基于距离约束的半监督apc聚类算法的wlan室内定位方法
【技术领域】
[0001] 本发明涉及室内定位领域，具体涉及一种位置指纹室内定位方法。
【背景技术】
[0002] 随着无线网络、移动通信和普适计算技术的广泛普及，基于位置的服务（LBS， Location-based Services)也越来越重要，典型的例子有信息查询、旅游导航、急救服务、 人员跟踪等等。其中如何确定用户的位置是实现LBS的核心问题。全球卫星定位（GPS， Global Positioning System)系统通过接收器测量来自5?24个卫星信号的到达时间差 估计位置，可以提供较高精度的定位估计。但是，GPS在室内和高楼密集的城市由于感测不 到卫星信号而无法进行定位。
[0003] 基于 IEEE802. 11 协议的无线局域网（WLAN，Wireless Local Area Network)，是 以无线信道作传输媒介的计算机局域网络，提供传统有线局域网的功能，能够使移动用户 真正实现随时、随地、随意的宽带网络接入。用户对信息的即时性和就地性的需求越来越强 烈，给基于WLAN系统的位置服务提供了广阔的发展空间。首先，WLAN系统中依据信号强度 的定位技术可以充分利用现有的硬件设备，无需给移动终端添加任何硬件就可以获得信号 强度，从而实现移动终端的定位；其次，可以满足大多数室内位置服务的精度需求，即使在 非视距环境下，定位结果在典型的室内定位场景下2m以内能够达到较高精度；此外，WLAN 定位可以将首次定位时间缩短在2秒内，而GPS和A-GPS的首次定位时间通常为1分钟以 上和12秒左右。
[0004] WLAN定位技术的原理是利用来自各个接入点（AP，Access Point)的指纹信号 (RSS，Received Signal Strength)与物理位置关联特性实现定位。因而在定位过程中，应 尽量保持室内环境的相对稳定，提高RSS与物理位置关联的有效性。然而，因室内复杂的环 境特性，RSS受电波传播距离、室内布局、建筑材料、人体吸收、气候等多方面的影响，使得指 纹信号的不确定性增大，从而严重影响指纹法的定位精度。位置指纹定位算法分为离线测 量阶段和在线定位阶段两个步骤，离线阶段主要是建立位置与接收信号强度之间的对应关 系，即在待定位区域按一定规则设置参考点，通过测量参考点处接收到的不同AP信号强度 值，建立对应的位置指纹数据库Radio Map。在线定位阶段，通过测试点接收到的RSS值， 采用相应的匹配算法，主要包括最近邻法，K近邻法，概率法和神经网络法。其中K近邻法 (KNN，K Nearest Neighbors)在算法复杂度和定位精度上都具有一定优势，广泛的用于在 线定位匹配，找到位置指纹数据库中与其最接近的位置，作为最终的位置估计结果。离线阶 段建立的Radio Map包含有大量的数据信息，且随着定位区域扩大及参考点的增加，导致 Radio Map信息量呈指数形势增长。
[0005] 利用聚类分析的方法，将定位区域依据参考点进行聚类，并选择相应的类作为进 一步研究子区域，可以降低定位阶段的计算复杂度、提高定位精确度。目前常用的定位分区 方法有：通过AP的覆盖范围判定位置区域。由于该区域判定机制要通过训练数据在离线阶 段完成，而无线信号的时变性会导致在线阶段区域判定的错误，这将导致极大的定位误差； 采用经典的k均值聚类方法，可以减少在线阶段位置匹配的计算量。该方法需要通过随机 方式选择初始类首领，聚类的结果质量又大大依赖于对初始聚类的类首领选择，且容易陷 入局部极值。
[0006] 基于仿射传播聚类（APC，Affinity Propagation Clustering)的算法，将数据集 的所有样本点都视为候选的聚类首领，可以更快地处理大规模数据，得到较好的聚类结果。 因此，本专利中采用距离约束的APC聚类算法来对指纹数据进行聚类分析。
