一種改進(jìn)的位置指紋室內(nèi)定位方法
【專利摘要】本發(fā)明的改進(jìn)的位置指紋室內(nèi)定位方法，分為離線階段和在線階段，其特別之處在于，離線階段首先利用參考點和AP建立位置指紋數(shù)據(jù)庫，然后通過K?means聚類算法將指紋數(shù)據(jù)庫中數(shù)據(jù)分類，并獲取待測點所述類簇；在線階段利用貝葉斯概率法將待測點與所述類簇的指紋進(jìn)行匹配，以計算出待測點的位置坐標(biāo)。本發(fā)明的改進(jìn)的位置指紋室內(nèi)定位方法，通過K?means和貝葉斯算法進(jìn)行結(jié)合，利用K?means聚類算法將指紋數(shù)據(jù)庫中數(shù)據(jù)分類，獲取待測點所屬類簇，大大減少了目標(biāo)范圍，再用貝葉斯概率法將待測點與此類簇的指紋進(jìn)行匹配，使位置指紋定位算法一方面保障了定位精確度，另一方面降低算法復(fù)雜度，提高了效率，具有實用價值。
【專利說明】
一種改進(jìn)的位置指紋室內(nèi)定位方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明涉及無線定位技術(shù)領(lǐng)域，更具體的說，尤其涉及一種改進(jìn)的位置指紋室內(nèi) 定位方法。
【背景技術(shù)】
[0002] 隨著無線通信的快速發(fā)展，無線定位技術(shù)越來越得到人們的關(guān)注，尤其是室內(nèi)定 位技術(shù)，人們希望能夠在大型商場、公共場所、地下停車場、較長的高速隧道等隨時知道自 身所在的位置，并且能夠快速的到達(dá)目的地。現(xiàn)有比較熱門的室內(nèi)定位技術(shù)有以下幾種，到 達(dá)時間（T0A)，到達(dá)時間差(TD0A)，到達(dá)角(A0A)，位置指紋定位(LFP)。以上定位技術(shù)各有優(yōu) 缺點，其中位置指紋定位精確度最高，但由于其算法復(fù)雜度高，花費的時間較長，對環(huán)境要 求較高，這些都是現(xiàn)階段亟待解決的問題。
[0003] 目前常用的指紋定位方法主要有最近鄰算法、貝葉斯概率法、BP神經(jīng)網(wǎng)絡(luò)法等。它 們的定位過程基本都分為離線階段和在線階段。離線時搜集海量樣本數(shù)據(jù)形成數(shù)據(jù)庫，在 線時將待定位點的數(shù)據(jù)在數(shù)據(jù)庫中逐一比對，得到最終的定位結(jié)果。然而，對最近鄰法，其 運算速度較快，但準(zhǔn)確性不高，其改進(jìn)算法K近鄰及K加權(quán)近鄰法也存在k值無法確定的問 題，貝葉斯概率法雖然精度高，但也存在算法復(fù)雜度高，造成定位時間太長等問題。。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明為了克服上述技術(shù)問題的缺點，提供了一種改進(jìn)的位置指紋室內(nèi)定位方 法。
[0005] 本發(fā)明的改進(jìn)的位置指紋室內(nèi)定位方法，分為離線階段和在線階段，其特別之處 在于，離線階段首先利用參考點和AP建立位置指紋數(shù)據(jù)庫，然后通過K-means聚類算法將指 紋數(shù)據(jù)庫中數(shù)據(jù)分類，并獲取待測點所述類簇;在線階段利用貝葉斯概率法將待測點與所 述類簇的指紋進(jìn)行匹配，以計算出待測點的位置坐標(biāo)。
[0006] 本發(fā)明的改進(jìn)的位置指紋室內(nèi)定位方法，離線階段分為離線建庫和聚類處理，通 過以下步驟來實現(xiàn)：
[0007] a).離線建庫，在定位區(qū)域內(nèi)設(shè)置n個參考點、m個AP，所有參考點的位置集合為:L = {li，l2，'"ln}，其中l(wèi)i={xi，yi}為第i個參考點的位置坐標(biāo)，i = l，2,. . .，n;
