位系統(tǒng)(Global Positioning System，GPS)是現(xiàn)階段被廣泛使用的定位技 術(shù)，它普遍應(yīng)用于各種位置服務(wù)中。但是GPS定位系統(tǒng)無法在室內(nèi)進(jìn)行定位，因?yàn)檫@種定位 方法需要三顆以上的衛(wèi)星來提供定位信息，一般情況下只適用于空曠無遮蔽的室外環(huán)境， 在較為封閉的室內(nèi)環(huán)境下GPS定位系統(tǒng)無法通過衛(wèi)星來獲取定位所需的信息。由此可見， GPS定位系統(tǒng)只適用于室外定位，而無法滿足多樣化的室內(nèi)環(huán)境中的定位需求。此時，基于 無線局域網(wǎng)的WiFi定位技術(shù)急速升溫，其中應(yīng)用最廣泛的就是WiFi指紋定位技術(shù)，WiFi指 紋定位技術(shù)是無線定位技術(shù)中具有較高精度和可實(shí)施性的技術(shù)，它不需要額外的硬件設(shè) 施，價格低廉，因此具有非常強(qiáng)的實(shí)用性。
[0004] WiFi指紋定位源于數(shù)據(jù)庫定位技術(shù)，它需要預(yù)先創(chuàng)建指紋數(shù)據(jù)庫，指紋數(shù)據(jù)庫里 存放的是離線的信號強(qiáng)度和位置坐標(biāo)。由于信號的多徑傳播對環(huán)境具有依賴性，在不同位 置其信道的多徑特征也均不相同，呈現(xiàn)出非常強(qiáng)的特殊性。位置指紋定位技術(shù)有效地利用 多徑效應(yīng)，將多徑特征與位置信息相結(jié)合，由于信道的多徑影響在同一個位置點(diǎn)具有唯一 性，可將多徑結(jié)構(gòu)作為數(shù)據(jù)庫中指紋。待測點(diǎn)在同樣環(huán)境中獲取接入點(diǎn)發(fā)送的無線信號，將 接收到的無線信號強(qiáng)度與數(shù)據(jù)庫中指紋進(jìn)行匹配，找出最相似的結(jié)果進(jìn)行定位。
[0005] WiFi指紋定位技術(shù)具體在定位實(shí)施時分兩個階段：離線訓(xùn)練階段和在線定位階 段。
[0006] 離線訓(xùn)練階段:首先在定位環(huán)境中部署無線AP、確定采樣點(diǎn)位置，使得每個采樣點(diǎn) 都能接收到無線AP發(fā)射的信號。在每個采樣點(diǎn)放置信號接收裝置(移動設(shè)備），記錄接收自 每個AP的信號強(qiáng)度(RSSI值），將這些信號強(qiáng)度值以及坐標(biāo)信息存入指紋數(shù)據(jù)庫中，這樣就 唯一標(biāo)識了這個采樣點(diǎn)。對所有采樣點(diǎn)采樣結(jié)束后，構(gòu)建完整的信號強(qiáng)度信息與對應(yīng)位置 關(guān)系的指紋數(shù)據(jù)庫，即指紋地圖。
[0007]在線定位階段:在待測點(diǎn)實(shí)時測量獲取各AP的信號強(qiáng)度信息，并將其與位置指紋 數(shù)據(jù)庫中的信息進(jìn)行匹配，將實(shí)測數(shù)據(jù)與預(yù)存數(shù)據(jù)進(jìn)行匹配分析，從而估計(jì)待測終端的位 置。
[0008] 但是，傳統(tǒng)的WiFi指紋定位算法的定位精度不高、定位效率較低。

【發(fā)明內(nèi)容】

[0009] 本發(fā)明所要解決的技術(shù)問題是提供一種提高WiFi指紋定位精度與效率的方法，能 夠提高定位精度和定位效率。
[0010] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:提供一種提高WiFi指紋定位精度與 效率的方法，在離線訓(xùn)練階段，構(gòu)建用于在線定位的指紋數(shù)據(jù)庫，并對指紋數(shù)據(jù)庫中采用K-means聚類算法進(jìn)行分類，其中，指紋數(shù)據(jù)庫中的采樣點(diǎn)的信號強(qiáng)度值經(jīng)過數(shù)據(jù)平滑處理； 在線定位階段，采用K近鄰算法尋得與實(shí)測指紋距離最近的K個指紋，K個指紋的均值對應(yīng)采 樣點(diǎn)的位置即為待測點(diǎn)的估計(jì)位置。
