本發(fā)明屬于室內(nèi)定位技術(shù)領(lǐng)域，尤其涉及一種基于csi空頻特性和參考點位置聚類算法的室內(nèi)定位方法。

背景技術(shù)：

當前，隨著無線網(wǎng)絡(luò)的發(fā)展和無線局域網(wǎng)的廣泛部署，基于wi-fi的室內(nèi)定位技術(shù)受到廣泛重視。在覆蓋wi-fi網(wǎng)絡(luò)的室內(nèi)環(huán)境下，通過測量來自接入點aps的物理信息，利用數(shù)據(jù)指紋匹配原理進行定位。這種基于位置指紋的定位算法因其定位精度高、可充分利用現(xiàn)有設(shè)施、升級和維護對用戶影響小等優(yōu)點而得到廣泛應(yīng)用。為了提高定位精度和效率，需要對用來定位的物理信和置指紋數(shù)據(jù)進行預處理。但是現(xiàn)有的定位技術(shù)大都是利用mac層多徑信號疊加之后的rss信號強度信息作為物理信息，普遍使用的預處理方法是對參考點rps進行聚類運算，得到若干個聚類中心及其類成員。

在2009年的ieee802.11n標準中，csi：是衡量信道情況的信道狀態(tài)信息(channelstateinformation),屬于phy層，來自ofdm系統(tǒng)下解碼的子載波。csi是細粒度的物理信息，對環(huán)境更加敏感。相比于rss表示多徑的疊加效應(yīng)，物理層的csi數(shù)據(jù)信息具有更細粒度和豐富的信息，這些信息能夠更全面的反映出環(huán)境中的多徑效應(yīng)，從而在時域和頻域上感知更細微或更大范圍內(nèi)的環(huán)境信息，所以應(yīng)用于動作識別，手勢識別，位置識別，跟蹤等領(lǐng)域，因而在室內(nèi)定位方面有很好的潛力。與此同時，通過修改固件和修改源碼能夠提取與分析在目前廣泛使用的802.lln標準的頻段中的csi數(shù)據(jù)信息。

現(xiàn)有的應(yīng)用比較多的聚類方法包括兩種，一是k-means聚類，另一種是仿射傳播聚類。k-means算法首先隨機選擇k個對象初始的代表聚類中心，再對剩下的每個對象根據(jù)其與各個聚類中心的距離將它重新賦給最近的類，然后重新計算每個類的中心作為下一次迭代的聚類中心。不斷重復這個過程，直到各聚類中心不再變化時終止。仿射傳播聚類算法相比k-means算法，不需要初始化聚類中心，而是通過設(shè)定一個實數(shù)值將每一個參考點都當成一個潛在的聚類中心。接著，兩個參考點之間相互傳遞近鄰信息，參考點根據(jù)近鄰信息選擇哪一個參考點作為聚類中心，直到聚類中心以及相關(guān)的類產(chǎn)生。

綜上所述，現(xiàn)有技術(shù)存在的問題是：一是物理信息多是使用rss，rss表示多徑的疊加效應(yīng)，無法顯示信道特性，易受到多徑效應(yīng)干擾，并且易隨時間波動不夠穩(wěn)定，考慮到室內(nèi)豐富的多徑干擾以及時間動態(tài)性，rssi數(shù)值在復雜的室內(nèi)環(huán)境中不能提供足夠的辨識度與健壯性。二是目前多數(shù)據(jù)類采用單一指標的聚類方式，但由于受到接入點布局、建筑結(jié)構(gòu)以及人的走動等外界因素的影響，會使指紋數(shù)據(jù)采集時受到干擾，在聚類時可能被歸于不恰當?shù)拇兀苯訉е碌蕉ㄎ痪认陆怠?/p>

技術(shù)實現(xiàn)要素：

針對上述問題，本發(fā)明的目的在于提供一種基于csi空頻特性和參考點位置聚類算法的室內(nèi)定位方法。

實現(xiàn)本發(fā)明目的地技術(shù)方案是：一種基于csi空頻特性和參考點位置聚類算法的室內(nèi)定位方法，通過采用接收csi空頻特性聚類和參考點位置聚類的多指標聚類技術(shù)，對參考點進行有效的聚類，形成一定數(shù)量聚類中心及其類成員，以此減少定位階段計算量，提高定位精度。其實現(xiàn)方案如下：

