一种无线位置指纹室内定位中在线匹配定位方法与流程

本发明涉及无线定位技术领域，特别是一种在无线位置指纹室内定位中在线匹配定位的方法。

背景技术：

无线定位技术中，GPS技术为室外定位提供了精确的定位信息，而室内定位常使用的技术有射频识别、蓝牙、ZigBee、WiFi等，所使用的定位算法有近似法、到达时间法、到达角度法、位置指纹法等。

位置指纹法将移动终端设备在定位区域内不同位置采集到的网络接入设备的信号强度，作为场景特征(即位置指纹)来推断移动终端设备所处位置，其定位过程可分为离线采样阶段和在线定位阶段。

在线定位阶段主要进行位置指纹的匹配工作。移动终端将未知位置处生成的位置指纹RSSI，同离线采样阶段建立的位置指纹数据库中的RSSI，进行逐条比较匹配。在定位区域面积较大、采样位置数量较多的情况下，逐条匹配RSSI将耗费极大的计算时间，对定位的实时性产生影响，效率低下。而且，常用的匹配算法最近邻法、K近邻法、神经网络法、机器学习法等，存在定位精度过低或算法复杂度过高等问题。综上，无线室内定位技术急需一种简单有效的方法来提高定位的效率与精度。

因此，需要一种无线位置指纹室内定位中在线匹配定位方法。

技术实现要素：

本发明的目的是提出一种无线位置指纹室内定位中在线匹配定位方法；该方法利用聚类算法获得隶属度矩阵，减少RSSI匹配数量，提高效率。

本发明的目的是通过以下技术方案来实现的：

本发明提供的无线位置指纹室内定位中在线匹配定位方法，包括以下步骤：

离线建立位置指纹库；

对位置指纹库进行模糊聚类得到隶属度矩阵；

实时采集待定位点数据；

判定待定位点数据所属类别和隶属度；

根据待定位点确定定位位置指纹样本集

采用反距离加权K近邻法和卡尔曼滤波算法获得待定位点的坐标。

进一步，所述位置指纹库的建立是按照以下步骤来实现的：

确定采样分布图；

采集采样点信号数据；所述信号数据包括采样点的坐标、信号强度和MAC地址；

对信号数据进行数据预处理；

存储位置指纹数据到数据库建立位置指纹数据库；

使用模糊聚类对定位区域内位置指纹库进行聚类并得到各类相应的隶属度矩阵。

进一步，所述模糊聚类对位置指纹库进行聚类处理；是根据待定位点接收到的无线接入点的MAC地址和相应的信号强度并按照以下公式进行计算：

其中，j表示第j个聚类中心；m表示设定的模糊度；c表示设定的聚类中心的数目；d_it表示第t个样本与第i个聚类中心的欧氏距离；d_jt表示第t个样本与第j个聚类中心的欧氏距离；μ_it表示第t个样本对第i个聚类中心的隶属度。

进一步，所述待定位点对各聚类中心的隶属度是按照以下步骤来实现的：

按照公式(1)所示计算欧氏距离d_ik，即第l次迭代时，第k(k∈[1,n])个样本数据与第i(i∈[1,c])个聚类中心的欧氏距离，：

d_ik＝||x_k-p_i|| (1)

当d_ik＞0，则

当d_ik＝0，则

μ_ik＝1，μ_rk＝0(r≠i) (3)

其中，x_k表示第k个样本数据值，i表示第i个聚类中心；r表示第r个聚类中心；p_i表示第i个聚类中心对应的指纹；d_ik表示第k个样本与p_i的欧氏距离；μ_ik表示第k个样本对第i个聚类中心的隶属度；μ_rk表示第k个样本对第r个聚类中心的隶属度。

按照公式(4)所示计算更新聚类中心P：

其中，p_i^(l)表示第l次迭代时的第i个聚类中心；表示迭代前后两次聚类中心变化量；ε表示停止阈值；

当时迭代结束，输出隶属度矩阵U和聚类中心P，否则迭代次数l＝l+1，并计算公式(1)继续执行；

聚类结束后，按公式(1)、公式(2)和公式(3)计算待定位点对各聚类中心的隶属度μ_i。

进一步，所述待定位点x_u与所得位置指纹集中样本数据的欧氏距离按照以下公式进行计算：

d_j＝||x_u-x_j|| (6)