[0011] 所述構(gòu)建用于在線定位的指紋數(shù)據(jù)庫具體包括以下步驟：
[0012] 選定室內(nèi)某環(huán)境作為定位區(qū)域，在這個定位區(qū)域中，部署η個無線接入點(diǎn)并選取L 個采樣點(diǎn)，記錄每個采樣點(diǎn)的位置坐標(biāo)；
[0013] 在每個采樣點(diǎn)，利用具有WiFi信號檢測功能的移動終端進(jìn)行信號強(qiáng)度檢測，多次 采集每個無線接入點(diǎn)的RSSI值，然后對采集到的數(shù)據(jù)進(jìn)行平滑，得到這個采樣點(diǎn)均值平滑 后的指紋;遍歷L個采樣點(diǎn)，得到L個指紋，存入指紋數(shù)據(jù)庫。
[0014] 所述對指紋數(shù)據(jù)庫中采用K-means聚類算法進(jìn)行分類具體包括以下步驟：
[0015]將指紋數(shù)據(jù)庫進(jìn)行K-means聚類，以歐氏距離作為相似度的評價準(zhǔn)則，距離較小的 指紋聚集在一個子類，距離較大的指紋彼此遠(yuǎn)離；
[0016] 多次執(zhí)行上一步驟，直到聚類結(jié)束，指紋數(shù)據(jù)庫變成具有K個子類的指紋樣本空 間。
[0017] 所述K-means聚類算法具體為：
[0018]輸入L個指紋和聚類個數(shù)K，其中，KSL;從L個指紋中任意選擇K個指紋作為初始的 聚類中心；
[0019] 對于剩下的指紋，計(jì)算每個指紋到每個聚類中心的距離，找到最小距離后，將指紋 分到對應(yīng)的聚類中，得到新的聚類結(jié)果，完成指紋分配；
[0020] 計(jì)算新的聚類中心，并與上一次的聚類中心進(jìn)行比較，如果兩者相同則聚類結(jié)束， 否則更新聚類中心并返回上一步驟執(zhí)行聚類。
[0021]在線定位階段具體包括以下步驟：
[0022]將實(shí)測指紋與訓(xùn)練之后的指紋數(shù)據(jù)庫進(jìn)行匹配，計(jì)算實(shí)測指紋與每個聚類中心的 距離，并找出最小距離所對應(yīng)的聚類；
[0023]計(jì)算實(shí)測指紋與最小距離所對應(yīng)的聚類中的每個指紋的距離；
[0024]根據(jù)得到的距離值按照從小到大的順序排列，保留最小的K個距離，并將這K個距 離對應(yīng)的指紋選為參考指紋，其對應(yīng)的采樣點(diǎn)坐標(biāo)作為參考坐標(biāo)；
[0025]計(jì)算這K個參考坐標(biāo)的均值作為實(shí)測指紋的估計(jì)位置。
[0026]有益效果
[0027] 由于采用了上述的技術(shù)方案，本發(fā)明與現(xiàn)有技術(shù)相比，具有以下的優(yōu)點(diǎn)和積極效 果:本發(fā)明在離線階段采用均值平滑法來減小指紋序列的波動性，并采用K-means聚類算法 對WiFi指紋進(jìn)行分類處理，在在線定位階段，提出了基于K-means聚類的K近鄰算法從而提 高了定位效率。
【附圖說明】
[0028] 圖1是本發(fā)明中指紋數(shù)據(jù)庫訓(xùn)練流程圖；
[0029] 圖2是本發(fā)明中K-means聚類流程圖；
[0030] 圖3是本發(fā)明中基于K-means聚類的K近鄰算法流程圖。
【具體實(shí)施方式】
[0031] 下面結(jié)合具體實(shí)施例，進(jìn)一步闡述本發(fā)明。應(yīng)理解，這些實(shí)施例僅用于說明本發(fā)明 而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人 員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權(quán)利要求書所限定 的范圍。
