一种改进的位置指纹室内定位方法
【专利摘要】本发明的改进的位置指纹室内定位方法，分为离线阶段和在线阶段，其特别之处在于，离线阶段首先利用参考点和AP建立位置指纹数据库，然后通过K?means聚类算法将指纹数据库中数据分类，并获取待测点所述类簇；在线阶段利用贝叶斯概率法将待测点与所述类簇的指纹进行匹配，以计算出待测点的位置坐标。本发明的改进的位置指纹室内定位方法，通过K?means和贝叶斯算法进行结合，利用K?means聚类算法将指纹数据库中数据分类，获取待测点所属类簇，大大减少了目标范围，再用贝叶斯概率法将待测点与此类簇的指纹进行匹配，使位置指纹定位算法一方面保障了定位精确度，另一方面降低算法复杂度，提高了效率，具有实用价值。
【专利说明】
一种改进的位置指纹室内定位方法
技术领域
[0001 ]本发明涉及无线定位技术领域，更具体的说，尤其涉及一种改进的位置指纹室内 定位方法。
【背景技术】
[0002] 随着无线通信的快速发展，无线定位技术越来越得到人们的关注，尤其是室内定 位技术，人们希望能够在大型商场、公共场所、地下停车场、较长的高速隧道等随时知道自 身所在的位置，并且能够快速的到达目的地。现有比较热门的室内定位技术有以下几种，到 达时间（T0A)，到达时间差(TD0A)，到达角(A0A)，位置指纹定位(LFP)。以上定位技术各有优 缺点，其中位置指纹定位精确度最高，但由于其算法复杂度高，花费的时间较长，对环境要 求较高，这些都是现阶段亟待解决的问题。
[0003] 目前常用的指纹定位方法主要有最近邻算法、贝叶斯概率法、BP神经网络法等。它 们的定位过程基本都分为离线阶段和在线阶段。离线时搜集海量样本数据形成数据库，在 线时将待定位点的数据在数据库中逐一比对，得到最终的定位结果。然而，对最近邻法，其 运算速度较快，但准确性不高，其改进算法K近邻及K加权近邻法也存在k值无法确定的问 题，贝叶斯概率法虽然精度高，但也存在算法复杂度高，造成定位时间太长等问题。。
【发明内容】
[0004] 本发明为了克服上述技术问题的缺点，提供了一种改进的位置指纹室内定位方 法。
[0005] 本发明的改进的位置指纹室内定位方法，分为离线阶段和在线阶段，其特别之处 在于，离线阶段首先利用参考点和AP建立位置指纹数据库，然后通过K-means聚类算法将指 纹数据库中数据分类，并获取待测点所述类簇;在线阶段利用贝叶斯概率法将待测点与所 述类簇的指纹进行匹配，以计算出待测点的位置坐标。
[0006] 本发明的改进的位置指纹室内定位方法，离线阶段分为离线建库和聚类处理，通 过以下步骤来实现：
[0007] a).离线建库，在定位区域内设置n个参考点、m个AP，所有参考点的位置集合为:L = {li，l2，'"ln}，其中li={xi，yi}为第i个参考点的位置坐标，i = l，2,. . .，n;
[0008] 建立与集合L--对应的位置指纹集合R= {ri，r2, . . .，rn}，其中ri= {rssiu， rssii2, . . .，rssiim}，i = l，2, . . .，n; j = l，2, . . .，m;rssiij表示第i个参考点接收到的来自 第j个AP的信号强度值;就这样，建立含有信号强度值和位置坐标的参考点的位置指纹数据 库{rssiii，rssii2, ? ? ?，rssiim，Xi，yi};
[0009] b).聚类处理，以定位区域中K个点为中心进行聚类，依据待聚类数据与聚类中心 距离最小原则进行划分，并更新聚类中心的值，直至得到最好的聚类结果;聚类结束后，形 成K个类簇中心；
[0010] 在线阶段通过以下步骤来实现：
[0011] C).获取待测点所属类簇，分别计算待测点与K个类簇中心的距离，距离最小者为 待测点所属类簇，设所属类簇中参考点的个数为S;
[0012] d).获取待测点的指纹信息，计算待测点与所有AP的信号强度，待测点的指纹信息 为A:A={rssiai，rssia2, . . .，rssiam}，其中rssiaj表示待测点接收到的来自第j个AP的信号 强度值；
[0013] e).求取后验概率，设待测点所属类簇中参考点的后验概率为P(U|A)，i = l， 2,...，s，s为所述类簇中参考点的个数;根据贝叶斯定理，后验概率的计算转化为：
