专利名称：Wlan室内分步式rd-anfis定位方法
技术领域：
本发明涉及一种模式识别领域中的模糊聚类型ANFIS室内定位方法，具体涉及 WLAN室内定位方法。
背景技术：
随着人们对环境感知需求的增加，以及短距离无线电通信技术的发展和新业务需 求的不断增多，基于位置服务LBS (LocationBasedServices)的应用与需求越来越受到人 们广泛的关注。如紧急救援，目标搜索与跟踪，资源探测，智能向导和物资管理等各种军用 和民用服务方面。虽然全球定位系统GPS (GlobalPositioningSystem)和蜂窝系统在理论 研究和实践应用方面均比较成熟，且能提供室外较高的定位精度；但在室内或高楼密布的 遮蔽环境下，由于信号非视距传播所造成的严重衰落现象和多径效应，使得GPS三球交会 和蜂窝三角定位法的应用受到了极大的限制。此外，对于部分基于无线传感器网络WSN (WirelessSensorNetwork)、红外IR (InfraredRay)、超声波UW (UltrasonicWave)、蓝牙 Bluetooth、射频 ID、Zigbee 和超宽带 UWB (UltraffideBand)等技术的室内定位系统，由于特殊定位设备配置所带来的经济和时 间开销，以及存在的严重非直射路径衰减和较小覆盖范围等缺陷，限制了这些定位系统在 人们生活中的广泛应用。相反，无线局域网WLAN (WirelessLocalAreaNetwork)的普及和 2. 4GHzISM免注册频段的开放，使得WLAN室内定位技术得到了广泛的研究与发展。此外，20世纪末发展起来的WLAN技术是计算机网络与无线通信技术相结合的产 物，它利用射频传输技术进行数据的传送，为用户提供无线宽带接入服务。WLAN的发展，解 决了有线网络布线困难的问题，打破了宽带接入的地域限制，满足了用户移动数据通信的 需要，实现数据通信的移动化、漫游化和宽带化。另外，可移动性和较低网络成本是WLAN 技术的主要核心优势。前者使得用户在使用便携式电脑和数据采集器等设备的同时，能任 意地变换终端位置，这极大地方便了工作时需不断移动位置的人员，相对有线网络的固定 接入特点来说更为方便；对于后者，由于在通信网络建设中，网络布线是一笔较大的经济开 销，且有些地方施工会比较困难，而WLAN网络无需布线，因此，组网成本可以得到大幅度的 降低。然而，在WLAN室内环境下，往往因为目标定位区域过大、模式过于复杂，会导致 ANFIS系统容易产生过匹配现象、环境适应性降低且定位精度不尽理想，因此还需进一步改 进。其中，ANFIS 为 AdaptiveNetworkbasedFuzzylnferenceSystem 的缩写，译为自适应神 经模糊推理。
发明内容
本发明的目的是解决在WLAN室内环境下，由于目标定位区域较大、模式复杂而 导致ANFIS系统容易产生过匹配现象、环境适应性降低且定位精度差的问题，提供了一种WLAN室内分步式RD-ANFIS定位方法。WLAN室内分步式RD-ANFIS定位方法，它的具体过程如下
步骤一、确定WLAN室内环境下的目标定位区域，根据WLAN无线AP发射信号的覆盖范 围和目标定位区域的面积，确定AP、RP和测试点的位置，使每个RP处均能采集到至少来自 一个AP的信号SNR值；
步骤二、建立二维坐标系，得到每个RP的二维位置坐标，并在离线定位阶段，将每个RP 处采集的来自不同AP的瞬时信号强度值，作为位置指纹数据库中的WLAN信号强度指纹样 本进行存储；
步骤三、利用FCM聚类技术，将目标定位区域分割为若干相邻、连通的子区域； 步骤四、利用模糊减法聚类方法，对每个子区域中的WLAN信号强度指纹样本进行分 类，对每个子区域分别建立相应的初始模糊推理准则；
步骤五、将所述信号强度指纹样本作为ANFIS系统的输入训练样本，将与所述信号强 度指纹样本对应的各个RP的二维位置坐标作为ANFIS系统的输出训练样本，对所述初始模 糊推理准则进行迭代优化训练，进而完成对每个子区域ANFIS系统的建立；
步骤六、在在线定位阶段，对定位终端的所在区域进行预估计，获得定位终端的初步位 置估计区域；