[0032] 本發(fā)明的實(shí)施方式涉及一種提高WiFi指紋定位精度與效率的方法，在離線訓(xùn)練階 段，構(gòu)建用于在線定位的指紋數(shù)據(jù)庫，并對指紋數(shù)據(jù)庫中采用K-means聚類算法進(jìn)行分類， 其中，指紋數(shù)據(jù)庫中的采樣點(diǎn)的信號強(qiáng)度值經(jīng)過數(shù)據(jù)平滑處理;在線定位階段，采用K近鄰 算法尋得與實(shí)測指紋距離最近的K個指紋，K個指紋的均值對應(yīng)采樣點(diǎn)的位置即為待測點(diǎn)的 估計(jì)位置。
[0033] 離線訓(xùn)練階段
[0034]在離線訓(xùn)練階段，首先在定位環(huán)境中部署無線接入點(diǎn)(AP)、確定采樣點(diǎn)位置，使得 每個采樣點(diǎn)都能接收到無線AP發(fā)射的信號。之后在每個采樣點(diǎn)放置信號接收裝置(移動設(shè) 備），記錄接收自每個AP的信號強(qiáng)度(RSSI值），最后將這些信號強(qiáng)度值以及坐標(biāo)信息存入指 紋數(shù)據(jù)庫中，這樣就唯一標(biāo)識了這個采樣點(diǎn)，所有采樣點(diǎn)的數(shù)據(jù)都存入數(shù)據(jù)庫，形成指紋數(shù) 據(jù)庫，用于在線定位。
[0035]理想情況下，接收到的信號強(qiáng)度RSSI值會隨著傳播距離的增加作規(guī)律性遞減，但 是在實(shí)際應(yīng)用中，無線信號在傳播過程中受到環(huán)境因素的影響，如室內(nèi)信號的多徑、反射、 墻壁及門的吸收等，致使信號產(chǎn)生不一致的衰減關(guān)系，從而使得在任一采樣點(diǎn)采集到的每 個無線AP的RSSI值不唯一，存在較大波動性，這對離線訓(xùn)練階段指紋數(shù)據(jù)庫的精度影響很 大，因此需要采取一些有效可行的措施來最大程度地降低RSSI值的波動，以減小指紋數(shù)據(jù) 庫的數(shù)據(jù)誤差，提高在線定位時的定位精度。
[0036]對于任一采樣點(diǎn)，在記錄每個無線AP的RSSI值時會發(fā)現(xiàn)，任何一個無線AP的RSSI 值都不是唯一的，在不同的時間段接收到的RSSI值都有所差異，甚至有時差異很大。因此， 不能僅僅以某一次的RSSI測量值為標(biāo)準(zhǔn)，作為某一采樣點(diǎn)的指紋數(shù)據(jù)存入數(shù)據(jù)庫，這樣造 成的定位誤差會很大，此時應(yīng)該采用多次測量的方法，在任一采樣點(diǎn)處，多次采集每個無線 AP的RSSI值，然后對采集到的數(shù)據(jù)進(jìn)行平滑，從而降低RSSI值的波動，以提高定位精度。信 號平滑的方法有很多，例如均值法、中值法、眾數(shù)法等。本實(shí)施方式采用均值平滑法進(jìn)行數(shù) 據(jù)平滑處理。
[0037]均值平滑法預(yù)先設(shè)定一個標(biāo)準(zhǔn)差閾值Xd，在任一采樣點(diǎn)處，對其采集到的每個無 線AP的多個RSSI值計(jì)算其標(biāo)準(zhǔn)差SD，標(biāo)準(zhǔn)差SD越大，證明RSSI值的波動越明顯，即受環(huán)境的 干擾越大，若將此時的數(shù)據(jù)取均值作為該采樣點(diǎn)處某個無線AP的RSSI值存入指紋數(shù)據(jù)庫， 誤差會很大。均值平滑法首先將數(shù)據(jù)分成兩部分，如式（1)和（2)所示，其中，Si表示小于所 有數(shù)據(jù)均值S av的那部分?jǐn)?shù)據(jù)的均值，52表示大于所有數(shù)據(jù)均值Sav的那部分?jǐn)?shù)據(jù)的均值;其 次，用a來衡量SjPS 2在接收到的信號強(qiáng)度RSSI中所占的比重，如式⑷所示，在SD>XD時，SA 較大比重，即信號較強(qiáng)部分的數(shù)據(jù)在采集的數(shù)據(jù)中占較大比重，反之則占較小比重;最后， 利用式(3)可以計(jì)算出任一采樣點(diǎn)處某個無線AP的RSSI值存入指紋數(shù)據(jù)庫。該值由SdPS 2按 照不同比重來計(jì)算，在信號較強(qiáng)占較大比重，在信號較弱處S2占較大比重，因此該方法 可以有效地減小RSSI值的波動，提高離線訓(xùn)練階段指紋數(shù)據(jù)庫的數(shù)據(jù)精度。