式中，x_j为位置指纹集中的第j个点的参考指纹，d_j为待定位点xu到第j个点的距离。

进一步，所述待定位点的坐标按照以下步骤进行计算：

选取k个距离最小的样本数据，按照公式(7)和公式(8)所示对坐标值进行反距离加权取平均，得到待定位点的初始坐标L'：

式中，k表示所选的最近k个点；i表示其中第i个点；j表示其中第j个点；d_j^(-2)表示待定点RSSI指纹与第j个点之间欧氏距离平方的倒数；d_i^(-2)表示待定点RSSI指纹与第i个点之间欧氏距离平方的倒数；ω_j为所选的最近k个点中第j个点的权重值，L_j为该点的物理坐标。

对所得初始坐标进行卡尔曼滤波得到最终的定位坐标L。

由于采用了上述技术方案，本发明具有如下的优点：

本发明提出一种使用模糊C均值聚类算法(FCM，Fuzzy c-means)、WKNN和卡尔曼滤波(Kalman filtering)进行融合定位的方法，结合WKNN和卡尔曼滤波，使定位精度保持较高水平，实时定位能力大幅提高；提高了无线位置指纹室内定位中在线匹配定位的效率和精确度，本方法首先对位置指纹库进行模糊聚类得到隶属度矩阵，然后判定待定位点所属类别，筛选出定位位置指纹集，进而采用反距离加权K近邻法(WKNN，Weighted K-nearest Neighbor)进行初步定位，最后通过卡尔曼滤波获得精确定位结果。本发明通过对定位区域指纹进行聚类，避免了对整个指纹库的匹配搜索，而且利用隶属度进一步缩小匹配搜索范围，大幅提高了在线匹配定位效率。在此基础上，使用反距离加权K近邻匹配算法和卡尔曼滤波处理，提升了定位系统的定位精度和实时定位能力。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

本发明的附图说明如下。

图1为基于位置指纹的室内无线定位方案示意图。

图2为基于模糊C均值聚类算法的聚类方案流程图。

图3为根据待定位点确定定位位置指纹样本集流程图。

图4为WKNN算法与卡尔曼滤波融合定位的流程图。

图5为无线位置指纹室内定位中的在线匹配定位方法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例1

如图所示，本实施例提供的无线位置指纹室内定位中的在线匹配定位方法，对离线阶段建立的位置指纹库进行模糊聚类，并根据待定位点的隶属度确定定位位置指纹集。在此基础上，采用反距离加权K近邻法与卡尔曼滤波融合定位，使定位效率和精度获得大幅提升。使用模糊聚类对定位区域内位置指纹库进行聚类并得到各类相应的隶属度矩阵。计算出待定位点对各聚类中心的隶属度，然后利用最近邻法得到待定位点所属类别，筛选该类中大于等于待定位点隶属度的参考样本数据作为定位位置指纹集。采用反距离加权K近邻法进行初步定位，然后通过卡尔曼滤波获得精确的定位结果。

在线匹配定位方法，待定位点坐标的确定方法具体为，根据离线阶段建立的位置指纹库，算法模块调用模糊聚类算法对位置指纹库进行聚类处理；根据待定位点接收到的无线接入点的MAC地址和相应的信号强度(RSSI，Received Signal Strength Indication),算法模块根据隶属度计算公式：

计算该点到各聚类中心的隶属度，并由最近邻法将该点划到隶属度最高的类中；根据待定位点的隶属度，算法模块筛选出该类中大于待定位点隶属度μ的定位位置指纹集；根据定位位置指纹集和待定位点的RSSI，算法模块调用WKNN与卡尔曼滤波，得到定位结果。

本实施例提供的在线匹配定位方法，具体实现包括：

对于离线采样阶段建立好的位置指纹数据库进行聚类，给定聚类类别数c(c∈[1,n]，n是样本数据数目)，模糊加权指数m设定为2，设定初始聚类中心P，迭代停止阈值ε，迭代计数器l＝0。

计算更新由隶属度值所组成的划分矩阵U，首先计算d_ik，即第l次迭代时，第k(k∈[1,n])个样本数据与第i(i∈[1,c])个聚类中心的欧氏距离，如式(1)所示：

d_ik＝||x_k-p_i|| (1)