1)數(shù)據(jù)采集階段：

1a)選擇一個布設(shè)有wi-fi接入點aps的區(qū)域；

1b)在此區(qū)域內(nèi)選擇n個參考點rps，并測量這n個參考點固定位置接收的來自ap點的csi數(shù)據(jù)信息生成csi空頻特性指紋，存到數(shù)據(jù)庫h中；

1c)按照csi空頻特性信息，采用仿射傳播算法ap進行聚類；

1d)對1c)聚類得到的每個簇，再按照地理位置采用仿射傳播算法ap進行聚類；

1e)判斷再次聚類的簇數(shù)量：如果第二次聚類得到的簇數(shù)量是大于等于2的正整數(shù)，則求出這些簇的兩兩之間的距離，將距離小于4米的簇合并為一簇，將聚類結(jié)果記錄到數(shù)據(jù)庫中，否則，直接將聚類結(jié)果記錄到數(shù)據(jù)庫中，完成指紋數(shù)據(jù)庫的構(gòu)建；

2)定位階段：

2a)在待定位點測得的csi空頻特性向量：

hr＝[hr,1hr,2…h(huán)r,l]，(1)

其中{hr,l,r＝1,2,…,r；l＝1,2,…,l}，r代表的是選取的待定為點個數(shù)，粗略定位就是利用形似度比較來確定待定位點測得的csi空頻特性指紋屬于哪一個簇。即對比待定位點的csi空頻特性向量和每一個簇的相似度，選擇那些有最大相似度值的類作為候選類。

2b)粗定位：

相似度被定義為：

其中hj為第j個簇的聚類中心的csi空頻特征指紋向量，e為所有簇的聚類中心的集合。

設(shè)置閾值：其中α1+α2＝1；

將相似度s(r,j)大于閾值α的簇作為粗定位匹配的簇；

2c)精確定位：隨機選取8個接入點aps，利用這8個接入點aps和粗定位匹配得到的簇成員的csi空頻特性向量，通過壓縮感知算法求出待定位點的精確位置，完成待定位點的定位。

本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點：

第一，由于本發(fā)明采用了物理層更加細粒度且魯棒的csi數(shù)據(jù)作為物理信息，使得系統(tǒng)對感知能力遠高于rss，可以有效的避免多徑效應(yīng)帶來的影響；

第二，由于本發(fā)明采用了csi空頻特性向量聚類和參考點位置多指標聚類技術(shù)，且將原來一個簇中地理位置離其它簇成員較遠的成員獨立的分為一個簇，避免了地理位置離的較遠但csi空頻特性向量接近的參考點被聚為同一個簇的情況；

第三，由于本發(fā)明采用了csi空頻特性聚類和參考點位置聚類的雙聚類技術(shù)，且將本不應(yīng)被拆開的簇再合并成一個簇，完成奇異點處理的同時能夠保證原來簇的完整性，從而達到更好的聚類效果。

附圖說明

圖1是本發(fā)明的實現(xiàn)流程圖；

圖2是本發(fā)明中的實驗區(qū)域示意圖；

圖3是本發(fā)明中在實驗區(qū)域進行參考點第一次聚類的結(jié)果圖；

圖4是本發(fā)明中的第二次聚類結(jié)果圖；

圖5是本發(fā)明在第二次聚類中將一個簇正確拆分成兩個簇的結(jié)果圖；

圖6是本發(fā)明在第二次聚類中在簇中找出奇異點的結(jié)果圖；

圖7是本發(fā)明在第二次聚類中將一個不該拆分的簇拆分的結(jié)果圖；

圖8是本發(fā)明在第二次聚類后將不該拆分的簇合并為一個簇的結(jié)果圖；

圖9是本發(fā)明與現(xiàn)有未改進的室內(nèi)定位方法的定位誤差概率分布曲線圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明通過采用接收csi空頻特性聚類和參考點位置聚類的多指標聚類技術(shù)，對參考點進行有效的聚類，形成一定數(shù)量聚類中心及其類成員，以此減少定位階段計算量，提高定位精度。

參照圖1，本發(fā)明的實施步驟分為數(shù)據(jù)采集階段和定位階段，在數(shù)據(jù)采集階段建立指紋數(shù)據(jù)庫，定位階段用于完成目標定位，具體實現(xiàn)步驟如下：

