CN104683953B - 基于SimRank相似组合邻近图构建的室内WLAN定位组网方法 - Google Patents
基于SimRank相似组合邻近图构建的室内WLAN定位组网方法 Download PDFInfo
- Publication number
- CN104683953B CN104683953B CN201510140702.4A CN201510140702A CN104683953B CN 104683953 B CN104683953 B CN 104683953B CN 201510140702 A CN201510140702 A CN 201510140702A CN 104683953 B CN104683953 B CN 104683953B
- Authority
- CN
- China
- Prior art keywords
- mrow
- reference point
- matrix
- munderover
- row
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H04W4/04—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
- H04W16/20—Network planning tools for indoor coverage or short range network deployment
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于SimRank相似组合邻近图构建的室内无线局域网（WLAN）定位组网方法，它首先构造定位目标环境中不同位置参考点之间的物理位置邻近图及接收信号强度（RSS）邻近图，并按一定准则将两幅邻近图进行组合以得到参考点邻近图；然后从图论的角度构建SimRank模型，以计算参考点间的相似度，并在增大参考点间差异性（或称减小参考点间相似度）的基础上，建立室内WLAN接入点（AP）位置优化的目标函数；最后运用模拟退火算法求解目标函数，以实现对AP位置的快速优化。该方法在保证较高定位精度的同时，显著降低了多AP条件下（当AP数大于2时）定位系统的计算时间开销。
Description
技术领域
本发明属于无线电通信技术，具体涉及一种基于SimRank相似组合邻近图构建的室内WLAN定位组网方法。
背景技术
随着嵌入式计算机系统、无线网络和移动通信技术的迅猛发展，移动定位业务逐步得到了开发与实现，特别是基于位置的服务(Location-based Services，LBSs)在实际应用中发挥着越来越重的作用，如在大型办公楼、机场、酒店、商业中心、仓库和地下停车场等场景用户都亟需得到准确的定位信息。GPS定位技术以其定位精度高、全天候获取信息、用户接收设备轻巧等诸多优点得到了广泛应用，然而在室内环境下由于卫星信号的急剧衰弱，GPS定位系统难以正常工作，因此近年来室内定位技术得到了更加广泛的关注。目前较为流行的室内定位技术主要有红外线室内定位技术、蓝牙室内定位技术、ZigBee室内定位技术、射频识别(RFID)室内定位技术、无线局域网(WLAN)室内定位技术。红外线室内定位技术的工作原理是通过接收安装在室内的多个光学传感器信号进行定位，其仅能在视距传播环境下具有较高的定位精度，且所需设备较复杂，成本较高；蓝牙室内定位技术采用基于蓝牙信号的三角定位技术，其除了使用蓝牙模块外，还需在环境中部署多个蓝牙基站，由于目前蓝牙基站在室内环境下的部署还不普及，因此其系统成本较高；RFID和ZigBee室内定位技术一般适用于小范围定位环境；相比较，WLAN在机场、校园、医院、商业区、餐饮娱乐场所和住宅小区等各种场景中的应用越来越广泛，以及在智能手机、笔记本、上网本、MP4、个人数字助理(PDA)等移动终端设备中的普遍使用，此外，基于WLAN的室内定位技术一般具有成本低、覆盖范围广、精度较高等优势，因此，WLAN室内定位技术成为了目前室内定位技术的主流。
在众多WLAN室内定位方法中，基于位置指纹的定位方法由于具有较高的定位精度且无需添加额外的硬件设备，于是得到了最为广泛的关注。基于位置指纹的定位方法主要包括两个阶段：离线阶段和在线阶段。在离线阶段，通过在定位目标区域内选择合适的参考点，并在每个参考点处测量来自不同WLAN接入点(AP)的信号强度值，建立位置指纹数据库；而在在线阶段，则利用相应的定位算法将终端实时测量得到的信号强度值与位置指纹数据库中预先保存的位置指纹数据进行匹配，进而估计终端位置。
由于室内环境的复杂多变，位置指纹定位方法的定位精度受多种因素的影响。通过已有研究的分析对比，发现在影响位置指纹定位方法精度性能的众多因素中，AP摆放位置对于定位精度有较大影响。因此，为了优化AP摆放位置，现有方法主要关注的有AP发射信号覆盖范围、通信服务质量、网络吞吐量、信号传输速率以及覆盖范围内不同参考点间的接收信号强度(RSS)差异性等因素。而针对不同参考点间的RSS差异性这一因素，现有研究主要使用不同参考点间的RSS欧几里德距离来表征。
