CN104936148B - 一种基于模糊knn的wifi室内定位方法 - Google Patents

Abstract

本发明公开了一种基于模糊KNN的WIFI室内定位方法，利用基于权值的KNN匹配算法，增加RSSI差分数据量作为权值特征，把RSSI的特征作为模糊系统输入，通过模糊推理输出KNN方法中的权值，定位误差作为目标函数，对模糊推理系统中隶属度函数等参数进行辨识和优化，从而提高定位系统的精度。和传统的RSSI距离相比，不仅考虑了RSSI值所组成的矢量的欧拉距离，还考虑到了不同位置接收到RSSI值之间的差值；同时使用自适应模糊推理系统，利用了模糊系统能很好逼近非线性系统的特性，通过模糊聚类和进化算法对权值进行优化，使其自适应不同的室内环境。

Description

一种基于模糊KNN的WIFI室内定位方法

技术领域

本发明涉及室内定位与导航技术领域,特别是一种基于模糊KNN的WIFI室内定位方法。

背景技术

近年来，随着智能移动终端、无线传感器网络和物联网的兴起和普及。基于位置的服务和应用得到极大的发展，给人们出行带来很大的方便。比如，基于全球定位系统(Global Positioning System,GPS)的手机电子地图，给人们提供了室外空间的定位和导航服务。基于位置信息服务的LBS(Location Based Services)应用层出不穷。然而，人类大部分的活动是在室内进行的，由于GPS卫星信号经过建筑物的遮挡，很的容易出现卫星跟踪丢失导致定位精度下降，甚至出现不能定位的情况，因此GPS定位系统不能满足室内定位的需求，需要为室内定位发展新技术。在这一需求的推动下，实现对室内人员或者物体的精确定位和跟踪的研究成为近十多年大家研究的热点领域。

随着近几年无线系统应用数量的迅速增长，无线技术已经进入几乎所有的消费电子领域，如医疗，工业，公共安全，物流和交通运输等。同样无线自组网传感器网络、普适计算、上下文相关的信息服务、信息跟踪和指导也成为无线通信技术的众多应用领域。正因为无线网络的广泛使用，利用无线网络进行室内或者室外精确定位成为一种新的需求和研究方向。目前，定位系统常使用的无线网络包括全球无线通信网络(Global System forMobile Communications,GSM)或者通用移动通信系统(Universal Mobile Telecommuni -cations System,UMTS)、无线局域网络(Wireless Local Area Networks,WLANs)、超宽带通信(Ultra-wideband,UWB)网络和一些短距离通信技术，例如无线传感器网络(WirelessSensor Networks,WSN)、无线射频技术(Radio Frequency Identification)、蓝牙(Bluetooth)和红外通信等。这些无线已经有相应技术将其应用于定位技术，比如GSM网络常用于室外定位，和GPS一起，满足日常生活中室外定位需求。除此之外，UWB网络，WSN网络和RFID等可以用于室内定位技术。

基于KNN的WIFI室内定位算法其主要原理是根据RSSI距离计算方法来估算待定位节点和数据指纹中已知节点的距离，算法复杂度比较低，也易于理解，所以在实际中应用广泛，但由于室内环境复杂，信号传播很少有无遮挡传播路径，常见的遮挡有墙体、家具、人员等，这些因素会导致算法存在以下几个问题：

首先，上述KNN算法中RSSI距离大的两个点，其实际的物理距离可能很小，比如两个点之间存在一堵墙等，因此，按照RSSI的距离大小确定KNN算法中的权重会造成比较大的定位误差。

其次，经过实际测量，在同一地点检测到的同一个AP发射的信号的RSSI值波动比较大，离线阶段和在线的信号波动，都会影响定位的精度，所以在使用RSSI值进行定位前，必须对采集到的数据进行预处理，减少因为噪声对定位精度的影响。

最后，RSSI值和检测设备有关系，同一个AP发射出的无线信号在同一点由不同的接收设备检测，RSSI可能会不一样，因此，不能只根据RSSI距离的绝对数值，来确定KNN算法中的权重值。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于模糊KNN的WIFI室内定位方法。