步驟1，數(shù)據(jù)采集階段建立指紋數(shù)據(jù)庫。

選擇一個布設(shè)有wi-fi接入點aps的區(qū)域，本實例區(qū)域為西安電子科技大學主樓ii區(qū)部分區(qū)域，長約21米，寬約8米，如圖2所示；

在圖2區(qū)域內(nèi)選擇n＝37個參考點rps，如圖3所示在選定好的參考位置上分別采集左右兩側(cè)ap的csi數(shù)據(jù)信息，這些已知位置被稱為參考點(referencepoints，rp)。在第j個rp上采集的來自ap的csi數(shù)據(jù)信息我們表示為：

其中，是在參考點l上，第i根天線上第j個子載波的幅度信息的平均值，l＝1,2,…,l，l為參考點的總數(shù)，i＝1,2,3為接收天線的個數(shù)，j＝1,2,…,s，s為子載波的數(shù)量，τ＝1,...,q,q>1，q為數(shù)據(jù)包個數(shù)，即在參考點處進行連續(xù)時間采集信息并選取q個數(shù)據(jù)包作為樣本信息。

為了便于數(shù)據(jù)庫的建立，我們對csi矩陣信息hl進行降維處理，將csi矩陣轉(zhuǎn)換為1×n的指紋向量形式。具體來說就是在第l個參考點分別連接連個不同的ap采集和處理后會生成兩個csi空頻特性指紋向量信息hl，并且都為3×s矩陣，將兩個矩陣本別轉(zhuǎn)換為1×3s并進行拼接，最后的到該參考點的指紋向量信息就是1×6s向量。即：

hl＝[hl,1hl,2…h(huán)l,6*s](4)

將所有參考點采集到的csi數(shù)據(jù)信息都按照式(4)得到他們的csi空頻特性指紋信息，存到數(shù)據(jù)庫中。這個數(shù)據(jù)庫可以表示為h：

其中，l是參考點的總數(shù)，n是csi矩陣信息進行降維處理后得到的式(4)的形式后的向量元素個數(shù)。h的每一行代表一個csi空頻特性指紋信息：

hi＝[hi,1hi,2…h(huán)i,n],i＝1,2,...,l(6)

每一個參考點的方差向量定義為：

δi＝[δi,1,δi,2,...,δl,n],i＝1,2,...,l(7)

其中是第i個rp上得到的csi空頻特性信息第i個幅度值的無偏估計。這個方差可以檢查子載波幅值信息的穩(wěn)定性用來判斷子載波幅度信息選擇的合理性。最終指紋數(shù)據(jù)庫就可以表示為(xi,yi；hi,δi),i＝1,2,...,l，(xi,yi)是第i個rp的實際位置。這樣位置指紋庫就建立完成。

1c)按照csi空頻特性對所有參考點rps采用仿射傳播算法ap進行第一次聚類：

所述仿射傳播算法ap，參照文獻clusteringbypassingmessagesbetweendatapoints，frey，brendanj.1，dueck，detbert1，該算法是根據(jù)數(shù)據(jù)點之間的相似度進行聚類，不需要事先指定聚類得到的簇數(shù)量，相反，它將所有的數(shù)據(jù)點都作為潛在的聚類中心。聚類的簇數(shù)量受到參考度的影響，如果取輸入數(shù)據(jù)的相似度的中位數(shù)作為參考度的值，則聚類得到簇數(shù)量是中等的，如果參考度取較小值，聚類得到的簇數(shù)量就較少。該算法通過迭代過程不斷更新所有數(shù)據(jù)點的吸引度和歸屬度的數(shù)值，如果某個數(shù)據(jù)點的歸屬度和吸引度之和大于預設(shè)的某個數(shù)值，則這個數(shù)據(jù)點是聚類中心，否則不是聚類中心，迭代至聚類結(jié)果收斂或達到預設(shè)的最大迭代次數(shù)時，聚類完成。其具體步驟如下：

(1)利用所有參考點rps的csi空頻特性向量計算參考度p，利用參考度p和參考點迭代求出聚類中心，每個聚類中心代表一個簇：利用所有參考點rps的接收信號強度rss向量計算參考度p，其計算公式為：

其中γ是一個由實驗確定的實數(shù)，本實例取γ＝0.95，s(i,j)為第i個參考點和第j個參考點的csi空頻特性向量的相似度，n為參考點rps的總數(shù)，本實例為37。