[0015]其中，P(A|li)表示在已知位置坐标li处的位置指纹为A的条件概率，P(li)表示待 测点出现在h位置的概率，待测点在定位区域出现的概率服从均匀分布，设P(h)=c，c为常 量；
[0016] 由概率知识可知：
[0017] F{A 11,) - ^(^4! ! /, )P{rssid ： ! / ) ? ? p[rssim | 0 = f] P{rssid, \ /,) (2) i=i
[0018] Pkssiwlh)表示在已知位置坐标乜处信号强度值为rssiy的概率，每个位置指纹 处接收到的信号强度服从高斯正态分布；
[0019] 将公式(2)代入公式(1)中即可求得P(h|A);
[0020] f).计算待测点位置，将获取的后验概率P (1 i | A)作为指纹数据库的参考点的权 重，代入公式(3)估算出待测点的位置：
[0021] (;%?;')=之P(/,. |/〇x(..v;, r,.) 13) r=l
[0022] 其中，（Xl，yi)为待测点所属类簇中参考点的坐标。
[0023] 本发明的改进的位置指纹室内定位方法，步骤b)中所述的聚类处理通过以下步骤 来实现：
[0024] b-1).初始化聚类参数，设参加聚类处理的数据集为DiWhDs，. . . D2.....〇"分别对应n个参考点的位置指纹数据库;设聚类的个数为K，这里设置聚类个数与 AP的个数一致，K个类簇表示为Q，0彡j<k<n;
[0025] b-2).选取聚类中心，选取离每个AP坐标最近的参考点的位置指纹为聚类中心，以 避免由于随机性选取造成的误差；
[0026] b-3).参考点分类，计算数据集D中元素DAK个聚类中心的距离，即d产|此-Xj ，其中 j = l，2,…，k;如果满足min(dj)= | |Di_Xj | |，贝lj判定DiGCj;
[0027] b-4).计算新的聚类中心，每个聚类中划入新的参考点后，均通过公式(4)计算出 新的聚类中心：
[0029] 其中，％表示属于第j类簇的个数；
[0030] b-5).迭代步骤b-3)至b-4)，将所有参考点逐个进行分类，直到新聚类中心的变化 小于给定阈值％即|K+1)-勾|<占;输出K个类簇的中心，计算停止。
[0031] 本发明的改进的位置指纹室内定位方法，步骤a)所述的离线库建立过程中，由于 外界环境的变化、人群的走动影响，会使检测到的信号强度发生波动，因此在位置指纹数据 库建立时，采用多次采样的方法，通过多次测量取平均值作为最终的信号强度值。
[0032] 本发明的改进的位置指纹室内定位方法，步骤f)中待测点位置的计算过程中，当 参考点的数量较多时，按照信号强度由强到弱选取部分待参考点进行加权计算。
[0033] 本发明的有益效果是:本发明的改进的位置指纹室内定位方法，通过K-means和贝 叶斯算法进行结合，利用K-means聚类算法将指纹数据库中数据分类，获取待测点所属类 簇，大大减少了目标范围，再用贝叶斯概率法将待测点与此类簇的指纹进行匹配，使位置指 纹定位算法一方面保障了定位精确度，另一方面降低算法复杂度，提高了效率，具有实用价 值。
【附图说明】
[0034] 图1为本发明的改进的位置指纹室内定位方法的原理图。
【具体实施方式】
[0035]下面结合附图与实施例对本发明作进一步说明。
[0036]本发明采用如下技术方案:一种改进的位置指纹室内定位算法分为离线阶段和在 线阶段。
[0037] 1、离线阶段。离线阶段分为离线建库和聚类处理。
[0038] 1)离线建库
[0039]采集定位区域所有参考点的位置集合为:1={11，12，一111}，其中，1 1为定位区域参 考点的个数山={1：1#}(1 = 1，2~11)为第1个参考点的位置坐标。与1--对应的位置指纹 集合为：R= {ri，r2, ."rn}，其中，ri = {rssiu，rssii2, ???rssiim} (i = 1，2."n; j = 1，2."m)，式 中，rssiij表示第i个参考点接收到的来自第j个AP的信号强度值，m表示AP的个数。就这样建 立一个位置指纹数据库，记录的是信号强度值及相应的位置坐标{rssiii，rssii2~rssiim, xuyi}。这里需要注意的是，由于外界环境的变化、人群的走动等因素会使得检测到的信号 强度发生波动，因此在位置指纹数据库建立时，采用多次采样的方法，通过多次测量取平均 值进行数据的记录。