为解决上述技术问题，本发明所采用的技术方案是：一种基于模糊KNN的WIFI室内定位方法，包括在线测量阶段和离线测量阶段；

所述离线测量阶段包括以下步骤：

1)预先选定场地中某些点为参考点，测量参考点的坐标，采集参考点离线数据并进行数据预处理，滤除噪声；

2)计算各参考点的RSSI平均值，并存入指纹数据库；

3)将RSSI距离分为“很近”，“近，“远，“很远”四个模糊子集，将指纹数据库中的数据作为样本，计算指纹数据库中每条数据所对应的点与其他点之间的RSSI距离D，以及RSSI差分距离V，进行模糊C聚类，以确定四个模糊子集的隶属函数；

4)初始化Takagi-Sugeno推理后件种群，种群大小NP设置为500，缩放因子F设置成0.9；交叉控制参数CR的值设为0.9，种群中每个个体编码为(a₀,a₁,a₂)，其中(a₀,a₁,a₂)为Takagi-Sugeno推理后件的多项式系数向量；

5)利用目标函数J对上述初始化后的种群进行评价，J等于采样点的实际坐标与计算坐标的欧氏距离，J越小说明计算坐标越接近实际坐标，J的计算公式如下：

J＝(x-x_T)²+(y-y_T)²

其中，(x,y)是样本的实际坐标，(x_T,y_T)为该样本的计算坐标，按下式计算：

(x_i,y_i)为第i个与所述样本邻近的点的坐标，K为该样本的近邻点的个数；ωi是第i条模糊规则输出的权值，按下式计算：

ω_i＝a₀+a₁D+a₂V；

其中i表示第i条规则，D表示样本的RSSI距离，V表示样本的RSSI差分距离；

6)采用DE/rand/1/bin变异和二项式交叉对每个个体进行进化操作，产生新的个体；

7)计算目标函数J的值，对个体进行评价，并采用高选择压的选择策略：一旦子代个体比父代个体好，就进入下一代种群，否则父代个体留在种群中保持不变，选择新的子代；

7)检验目标函数J是否发生变化，如果是，则输出最优多项式系数向量，否则返回步骤6)；8)将最优多项式系数向量作为模糊推理规则的后件多项式系数，生成模糊规则存入规则库；

所述在线测量阶段包括以下步骤：

1)测量待定位点的RSSI值；

2)计算待定位点与指纹数据库中各参考点的RSSI距离和差分距离；

3)找出K个与待定位点的RSSI距离和差分距离最近的点，即K个最近邻点；

4)使用规则库中的模糊推理规则计算所述K个最近邻点各自的权值；

5)根据权值和参考点坐标计算待定位点坐标。

由所有M条模糊规则计算权重ω的计算公式如下：

其中，M表示模糊规则的数目，λ_i表示第i条模糊规则的推理强度。

RSSI距离D(k)和RSSI差分距离V(k)分别按下式计算：

V(k)＝||maxRSSI_ki-minRSSI_ki|-|maxRSSI_Ti-minRSSI_Ti||；

其中k表示第k个最近邻点；RSSI_kl表示第k个最邻近点检测到的第l个AP，即接入点的RSSI值，RSSI_Tl表示待定位点检测到的第l个AP的RSSI值，k＝1,2,…K，r为AP的数量。

与现有技术相比，本发明所具有的有益效果为：本发明在利用基于权值的KNN匹配算法的基础上，增加RSSI差分数据量作为权值特征，把RSSI的特征作为模糊系统输入，通过模糊推理输出KNN方法中的权值，定位误差作为目标函数，对模糊推理系统中隶属度函数等参数进行辨识和优化，从而提高定位系统的精度。和传统的RSSI距离相比，不仅考虑了RSSI值所组成的矢量的欧拉距离，还考虑到了不同位置接收到RSSI值之间的差值；同时使用自适应模糊推理系统，利用了模糊系统能很好逼近非线性系统的特性，通过模糊聚类和进化算法对权值进行优化，使其自适应不同的室内环境。

