亚洲狠狠干,亚洲国产福利精品一区二区,国产八区,激情文学亚洲色图

一種提高WiFi指紋定位精度與效率的方法

文檔序號:10723157閱讀:697來源:國知局
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)
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
1