[0040] 經(jīng)過均值平滑法處理后的RSSI值為：
[0041] RSSI = (l_a)*Si+a*S2 (3)
[0042] 其中：
[0044] K-means聚類也可稱為K-均值聚類。K-means聚類方法是一種使用廣泛、適用于多 種數(shù)據(jù)類型的聚類算法，算法簡單，實(shí)現(xiàn)快速。k-means聚類是典型的基于距離的聚類算法， 以距離作為相似性的度量，其算法基本思想是根據(jù)現(xiàn)有的樣本之間的相似度將其劃分為K 個子類，將相似度較大的樣品聚集在一起，相似度較小的樣品彼此遠(yuǎn)離。K-means聚類算法 可以高效分類，使得整個WiFi指紋數(shù)據(jù)庫劃分為不同的小類，從而減小在線定位階段位置 指紋搜索范圍，提高定位效率。
[0045] WiFi指紋算法的第一階段是在離線狀態(tài)下建立WiFi指紋數(shù)據(jù)庫。在WiFi環(huán)境下， 假設(shè)某個特定的室內(nèi)區(qū)域中，可以檢測到η個WiFi信號強(qiáng)度即RSSI值，在這個定位區(qū)域內(nèi)選 定L個采樣點(diǎn)，采樣點(diǎn)的位置信息已知，采用二維空間坐標(biāo)(x，y)表示。在每個采樣點(diǎn)可以采 集到這η個RSSI值(rssi 1，rssi2，"Tssi11)，將該數(shù)組作為這個采樣點(diǎn)的指紋，每一個指紋與 其采樣點(diǎn)的位置一一對應(yīng)，成一一映射的關(guān)系。那么這個指紋數(shù)據(jù)庫可以表示為式（5)所 不。
[0047]其中，LR包含位置信息和RSSI序列，那么指紋信息就可以分開表示為位置集合L和 指紋集合R，如式(6)和式(7)所示。

[0050] 在離線訓(xùn)練階段訓(xùn)練指紋數(shù)據(jù)庫的WiFi指紋時，首先需要對指紋數(shù)據(jù)進(jìn)行預(yù)處 理，即上述提出的采用均值平滑法平滑指紋集合R，得到瓦;之后采用K-means聚類算法對指 紋集合1進(jìn)行分類處理。訓(xùn)練指紋數(shù)據(jù)庫的流程如圖1所示。
[0051] 具體訓(xùn)練步驟為以下四個步驟：
[0052] Stepl.選定室內(nèi)某環(huán)境作為定位區(qū)域，在這個定位區(qū)域中，部署η個無線AP并選取 L個采樣點(diǎn)，記錄每個采樣點(diǎn)的位置坐標(biāo)。
[0053] Step2.在每個采樣點(diǎn)，利用具有WiFi信號檢測功能的移動終端進(jìn)行信號強(qiáng)度檢 測，多次采集每個無線AP的RSSI值，然后對采集到的數(shù)據(jù)進(jìn)行平滑，得到這個采樣點(diǎn)均值平 滑后的指紋|/:v.s /丨 1 <L;遍歷L個采樣點(diǎn)，得到L個指紋，存入指紋數(shù)據(jù)庫。
[0054] Step3.將指紋數(shù)據(jù)庫進(jìn)行K-means聚類，以歐氏距離作為相似度的評價準(zhǔn)則，距離 較小的指紋聚集在一個子類，距離較大的指紋彼此遠(yuǎn)離。
[0055] Step4.多次執(zhí)行Step3，直到聚類結(jié)束，指紋數(shù)據(jù)庫變成具有K個子類的指紋樣本 空間。其中在Step3中所提到的K-means聚類方法，其執(zhí)行過程分為以下五步：
[0056] 1.輸入L個指紋萬=丨心< = 和聚類個數(shù)K，（KSL);從L個指紋中 任意選擇K個指紋作為初始的聚類中心C= (Cl，C2，…Ck)。
[0057] 2.對于剩下的（L-K)個指紋，計(jì)算每個指紋到每個聚類中心的距離Dis tan ce = {dij I i = l，2，···，（L-K); j = l，2，···，K}，其中dij表示第i個指紋到第j個聚類中心的距離，找 到min(Dis tan ce)，將第i個指紋分到第j個聚類中，得到新的聚類結(jié)果。
[0058] 3.重復(fù)第2個步驟，將剩下的指紋分配完成，形成K個聚類GhGs，···，G」，··<!(，每個 類&都包含其聚類中心和屬于該類的指紋成員，指紋總個數(shù)為nj。
[0059] 4.
