基于接收信号强度和参考点位置双聚类的室内定位方法
【技术领域】
[0001] 本发明属于无线通信技术领域，更进一步涉及室内定位领域，可用于覆盖Wi-Fi 信号的室内环境，完成当前位置的定位。
【背景技术】
[0002] 当前，随着无线网络的发展和无线局域网的广泛部署，基于Wi-Fi的室内定位技 术受到广泛重视。在覆盖Wi-Fi网络的室内环境下，通过测量来自接入点APs的接收信号 强度RSS，结合采集好的信号强度数据库求解，确定移动用户的位置。这种基于位置指纹的 定位算法因其定位精度高、可充分利用现有设施、升级和维护对用户影响小等优点而得到 广泛应用。为了提高定位精度和效率，需要对采集的位置指纹数据进行预处理。普遍使用 的预处理方法是对参考点RPs进行聚类运算，得到若干个聚类中心及其类成员。
[0003] 现有的应用比较多的聚类方法包括两种，一是K-means聚类，另一种是吸引子传 播聚类。K-means算法首先随机选择K个对象初始的代表聚类中心，再对剩下的每个对象 根据其与各个聚类中心的距离将它重新赋给最近的类，然后重新计算每个类的中心作为下 一次迭代的聚类中心。不断重复这个过程，直到各聚类中心不再变化时终止。吸引子传播 聚类算法相比K-means算法，不需要初始化聚类中心，而是通过设定一个实数值将每一个 参考点都当成一个潜在的聚类中心。接着，两个参考点之间相互传递近邻信息，参考点根据 近邻信息选择哪一个参考点作为聚类中心，直到聚类中心以及相关的类产生。但由于受到 接入点布局、建筑结构以及人的走动等外界因素的影响，离得较远的参考点可能有相似的 RSS，导致聚类时同属一簇，或者在采集RSS时会出现扰动，导致有的参考点的RSS出现较大 误差，在聚类时可能被归于不恰当的簇。直接导致到定位精度下降。
【发明内容】
[0004] 本发明的目的在于针对上述已有技术的不足，提出一种基于接收信号强度聚类和 参考点位置聚类的室内定位方法，以提高室内定位的精度。
[0005] 实现本发明目的地技术思路是：通过采用接收信号强度聚类和参考点位置聚类的 双聚类技术，对参考点进行有效的聚类，形成一定数量聚类中心及其类成员，以此减少定位 阶段计算量，提高定位精度。其实现方案如下：
[0006] 1)离线阶段：
[0007]la)选择一个布设有Wi-Fi接入点APs的区域；
[0008] Ib)在此区域内选择N个参考点RPs，并测量这N个参考点在四个方向上接收的来 自周围接入点的接收信号强度RSS，存到数据库Xw中；
[0009] Ic)按照接收信号强度RSS对所有参考点RPs，采用吸引子传播算法AP进行第一 次聚类；
[0010] Id)对第一次聚类得到的每个簇，再按照地理位置采用吸引子传播算法AP进行第 二次聚类；
[0011] le)判断第二次聚类的簇数量：如果第二次聚类得到的簇数量是大于等于2的正 整数，则求出这些簇的两两之间的距离，将距离小于4米的簇合并为一簇，将聚类结果记录 到数据库中，否则，直接将聚类结果记录到数据库中，完成指纹数据库的构建；
[0012] 2)在线阶段：
[0013] 2a)在待定位点测得来自周围L个接入点APs的接收信号强度RSS向量：
[0014] Xr=[Xlr，…，Xkr，…，xLr]T，
[0015] 其中{xkfk= 1，2，...，L}是移动设备在任意一个方向上采集的来自第k个接 入点APs的数据；
[0016] 2b)粗定位：
[0017] 求出待定位点的接收信号强度RSS向量指纹数据库中各个簇的聚类中心的 接收信号强度RSS向量之间的相似度，相似度被定义为：
[0019] 其中为第j个簇的聚类中心在方向O上的接收信号强度RSS向量，H为所有簇 的聚类中心的集合，〇 = {0°，90° ,180° ,270° };
[0020] 设置阈值
其中Ci^a2=I;
