CN101873607A - Wlan室内分步式rd-anfis定位方法 - Google Patents

Abstract

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。

Description

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（UltraWideBand）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AdaptiveNetworkbasedFuzzyInferenceSystem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。

附图说明

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ReferencePoint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

，

，其中j为元素在矩阵

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，所述目标函数T(W,V)，它表示整体信号样本与不同聚类中心的隶属度加权和，T(W,V)的定义如公式一：

公式一：

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，且表示第i个子区域的模糊聚类中心；

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；

表示S行×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：

公式二：

利用拉格朗日乘数法，使上式中的目标函数T(W,V)取得最小值，需要满足公式三：

公式三：

 其中，F表示。。。，λ表示。。。；

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=1,2,…,C，j=1,2,…,S，参见公式四：

公式四：

其中，，

；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：

公式五：

。

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

如公式六所示：

公式六：

，j=1,2,…,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

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

的密度值，其中i=1,2,…,S，即：

公式七：

；

其中，

；

为控制因子，且

，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，

为常数，且

；

   设目标定位区域中存在N个AP，则经过上述迭代过程后，将得到r个模糊聚类中心

，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：以为中心、宽度为

的等腰三角型函数，其中

，且

，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

。

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

：

公式八：

，i=1,2,…,r；

其中，

，

为定位终端处采集到的瞬时信号SNR样本总数，

为在定位终端处，采集到的第

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×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66.4×24.9m²，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AP1、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IEEE802.11a/b/g标准，传输速率为54Mbps，定位终端为装有IntelPRO/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Q1为位置指纹数据库，Q2为WLAN信号强度指纹样本，（x1，y1）、（x2，y2）、（x3，y3）、（x4，y4）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p个聚类中心，

表示N维信号强度样本关于第l维分量的隶属度函数中心；

表示N维信号强度样本的第l维分量对于第p个聚类中心的隶属度；等于

的乘积，即

；

为

的归一化形式，即

；反模糊化过程即为得到X和Y方向估计位置坐标

，其中，

且

，

和均为该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D1、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k=50、k=100、k=200和k=500；由图可见，当迭代次数k=100时，ANFIS系统的定位性能达到最优；而当k=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2

 

。

Claims (4)

1.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

，，其中j为元素

在矩阵

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

表示第i个子区域的模糊聚类中心；

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；

表示S行×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下：

利用拉格朗日乘数法，使上式中的目标函数T(W,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，λ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

，i=1,2,…,C，j=1,2,…,S，如：

其中，，；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

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

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=1,2,…,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

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，根据下式：

获得第k次迭代时信号强度指纹样本

的密度值

，其中i=1,2,…,S，

；

为控制因子，且

；

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，

为常数，且

；

   设目标定位区域中存在N个AP，则经过上述迭代过程后，将得到r个模糊聚类中心，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

为中心、宽度为

的等腰三角型函数，其中，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

，然后再根据下式：

，i=1,2,…,r

计算并获得所述均值与每个聚类中心的距离

：

其中，

，

为定位终端处采集到的瞬时信号SNR样本总数，

为在定位终端处，采集到的第

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×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。

Images