[0008] 建立與集合L--對應(yīng)的位置指紋集合R= {ri，r2, . . .，rn}，其中ri= {rssiu， rssii2, . . .，rssiim}，i = l，2, . . .，n; j = l，2, . . .，m;rssiij表示第i個參考點接收到的來自 第j個AP的信號強(qiáng)度值;就這樣，建立含有信號強(qiáng)度值和位置坐標(biāo)的參考點的位置指紋數(shù)據(jù) 庫{rssiii，rssii2, ? ? ?，rssiim，Xi，yi};
[0009] b).聚類處理，以定位區(qū)域中K個點為中心進(jìn)行聚類，依據(jù)待聚類數(shù)據(jù)與聚類中心 距離最小原則進(jìn)行劃分，并更新聚類中心的值，直至得到最好的聚類結(jié)果;聚類結(jié)束后，形 成K個類簇中心；
[0010] 在線階段通過以下步驟來實現(xiàn)：
[0011] C).獲取待測點所屬類簇，分別計算待測點與K個類簇中心的距離，距離最小者為 待測點所屬類簇，設(shè)所屬類簇中參考點的個數(shù)為S;
[0012] d).獲取待測點的指紋信息，計算待測點與所有AP的信號強(qiáng)度，待測點的指紋信息 為A:A={rssiai，rssia2, . . .，rssiam}，其中rssiaj表示待測點接收到的來自第j個AP的信號 強(qiáng)度值；
[0013] e).求取后驗概率，設(shè)待測點所屬類簇中參考點的后驗概率為P(U|A)，i = l， 2,...，s，s為所述類簇中參考點的個數(shù);根據(jù)貝葉斯定理，后驗概率的計算轉(zhuǎn)化為：
[0015]其中，P(A|li)表示在已知位置坐標(biāo)li處的位置指紋為A的條件概率，P(li)表示待 測點出現(xiàn)在h位置的概率，待測點在定位區(qū)域出現(xiàn)的概率服從均勻分布，設(shè)P(h)=c，c為常 量；
[0016] 由概率知識可知：
[0017] F{A 11,) - ^(^4! ! /, )P{rssid ： ! / ) ? ? p[rssim | 0 = f] P{rssid, \ /,) (2) i=i
[0018] Pkssiwlh)表示在已知位置坐標(biāo)乜處信號強(qiáng)度值為rssiy的概率，每個位置指紋 處接收到的信號強(qiáng)度服從高斯正態(tài)分布；
[0019] 將公式(2)代入公式(1)中即可求得P(h|A);
[0020] f).計算待測點位置，將獲取的后驗概率P (1 i | A)作為指紋數(shù)據(jù)庫的參考點的權(quán) 重，代入公式(3)估算出待測點的位置：
[0021] (;%?;')=之P(/,. |/〇x(..v;, r,.) 13) r=l
[0022] 其中，（Xl，yi)為待測點所屬類簇中參考點的坐標(biāo)。
[0023] 本發(fā)明的改進(jìn)的位置指紋室內(nèi)定位方法，步驟b)中所述的聚類處理通過以下步驟 來實現(xiàn)：
[0024] b-1).初始化聚類參數(shù)，設(shè)參加聚類處理的數(shù)據(jù)集為DiWhDs，. . . D2.....〇"分別對應(yīng)n個參考點的位置指紋數(shù)據(jù)庫;設(shè)聚類的個數(shù)為K，這里設(shè)置聚類個數(shù)與 AP的個數(shù)一致，K個類簇表示為Q，0彡j<k<n;
[0025] b-2).選取聚類中心，選取離每個AP坐標(biāo)最近的參考點的位置指紋為聚類中心，以 避免由于隨機(jī)性選取造成的誤差；
[0026] b-3).參考點分類，計算數(shù)據(jù)集D中元素DAK個聚類中心的距離，即d產(chǎn)|此-Xj ，其中 j = l，2,…，k;如果滿足min(dj)= | |Di_Xj | |，貝lj判定DiGCj;
[0027] b-4).計算新的聚類中心，每個聚類中劃入新的參考點后，均通過公式(4)計算出 新的聚類中心：
[0029] 其中，％表示屬于第j類簇的個數(shù)；
[0030] b-5).迭代步驟b-3)至b-4)，將所有參考點逐個進(jìn)行分類，直到新聚類中心的變化 小于給定閾值％即|K+1)-勾|<占;輸出K個類簇的中心，計算停止。