步骤七、将定位终端处采集的信号强度均值作为所述初步位置估计区域的ANFIS系统 的输入值，进而计算获得定位终端的精确位置坐标估计。本发明的WLAN室内分步式RD-ANFIS定位方法，可以有效解决在WLAN室内环境 下，由于目标定位区域较大，模式过于复杂，ANFIS系统容易产生过匹配现象、环境适应性降 低且定位精度不尽理想的问题。
图1是WLAN室内环境示意图；图2是目标定位区域及AP放置位置示意图；图3是 位置指纹数据库的数据结构示意图；图4是ANFIS系统的拓扑结构图；图5是区域分割数目 为2时，利用FCM聚类方法得到的区域分割结果示意图；图6是区域分割数目为3时，利用 FCM聚类方法得到的区域分割结果示意图；图7是区域分割数目为4时，利用FCM聚类方法 得到的区域分割结果示意图；图8是区域分割数目为5时，利用FCM聚类方法得到的区域分 割结果示意图；图9是迭代次数为50条件下的ANFIS系统的定位误差图；图10是迭代次数 为100条件下的ANFIS系统的定位误差图；图11是迭代次数为200条件下的ANFIS系统的 定位误差图；图12是迭代次数为500条件下的ANFIS系统的定位误差图；图13是本发明的 WLAN室内分步式RD-ANFIS定位方法的流程图。
具体实施例方式具体实施方式
一结合图13说明本实施方式，本实施方式的WLAN室内分步式 RD-ANFIS定位方法，它的具体过程如下
步骤一、确定WLAN室内环境下的目标定位区域，根据WLAN无线AP发射信号的覆 盖范围和目标定位区域的面积，确定AP、RP和测试点的位置，使每个RP处均能采集到 至少来自一个AP的信号SNR值；其中，AP为AccessPoint的缩写，它表示接入点；RP为
7ReferencePoint的缩写，它表示目标定位区域内预先标记的参考点；RP采集的信号功率应 大于接收端网卡的灵敏度；SNR值即为信噪比，全称为SignaltoNoiseRatio ；
步骤二、建立二维坐标系，得到每个RP的二维位置坐标，并在离线定位阶段，将每个RP 处采集的来自不同AP的瞬时信号强度值，作为位置指纹数据库中的WLAN信号强度指纹样 本进行存储；其中，所述WLAN信号强度指纹样本，用于ANFIS系统的迭代训练和模糊规则建 立；所述二维坐标系参见图2，所述位置指纹数据库的数据结构如图3所示；
步骤三、利用FCM聚类技术，将目标定位区域分割为若干相邻、连通的子区域，即同一 类样本所对应的RP位置归为同一子区域；其中，子区域的个数需满足RP的连通性条件；
步骤四、利用模糊减法聚类方法，对每个子区域中的WLAN信号强度指纹样本进行分 类，对每个子区域分别建立相应的初始模糊推理准则；
步骤五、将所述信号强度指纹样本作为ANFIS系统的输入训练样本，将与所述信号强 度指纹样本对应的各个RP的二维位置坐标作为ANFIS系统的输出训练样本，对所述初始模 糊推理准则进行迭代优化训练，进而完成对每个子区域ANFIS系统的建立；其中，ANFIS系 统的拓扑结构如图4所示；
步骤六、在在线定位阶段，对定位终端的所在区域进行预估计，获得定位终端的初步位 置估计区域；
步骤七、将定位终端处采集的信号强度均值作为所述初步位置估计区域的ANFIS系统 的输入值，进而计算获得定位终端的精确位置坐标估计。其中，RD为RegionDivision的缩写，中文意思为区域分割。本发明的WLAN室内分 步式RD-ANFIS定位方法，包括离线和在线定位两个阶段，在离线阶段，首先根据FCM聚类技 术，将目标定位区域分割为若干相邻、连通子区域，且具有相似SNR分布特性的RP属于同一 子区域，从而将ANFIS系统的训练限制在较小的定位区域，以保证了模式的单一和集中；然 后，利用模糊减法聚类方法，得到每个连通子区域的初始模糊推理准则，并将每个RP处采 集到的SNR样本与所对应的平面二维坐标，作为ANFIS系统中隶属度函数参数的迭代训练 样本，完成对每个子区域的ANFIS定位系统的建立；最后，在在线阶段，通过比较定位终端 处采集的SNR样本均值与不同聚类中心的欧几里得距离，选择具有最小距离的聚类中心所 属区域，作为定位终端位置的预估计区域，进而，利用该区域的ANFIS定位系统实现对位置 的精确坐标估计。本发明可以有效解决在WLAN室内环境下，由于目标定位区域较大，模式 过于复杂，ANFIS系统容易产生过匹配现象、环境适应性降低且定位精度不尽理想的问题。