发明内容
本发明的目的是提供一种基于SimRank相似组合邻近图构建的室内WLAN定位组网方法，在保证较高位置指纹定位精度的前提下，实现AP摆放位置的快速优化，并降低系统的计算时间开销。
本发明首先通过构建参考点的物理位置邻近图及RSS邻近图，并按一定的准则进行组合；然后从图论的角度建立SimRank模型，通过图的拓扑信息(如参考点的邻近节点信息)来衡量不同参考点间的相似程度(即RSS差异性)；最后运用模拟退火算法求解相应的目标函数，实现对AP摆放位置的快速优化，该发明在保证较高定位精度的同时显著降低了系统的计算时间开销。
SimRank是一种基于图的拓扑结构信息来衡量任意两个对象间相似程度的模型。
本发明所述的基于SimRank相似组合邻近图构建的室内WLAN定位组网方法，包括以下步骤：
步骤一、初始化，令i＝1；其中i为计数量；步骤一至步骤九为构造参考点间的接收信号强度(RSS)邻近图及物理位置邻近图。
步骤二、初始化，令j＝1；其中j为计数量。
步骤三、分别计算参考点i与参考点j之间的RSS欧几里德距离和物理位置距离，并存入矩阵Edistance和Distance中，其中，矩阵Edistance的第i行第j列元素Edistance(i,j)为参考点i与参考点j之间的RSS欧几里德距离；矩阵Distance的第i行第j列元素Distance(i,j)为参考点i与参考点j之间的物理位置距离。
步骤四、j＝j+1；j为计数量。
步骤五、判断j是否小于Num_RF；若是，则进入步骤三；若否，则进入步骤六；其中Num_RF为参考点的总个数。
步骤六、分别对矩阵Edistance和Distance的第i行元素进行归一化处理。
步骤七、分别对归一化处理后的矩阵Edistance和Distance的第i行元素进行升序排列，各取升序排列后前10％的元素所对应的分别在矩阵Edistance和Distance中的列标号，并将其分别存入矩阵near_1和near_2的第i行；其中near_1、near_2分别是Num_RF行列的矩阵。
步骤八、i＝i+1；其中，i为计数量。
步骤九、判断i是否小于Num_RF；若是，则进入步骤二；若否，则进入步骤十；其中Num_RF为参考点的总个数。
步骤十、按一定的准则合并矩阵near_1和near_2，并且存入矩阵near中；合并准则为：交运算。
步骤十一、根据合并后的矩阵near构造参考点的邻近图，从图论角度建立的基于SimRank的相似度计算模型，为了优化AP位置，使参考点之间的RSS差异最大化，
建立总的优化目标函数f(w)，
其中，w为该优化目标函数所对应的最优解，即最优AP位置；s(m,n)为参考点m与参考点n之间的相似度；C为衰减因子，其取值范围为(0,1)；L(m)和L(n)为在邻近图中分别与参考点m和n相连的参考点集合，例如，在图2中，L(1)＝{2,3,4,7}，L(2)＝{1,4,3}；|L(m)|和|L(n)|分别为集合L(m)和L(n)中元素的个数；Li(m)和Lj(n)为在邻近图中分别与参考点m相连的第i个参考点和与参考点n相连的第j个参考点；例如，在图2中，L1(1)＝2，L2(1)＝3；s(Li(m),Lj(n))为在邻近图中与参考点m相连的第i个参考点和与参考点n相连的第j个参考点之间的相似度；P(Li(m),k)和P(Lj(n),k)分别为在邻近图中与参考点m相连的第i个参考点和与参考点n相连的第j个参考点处接收到的来自第k个AP的信号强度值。
步骤十二、运用模拟退火算法解目标函数f(w)，选定AP所有可能摆放位置，并将每个AP位置定义为模拟退火算法的一个可能目标解w。
步骤十三、设置初始温度T0；降温速度α；总的迭代次数K；终止温度Ts；其中，T0、α、K、Ts为模拟退火算法的参数。
步骤十四、初始化k＝1；当前温度T＝T0；其中k为计数迭代次数，总迭代次数为K。
步骤十五、随机生成AP摆放位置初始解w，并计算当前AP摆放位置下目标函数f(w)的值。
步骤十六、扰动产生AP摆放位置新解w'，并计算当前AP摆放位置下目标函数的值f(w')；其中，扰动方式为：随机选取当前组合AP位置中的某一AP位置，将其与剩余某一待选AP位置进行替换。
步骤十七、计算Δf，Δf＝f(w')-f(w)。
步骤十八、判断Δf是否大于0；是，则进入步骤十九；否，则进入步骤二十。
步骤十九、生成一个0到1的随机数，然后判断是否大于这个随机数；是，则进入步骤二十；否，则进入步骤二十一。
步骤二十、接受AP摆放位置的新解，即w＝w'，f(w)＝f(w')。
步骤二十一、判断是否达到迭代次数K；是，则进入步骤二十二；否，则迭代次数加1，进入步骤十六。
步骤二十二、判断当前温度T是否大于终止温度；是，则进入步骤二十三；否，则进入步骤二十四。
