一种基于svm和k均值聚类的室内定位方法
【技术领域】
[0001]本发明涉及基于一种支持向量机(Support Vector Machine，SVM)和K均值聚类的室内定位方法，是属于物联网应用领域。
【背景技术】
[0002]随着物联网技术的兴起，基于位置的服务越来越受到人们的关注，对于室外的定位，已经有很成熟的定位技术，应用也十分的成功，比如全球定位系统、北斗导航系统等。相对于室外定位而言，室内环境表现得更复杂，尤其在室内无线信号传播时，比如多径效应、阴影效应等特殊性，使得成熟的室外定位技术不能够直接应用到室内定位上来。为此，学者们研宄了许多的定位方法来实现对室内的定位。
[0003]本发明采用的支持向量机是以统计学理论为基础的，具有严格的数学基础，其结构的设计不依赖于设计者的经验知识和先验知识。而且，支持向量机是基于结构风险最小化原则，保证了良好的泛化能力，使得支持向量机在模式识别、回归分析、函数估计、时间序列预测等领域得到广泛的应用。目前，支持向量机在室内定位上的应用主要采用的是支持向量机回归的功能。其定位的过程分为两个阶段:一是离线建模阶段；一是在线测量阶段。离线建模阶段，在定位区域采集样本点数据，包括样本点的位置坐标以及接受到的RSSI值，采用支持向量机回归算法建立位置坐标与RSSI之间的函数关系模型。在线测量阶段，测量待定位节点的RSSI值，输入到离线阶段建立的函数关系模型中，由此得到待定位节点的位置坐标。
[0004]传统的支持向量机回归算法都是在整个定位区域进行训练，得出定位学习模型，或者利用支持向量分类算法得到目标所在的子区域，再利用子区域的质心坐标作为目标位置坐标。虽然支持向量机算法应用于室内定位领域具有许多的优势，但同样的存在以下问题:第一，支持向量机算法的参数选择一直没有统一的标准，大多数依据经验采取试凑的方法，导致支持向量机回归算法应用于室内定位时定位精确度的下降；第二，RSSI信号的统计特性随着物理位置变化而变化，建立在整个区域的SVM学习模型都是次优的；第三，整个定位区域的RSSI与物理位置的映射过于复杂，且由于AP (Access Point)的覆盖范围有限，很可能出现某些参考点上来自某些AP的RSSI接收不到的情况，使输入空间存在大量冗余，容易导致过学习，降低学习模型的泛化能力；第四，对整个定位区域的定位指纹进行训练，将增加定位学习算法的维数，增加了算法的复杂度。
【发明内容】
[0005]本发明的目的在于提供一种基于SVM和K均值聚类的室内定位方法，主要用于解决大范围定位区域中定位学习算法复杂度高，RSSI信号变化幅度大，RSSI信号与物理位置映射复杂等问题，从而提高室内定位的精度和结果的稳定性，同时也降低了定位算法的复杂度，加快定位时间，更适用于实际场景。
[0006]为解决上述的技术问题，本发明采用的方案如下:
[0007]第一步，在定位区域内均匀选取若干个参考点，每个参考点采集RSSI样本，并与参考点位置坐标组成一个指纹，所有指纹构成指纹库。
[0008]第二步，对第一步生成的指纹库采用K均值聚类算法，将整个大范围的定位区域自动划分为若干小范围的定位子区域。
[0009]第三步，在第二步中得到的每一个定位子区域中采用SVM算法，对每一个定位子区域构建定位子模型。
[0010]第四步，在每一个定位子区域中，计算该子区域内所有RSSI信号的平均值，并用该平均值代表该子区域的聚类中心。
[0011]第五步，计算实时RSSI信号与所有子区域的聚类中心的欧氏距离，确定最近的一个子区域，然后再利用第三步中构建出来的定位模型中实现精确定位。
[0012]有益效果
[0013]本发明对比已有的室内定位方法，具有以下创新点:
[0014]a.采用聚类分块的方法，将定位模型限制在定位子区域中，一方面，可以减小定位模型的指纹库，降低定位计算复杂度；另一方面，可以使得RSSI与物理位置的映射模式更加简单，有利于提高后续学习算法的定位精度。
[0015]b.聚类分块采用K均值聚类的算法，该算法计算简单，参数k代表定位子区域的个数，较易调整，可以实现定位区域的有效划分，但是K均值聚类算法的欧氏距离测量过于简单，降低了聚类分块的稳定性和准确性，故在聚类分块后结合SVM(支持向量机)中的SVR(支持向量回归)进行精确定位。
[0016]本发明对比已有定位方法具有以下显著优点:
[0017]1、提尚了室内定位的精确度。
[0018]2、提尚了定位结果的稳定性。
[0019]3、降低了定位算法的复杂度。
【附图说明】
[0020]附图1:基于支持向量机和K均值聚类相结合的室内定位方法的总体流程图。
[0021]具体的实施方式
[0022]下面结合说明书附图和【具体实施方式】对本发明作进一步的说明。
[0023]为解决上述的技术问题，本发明采用的技术方案是一种基于支持向量机和K均值聚类的室内定位方法，包括以下的步骤:
[0024]S1、在定位区域内均匀选取若干个参考点，每个参考点采集RSSI样本，并与参考点位置坐标组成一个指纹，所有指纹构成指纹库。
[0025]S2、对SI生成的指纹库采用K均值聚类算法，将整个大范围的定位区域自动划分为若干小范围的定位子区域。
[0026]S3、在S2中得到的每一个定位子区域中采用SVM算法，对每一个定位子区域构建定位子模型。
[0027]S4、在每一个定位子区域中，计算该子区域内所有RSSI信号的平均值，并用该平均值代表该子区域的聚类中心；
[0028]S5、计算实时RSSI信号与所有子区域的聚类中心的欧氏距离，确定最近的一个子区域，然后再利用S3中构建出来的定位模型中实现精确定位。
【主权项】
1.一种基于SVM和K均值聚类的室内定位方法，其特征在于，采用SVM (支持向量机)与K均值聚类相结合的算法实现室内定位，其具体的步骤如下: 51、在定位区域内均匀选取若干参考点，每个参考点采集RSSI信号，并与参考点位置坐标组成一个指纹，所有指纹构成一个指纹库； 52、对SI生成的指纹库采用K均值聚类算法，将整个大范围的定位区域自动划分为若干小范围的定位子区域； 53、在S2中得到的每一个定位子区域中采用SVM算法，对每一个定位子区域构建定位子模型； 54、在每一个定位子区域中，计算该子区域内所有RSSI信号的平均值，并用该平均值代表该子区域的聚类中心； 55、计算实时RSSI信号与所有子区域的聚类中心的欧氏距离，确定最近的一个子区域，然后再利用S3中构建出来的定位模型中实现精确定位。
2.根据权利要求1所述的SVM和K均值聚类的室内定位方法，其特征在于，利用K均值聚类算法把大范围的定位区域，自动划分成为小范围的定位子区域，具体步骤如下: 第一步，在定位区域均匀选取k个初始聚类中心，以尽可能实现按照物理位置空间的一致性进行聚类； 第二步，计算每个参考点的RSSI信号到k个聚类中心的欧氏距离； 第三步，将参考点分配到最近的聚类中心所在的子区域，重新计算各个聚类中心； 第四步，若各个聚类中心不再变化或者变化幅度小于设定的门限，则执行第五步，否贝IJ，执行第二步； 第五步，得到k个聚类中心，即k个定位子区域，以及每个定位子区域的参考点的RSSI信号集合。
3.根据权利要求1-2所述的SVM和K均值聚类的室内定位方法，其特征在于，定位模型的构建是基于K均值聚类算法自动划分的子区域，以解决在整个定位区域上，RSSI的统计特性与物理位置映射过于复杂的问题。
4.根据权利要求1所述的SVM和K均值聚类的室内定位方法，其特征在于，训练定位模型的算法采用SVM中的SVR(支持向量回归)，该算法可以直接得到欲定位目标的坐标位置。
【专利摘要】本发明采用一种基于支持向量机(Support Vector Machine,SVM)与K均值聚类算法的方法实现室内定位，旨在改善室内定位的定位精度和稳定性，降低定位算法的复杂度。定位的主要过程：第一步，在定位区域内均匀选取若干个参考点并在这个点上采集RSSI样本，与参考点位置坐标组成一个指纹，所有指纹构成指纹库；第二步，对指纹库采用K均值聚类算法，将定位区域自动划分为若干小范围的子区域；第三步，在定位子区域中采用SVM算法，对每个子区域构建定位子模型；第四步，计算每个子区域内RSSI的平均值，作为该子区域的聚类中心；第五步，计算实时RSSI信号与所有子区域聚类中心的欧氏距离，确定最近的一个子区域，再利用第三步中构建出来的定位模型中实现精确定位。
【IPC分类】H04W64-00
【公开号】CN104853434
【申请号】CN201510031014
【发明人】唐承佩, 辛跃, 张明, 刘友柠, 谭杜康
【申请人】中山大学
【公开日】2015年8月19日
【申请日】2015年1月13日