【发明内容】
[0007] 本发明是为了解决现有WiFi室内定位方法中存在的在线定位复杂度高，移动终 端定位实时性差的问题，从而提供一种基于距离约束的半监督APC聚类算法的WLAN室内定 位方法。
[0008] 基于距离约束的半监督APC聚类算法的WLAN室内定位方法，它由以下步骤实现：
[0009] 步骤一、针对室内环境布置m个接入点AP(APj，1彡j彡m)，确保所述室内环境中 任意一点被两个或两个以上的无线接入点AP发出的信号覆盖；m为正整数；
[0010] 步骤二、在室内环境中均匀设置参考点,选取一个参考点为原点建立直角坐标系， 获得各个参考点在该直角坐标系中的坐标位置，并在每个参考点上利用信号接收机采集并 记录来自每一个AP的接收信号强度RSS值η次，并进行数据处理；η为正整数；
[0011] 步骤三、根据定位区域的AP布设和空间结构，将定位区域划分为Q个子区间，标记 部分参考点作为半监督APC聚类的已知类别信息；Q为正整数；
[0012] 步骤四、利用APC聚类算法将室内定位环境分成C个子区域，为每个参考点标记子 区域的类别信息；C为正整数；
[0013] 步骤五、将待测点获取的信号强度RSS值与步骤四获取的各个子区域的特征向量 进行比较，即求取测试点的特征向量与各子区域的特征向量的距离，将测试点定位在与其 特征向量距离最近的子区域内，然后采用加权K近邻位置指纹定位算法对测试点进行精确 定位。
[0014] 步骤二所述的在每个参考点上利用信号接收机采集并记录来自每一个AP的接收 信号强度RSS值η次，并进行数据处理的具体步骤为：
[0015] 步骤二一、对每个参考点得到一个nXm阶矩阵，矩阵的第i行第j列表示第i次 采集中接收到的来自第j个AP的RSS值；n、m、i、j均为正整数；
[0016] 步骤二二、将每个参考点得到的nXm阶矩阵列向量里所有的元素相加得到一个 值，再把这个值除以n，则每个参考点都得到了一个I Xm的向量，对于每一个参考点，该向 量称为该参考点的特征向量，向量中的第j个元素（即从八?」获得的信号强度RSS均值）可 以做为该参考点的第j个特征；如果一个参考点上某些AP的RSS值检测不到，则将其赋值 为该环境下能接收到的最小信号值-IOOdBm,故任意参考点的接收信号强度RSS值V的范围 为-IOOdBm < V < OdBm,这组向量用于实现步骤四的聚类分区。
[0017] 步骤三所述的根据定位区域的物理空间结构，将定位区域划分为Q个子区间，标 记部分参考点类别信息的具体步骤为：
[0018] 步骤三一、输入步骤二二测得的所有参考点的特征向量X ;
[0019] 步骤三二、根据定位区域的AP布设和空间结构，将定位区域划分为Q个子区间，标 记部分参考点类别信息，构成已标记数据XS包含样本个数队;未标记数据Xu，包含样本个 数NU;X = X 1U X u，全部样本个数N =队+NU;N、N ^ Nu均为正整数。
[0020] 步骤四所述的利用APC聚类算法将室内定位环境分成C个子区域，为每个参考点 标记子区域的类别信息的具体过程为：
[0021] 步骤四一、APC聚类算法初始化：
[0022] 利用步骤三获得的全部数据，求解相似度矩阵Snxn= [s(i，j)] NXN，其值定义为 s(i, j) = -| Ixi-XjI |2(i ^ j)；
[0023] 初始化吸引度r(i, j)、归属度a(i, j);
[0024] 数据点偏向参数p，阻尼因子λ，迭代次数maxits，聚类中心稳定次数convits ;
[0025] 步骤四二、根据步骤三二获得的标记数据X" =X1" U# -UXg，调整数据点间的 相似度矩阵^Vl A1l :
[0026] 若 贝IJ (x,L，x;L)e Mu