步骤二十三、缓慢降低温度，即T＝T×α，令迭代次数为k＝K，进入步骤十五。
步骤二十四、运算结束，返回最优的AP布置坐标。
本发明具有以下优点：能够在较高位置指纹定位精度条件下，实现室内WLAN接入点的快速优化布置。通过构造参考点的物理位置邻近图及RSS邻近图，建立SimRank相似度计算模型，在增大不同参考点间RSS差异性的基础上，构造优化目标函数，运用模拟退火算法，得到AP最优摆放位置，从而实现AP位置的快速优化，降低系统的计算时间开销，并保证较高的位置指纹定位精度。本发明能够运用于室内无线电通信网络环境。
附图说明
图1(a)是本发明中步骤一到步骤十一的流程图；
图1(b)是本发明中步骤十二至步骤二十四的流程图；
图2给出了某一参考点邻近图的构造示意图；其中，圆表示参考点，两个圆之间的连接线表示该两个参考邻近，线段旁的参数表示该两个参考点间邻近的程度(即相似度)；
图3是本发明的仿真环境示意图，其中，空心圆圈表示参考点位置，且邻近参考点间距为0.8m，实心五角星表示AP可能的摆放位置；
图4a、4b、4c和图4d是在仿真实验环境下，当AP个数为1、2、3和4时，本发明提出的基于SimRank相似组合邻近图构建的AP布置方式与传统的最大化不同参考点间RSS欧几里德距离的AP布置方式及均匀分布AP布置方式的误差性能对比。
图5是在仿真实验环境下，本发明的基于SimRank相似组合邻近图构建的AP布置方式与传统的最大化不同参考点间RSS欧几里德距离的AP布置方式及均匀分布AP布置方式的平均误差性能对比。
图6是本发明提出的运用模拟退火算法求解优化目标函数以得到AP最优摆放位置方法与传统的运用穷举搜索算法求解优化目标函数以得到AP最优摆放位置方法的计算时间开销对比图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1(a)和图1(b)所示，基于SimRank相似组合邻近图构建的室内WLAN定位组网方法包括以下步骤：
步骤一、初始化，令i＝1；其中i为计数量；步骤一至步骤九为构造参考点间的接收信号强度(RSS)邻近图及物理位置邻近图。
步骤二、初始化，令j＝1；其中j为计数量。
步骤三、分别计算参考点i与参考点j之间的RSS欧几里德距离和物理位置距离，并存入矩阵Edistance和Distance中，其中，矩阵Edistance的第i行第j列元素Edistance(i,j)为参考点i与参考点j之间的RSS欧几里德距离；矩阵Distance的第i行第j列元素Distance(i,j)为参考点i与参考点j之间的物理位置距离。
步骤三、分别计算参考点i与参考点j之间的RSS欧几里德距离和物理位置距离，并且存入矩阵Edistance和Distance中；计算公式为：
其中，矩阵Edistance的第i行第j列元素Edistance(i,j)为参考点i与参考点j之间的RSS欧几里德距离；矩阵Distance的第i行第j列元素Distance(i,j)为参考点i与参考点j之间的物理位置距离；N为AP的总个数；XY(i,1)、XY(j,1)为参考点i,j的物理位置横坐标；XY(i,2)、XY(j,2)为参考点i,j的物理位置纵坐标；P(i,k)、P(j,k)分别为第i、j个参考点接收到来自第k个AP的信号强度值，在仿真环境中，P(i,k)和P(j,k)均由信号传播模型计算得到。本发明假定信号传播特性服从路径衰减模型，即接收端接收到的信号强度值P的计算表达式如下：
P＝P(d0)-10βlog10(d)-χ (3)
其中，d0为参考距离，令d0＝1m；β表示路径损耗指数，其反映了信号强度损耗与信号传播距离的关系；d为信号接收端与AP之间的距离；χ为服从高斯分布N(u,δ2)的随机变量。
步骤四、j＝j+1；j为计数量。
步骤五、判断j是否小于Num_RF；若是，则进入步骤三；若否，则进入步骤六；其中Num_RF为参考点的总个数。
步骤六、分别对矩阵Edistance和Distance的第i行元素进行归一化处理；其中，归一化公式为：
步骤七、分别对归一化处理后的矩阵Edistance和Distance的第i行元素进行升序排列，各取升序排列后前10％的元素所对应的分别在矩阵Edistance和Distance中的列标号，并将其分别存入矩阵near_1和near_2的第i行；其中near_1、near_2分别是Num_RF行列的矩阵。
步骤八、i＝i+1；其中，i为计数量。
步骤九、判断i是否小于Num_RF；若是，则进入步骤二；若否，则进入步骤十；其中Num_RF为参考点的总个数。
步骤十、按一定的准则合并矩阵near_1和near_2，并且存入矩阵near中；经过步骤一至步骤九，已经构造出了参考点间的接收信号强度(RSS)邻近图及物理位置邻近图，因此我们需要按一定的准则合并这两个图；我们规定，合并准则为：交运算；运算法则如下：
若则near(i,j)＝near_1(i,j)；否则，near(i,j)＝0；