附图说明

图1为本发明实施例实验区的布置图；

图2为本发明实施例采样100次数据的示意图；

图3为本发明实施例图3显示了滤波前和滤波后的数据对比情况；

图4为本发明实施例RSSI距离D隶属度值分布曲线；

图5为本发明实施例RSSI差分V的隶属度分布曲线；

图6为本发明模糊推理KNN对10个测试点每个进行100次定位实验，定位误差的平均值曲线与最邻近、标准KNN、WKNN(加权KNN)的比较图。

具体实施方式

以下结合附图对本发明的具体实施方式做进一步的说明。

实验区的布置如图1所示，使用笔记本电脑作为指纹数据采集设备和定位设备，三台无线路由器作为接入点AP。实验区为实验室房间，房间长约8m宽约7m。该房间内有17个卡座，每个卡座里坐一个人，还有一个书柜和一张沙发，平时人员走动比较频繁，房间是典型的办公室环境，实验所使用的三个接入点AP也在图中标明，其中AP1和AP2安装在实验环境中的两个左上和左下两个角，AP3安装在右边靠墙的中间。AP安装的位置对定位算法影响不大，但是由于不同型号设备的性能有所区别，障碍引起的信号干扰也有所区别。图1中带方框的数字表示采样点的位置，圆圈的位置表示测试点的位置。为了尽量符合实际使用情况，第1～15个采样点均匀分布间隔为1.5米，第16～18个采样点间隔为2米，整个房间总的采样数为18个点，分别分布在每个卡座桌子上和门口沙发上，这样的采样点更加符合实际使用过程中，需要定位的位置会更多的分布在这些位置上。而为了测试系统对采样点分布外的位置的定位特性，选择了两个位于采样点范围外的测试点。在每个参考点上采样100次，每次间隔时间为1秒，采样后，将100次数据的平均值作为该采样点的采样值。

在实际采样过程中，发现在同一地点采样得到数据噪声比较大，还会出现RSSI值为-95dBm的特殊的噪点，以采样点1为例，在该处采样100次数据如图2所示，从图2中可以看出AP1的数据比较稳定，因为采样点1离AP1距离比较近，因此信号强度好，稳定性也比较好，而AP2和AP3离采样点1距离比较远，信号强度较弱，RSSI值波动比较大，说明距离越远噪声越大。为了能更加好的体现各采样点的RSSI真实值，需要对采样的数据进行预处理，滤除噪声，获得RSSI真实值的过程，本发明采用卡尔曼滤波，对数据进行预处理，图3显示了滤波前和滤波后的数据对比情况。

在实验场地采集到的数据经过数据预处理后，采用二维表的存储这些数据，指纹数据的存放格式如下表1所示：

表1指纹数据的存放格式

计算与每个采样点最邻近的K个采样点的RSSI距离和RSSI差分，并进行模糊C聚类。聚类数目为4，分别表示“很近(VS)”“近(S)”“远(H)”“很远(VH)”，图4，图5分别是RSSI距离D和RSSI差分距离V聚类得到的隶属函数曲线。图4中RSSI距离D隶属度值分布曲线可以看出，RSSI距离比较小的模糊集合分布更加符合高斯隶属度函数，而RSSI距离较远的的模糊集合分布曲线有一定变形。而图5中，RSSI差分V的隶属度分布曲线中的四个模糊集合分布情况都符合高斯隶属度函数。可见增加RSSI差分V作为特征量更加符合RSSI信号的实际分布情况，有利于提高定位精度。

采用差分进化算法对参数后件优化，经过计算得出的模糊规则可用下表表示：

表2模糊规则

该表描述了整个T-S模糊推理系统的4x4＝16条模糊规则，即：

如果D很近，并且V很近，那么权重W＝1；

如果D很近，并且V近，那么权重W＝0.91；

如果D很远，并且V很近，那么权重W＝0.05；

…

从表中可以看出，通过优化得到的参数受D影响比较大，而受V影响比较小，说明，模糊规则输出权值主要受RSSI距离影响，其原因在于RSSI距离在实验场地变化比较大，也就是说D的区分度比较大，而RSSI差分在实验场地内变化比较小，主要的剧烈变化集中在接入点附近，其他地方区分度比较小，变化较为平缓，从而总体区分度比较小。但是，由于RSSI差分的存在，也会出现RSSI距离比较近，但是其权值反而比较小的情况，例如表中，当D属于很近，V属于很远的情况下，其输出值为0.67，而当D属于近，V属于很近的情况下，其输出值为0.83。这样，RSSI差分就有修正作用，比只使用RSSI距离精度有所提高。