[0031] 本發(fā)明的改進(jìn)的位置指紋室內(nèi)定位方法，步驟a)所述的離線庫建立過程中，由于 外界環(huán)境的變化、人群的走動影響，會使檢測到的信號強(qiáng)度發(fā)生波動，因此在位置指紋數(shù)據(jù) 庫建立時，采用多次采樣的方法，通過多次測量取平均值作為最終的信號強(qiáng)度值。
[0032] 本發(fā)明的改進(jìn)的位置指紋室內(nèi)定位方法，步驟f)中待測點位置的計算過程中，當(dāng) 參考點的數(shù)量較多時，按照信號強(qiáng)度由強(qiáng)到弱選取部分待參考點進(jìn)行加權(quán)計算。
[0033] 本發(fā)明的有益效果是:本發(fā)明的改進(jìn)的位置指紋室內(nèi)定位方法，通過K-means和貝 葉斯算法進(jìn)行結(jié)合，利用K-means聚類算法將指紋數(shù)據(jù)庫中數(shù)據(jù)分類，獲取待測點所屬類 簇，大大減少了目標(biāo)范圍，再用貝葉斯概率法將待測點與此類簇的指紋進(jìn)行匹配，使位置指 紋定位算法一方面保障了定位精確度，另一方面降低算法復(fù)雜度，提高了效率，具有實用價 值。
【附圖說明】
[0034] 圖1為本發(fā)明的改進(jìn)的位置指紋室內(nèi)定位方法的原理圖。
【具體實施方式】
[0035]下面結(jié)合附圖與實施例對本發(fā)明作進(jìn)一步說明。
[0036]本發(fā)明采用如下技術(shù)方案:一種改進(jìn)的位置指紋室內(nèi)定位算法分為離線階段和在 線階段。
[0037] 1、離線階段。離線階段分為離線建庫和聚類處理。
[0038] 1)離線建庫
[0039]采集定位區(qū)域所有參考點的位置集合為:1={11，12，一111}，其中，1 1為定位區(qū)域參 考點的個數(shù)山={1：1#}(1 = 1，2~11)為第1個參考點的位置坐標(biāo)。與1--對應(yīng)的位置指紋 集合為：R= {ri，r2, ."rn}，其中，ri = {rssiu，rssii2, ???rssiim} (i = 1，2."n; j = 1，2."m)，式 中，rssiij表示第i個參考點接收到的來自第j個AP的信號強(qiáng)度值，m表示AP的個數(shù)。就這樣建 立一個位置指紋數(shù)據(jù)庫，記錄的是信號強(qiáng)度值及相應(yīng)的位置坐標(biāo){rssiii，rssii2~rssiim, xuyi}。這里需要注意的是，由于外界環(huán)境的變化、人群的走動等因素會使得檢測到的信號 強(qiáng)度發(fā)生波動，因此在位置指紋數(shù)據(jù)庫建立時，采用多次采樣的方法，通過多次測量取平均 值進(jìn)行數(shù)據(jù)的記錄。
[0040] 2)聚類處理
[0041 ] 首先，聚類處理是通過K-means算法實現(xiàn)，算法思想是：以空間中K個點為中心進(jìn)行 聚類，根據(jù)待聚類數(shù)據(jù)與聚類中心距離最小原則進(jìn)行劃分，并更新新聚類中心的值，繼而迭 代進(jìn)行直至得到最好的聚類結(jié)果。
[0042] K-means聚類算法迭代步驟：
[0043]輸入:數(shù)據(jù)集D=恤，D2."Dn)，類的個數(shù)k [0044] 輸出:k個類簇Cj(0彡j彡k，k<N)
[0045] Step 1:初始化各聚類參數(shù)。（1)設(shè)置聚類個數(shù)k，這里設(shè)置聚類個數(shù)與AP的個數(shù)一 致；⑵設(shè)置初始聚類中心(X^X^Xk)，這里聚類中心并非隨機(jī)生成，根據(jù)無線信號強(qiáng)度普 分布的特點，離發(fā)射源越近，對應(yīng)信號強(qiáng)度越強(qiáng)，因此選取離每個AP坐標(biāo)最近的待參考點的 位置指紋為聚類中心，這樣就避免了由于隨機(jī)性選取造成的誤差；（3)設(shè)置迭代停止條件e。
[0046] Step2:對數(shù)據(jù)集D =( Di，D2 ???〇!!)進(jìn)行分類。
[0047] ⑴計算Di(i = l，2"_N)與K個聚類中心的距離，即dj= | |Di_Xj| | (j = l，2,…k)，若 滿足min(dj)= | |Di_Xj | | (1彡 j彡k)，貝lj判定DiGCj。