即取与参考点i邻近的参考点为既在RSS信号强度邻近图中又在物理邻近图中的参考点。其中near是Num_RF行列的矩阵。
步骤十一、根据合并后的矩阵near，构造参考点的邻近图，构造邻近图的准则如下：若near(i,j)≠0且则参考点i与参考点near(i,j)之间用无向线段连接；若near(i,j)＝0或则参考点i与参考点near(i,j)之间不连接；图2给出了某一参考点邻近图的构造示意图。
根据邻近图，从图论角度，建立基于SimRank的相似度计算模型。SimRank相似度计算的理论基础是：如果两个节点相连的其它节点相似，那么这两个节点也相似。它的模型如下：
其中，w为该优化目标函数所对应的最优解，即最优AP位置；s(m,n)为参考点m与参考点n之间的相似度；C为衰减因子，其取值范围为(0,1)；L(m)和L(n)为在邻近图中分别与参考点m和n相连的参考点集合，例如，在图2中，L(1)＝{2,3,4,7}，L(2)＝{1,4,3}；|L(m)|和|L(n)|分别为集合L(m)和L(n)中元素的个数；Li(m)和Lj(n)为在邻近图中分别与参考点m相连的第i个参考点和与参考点n相连的第j个参考点；例如，在图2中，L1(1)＝2，L2(1)＝3；s(Li(m),Lj(n))为在邻近图中与参考点m相连的第i个参考点和与参考点n相连的第j个参考点之间的相似度；从公式(6)可以看出，SimRank相似度的计算是利用已有个体的相似度来推算其它有关个体相似度的方法，是基于一种递归的思想，即，如果与参考点m,n相连的参考点Li(m)、Lj(n)之间的相似度是未知的，那么可以继续寻找与参考点Li(m)、Lj(n)相邻的参考点，来计算参考点m、n之间的相似度；本发明为了简化计算复杂度，按照WLAN指纹定位中常用信号强度RSS欧几里德距离来表示两参考点间的差异性的方法，规定参考点Li(m)、Lj(n)间的相似度为两参考点间RSS欧几里德距离的倒数，表示如下：
其中，N为AP的总个数；P(Li(m),k)和P(Lj(n),k)分别为在邻近图中与参考点m相连的第i个参考点和与参考点n相连的第j个参考点处接收到的来自第k个AP的信号强度值。
为了优化AP位置，使参考点之间的RSS差异最大化，因此，根据SimRank相似度的计算模型，建立总的优化目标函数f(w)。
其中，f(w)为优化目标函数，w为该目标函数对应的最优解，本发明对应最优的AP布置位置。
步骤十二、运用模拟退火算法解目标函数f(w)，选定AP所有可能摆放位置，并将每个AP位置定义为模拟退火算法的一个可能目标解w。
步骤十三、设置初始温度T0；降温速度α；总的迭代次数K；终止温度Ts；其中，T0、α、K、Ts为模拟退火算法的参数。
步骤十四、初始化k＝1；当前温度T＝T0；其中k为计数迭代次数，总迭代次数为K。
步骤十五、随机生成AP摆放位置初始解w，并计算当前AP摆放位置下目标函数f(w)的值。
步骤十六、扰动产生AP摆放位置新解w'，并计算当前AP摆放位置下目标函数的值f(w')；其中，扰动方式为：随机选取当前组合AP位置中的某一AP位置，将其与剩余某一待选AP位置进行替换。
步骤十七、计算Δf，Δf＝f(w')-f(w)。
步骤十八、判断Δf是否大于0；是，则进入步骤十九；否，则进入步骤二十。
步骤十九、生成一个0到1的随机数，然后判断是否大于这个随机数；是，则进入步骤二十；否，则进入步骤二十一。
步骤二十、接受AP摆放位置的新解，即w＝w'，f(w)＝f(w')。
步骤二十一、判断是否达到迭代次数K；是，则进入步骤二十二；否，则迭代次数加1，进入步骤十六。
步骤二十二、判断当前温度T是否大于终止温度；是，则进入步骤二十三；否，则进入步骤二十四。
步骤二十三、缓慢降低温度，即T＝T×α，令迭代次数为k＝K，进入步骤十五。
步骤二十四、运算结束，返回最优的AP布置坐标。
本发明的仿真实验环境如图3所示。其为12m×12m的空旷环境，利用路径衰减传播模型计算得到每个参考点所对应的信号强度值以构造位置指纹数据库，参考点间距为0.8m，空心圆圈表示参考点位置(共256个)，实心五角星表示AP可能的摆放位置(共36个)。在路径衰减传播模型中，P(d0)＝-28dB，衰减系数β＝2.2,噪声标准差δ＝5dB。
表一给出了本发明仿真实验环境的基本参数，其中，在模拟退火算法中，T0为初始温度；K为迭代次数；α为降温系数；Ts为终止温度。
为了验证本发明提出的基于SimRank相似组合邻近图构建的AP布置方式的有效性和可靠性，将其分别与传统的最大化不同参考点间RSS欧几里德距离的AP布置方式及均匀分布AP布置方式进行性能对比。表二给出了运用模拟退火算法所得到的AP最优摆放位置，其中，AP1、AP2、AP3和AP4分别表示第1、2、3和4个AP最优摆放位置在图3中所对应的横、纵坐标。。