具体实施方式
二 本实施方式是对实施方式一的WLAN室内分步式RD-ANFIS定位 方法的进一步说明，步骤三所述内容的具体过程为
根据FCM聚类方法，利用模糊分类矩阵，对WLAN信号强度指纹样本进行分类；所述模
糊分类矩阵为,=[w.,] , w^ e
表示信号强度指纹样本的 集合，且 表示第j个信号强度指纹样本 ’表示加权指数；I滅表示S行X S列的
单位阵； 为第j个信号强度指纹样本与第i个子区域模糊聚类中心的欧几里得距离； FCM方法的约束优化目标函数如公式二
利用拉格朗日乘数法，使上式中的目标函数T (ff, V)取得最小值，需要满足公式J
计算获得第J‘个信号强度指纹样本对第i个模糊聚类中心的隶属度，i=l, 2， j=l，2，…，S，参见公式四
其中，Jj. = { < < Cf β = θ} , Ij = {1, --、C}~ Ij ； Φ 表示空集； 当第J个信号强度指纹样本对第i个模糊聚类中心具有最大隶属度时，即 w^ = max{wJi r=l C^时，定义第J个信号强度指纹样本所对应的RP位置归属第
i个子区域，进而可获得多个相邻、连通的子区域； 其中，聚类中心 由公式五获得 具体实施方式
三本实施方式是对实施方式一或二的WLAN室内分步式RD-ANFIS 定位方法的进一步说明，步骤四所述内容的具体过程为
每个信号强度指纹样本的密度函数Dy如公式六所示
公式六
其中，为一个正的常数，它表示指数型函数的曲率；表示聚类中心的有
效区域；
根据公式六，令具有最大密度值的信号强度指纹样本作为第1个模糊聚类中心； 然后进行迭代计算，并令η. 表示第k-1次迭代时信号强度指纹样本…的密度值，
表示第k个模糊聚类中心的密度值，根据公式七获得第k次迭代时信号强度指纹样
本Oi的密度值η.ρ + l)，其中i=l，2，."，S，即
公式七
其中，
; #为控制因子，且# = 1_23，它用于保证不同模糊聚类中心具有较大的差异性；
然后令第k次迭代时、具有最大密度值的信号强度指纹样本，作为第k+1个模糊聚类中
心；
当满足终止条件时，停止迭代计算，所述终止条件为
其中0力常数，且；
设目标定位区域中存在#个々 ，则经过上述迭代过程后，将得到r个模糊聚类
，r，且所述r个聚类中心对应的空间位置坐标为分别为
以< 为中心、宽度为#=10dB的等腰三角型函数，其中
,，利用模糊减法聚类方法，则可得到每个子区域分别
建立相应的初始模糊推理准则如表一所示 表1
中心
令隶属度函数的形式为 具体实施方式
四本实施方式是对实施方式一、二或三的WLAN室内分步式 RD-ANFIS定位方法的进一步说明，步骤六所述内容的具体过程为
在在线定位阶段，采集并获得各个AP处的信号强度指纹样本，计算得到采集到的各个
AP处的信号强度指纹样本的均值然后再根据公式八，计算并获得所述均值与
每个聚类中心的距离
其中，=Rr为定位终端处采集到的瞬时信号SNR样本总数，
Giew^为在定位终端处，采集到的第m个信号瞬时SNR样本，K为第i个子区域的模糊聚类中心,Ickc为C行X C列的单位阵，r为模糊聚类中心的个数；
则令距离最小的一个聚类中心所属区域，作为定位终端的初步位置估计区域。本发明的WLAN室内环境示意图如图1所示，得到的目标定位区域及AP放置位置 示意图如图2所示，该目标定位区域形状规整，且在区域中的任意位置，均能检测到至少来 自5个不同AP的WLAN信号SNR值。图1中WLAN室内环境面积为66. 4X 24. 9m2，层高3m， 砖质墙面，铝合金窗户和金属门，9个AP放置在同一楼层，所述9个AP分别为API、AP2、 AP3、AP4、AP5、AP6、AP7、AP8 和 AP9, Nr. 01、Nr. 02、Nr. 03、Nr. 04、Nr. 05、Nr. 06、Nr. 07、 Nr. 08及Nr. 09分别为9个房间的编号，AP选择为LinksysWAP54G，固定在2m高度，支持 IEEE802. lla/b/g 标准，传输速率为 54Mbps，定位终端为装有 IntelPR0/Wireless3945ABG 无线网卡的ASUSA8F笔记本电脑，距离地面1. 2m。图2中包含72个RP点和56个测试点，