[0048] (2)計算新的聚類中心
表示屬于第j類簇的個數(shù)。
[0049] Step3:迭代step2,將數(shù)據(jù)集逐個進(jìn)行分類，直到新聚類中心的變化小于給定閾 值，即- X; I以，輸出k個類簇的中心，停止計算。
[0050]在實際應(yīng)用中，由于每個位置指紋都能接收來自不同AP的信號強(qiáng)度，而聚類只能 適用于同一 AP發(fā)射的信號。因此可以設(shè)定標(biāo)準(zhǔn)，選取待測點處接受到的信號強(qiáng)度最強(qiáng)的AP 為準(zhǔn)。
[00511 2、在線階段
[0052]在線階段利用貝葉斯概率法將待測點與所屬類簇的指紋進(jìn)行匹配。貝葉斯概率法 是通過計算每個待參考點的后驗概率，選取后驗概率最大的一個或者若干個參考節(jié)點，從 而計算出待測點的物理坐標(biāo)。與其他方法相比，概率法能有有效的去除采樣信號中較大誤 差的影響，去噪優(yōu)勢明顯。
[0053] 具體步驟為：
[0054] (1)獲取待測點所在的類簇。分別計算出待測點與k個聚類中心的距離，距離最小 者為待測點所屬類簇。
[0055] (2)指紋匹配。令待測點處測得的指紋信息為A，A= {rssial，rssia2, "TSSiam}，其 在所屬類簇中的待參考點的后驗概率為P(li |A)(i = l，2…s)，s為所屬類簇待參考點的個 數(shù)。根據(jù)貝葉斯定理，可將后驗概率轉(zhuǎn)化為：
其中， P(A| 表示在已知位置坐標(biāo)乜處的位置指紋為A的條件概率，P(h)表示在待測點出現(xiàn)在h 位置的概率。一般假定待測點在定位區(qū)域出現(xiàn)的概率服從均勻分布，可將P(h)看為一個常 量。另外，由概率知識可知： m
[0056] P{^ I ^i) = ^ssia[ \l;)P{r$sita I IJ-rPirssi^ | /,) = [j 11，) j=l
[0057]對每個位置指紋處接收到的信號強(qiáng)度服從高斯正態(tài)分布，代入公式求得P(li I A)， 將其作為指紋數(shù)據(jù)庫的待參考點的權(quán)重，繼而估算出待測點的位置，
[0058] 最終得到待測點位置為= M)x(.v,，V,)。 i=l
[0059] 優(yōu)選的，在實際操作中，如待參考點數(shù)量較多時，可以按照信號強(qiáng)度由強(qiáng)到弱選取 部分待參考點進(jìn)行加權(quán)計算。
[0060]以上所述僅為本發(fā)明的優(yōu)選實施例，不能以此限定本發(fā)明的實施范圍，因此依本 發(fā)明權(quán)利要求所做的任何改進(jìn)都在本發(fā)明的保護(hù)范圍內(nèi)。
【主權(quán)項】
1. 一種改進(jìn)的位置指紋室內(nèi)定位方法，分為離線階段和在線階段，其特征在于，離線階 段首先利用參考點和AP建立位置指紋數(shù)據(jù)庫，然后通過K-means聚類算法將指紋數(shù)據(jù)庫中 數(shù)據(jù)分類，并獲取待測點所述類簇;在線階段利用貝葉斯概率法將待測點與所述類簇的指 紋進(jìn)行匹配，以計算出待測點的位置坐標(biāo)。2. 根據(jù)權(quán)利要求1所述的改進(jìn)的位置指紋室內(nèi)定位方法，其特征在于:離線階段分為離 線建庫和聚類處理，通過以下步驟來實現(xiàn)： a) .離線建庫，在定位區(qū)域內(nèi)設(shè)置η個參考點、m個AP，所有參考點的位置集合為:L={h， h,…ln}，其中l(wèi)i={xi，yi}為第i個參考點的位置坐標(biāo)，i = l，2，...，n; 建立與集合L--對應(yīng)的位置指紋集合R= {ri，r2, . . .，rn}，其中ri={rssiii, rssii2, . . . ,rssiim}，i = l,2, . . . ,n; j = l,2, . . . ,m;rssiij表示第i個參考點接收到的來自 第j個AP的信號強(qiáng)度值;就這樣，建立含有信號強(qiáng)度值和位置坐標(biāo)的參考點的位置指紋數(shù)據(jù) 庫{rssiii，rssii2, · · ·，rssiim，xi，yi}; b) .