計(jì)算新的聚類中心，其中rssii表示Gj類中的第i個 RSSI值。計(jì)算每個類的類中心，得到新的聚類中心…，(^。
[0060] 5.若C$ = C，即相鄰兩次的聚類中心相同，即分類趨于穩(wěn)定，聚類結(jié)束，當(dāng)前的Gi， G2,…，GvGk代表了最終形成的聚類。否則令C = C'即更新類中心，返回第2步驟繼續(xù)執(zhí)行 聚類過程。K-means聚類算法的流程如圖2所示。
[0061] 在線定位階段
[0062] K-近鄰算法(KNNSS)是最近鄰算法(NNSS)的改進(jìn)算法。最近鄰算法易于實(shí)現(xiàn)，算法 簡單，將在線階段測得的實(shí)測指紋與指紋數(shù)據(jù)庫匹配，尋得距離最近的指紋，該指紋對應(yīng)采 樣點(diǎn)的位置即為待測點(diǎn)的估計(jì)位置。最近鄰算法選擇的參考指紋較為單一，定位結(jié)果不穩(wěn) 定，易產(chǎn)生較大誤差。
[0063] 針對參考指紋單一的問題，本實(shí)施方式采用K近鄰算法(K-Nearest Neighbor in Signal Space，KNNSS)。在KNNSS算法中，不是選取單一指紋對應(yīng)的采樣點(diǎn)作為待測點(diǎn)的估 計(jì)位置，而是選擇與實(shí)測指紋距離最近的K個指紋，計(jì)算出這K個采樣點(diǎn)的均值，該均值即為 待測點(diǎn)的估計(jì)位置。然而KNNSS雖然在NNSS的基礎(chǔ)上減小了定位誤差，但它每次在線定位時 需要將實(shí)測指紋與指紋數(shù)據(jù)庫中所有指紋進(jìn)行比較求距離差，這個定位過程耗時太長，系 統(tǒng)運(yùn)算量太大，定位效率太低。因此，本實(shí)施方式為了在提高定位精度的同時，還要提高定 位效率，設(shè)計(jì)了一種基于K-means聚類的K近鄰算法。其定位過程如圖3所示，具體為以下五 個步驟：
[0064] 5〖6口1.將實(shí)測指紋1=(>88；[1，^812，"_，^8；[11)與訓(xùn)練之后的指紋數(shù)據(jù)庫進(jìn)行匹 配，計(jì)算r與每個聚類中心的距離，記為D:^，^，···，〕!!]。
[0065] Step2.找到D中的最小值min(D)對應(yīng)的類，記為Gmin。
[0066] Step3 ·計(jì)算實(shí)測指紋r= (rssii，rssi2，···，rssin)與Gmin中的每個指紋的距離
，記為d = [?，…，氣]，其中.vf)表示該類中第i個指紋，ng表 示該類中指紋的個數(shù)。
[0067] Step4.將<，4,…毛,按照從小到大的順序排列，剔除其中明顯較大的距離值，保 留剩下的K個距離，并將這K個距離對應(yīng)的指紋選為參考指紋，其對應(yīng)的采樣點(diǎn)坐標(biāo)作為參 考坐標(biāo)。
[0068] Step5.計(jì)算這K個參考坐標(biāo)的均值作為實(shí)測指紋的估計(jì)位置，計(jì)算方法如式(8)所 不。
[0070]不難發(fā)現(xiàn)，本發(fā)明在離線階段采用均值平滑法來減小指紋序列的波動性，并采用 K-means聚類算法對WiFi指紋進(jìn)行分類處理，在在線定位階段，提出了基于K-means聚類的K 近鄰算法從而提高了定位效率。
【主權(quán)項(xiàng)】