[0021] 将相似度s(r，j)W大于阈值a的簇作为粗定位匹配的簇；
[0022] 2c)精确定位：随机选取8个接入点APs，利用这8个接入点APs和粗定位匹配得 到的簇成员接收信号强度RSS，通过压缩感知算法求出待定位点的精确位置，完成待定位点 的定位。
[0023] 本发明与现有技术相比具有以下优点：
[0024] 第一，由于本发明采用了接收信号强度聚类和参考点位置聚类的双聚类技术，且 将原来一个簇中地理位置离其它簇成员较远的成员独立的分为一个簇，避免了地理位置离 的较远但接收信号强度RSS接近的参考点被聚为同一个簇的情况；
[0025] 第二，由于本发明采用了接收信号强度聚类和参考点位置聚类的双聚类技术，且 将本不应被拆开的簇再合并成一个簇，完成奇异点处理的同时能够保证原来簇的完整性， 从而达到更好的聚类效果。
【附图说明】
[0026] 图1是本发明的实现流程图；
[0027] 图2是本发明中的实验区域示意图；
[0028] 图3是本发明中在实验区域进行参考点第一次聚类的结果图；
[0029] 图4是本发明中的第二次聚类结果图；
[0030] 图5是本发明在第二次聚类中将一个簇正确拆分成两个簇的结果图；
[0031] 图6是本发明在第二次聚类中在簇中找出奇异点的结果图；
[0032] 图7是本发明在第二次聚类中将一个不该拆分的簇拆分的结果图；
[0033] 图8是本发明在第二次聚类后将不该拆分的簇合并为一个簇的结果图；
[0034] 图9是本发明与现有未改进的室内定位方法的定位误差概率分布曲线图。
【具体实施方式】
[0035] 下面将结合附图，对本发明的优选实例进行详细的描述。
[0036] 参照图1，本发明的实施步骤分为离线阶段和在线阶段，在离线阶段建立指纹数据 库，在线阶段用于实时定位，具体实现步骤如下：
[0037] 步骤1，离线阶段建立指纹数据库。
[0038] la)选择一个布设有Wi-Fi接入点APs的区域，本实例区域为西安电子科技大学主 楼II区部分区域，长约21米，宽约8米，如图2所示；
[0039] Ib)在图2区域内选择N= 37个参考点RPs，如图3所示，并测量这37个参考点 在四个方向上接收的来自周围L= 36个接入点APs的接收信号强度RSS，存到数据库中，这 个数据库表示为Xw:
[0040]
[0041]
是在第j个参考点RPs处于方向〇上采集的来自第i个 接入点APs的接收信号强度RSS的平均值，i= 1，2,…，36,j= 1，2,…，37, 〇GO= {0°，90°，180°，270°}，q= 25表示每个参考点上的采样次数，每秒钟采样一次；
[0042] Ic)按照接收信号强度RSS对所有参考点RPs采用吸引子传播算法AP进行第一次 聚类：
[0043] 所述吸引子传播算法AP，参照文献ClusteringbyPassingMessagesBetween DataPoints，Frey，BrendanJ. 1，Dueck，Detbertl，该算法是根据数据点之间的相似度进 行聚类，不需要事先指定聚类得到的簇数量，相反，它将所有的数据点都作为潜在的聚类中 心。聚类的簇数量受到参考度的影响，如果取输入数据的相似度的中位数作为参考度的值， 则聚类得到簇数量是中等的，如果参考度取较小值，聚类得到的簇数量就较少。该算法通过 迭代过程不断更新所有数据点的吸引度和归属度的数值，如果某个数据点的归属度和吸引 度之和大于预设的某个数值，则这个数据点是聚类中心，否则不是聚类中心，迭代至聚类结 果收敛或达到预设的最大迭代次数时，聚类完成。其具体步骤如下：
[0044] Icl)利用所有参考点RPs的接收信号强度RSS向量计算参考度pw;
[0045] lc2)利用参考度pw和参考点接收信号强度RSS向量迭代求出聚类中心，每个聚 类中心代表一个簇：
[0046] l