建立了指纹数据库和模糊推理系统后，测量待定位点的RSSI值，计算待定位点与数据库中各参考点的RSSI距离与差分距离，并找出其中K个最近邻点，使用规则库中的模糊推理规则计算各点的权值，最后根据权值和参考点坐标计算待定位点坐标。图6显示的是本发明(模糊推理KNN)对10个测试点每个进行100次定位实验，定位误差的平均值曲线与最邻近、标准KNN、WKNN(加权KNN)的比较，从图上可以看出，除第4个测试点和第7个测试点误差比较大外，其他点的定位精度都有明显提高，这是因为4和7的位置位于所有采样点外侧，而其他测试点则位于采样点中央，所以在利用采样点坐标计算测试点坐标时，会往采样点一侧偏移，造成较大的误差。

Claims (1)

1.一种基于模糊KNN的WIFI室内定位方法，其特征在于，包括在线测量阶段和离线测量阶段；

所述离线测量阶段包括以下步骤：

1)预先选定场地中某些点为参考点，测量参考点的坐标，采集参考点离线数据并进行数据预处理，滤除噪声；

2)计算各参考点的RSSI平均值，并存入指纹数据库；

3)将RSSI距离分为“很近”，“近，“远，“很远”四个模糊子集，将指纹数据库中的数据作为样本，计算指纹数据库中每条数据所对应的点与其他点之间的RSSI距离D，以及RSSI差分距离V，进行模糊C聚类，以确定四个模糊子集的隶属函数；RSSI距离D(k)和RSSI差分距离V(k)分别按下式计算：

<mrow> <mi>D</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <mrow> <mfrac> <mn>1</mn> <mi>r</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>r</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>RSSI</mi> <mrow> <mi>k</mi> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>RSSI</mi> <mrow> <mi>T</mi> <mi>l</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>;</mo> </mrow>

V(k)＝||maxRSSI_ki-minRSSI_ki|-|maxRSSI_Ti-minRSSI_Ti||；其中k表示第k个最近邻点；RSSI_kl表示第k个最邻近点检测到的第l个AP，即接入点的RSSI值，RSSI_Tl表示待定位点检测到的第l个AP的RSSI值，k＝1,2,…K，r为AP的数量；

4)初始化Takagi-Sugeno推理后件种群，种群大小NP设置为500，缩放因子F设置成0.9；交叉控制参数CR的值设为0.9，种群中每个个体编码为(a₀,a₁,a₂)，其中(a₀,a₁,a₂)为Takagi-Sugeno推理后件的多项式系数向量；

5)利用目标函数J对上述初始化后的种群进行评价，J等于采样点的实际坐标与计算坐标的欧氏距离，J越小说明计算坐标越接近实际坐标，J的计算公式如下：

J＝(x-x_T)²+(y-y_T)²

其中，(x,y)是样本的实际坐标，(x_T,y_T)为该样本的计算坐标，按下式计算：

<mrow> <msub> <mi>x</mi> <mi>T</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>K</mi> </msubsup> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> </mrow> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>K</mi> </msubsup> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> </mrow> </mfrac> </mrow>

<mrow> <msub> <mi>y</mi> <mi>T</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>K</mi> </msubsup> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> <msub> <mi>y</mi> <mi>i</mi> </msub> </mrow> <mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>K</mi> </msubsup> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> </mrow> </mfrac> </mrow>

(x_i,y_i)为第i个与所述样本邻近的点的坐标，K为该样本的近邻点的个数；ω_i是第i条模糊规则输出的权值，按下式计算：

ω_i＝a₀+a₁D+a₂V；

其中i表示第i条规则，D表示样本的RSSI距离，V表示样本的RSSI差分距离；

6)采用DE/rand/1/bin变异和二项式交叉对每个个体进行进化操作，产生新的个体；

7)计算目标函数J的值，对个体进行评价，并采用高选择压的选择策略：一旦子代个体比父代个体好，就进入下一代种群，否则父代个体留在种群中保持不变，选择新的子代；

7)检验目标函数J是否发生变化，如果是，则输出最优多项式系数向量，否则返回步骤6)；

8)将最优多项式系数向量作为模糊推理规则的后件多项式系数，生成模糊规则存入规则库；

所述在线测量阶段包括以下步骤：

1)测量待定位点的RSSI值；

2)计算待定位点与指纹数据库中各参考点的RSSI距离和差分距离；

3)找出K个与待定位点的RSSI距离和差分距离最近的点，即K个最近邻点；

4)使用规则库中的模糊推理规则计算所述K个最近邻点各自的权值；

5)根据权值和参考点坐标计算待定位点坐标。