[0040] 2)聚类处理
[0041 ] 首先，聚类处理是通过K-means算法实现，算法思想是：以空间中K个点为中心进行 聚类，根据待聚类数据与聚类中心距离最小原则进行划分，并更新新聚类中心的值，继而迭 代进行直至得到最好的聚类结果。
[0042] K-means聚类算法迭代步骤：
[0043]输入:数据集D=恤，D2."Dn)，类的个数k [0044] 输出:k个类簇Cj(0彡j彡k，k<N)
[0045] Step 1:初始化各聚类参数。（1)设置聚类个数k，这里设置聚类个数与AP的个数一 致；⑵设置初始聚类中心(X^X^Xk)，这里聚类中心并非随机生成，根据无线信号强度普 分布的特点，离发射源越近，对应信号强度越强，因此选取离每个AP坐标最近的待参考点的 位置指纹为聚类中心，这样就避免了由于随机性选取造成的误差；（3)设置迭代停止条件e。
[0046] Step2:对数据集D =( Di，D2 ???〇!!)进行分类。
[0047] ⑴计算Di(i = l，2"_N)与K个聚类中心的距离，即dj= | |Di_Xj| | (j = l，2,…k)，若 满足min(dj)= | |Di_Xj | | (1彡 j彡k)，贝lj判定DiGCj。
[0048] (2)计算新的聚类中心
表示属于第j类簇的个数。
[0049] Step3:迭代step2,将数据集逐个进行分类，直到新聚类中心的变化小于给定阈 值，即- X; I以，输出k个类簇的中心，停止计算。
[0050]在实际应用中，由于每个位置指纹都能接收来自不同AP的信号强度，而聚类只能 适用于同一 AP发射的信号。因此可以设定标准，选取待测点处接受到的信号强度最强的AP 为准。
[00511 2、在线阶段
[0052]在线阶段利用贝叶斯概率法将待测点与所属类簇的指纹进行匹配。贝叶斯概率法 是通过计算每个待参考点的后验概率，选取后验概率最大的一个或者若干个参考节点，从 而计算出待测点的物理坐标。与其他方法相比，概率法能有有效的去除采样信号中较大误 差的影响，去噪优势明显。
[0053] 具体步骤为：
[0054] (1)获取待测点所在的类簇。分别计算出待测点与k个聚类中心的距离，距离最小 者为待测点所属类簇。
[0055] (2)指纹匹配。令待测点处测得的指纹信息为A，A= {rssial，rssia2, "TSSiam}，其 在所属类簇中的待参考点的后验概率为P(li |A)(i = l，2…s)，s为所属类簇待参考点的个 数。根据贝叶斯定理，可将后验概率转化为：
其中， P(A| 表示在已知位置坐标乜处的位置指纹为A的条件概率，P(h)表示在待测点出现在h 位置的概率。一般假定待测点在定位区域出现的概率服从均匀分布，可将P(h)看为一个常 量。另外，由概率知识可知： m
[0056] P{^ I ^i) = ^ssia[ \l;)P{r$sita I IJ-rPirssi^ | /,) = [j 11，) j=l
[0057]对每个位置指纹处接收到的信号强度服从高斯正态分布，代入公式求得P(li I A)， 将其作为指纹数据库的待参考点的权重，继而估算出待测点的位置，
[0058] 最终得到待测点位置为= M)x(.v,，V,)。 i=l
[0059] 优选的，在实际操作中，如待参考点数量较多时，可以按照信号强度由强到弱选取 部分待参考点进行加权计算。
[0060]以上所述仅为本发明的优选实施例，不能以此限定本发明的实施范围，因此依本 发明权利要求所做的任何改进都在本发明的保护范围内。
【主权项】
1. 一种改进的位置指纹室内定位方法，分为离线阶段和在线阶段，其特征在于，离线阶 段首先利用参考点和AP建立位置指纹数据库，然后通过K-means聚类算法将指纹数据库中 数据分类，并获取待测点所述类簇;在线阶段利用贝叶斯概率法将待测点与所述类簇的指 纹进行匹配，以计算出待测点的位置坐标。2. 根据权利要求1所述的改进的位置指纹室内定位方法，其特征在于:离线阶段分为离 线建库和聚类处理，通过以下步骤来实现： a) .离线建库，在定位区域内设置η个参考点、m个AP，所有参考点的位置集合为:L={h， h,…ln}，其中li={xi，yi}为第i个参考点的位置坐标，i = l，2，...，n; 建立与集合L--对应的位置指纹集合R= {ri，r2, . . .，rn}，其中ri={rssiii, rssii2, . . . ,rssiim}，i = l,2, . . . ,n; j = l,2, . . . ,m;rssiij表示第i个参考点接收到的来自 第j个AP的信号强度值;就这样，建立含有信号强度值和位置坐标的参考点的位置指纹数据 库{rssiii，rssii2, · · ·，rssiim，xi，yi}; b) .聚类处理，以定位区域中K个点为中心进行聚类，依据待聚类数据与聚类中心距离 最小原则进行划分，并更新聚类中心的值，直至得到最好的聚类结果;聚类结束后，形成Κ个 类簇中心； 在线阶段通过以下步骤来实现： c) .获取待测点所属类簇，分别计算待测点与Κ个类簇中心的距离，距离最小者为待测 点所属类簇，设所属类簇中参考点的个数为s; d) .获取待测点的指纹信息，计算待测点与所有AP的信号强度，待测点的指纹信息为A: A={rssiai，rssia2,. . .，rssiam}，其中rssiaj表示待测点接收到的来自第j个AP的信号强度 值； e) .求取后验概率，设待测点所属类簇中参考点的后验概率为 为所述类簇中参考点的个数;根据贝叶斯定理，后验概率的计算转化为：其中，ρ(Α?ω表示在已知位置坐标匕处的位置指纹为a的条件概率，ρ(ω表示待测点 出现在h位置的概率，待测点在定位区域出现的概率服从均匀分布，设P(h)=C，C为常量； 由概率知识可知：P(rssiaj 1表示在已知位置坐标匕处信号强度值为rssiaj的概率，每个位置指纹处接 收到的信号强度服从高斯正态分布； 将公式(2)代入公式(1)中即可求得P(h|A); f) .计算待测点位置，将获取的后验概率P( li IA)作为指纹数据库的参考点的权重，代入 公式(3)估算出待测点的位置：其中，（xi，yi)为待测点所属类簇中参考点的坐标。3. 根据权利要求2所述的改进的位置指纹室内定位方法，其特征在于:步骤b)中所述的 聚类处理通过以下步骤来实现： b-Ι).初始化聚类参数，设参加聚类处理的数据集为...，0")，0:、D2.....Dn 分别对应η个参考点的位置指纹数据库;设聚类的个数为K，这里设置聚类个数与AP的个数 一致，K个类簇表示为Cj，0< j<k<n; b-2).选取聚类中心，选取离每个AP坐标最近的参考点的位置指纹为聚类中心，以避免 由于随机性选取造成的误差； b_3).参考点分类，计算数据集D中元素DgK个聚类中心的距离，即d尸| iDi-X」|，其中 j = l，2, · · ·，k;如果满足min(dj)= | |Di-Xj | |，则判定DieCj; b_4).计算新的聚类中心，每个聚类中划入新的参考点后，均通过公式(4)计算出新的 聚类中心：其中，％表示属于第j类簇的个数； b-5).迭代步骤b-3)至b-4)，将所有参考点逐个进行分类，直到新聚类中心的变化小于 给定阈值ε，即s I输出K个类簇的中心，计算停止。4. 根据权利要求2或3所述的改进的位置指纹室内定位方法，其特征在于：步骤a)所述 的离线库建立过程中，由于外界环境的变化、人群的走动影响，会使检测到的信号强度发生 波动，因此在位置指纹数据库建立时，采用多次采样的方法，通过多次测量取平均值作为最 终的信号强度值。5. 根据权利要求2或3所述的改进的位置指纹室内定位方法，其特征在于：步骤f)中待 测点位置的计算过程中，当参考点的数量较多时，按照信号强度由强到弱选取部分待参考 点进行加权计算。
【文档编号】G01S5/06GK105960021SQ201610531804
【公开日】2016年9月21日
【申请日】2016年7月7日
【发明人】阎跃鹏, 张 浩, 杜占坤, 车玉洁
【申请人】济南东朔微电子有限公司