当d_ik＞0，则

当d_ik＝0，则

μ_ik＝1，μ_rk＝0(r≠i) (3)

x_k表示第k个样本数据值，μ_ik表示相应的隶属度。进而计算更新聚类中心P，如公式(4)所示：

p_i^(l)表示第l次迭代时的第i个聚类中心。当迭代前后两次聚类中心变化量时迭代结束，输出隶属度矩阵U和聚类中心P，否则迭代次数l＝l+1并计算公式(1)继续执行。

聚类结束后，按公式(1-3)计算待定位点对各聚类中心的隶属度μ_i，根据最近邻算法，将其划分到相应隶属度最大的类。然后在该类中筛选出大于等于待定位点隶属度的所有样本数据，得到缩小范围后的位置指纹集。

计算待定位点x_u与所得位置指纹集中样本数据的欧氏距离，如公式(3)所示：

d_j＝||x_u-x_j|| (6)

式中，x_j为位置指纹集中的第j个点的参考指纹，d_j为x_u到该点的距离。从中选取k个距离最小的样本数据，对其坐标值进行反距离加权取平均，得到待定位点的初始坐标L'，如公式(7-8)所示：

式中，ω_j为所选的最近k个点中第j个点的权重值，L_j为该点的物理坐标。最后对所得初始坐标进行卡尔曼滤波得到最终的定位结果L。

实施例2

如图1所示，本实施例提供的方法基于位置指纹的室内无线定位，在离线阶段在定位区域内设计参考样本点，采集MAC地址、坐标值和接收到的各个无线接入点信号强度RSSI作为位置指纹，预处理之后存入位置指纹库。在线阶段，根据待定位点测得的MAC地址和RSSI数据和位置指纹库，使用匹配定位算法获得定位结果。

在本实施例中在线匹配定位算法中，为提高定位效率，首先要进行模糊聚类，图2为基于模糊C均值聚类算法的聚类方案流程图。具体步骤包括如下：

步骤21,模糊聚类初始化，设定聚类类别数c，初始聚类中心P，模糊加权指数为2，迭代停止阈值ε，最大迭代次数max，迭代计数器l＝0；

步骤22，根据公式(1-3)，计算更新由隶属度值所组成的划分矩阵U；

步骤23，根据公式(4)，更新聚类中心P；

步骤24，判定前后两次的聚类中心P欧氏距离是否小于设定的迭代阈值，或迭代次数达到上限max。否，则返回步骤22,继续更新隶属度矩阵U和聚类中心P；是，则输出U和P。

在本发明的在线匹配定位算法中，为进一步提高定位效率，将根据待定位点对各聚类中心的隶属度，筛选确定定位位置指纹集，进一步缩小匹配样本范围。具体步骤包括如下：

步骤31，根据公式(1-3)，计算待定位点到各聚类中心的隶属度μ_i；

步骤32，根据最近邻法，将待定位点划分到相应隶属度最大的类a中，待定位点对其隶属度为μ_a；

步骤33，筛选出该类中隶属度μ＞μ_a的所有参考样本数据，得到定位位置指纹集；

步骤34，保存定位位置指纹集，为后续定位算法做准备。

在本发明的在线匹配定位算法中，为保证定位精度和实时定位能力，采用反距离加权WKNN与卡尔曼滤波融合定位，具体步骤如下：

步骤41,输入待定位点指纹数据，按照公式(1)计算其与定位位置指纹集中参考样本数据的欧氏距离d；

步骤42,从步骤41中选取距离最小的k个参考样本点，并根据公式(7)计算权重ω；

步骤43,对步骤42所选k个参考样本的坐标值，进行反距离加权取平均，得到初步的定位结果L'(x',y')；

步骤44,对初步定位结果做卡尔曼滤波，使定位结果更稳定更接近真实值；

步骤45,得到待定位点的最终定位结果L(x,y)。

本实施例的无线位置指纹室内定位中在线匹配定位的方法，通过模糊聚类和定位位置指纹集的筛选，使定位效率大幅提高；同时，WKNN与卡尔曼滤波融合定位算法保证了室内定位系统的定位精度和实时定位能力。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。