(2)吸引度r(i,j)，其含義是參考點i選擇j作為聚類中心的可能性和程度，即參考點j對i的吸引大小。其表達式如下：

歸屬度a(i,j)，其含義是將參考點j作為i的聚類中心的是否適合，即參考點i對j的歸屬程度。其表達式如下：

(3)首次迭代時，歸屬度矩陣全部設(shè)為0，同時令s(j,j)＝p，即s(j,j)的初始值就是參數(shù)p的值，表示在預先設(shè)定參數(shù)p的情況下。創(chuàng)建吸引度矩陣r和歸屬度矩陣a，兩個矩陣初始元素全部為零，

(4)更新計算吸引度矩陣r和歸屬度矩陣a的元素值，考慮到當同一個類的聚類中心同時可選取兩個點或者多個合適的參考點時候，算法會出現(xiàn)聚類中心無法確定，導致算法振蕩，永不收斂。因此，本文在仿射傳播聚類算法中引入名為阻尼因子(dampingfactor)的參數(shù)γ，此時，r(i,j)和歸屬度a(i,j)由上一次的迭代結(jié)果和當前的結(jié)果加權(quán)結(jié)合。設(shè)當前迭代的次數(shù)是n，則加權(quán)迭代公式可以表示為：

其中阻尼因子的取值范圍是γ＝[0.5,1)，其作用是避免仿射傳播聚類算法會出現(xiàn)聚類中心無法確定，導致算法振蕩，永不收斂。

(5)定義向量c，計算向量c的第i個元素的值：c(i)＝a(i,i)+r(i,i)，判斷c(i)的大?。喝绻鹀(i)＞0，則第i個參考點為聚類中心，否則，第i個參考點不是聚類中心。

(6)判斷聚類結(jié)果是否收斂：如果收斂，則直接將所有參考點劃分到相應(yīng)的簇中，完成仿射傳播算法ap聚類，否則，更新計算吸引度矩陣r和歸屬度矩陣a的元素值，直至聚類結(jié)果收斂或達到預設(shè)的最大迭代次數(shù)，然后將所有參考點劃分到相應(yīng)的簇中，完成基于csi空頻特性的仿射傳播算法ap聚類。

聚類結(jié)果如圖3所示，圖3中相同形狀的點屬于同一個簇，37個參考點被聚成了6個簇。可以看出，菱形代表的那個簇在地理位置上被分成了兩個部分，星形代表的那個簇最下方的點是一個奇異點；

在進行聚類之前先求出初始參考度pd，其公式表示為：

需要說明的是此處的參考度pd是基于csi空頻特性聚類得到的每個簇的參考點rps的csi數(shù)據(jù)信息向量計算得到的。其中λd＝1.2由實驗測試確定的實數(shù)，d(i,j)是i，j兩參考點地理位置歐式距離的相反數(shù)，m為需要聚類的參考點rps的數(shù)量。

得到參考度pd后利用參考度pd和參考點采集到的csi空頻特性向量迭代求出聚類中心，聚類算法步驟如下：

(1)令s(i,i)d＝pd，創(chuàng)建吸引度矩陣rd和歸屬度矩陣ad，兩個矩陣初始元素全部為零；

(2)更新計算吸引度矩陣rd和歸屬度矩陣ad的元素值：

其中，r(i,j)d和a(i,j)d分別為吸引度矩陣rd和歸屬度矩陣ad的元素，s(i,j)d為i和j兩個參考點之間地理位置歐式距離的相反數(shù)；

(3)定義向量cd，計算向量cd的第i個元素的值：cd(i)＝a(i,i)d^(o)+r(i,i)d^(o)，根據(jù)cd(i)的大小判斷聚類中心：若cd(i)＞0，則第i個參考點為聚類中心，否則，不是聚類中心；

(4)收斂性判斷：如果聚類結(jié)果收斂，此時可以將參考點進行歸類分簇，否則，改變參考度pd的值，變?yōu)樵瓉淼?.5倍，更新rd和ad的元素值，直至聚類結(jié)果收斂，然后對所有的參考點進行歸類分簇；

參考點歸類調(diào)整：兩個簇之間的距離可以表示為兩個簇中所有成員之間歐氏距離的平均值。判斷二次聚類得到聚類中心數(shù)量w，如果是w≥2的正整數(shù)，則將兩個聚類中心的距離于3米的兩個簇合并為一簇，完成二次仿射傳播算法的ap聚類，聚類結(jié)果如圖4所示。