1. 一種提高WiFi指紋定位精度與效率的方法，其特征在于，在離線訓(xùn)練階段，構(gòu)建用于 在線定位的指紋數(shù)據(jù)庫，并對指紋數(shù)據(jù)庫中采用K-means聚類算法進(jìn)行分類，其中，指紋數(shù) 據(jù)庫中的采樣點(diǎn)的信號強(qiáng)度值經(jīng)過數(shù)據(jù)平滑處理;在線定位階段，采用K近鄰算法尋得與實(shí) 測指紋距離最近的K個指紋，K個指紋的均值對應(yīng)采樣點(diǎn)的位置即為待測點(diǎn)的估計(jì)位置。2. 根據(jù)權(quán)利要求1所述的提高WiFi指紋定位精度與效率的方法，其特征在于，所述構(gòu)建 用于在線定位的指紋數(shù)據(jù)庫具體包括以下步驟： 選定室內(nèi)某環(huán)境作為定位區(qū)域，在這個定位區(qū)域中，部署η個無線接入點(diǎn)并選取L個采 樣點(diǎn)，記錄每個采樣點(diǎn)的位置坐標(biāo)； 在每個采樣點(diǎn)，利用具有WiFi信號檢測功能的移動終端進(jìn)行信號強(qiáng)度檢測，多次采集 每個無線接入點(diǎn)的RSSI值，然后對采集到的數(shù)據(jù)進(jìn)行平滑，得到這個采樣點(diǎn)均值平滑后的 指紋;遍歷L個采樣點(diǎn)，得到L個指紋，存入指紋數(shù)據(jù)庫。3. 根據(jù)權(quán)利要求1所述的提高WiFi指紋定位精度與效率的方法，其特征在于，所述對指 紋數(shù)據(jù)庫中采用K-means聚類算法進(jìn)行分類具體包括以下步驟： 將指紋數(shù)據(jù)庫進(jìn)行K-means聚類，以歐氏距離作為相似度的評價準(zhǔn)則，距離較小的指紋 聚集在一個子類，距離較大的指紋彼此遠(yuǎn)離； 多次執(zhí)行上一步驟，直到聚類結(jié)束，指紋數(shù)據(jù)庫變成具有K個子類的指紋樣本空間。4. 根據(jù)權(quán)利要求1所述的提高W i F i指紋定位精度與效率的方法，其特征在于，所述K -means聚類算法具體為： 輸入L個指紋和聚類個數(shù)K，其中，KSL;從L個指紋中任意選擇K個指紋作為初始的聚類 中心； 對于剩下的指紋，計(jì)算每個指紋到每個聚類中心的距離，找到最小距離后，將指紋分到 對應(yīng)的聚類中，得到新的聚類結(jié)果，完成指紋分配； 計(jì)算新的聚類中心，并與上一次的聚類中心進(jìn)行比較，如果兩者相同則聚類結(jié)束，否則 更新聚類中心并返回上一步驟執(zhí)行聚類。5. 根據(jù)權(quán)利要求1所述的提高WiFi指紋定位精度與效率的方法，其特征在于，在線定位 階段具體包括以下步驟： 將實(shí)測指紋與訓(xùn)練之后的指紋數(shù)據(jù)庫進(jìn)行匹配，計(jì)算實(shí)測指紋與每個聚類中心的距 離，并找出最小距離所對應(yīng)的聚類； 計(jì)算實(shí)測指紋與最小距離所對應(yīng)的聚類中的每個指紋的距離； 根據(jù)得到的距離值按照從小到大的順序排列，保留最小的K個距離，并將這K個距離對 應(yīng)的指紋選為參考指紋，其對應(yīng)的采樣點(diǎn)坐標(biāo)作為參考坐標(biāo)； 計(jì)算這K個參考坐標(biāo)的均值作為實(shí)測指紋的估計(jì)位置。
【文檔編號】H04W4/04GK106093852SQ201610364491
【公開日】2016年11月9日
【申請日】2016年5月27日
【發(fā)明人】張慧, 官洪運(yùn)
【申請人】東華大學(xué)