图4a、图4b、图4c和图4d分别给出了当AP个数为1、2、3和4时，利用本发明提出的基于SimRank相似组合邻近图构建的AP布置方式与传统的最大化不同参考点间RSS欧几里德距离的AP布置方式及均匀分布AP布置方式的误差性能对比。图5给出了在不同AP个数条件下，本发明的基于SimRank相似组合邻近图构建的AP布置方式与传统的最大化不同参考点间RSS欧几里德距离的AP布置方式及均匀分布AP布置方式的平均误差性能对比。可见，本发明采用的AP布置方式相比于传统AP布置方式具有更高的定位精度。
图6给出了本发明提出的运用模拟退火算法求解优化目标函数以得到AP最优摆放位置方法与传统的运用穷举搜索算法求解优化目标函数以得到AP最优摆放位置方法的计算时间开销对比结果(两种算法均采用基于SimRank相似度计算模型的优化目标函数)。可以看出，在相同优化目标函数条件下，基于模拟退火算法的AP位置优化搜索过程具有更低的计算时间开销。
表一
表二
Claims (3)
1.基于SimRank相似组合邻近图构建的室内WLAN定位组网方法，其特征在于：所述方法首先通过构建参考点的物理位置邻近图及RSS邻近图，并按一定的准则进行组合；然后从图论的角度建立SimRank模型，通过图的拓扑信息来衡量不同参考点间的相似程度，即RSS差异性；最后运用模拟退火算法求解相应的目标函数，实现对AP摆放位置的快速优化；
所述首先通过构建参考点的物理位置邻近图及RSS邻近图，并按一定的准则进行组合的步骤如下：
步骤一、初始化，令i＝1；其中i为计数量；
步骤二、初始化，令j＝1；其中j为计数量；
步骤三、分别计算参考点i与参考点j之间的RSS欧几里德距离和物理位置距离，并存入矩阵Edistance和Distance中，其中，矩阵Edistance的第i行第j列元素Edistance(i,j)为参考点i与参考点j之间的RSS欧几里德距离；矩阵Distance的第i行第j列元素Distance(i,j)为参考点i与参考点j之间的物理位置距离；
步骤四、j＝j+1；
步骤五、判断j是否小于Num_RF，其中，Num_RF为参考点个数；若是，则进入步骤三；若否，则进入步骤六；
步骤六、分别对矩阵Edistance和Distance的第i行元素进行归一化处理；
步骤七、分别对归一化处理后的矩阵Edistance和Distance的第i行元素进行升序排列，各取升序排列后前10％的元素所对应的分别在矩阵Edistance和Distance中的列标号，并将其分别存入矩阵near_1和near_2的第i行；其中，near_1、near_2分别是Num_RF行列的矩阵；
步骤八、i＝i+1；
步骤九、判断i是否小于Num_RF；若是，则进入步骤二；若否，则进入步骤十；
步骤十、对矩阵near_1和near_2进行交运算处理，并将结果存入矩阵near中；其中near是Num_RF行列的矩阵；交运算准则如下：
若则near(i,j)＝near_1(i,j)；否则，near(i,j)＝0；其中，near是Num_RF行列的矩阵；
步骤十一、根据矩阵near构造参考点邻近图，构造邻近图的准则如下：
若near(i,j)≠0且则参考点i与参考点near(i,j)之间用无向线段连接；
若near(i,j)＝0或则参考点i与参考点near(i,j)之间不连接；
所述从图论的角度建立SimRank模型，通过图的拓扑信息来衡量不同参考点间的相似程度的步骤如下：
从图论角度建立基于SimRank相似度计算模型的优化目标函数f(w)，即：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>min</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mo>_</mo>
<mi>R</mi>
<mi>F</mi>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mo>_</mo>
<mi>R</mi>
<mi>F</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mi>C</mi>
<mrow>
<mo>|</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>|</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>|</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>|</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</munderover>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>L</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