CN104619014A - 一种基于svm-knn的室内定位方法 - Google Patents

Abstract

本发明公开一种基于SVM-KNN的室内定位方法，具体采用支持向量机(SVM)与最近邻算法(KNN)相结合的方法实现室内定位，旨在改善定位的定位精度和稳定性。其实现过程如下，离线阶段：第一，对需要定位的区域进行合理的网格型划分；第二，在各个网格区域中合理均匀的采集足够多的样本点，收集样本点的信号强度值以及所属网格的编号；第三，将每一网格作为一类，利用支持向量机分类算法实现分类建模。在线阶段：利用已经建好的分类模型对待定位点进行分类，选取出分类得到的概率最大的K个区域，根据KNN原理计算最终的待定位点的位置坐标。

Description

一种基于SVM-KNN的室内定位方法

技术领域

本发明涉及一种基于支持向量机与KNN相结合的室内定位方法，是属于物联网应用领域。

背景技术

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。相对于室外定位技术而言，由于室内环境的复杂性，导致室内无线信号传播的特殊性，比如多径效应，阴影效应等。这些特殊情况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，学者们研究了许多的定位方法来实现对室内的定位。

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。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。因此，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，二是在线测量阶段。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，是测量待定位节点的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。

支持向量机回归算法应用于室内定位领域具有许多的优势，但同样的存在着问题。一方面，支持向量机回归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；另一方面，支持向量机回归算法在处理室内信号传播的非线性问题以及实时测量时间短，信号幅度变化大等问题上存在不足，导致定位精确度的降低以及结果显示的不稳定性。

发明内容

本发明的目的在于提供一种支持向量机与KNN相结合的室内定位方法，主要用于解决传统基于采样点匹配的算法处理非线性问题的不足以及实时测量时间短，变化幅度大等问题，从而提高室内定位的精度和结果的稳定性。

为解决上述的技术问题，本发明采用的方案如下：

第一步，根据定位区域的建筑结构特点合理的对定位区域进行网格型划分。对各个网格型区域进行编号，测量并记录各个网格的质心坐标；

第二步，在各个网格型区域中，均匀的采集足够多的样本点，记录样本点的信号强度值以及所在的网格型区域的编号；

第三步，每一网格作为一类，利用采集的样本实现支持向量机的分类建模；

第四步，在线测量待定位节点的信号强度值，并利用第三步已经建立好的分类模型对待定位节点进行分类预测，得出待定位节点最有可能属于的K个网格型区域；

第五步，根据KNN原理，计算得到的K个网格型区域的中心坐标的加权平均值，作为待定位节点的位置坐标。

采用支持向量机实现多分类的具体过程如下：

第一步，将采集的数据根据网格编号的不同，两两组合；

第二步，采用支持向量机对两两组合的数据实现分类建模，假设将定位区域分成了N个网格，最终得到的分类模型的总数为N(N-1)/2；

第三步，将待定位节点接受到的信号强度值输入到建立的好的分类模型中，采用投票法，实现对待定位节点的分类，选出票数最多(概率最大)的K个网格区域，记录各个网格区域所得的票数(概率)。

采用KNN算计算待定位节点的位置坐标的具体过程如下：

第一步，根据分类得到的K个区域的概率，算出加权值Q_j，计算公式如下：

第二步，算出待定位节点的位置坐标，其公式如下：

[X,Y]＝Q₁[x₁,y₁]+Q₂[x₂,y₂]+…+Q_K[x_k,y_k]

有益效果

本发明对比已有的室内定位方法，具有以下创新点：

a.利用支持向量机对室内定位区域实现网格型的分类建模，为实现此目的，需对室内定位区域进行网格型划分，在各个网格中均匀的采集用于训练支持向量机的样本；

b.将支持向量机与KNN结合，根据支持向量机分类的结果，选出待定位节点所属的K个概率最大的区域，根据KNN原理，计算出K个区域质心坐标的加权平均值作为待定位节点点的位置坐标。