且每个测试点位于邻近4个RP的几何位置中心，点“X”为RP位置，点“ # ”为测试点位置，
在每个RP和AP处，分别进行3分钟和1分钟的WLAN信号采集，获得的原始的WLAN信号强 度指纹样本的数据结构如表2所示。图3是位置指纹数据库的数据结构示意图，其中Ql为位置指纹数据库，Q2为WLAN 信号强度指纹样本，&1，71)、&2，72)、(13，73)、(14，74)分别为各个参考点的二维位置坐 标。图4是ANFIS系统的拓扑结构图，根据具体实施方式
三，对于第/7个聚类中心， 為 I =I5 N; P =If r表示#维信号强度样本关于第1维分量的隶属度函数中
心； ’ 1 =1，…，N ’ P=1，r表示#维信号强度样本的第1维分量对于第/7个
N
聚类中心的隶属度；Λ1 n=1…『等于奴的乘积，即約
；为 的归一化形式，即約—+ 'p~ ‘…’r ；反模糊化过
程即为得到X和Y方向估计位置坐标,ν其中， -Σ^Ο& ^+Ιι^ + ρ)且
均为该ANFIS 定位系
统预先设定的线性变换参数，最初设定的参数值不一定为系统最优值，需要利用第1层的 ANN系统进行迭代训练修正；此外，第1层的ANN系统采用三层前馈型BP人工神经网络，实 现对线性变换参数的训练，从而得到使得定位误差最小的最优线性变换参数。图5至图8给出了利用FCM聚类方法得到的定位区域分割结果，其中图5至图8中区域分割数目分别为2个、3个、4个和5个，其中Dl、D2、D3、D4和D5分别为第一区域、 第二区域、第三区域、第四区域和第五区域；实验证明，当区域分割数目大于4时，将不能保 证同一子区域内参考点位置的连通性，即连通性条件不能满足，例如图8。图9至图12给出了在不同训练迭代次数条件下的ANFIS系统的定位误差，其中， 图9至图12相应的迭代次数分别为1=50、1=100、^=200和左=500 ；由图可见，当迭代次数 々=100时，ANFIS系统的定位性能达到最优；而当i=500时，人工神经网络对隶属度函数的训 练出现过匹配现象，从而使得ANFIS系统的定位精度急剧恶化。因此，在实际ANFIS系统的 建立过程中，应尽量保证系统的泛化能力，如采用基于遗传算法优化的人工神经网络来对 系统进行训练，实现对最优解的全局遍历，避免隶属度函数参数陷入局部最优的情况。表权利要求
WLAN室内分步式RD-ANFIS定位方法，其特征在于它的具体过程如下步骤一、确定WLAN室内环境下的目标定位区域，根据WLAN无线AP发射信号的覆盖范围和目标定位区域的面积，确定AP、RP和测试点的位置，使每个RP处均能采集到至少来自一个AP的信号SNR值；步骤二、建立二维坐标系，得到每个RP的二维位置坐标，并在离线定位阶段，将每个RP处采集的来自不同AP的瞬时信号强度值，作为位置指纹数据库中的WLAN信号强度指纹样本进行存储； 步骤三、利用FCM聚类技术，将目标定位区域分割为若干相邻、连通的子区域；步骤四、利用模糊减法聚类方法，对每个子区域中的WLAN信号强度指纹样本进行分类，对每个子区域分别建立相应的初始模糊推理准则；步骤五、将所述信号强度指纹样本作为ANFIS系统的输入训练样本，将与所述信号强度指纹样本对应的各个RP的二维位置坐标作为ANFIS系统的输出训练样本，对所述初始模糊推理准则进行迭代优化训练，进而完成对每个子区域ANFIS系统的建立；步骤六、在在线定位阶段，对定位终端的所在区域进行预估计，获得定位终端的初步位置估计区域；步骤七、将定位终端处采集的信号强度均值作为所述初步位置估计区域的ANFIS系统的输入值，进而计算获得定位终端的精确位置坐标估计。