>L</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，w为该优化目标函数所对应的最优解，即最优AP位置；s(m,n)为参考点m与参考点n之间的相似度；C为衰减因子，其取值范围为(0,1)；L(m)和L(n)为在邻近图中分别与参考点m和n相连的参考点集合；|L(m)|和|L(n)|分别为集合L(m)和L(n)中元素的个数；Li(m)和Lj(n)为在邻近图中分别与参考点m相连的第i个参考点和与参考点n相连的第j个参考点；s(Li(m),Lj(n))为在邻近图中与参考点m相连的第i个参考点和与参考点n相连的第j个参考点之间的相似度；P(Li(m),k)和P(Lj(n),k)分别为在邻近图中与参考点m相连的第i个参考点和与参考点n相连的第j个参考点处接收到的来自第k个AP的信号强度值；
最后运用模拟退火算法求解相应的目标函数，实现对AP摆放位置的快速优化，包括：步骤十二、运用模拟退火算法解目标函数f(w)，将每个AP可能摆放位置定义为该模拟退火算法的一个可能目标解；
步骤十三、设定初始温度T0，降温速度α，总迭代次数K和终止温度Ts，其中，T0、α、K和Ts为模拟退火算法所使用的参数；
步骤十四、令k＝1且当前温度T＝T0，其中，k为迭代次数；
步骤十五、随机生成一个AP可能摆放位置所对应的当前解w，并计算其相应的目标函数值f(w)；
步骤十六、对当前解进行扰动，以得到一个新的AP可能摆放位置所对应的新解w'，并计算其相应的目标函数值f(w')；其中，扰动方式为：随机选取当前组合AP位置中的某一AP位置，将其与剩余某一待选AP位置进行替换；
步骤十七、计算Δf＝f(w')-f(w)；
步骤十八、判断Δf是否大于0；是，则进入步骤十九；否，则进入步骤二十；
步骤十九、生成一个0到1之间的随机数，判断是否大于该随机数；是，则进入步骤二十；否，则进入步骤二十一；
步骤二十、令当前解w＝w'且f(w)＝f(w')；
步骤二十一、判断当前迭代次数是否等于K；是，则进入步骤二十二；否，则迭代次数加1，进入步骤十六；
步骤二十二、判断当前温度T是否大于终止温度；是，则进入步骤二十三；否，则进入步骤二十四；
步骤二十三、令T＝T×α且k＝K，进入步骤十五；
步骤二十四、运算结束，将当前解定义为最优AP位置。
2.根据权利要求1所述的室内WLAN定位组网方法，其特征在于，所述步骤三中，分别根据： 计算出矩阵Edistance和Distance；其中，矩阵Edistance的第i行第j列元素Edistance(i,j)为参考点i与参考点j之间的RSS欧几里德距离；矩阵Distance的第i行第j列元素Distance(i,j)为参考点i与参考点j之间的物理位置距离；N为AP的总个数；XY(i,1)、XY(j,1)为参考点i,j的物理位置横坐标；XY(i,2)、XY(j,2)为参考点i,j的物理位置纵坐标；P(i,k)、P(j,k)分别为第i、j个参考点接收到来自第k个AP的信号强度值，在仿真环境中，P(i,k)和P(j,k)均由信号传播模型计算得到。
3.根据权利要求1所述的室内WLAN定位组网方法，其特征在于，所述步骤六中，对矩阵Edis1和Dicsteance的第i行元素进行归一化处理公式为：
<mrow>
<mi>E</mi>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
<mi>tan</mi>
<mi>c</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>E</mi>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
<mi>tan</mi>
<mi>c</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mo>_</mo>
<mi>R</mi>
<mi>F</mi>
</mrow>
</munderover>
<mi>E</mi>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
<mi>tan</mi>
<mi>c</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
<mi>D</mi>
<mi>i</mi>
<mi>s</mi>
<mi>tan</mi>
<mi>c</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>D</mi>
<mi>i</mi>
<mi>s</mi>
<mi>tan</mi>
<mi>c</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mo>_</mo>