在第二次聚類過程中產(chǎn)生的部分結(jié)果如圖5至圖8所示，其中：

圖5為第二次聚類過程中產(chǎn)生的兩個簇，其距離為7.9615米，不進行合并；

圖6為第二次聚類得到的簇中的奇異點，即圖6中三角形點，被成功找出，這個奇異點單獨劃為一個簇；

圖7為第二次聚類過程中得到的兩個簇，其距離為2.9566米，合并為一個簇，

圖8為圖7中兩個簇合并的結(jié)果圖；

將聚類結(jié)果記錄到數(shù)據(jù)庫中，指紋數(shù)據(jù)庫構(gòu)建完成。

步驟2，定位階段完成目標定位。

(1)在實驗區(qū)域選取標號為r待定位點測得的csi數(shù)據(jù)信息經(jīng)過數(shù)據(jù)處理生成的csi空頻特性向量，如下式所示：

hr＝[hr,1hr,2…h(huán)r,l]

其中，{hr,l,r＝1,2,…,r；l＝1,2,…,l}，r代表的是選取的待定為點個數(shù)，粗略定位就是利用形似度比較來確定待定位點測得的csi空頻特性屬于哪一個簇。即對比待定位點的csi空頻特性向量和每一個簇的相似度，選擇那些有最大相似度值的類作為候選類。

(2)相似度被定義為：

其中hj為第j個簇的聚類中心的csi空頻特征指紋向量，e為所有簇的聚類中心的集合。

(3)通過第二步得到的最佳聚類中心一般會多于一個，聚類中心s以及它們各自對應(yīng)的簇的成員集合c可以由下面的式子得到：

s＝{(s,j)＞α,j∈e,}

(4)設(shè)置閾值α，集合s中只包含指紋庫中的一小部分的類，式子如下：

其中α1+α2＝1。本文中設(shè)α1＝0.95，將相似度大于閾值α的簇作為粗定位匹配的簇。

經(jīng)過上述粗略定位，我們將定位所使用的匹配范圍大幅度縮小，并生成集合c，此時，可已經(jīng)指紋數(shù)據(jù)庫簡化為

將在接下來的精確定位階段用到。

2c)精確定位：隨機選取8個接入點aps，利用這8個接入點aps和粗定位匹配得到的簇的簇成員的csi空頻特征指紋向量，通過壓縮感知算法求出待定位點的精確位置，完成待定位點的定位。

本發(fā)明的效果可通過以下實驗進一步詳細說明。

用本發(fā)明與現(xiàn)有的wi-fi室內(nèi)定位技術(shù)進行定位。

現(xiàn)有wi-fi室內(nèi)定位技術(shù)為：

首先是利用mac層多徑信號疊加之后的rss信號強度信息作為指紋信息，然后聚類過程只根據(jù)一個指標進行聚類，構(gòu)建指紋數(shù)據(jù)庫，而不充分利用有用信息進行聚類。

選取10個待定位點，每個點采用本發(fā)明和現(xiàn)有技術(shù)分別定位10次，記錄待定位點實際位置和每次定位的結(jié)果，計算定位誤差，定位誤差為待定位點的實際位置和定位結(jié)果之間的歐氏距離。計算本發(fā)明和現(xiàn)有技術(shù)的平均定位誤差，并統(tǒng)計其誤差的概率分布，結(jié)果如圖9所示。

從圖9可以看出：除了最初1米，帶圈實線遠在帶星花實線之上，說明在同樣環(huán)境條件下，本發(fā)明的定位精度明顯高于現(xiàn)有技術(shù)的定位精度。

從圖9還可以看出：現(xiàn)有技術(shù)定位誤差在3米以內(nèi)的概率為0.5，而本發(fā)明定位誤差在3米以內(nèi)的概率為0.7；現(xiàn)有技術(shù)定位誤差在4米以內(nèi)的概率為0.66，而本發(fā)明定位誤差在4米以內(nèi)的概率為0.88；現(xiàn)有技術(shù)的最大定位誤差約11米，而本發(fā)明的最大定位誤差約為5米。

通過計算得知，現(xiàn)有技術(shù)的平均定位誤差為3.2919米，本發(fā)明的平均定位誤差為2.4225米。

綜上，本發(fā)明的定位精度高于現(xiàn)有技術(shù)的定位精度。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。