2.根据权利要求1所述的WLAN室内分步式RD-ANFIS定位方法，其特征在于步骤三所 述内容的具体过程为根据FCM聚类方法，利用模糊分类矩阵，对WLAN信号强度指纹样本进行分类；所述模糊分类矩阵为W = [wj，，其中j为元素W力.在矩阵ff中的行序数，i为元素在矩阵, 中的列序数；通过对模糊聚类中心的迭代修正，使目标函数T(W，V)最小化，T(W，V)的定义如下 其中，S为信号强度指纹样本的个数，C为模糊聚类中心的个数;『=表示模糊聚类中心的集合，且V,.表示第i个子区域的模糊聚类中心；0 = 1表示信号强度指纹样本的 IL * ^集合，且表示第j个信号强度指纹样本^ Jf表示加权指数表示S行XS列的单位阵身,,■为第j个信号强度指纹样本与第i个子区域模糊聚类中心的欧几里得距离；FCM方法的约束优化目标函数如下 利用拉格朗日乘数法，使上式中的目标函数T (ff, V)取得最小值，需要满足下式 其中，F表示拉格朗日乘数法的优化目标函数，\表示拉格朗日乘子；计算获得第J‘个信号强度指纹样本对第i个模糊聚类中心的隶属度11^, i=l，2，j=l，2，...，S，如 其中力 广表示空集；当第J个信号强度指纹样本对第i个模糊聚类中心具有最大隶属度时，即 时，定义第j 个信号强度指纹样本所对应的rp位置归属第i个子区域，进而获得多个相邻、连通的子区域； 其中，聚类中心V，■由下式获得
3.根据权利要求1所述的WLAN室内分步式RD-ANFIS定位方法，其特征在于步骤四所 述内容的具体过程为每个信号强度指纹样本的密度函数如下式所示 ,j=l, 2，…，S ；其中，为一个正的常数，它表示指数型函数的曲率…表示聚类中心的有 y V￥/ f <2效区域；令具有最大密度值的信号强度指纹样本作为第1个模糊聚类中心；然后进行迭代计算，并令(t)表示第k-i次迭代时信号强度指纹样本的密度值，D* (k)表示第k个模糊聚类中心的密度值，根据下式Dt (!: + !)= Di D* {k)获得第k次迭代时信号强度指纹样本0|的密度值￡“|r + i),其中i=i，2，…，S，议为控制因子，且兴L25;然后令第k次迭代时、具有最大密度值的信号强度指纹样本，作为第k+i个模糊聚类中心；当满足终止条件时，停止迭代计算，所述终止条件为 其中，J为常数，且0设目标定位区域中存在#个々 ，则经过上述迭代过程后，将得到r个模糊聚类 屮心(4 "、称P = l, ■■、f,且所述r个聚类中心对应的空间位置坐标为分别为 令隶属度函数的形式为以Jf为中心、宽度为1=10 的等腰三角型函数，其中|=1 ...’ jy，且& =( ，…，利用模糊减法聚类方法，则得到每个子区域分别建 立相应的初始模糊推理准则如下表
4.根据权利要求1所述的WLAN室内分步式RD-ANFIS定位方法，其特征在于步骤六所 述内容的具体过程为在在线定位阶段，采集并获得各个AP处的信号强度指纹样本，计算得到采集到的各个AP处的信号强度指纹样本的均值0 ,然后再根据下式 计算并获得所述均值与每个聚类中心的距离￡)lwi: 其中 为定位终端处采集到的瞬时信号SNR样本总数， Ojw;为在定位终端处，采集到的第m个信号瞬时SNR样本，为第i个子区域的模糊聚类 中心,为C行X C列的单位阵，r为模糊聚类中心的个数则令距离最小的一个聚类中心所属区域，作为定位终端的初步位置估计区域。
全文摘要
WLAN室内分步式RD-ANFIS定位方法，涉及模糊聚类型ANFIS室内定位方法，解决了WLAN室内环境下由于定位区域大、模式复杂导致ANFIS系统易产生过匹配、环境适应性降低且定位精度差的问题。该定位方法为在离线阶段，根据FCM聚类技术将目标定位区域分割为若干相邻、连通子区域，具有相似SNR分布特性的RP属于同一子区域；利用模糊减法聚类方法得到每个连通子区域的初始模糊推理准则，并完成对每个子区域的ANFIS定位系统的建立；在在线阶段，通过比较定位终端处采集的SNR样本均值与不同聚类中心的欧几里得距离，进而获得定位终端位置的预估计区域，最终利用该区域的ANFIS定位系统即可实现对位置的精确坐标估计。本发明可用于模式识别领域。
文档编号H04W16/20GK101873607SQ201010209859
公开日2010年10月27日 申请日期2010年6月25日 优先权日2010年6月25日
发明者刘宁庆, 周牧, 孟维晓, 徐玉滨, 王孝, 马琳 申请人:哈尔滨工业大学