<mi>R</mi>
<mi>F</mi>
</mrow>
</munderover>
<mi>D</mi>
<mi>i</mi>
<mi>s</mi>
<mi>tan</mi>
<mi>c</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510140702.4A CN104683953B (zh) | 2015-03-27 | 2015-03-27 | 基于SimRank相似组合邻近图构建的室内WLAN定位组网方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510140702.4A CN104683953B (zh) | 2015-03-27 | 2015-03-27 | 基于SimRank相似组合邻近图构建的室内WLAN定位组网方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104683953A CN104683953A (zh) | 2015-06-03 |
| CN104683953B true CN104683953B (zh) | 2018-06-01 |
Family
ID=53318416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510140702.4A Active CN104683953B (zh) | 2015-03-27 | 2015-03-27 | 基于SimRank相似组合邻近图构建的室内WLAN定位组网方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104683953B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105120517B (zh) * | 2015-07-29 | 2018-05-11 | 重庆邮电大学 | 基于多维尺度mds分析的室内wlan信号平面图构建与定位方法 |
| CN105334493B (zh) * | 2015-10-09 | 2017-12-26 | 北京航空航天大学 | 一种基于wlan的室内定位方法 |
| CN107920386B (zh) * | 2017-10-10 | 2021-01-26 | 深圳数位传媒科技有限公司 | 稀疏点定位方法、服务器、系统及计算机可读存储介质 |
| CN108616836A (zh) * | 2018-04-13 | 2018-10-02 | 重庆邮电大学 | 一种基于信号统计分布的wlan定位组网方法 |
| CN111736155B (zh) * | 2020-07-21 | 2020-11-17 | 南京信大气象科学技术研究院有限公司 | 一种采用非均匀分形技术的风廓线雷达脉冲发射编码方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101883424A (zh) * | 2010-04-23 | 2010-11-10 | 哈尔滨工业大学 | 基于近邻点数优化的wlan室内knn定位方法 |
| CN102325369A (zh) * | 2011-06-08 | 2012-01-18 | 哈尔滨工业大学 | 基于参考点位置优化的wlan室内单源线性wknn定位方法 |
| EP2629576A1 (en) * | 2012-02-17 | 2013-08-21 | Samsung Electronics Co., Ltd | Method and apparatus for positioning location of wireless access point |
| CN103596267A (zh) * | 2013-11-29 | 2014-02-19 | 哈尔滨工业大学 | 一种基于欧氏距离的指纹图匹配方法 |
-
2015
- 2015-03-27 CN CN201510140702.4A patent/CN104683953B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101883424A (zh) * | 2010-04-23 | 2010-11-10 | 哈尔滨工业大学 | 基于近邻点数优化的wlan室内knn定位方法 |
| CN102325369A (zh) * | 2011-06-08 | 2012-01-18 | 哈尔滨工业大学 | 基于参考点位置优化的wlan室内单源线性wknn定位方法 |
| EP2629576A1 (en) * | 2012-02-17 | 2013-08-21 | Samsung Electronics Co., Ltd | Method and apparatus for positioning location of wireless access point |