聚類處理，以定位區(qū)域中K個點為中心進(jìn)行聚類，依據(jù)待聚類數(shù)據(jù)與聚類中心距離 最小原則進(jìn)行劃分，并更新聚類中心的值，直至得到最好的聚類結(jié)果;聚類結(jié)束后，形成Κ個 類簇中心； 在線階段通過以下步驟來實現(xiàn)： c) .獲取待測點所屬類簇，分別計算待測點與Κ個類簇中心的距離，距離最小者為待測 點所屬類簇，設(shè)所屬類簇中參考點的個數(shù)為s; d) .獲取待測點的指紋信息，計算待測點與所有AP的信號強(qiáng)度，待測點的指紋信息為A: A={rssiai，rssia2,. . .，rssiam}，其中rssiaj表示待測點接收到的來自第j個AP的信號強(qiáng)度 值； e) .求取后驗概率，設(shè)待測點所屬類簇中參考點的后驗概率為 為所述類簇中參考點的個數(shù);根據(jù)貝葉斯定理，后驗概率的計算轉(zhuǎn)化為：其中，ρ(Α?ω表示在已知位置坐標(biāo)匕處的位置指紋為a的條件概率，ρ(ω表示待測點 出現(xiàn)在h位置的概率，待測點在定位區(qū)域出現(xiàn)的概率服從均勻分布，設(shè)P(h)=C，C為常量； 由概率知識可知：P(rssiaj 1表示在已知位置坐標(biāo)匕處信號強(qiáng)度值為rssiaj的概率，每個位置指紋處接 收到的信號強(qiáng)度服從高斯正態(tài)分布； 將公式(2)代入公式(1)中即可求得P(h|A); f) .計算待測點位置，將獲取的后驗概率P( li IA)作為指紋數(shù)據(jù)庫的參考點的權(quán)重，代入 公式(3)估算出待測點的位置：其中，（xi，yi)為待測點所屬類簇中參考點的坐標(biāo)。3. 根據(jù)權(quán)利要求2所述的改進(jìn)的位置指紋室內(nèi)定位方法，其特征在于:步驟b)中所述的 聚類處理通過以下步驟來實現(xiàn)： b-Ι).初始化聚類參數(shù)，設(shè)參加聚類處理的數(shù)據(jù)集為...，0")，0:、D2.....Dn 分別對應(yīng)η個參考點的位置指紋數(shù)據(jù)庫;設(shè)聚類的個數(shù)為K，這里設(shè)置聚類個數(shù)與AP的個數(shù) 一致，K個類簇表示為Cj，0< j<k<n; b-2).選取聚類中心，選取離每個AP坐標(biāo)最近的參考點的位置指紋為聚類中心，以避免 由于隨機(jī)性選取造成的誤差； b_3).參考點分類，計算數(shù)據(jù)集D中元素DgK個聚類中心的距離，即d尸| iDi-X」|，其中 j = l，2, · · ·，k;如果滿足min(dj)= | |Di-Xj | |，則判定DieCj; b_4).計算新的聚類中心，每個聚類中劃入新的參考點后，均通過公式(4)計算出新的 聚類中心：其中，％表示屬于第j類簇的個數(shù)； b-5).迭代步驟b-3)至b-4)，將所有參考點逐個進(jìn)行分類，直到新聚類中心的變化小于 給定閾值ε，即s I輸出K個類簇的中心，計算停止。4. 根據(jù)權(quán)利要求2或3所述的改進(jìn)的位置指紋室內(nèi)定位方法，其特征在于：步驟a)所述 的離線庫建立過程中，由于外界環(huán)境的變化、人群的走動影響，會使檢測到的信號強(qiáng)度發(fā)生 波動，因此在位置指紋數(shù)據(jù)庫建立時，采用多次采樣的方法，通過多次測量取平均值作為最 終的信號強(qiáng)度值。5. 根據(jù)權(quán)利要求2或3所述的改進(jìn)的位置指紋室內(nèi)定位方法，其特征在于：步驟f)中待 測點位置的計算過程中，當(dāng)參考點的數(shù)量較多時，按照信號強(qiáng)度由強(qiáng)到弱選取部分待參考 點進(jìn)行加權(quán)計算。
【文檔編號】G01S5/06GK105960021SQ201610531804
【公開日】2016年9月21日
【申請日】2016年7月7日
【發(fā)明人】閻躍鵬, 張 浩, 杜占坤, 車玉潔
【申請人】濟(jì)南東朔微電子有限公司