本发明对比已有定位方法具有以下显著优点：

1、提高了室内定位的精确度；

2、提高了定位结果的稳定性。

附图说明

附图1是基于支持向量机与KNN相结合的室内定位方法的总体流程图。

具体的实施方式

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。

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与KNN相结合的室内定位方法，包括以下的步骤：

S1、对定位区域根据室内建筑的结构特点合理的进行网格型划分，测量并记录每个网格的中心坐标，网格的大小根据实际情况进行选择；

S2、在各个网格区域内进行样本点采集，需注意的是均匀的采集样本点，记录每个样本点的RSSI值和所在区域的编号，分别用作支持向量机分类的特征值和标签；

S3、依据采集的数据，实现支持向量机的多分类建模，具体的过程如下：

第一步，将采集的数据根据网格编号的不同，两两组合；

第二步，采用支持向量机对两两组合的数据实现分类建模，假设将定位区域分成了N个网格，最终得到的分类模型的总数为N(N-1)/2；

S4、将待定位节点接受到的信号强度值输入到建立的好的分类模型中，采用投票法，实现对待定位节点的分类，选出票数最多(概率最大)的K个网格区域，记录各个网格区域所得的票数(概率)；

S5、根据KNN原理计算出待定位节点的位置坐标，具体的实施步骤如下：

第一步，根据分类得到的K个区域的概率，算出加权值Q_j，计算公式如下：

第二步，算出待定位节点的位置坐标，公式如下：

[X,Y]＝Q₁[x₁,y₁]+Q₂[x₂,y₂]+…+Q_K[x_k,y_k]

最终算得的待定位节点的坐标为[X,Y]。

Claims (5)

1.一种基于支持向量机与KNN相结合的室内定位方法，其特征在于，采用支持向量机与最近邻法相结合的算法实现室内定位，具体的步骤如下：

S1、通过对定位区域实现合理的网格型划分，在每个网格区域中合理均匀的采集样本，记录样本的区域编号和信号强度值；

S2、以每一网格为一类，利用支持向量机实现多分类建模；

S3、利用SVM得出的分类模型对待定位点进行分类，选取K个分类概率最大的网格区域；

S4、根据KNN原理，计算K个区域的中心坐标的加权平均值得到待定位点的位置坐标。

2.根据权利要求1所述的基于支持向量机与KNN相结合的室内定位方法，其特征在于，对定位区域进行合理的网格型划分，测量出每个网格区域对应的中心坐标，并记录。

3.根据权利要求1所述的基于支持向量机与KNN相结合的室内定位方法，其特征在于，对于每个区域内的样本点，只是采集其对应的RSSI值以及所在网格区域的编号，而不采集其对应的位置坐标。

4.根据权利要求1所述的基于支持向量机与KNN相结合的室内定位方法，其特征在于，利用采集的数据，实现支持向量机的多分类建模，并对在线阶段待定位点进行区域分类，具体的步骤如下：

第一步，将采集的数据根据网格编号的不同，两两组合；

第二步，采用支持向量机对两两组合的数据实现分类建模，假设将定位区域分成了N个网格，最终得到的分类模型的总数为N(N-1)/2；

第三步，将待定位节点接受到的信号强度值输入到建立好的分类模型中，采用投票法，实现对待定位节点的分类，选出票数最多(概率最大)的K个网格区域，记录各个网格区域所得的票数(概率)。

5.根据权利要求1所述的基于支持向量机与KNN相结合的室内定位方法，其特征在于，由KNN原理，计算K个区域中心坐标的加权平均值作为待定位点的最终位置坐标，具体的计算过程如下：

第一步，根据分类得到的K个区域的概率，算出权值Q_j，其计算公式如下：

第二步，算出待定位节点的位置坐标，其计算公式如下：

[X,Y]＝Q₁[x₁,y₁]+Q₂[x₂,y₂]+…+Q_K[x_k,y_k]

[X,Y]＝Q₁[x₁,y₁]+Q₂[x₂,y₂]+…+Q_K[x_k,y_k]