| CN103596267A (zh) * | 2013-11-29 | 2014-02-19 | 哈尔滨工业大学 | 一种基于欧氏距离的指纹图匹配方法 |
Non-Patent Citations (2)
| Title |
|---|
| Multivariable Fuzzy Inference with Multi Nearest Neighbour for Indoor WLAN;Marwan Alakhras etc.;《2013 UKSim 15th International Conference on Computer Modelling and Simulation》;20130610;摘要、正文第Ⅰ-Ⅴ节 * |
| Placement of Access Points for Indoor Wireless;Qiuyun Chen, Bang Wang etc.;《2013 IEEE International Conference on High Performance Computing and Communications & 2013 IEEE International Conferenceon Embedded and Ubiquitous Computing》;20131115;正文第1页左栏第9-17行 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104683953A (zh) | 2015-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104683953B (zh) | 基于SimRank相似组合邻近图构建的室内WLAN定位组网方法 | |
| CN108696932B (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
| CN102204372B (zh) | 一种用于在室内环境中定位电子移动设备的室内定位系统 | |
| CN101772156B (zh) | 一种无线局域网设备定位方法及装置 | |
| CN103686999B (zh) | 基于WiFi信号的室内无线定位方法 | |
| CN104853317B (zh) | 一种WiFi室内定位中指纹库的构建及更新方法 | |
| CN104185270B (zh) | 室内定位方法、系统和定位平台 | |
| CN103068035B (zh) | 一种无线网络定位方法、装置及系统 | |
| CN105636201B (zh) | 基于稀疏信号指纹数据库的室内定位方法 | |
| CN104469676A (zh) | 一种移动终端的定位方法及系统 | |
| CN105137390A (zh) | 一种基于可调发射功率ap的室内定位方法 | |
| CN106793082A (zh) | 一种在wlan/蓝牙异构网络环境中的移动设备定位方法 | |
| CN103747419B (zh) | 一种基于信号强度差值与动态线性插值的室内定位方法 | |
| CN104754735B (zh) | 基于位置指纹库的定位方法 | |
| CN103338509A (zh) | 一种基于隐含马尔可夫模型的wsn室内定位方法 | |
| Wu et al. | A GA-based mobile RFID localization scheme for internet of things | |
| CN103501538A (zh) | 基于多径能量指纹的室内定位方法 | |
| CN102291817A (zh) | 移动通信网络中的基于位置测量样本的群定位方法 | |
| CN102984745A (zh) | Wi-Fi AP位置及路径损耗模型的联合估测方法 | |
| CN103648164A (zh) | 一种基于到达时间差和Gossip算法的无线传感器网络分布式定位方法 | |
| CN106686720A (zh) | 一种基于时间维度的无线指纹定位方法及其系统 | |
| Eldeeb et al. | Optimal placement of access points for indoor positioning using a genetic algorithm | |
| CN106954187A (zh) | 一种基于异构网络的室内定位方法 | |
| CN102880673B (zh) | 一种室内定位方法 | |
| CN108616836A (zh) | 一种基于信号统计分布的wlan定位组网方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |