CN104968002A - 基于模糊聚类的室内定位ap选择方法 - Google Patents
基于模糊聚类的室内定位ap选择方法 Download PDFInfo
- Publication number
- CN104968002A CN104968002A CN201510267317.6A CN201510267317A CN104968002A CN 104968002 A CN104968002 A CN 104968002A CN 201510267317 A CN201510267317 A CN 201510267317A CN 104968002 A CN104968002 A CN 104968002A
- Authority
- CN
- China
- Prior art keywords
- classification
- different
- selection
- positioning
- fuzzy
- 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.)
- Granted
Links
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
基于模糊聚类的室内定位AP选择方法,属于室内指纹定位领域。现有应用AP选择算法实现的定位技术存在计算量大、定位精度低以及适用范围小的问题。一种基于模糊聚类的室内定位AP选择方法,所述AP选择方法通过以下步骤实现:以指纹图作为特征向量,应用K均值算法将AP组进行聚类操作,分成一系列不同的AP类别;将聚类操作得到的不同的AP类均视为模糊集,根据模糊数学方法构建AP关于不同的AP类别的隶属度值;基于指纹图与不同参考点之间的信号分辨力,计算每个AP类别的最优度值;最后构建线性规划模型。本发明方法较现有AP手动分簇和枚举法实现室内定位方法相比,不需手动进行分簇的过程,提高定位AP选择方法的适用范围,并能够将定位精度能提高20%左右。体现定位速度快,定位准确和定位精度高的优点。
Description
技术领域
本发明涉及一种基于模糊聚类的室内定位AP选择方法。
背景技术
在基于指纹图的室内定位技术中,定位精度与定位解算的复杂度之间是一对矛盾。一方面,增加AP的密度有助于提高定位精度;另一方面,AP数量过大往往会导致定位计算延时过长以及能耗增加。在试验系统中,往往会布置较高密度的AP,而由试验系统转向实际系统则需要减少AP数量,那么如何选择现有AP以获得最优的定位精度,是一个值得关注的问题,较差的AP选择策略可能导致较大的定位精度损失。而现在已有的AP选择算法主要依据于AP手动分簇和枚举法,定位会有0.8-1.5m的损失,普遍存在计算量大且定位效果差,及定位方法难以推广的问题。
发明内容
本发明的目的是为了解决现有应用AP选择算法实现的定位技术存在计算量大、定位精度低以及适用范围小的问题,而提出一种基于模糊聚类的室内定位AP选择方法。
一种基于模糊聚类的室内定位AP选择方法,所述AP选择方法通过以下步骤实现:
步骤一、以指纹图作为特征向量,应用K均值算法将AP组进行聚类操作,分成一系列不同的AP类别;
步骤二、将步骤一聚类操作得到的不同的AP类均视为模糊集,根据模糊数学方法构建AP关于不同的AP类别的隶属度值;
步骤三、基于指纹图与不同参考点之间的信号分辨力,计算每个AP类别的最优度值;
步骤四、利用步骤二获得的构建AP关于不同的AP类别的隶属度值以及步骤三计算的AP类别的最优度值构建线性规划模型,以选出最优的AP类别并作为最优AP组。
本发明的有益效果为:
本发明涉及的AP选择方案考虑分簇的思想,整个选择方案更加合理,将现有大量AP进行自适应模糊聚类,每一个新AP类内保证一定比例的AP数量,并由此构建优化模型选择最优的AP组,使得所选AP组为最优,定位精度损失最小,以保证全局定位精度的均衡,同时也可以缩小不同的定位区域之间的定位精度差距。
通过最优选择函数计算公式 计算每个AP类别的最优度值,并结合最优AP用于获得最终的线性优化模型: 较现有AP手动分簇和枚举法实现室内定位方法相比,不需手动进行分簇的过程,提高定位AP选择方法的适用范围,并能够将定位精度能提高20%左右。体现定位速度快,定位准确和定位精度高的优点。
附图说明
图1为本发明方法的流程图;
图2为本发明实施例1涉及的定位精度测试结果对照图,其中,横坐标表示误差范围的圆半径,纵坐标表示定位点落在该范围内的概率。
具体实施方式
具体实施方式一:
本实施方式的基于模糊聚类的室内定位AP选择方法,其中,AP表示无线Wi-Fi接入点的描述,如图1所示,所述AP选择方法通过以下步骤实现:
步骤一、以指纹图作为特征向量,应用K均值算法将AP组进行聚类操作,分成一系列不同的AP类别;
步骤二、将步骤一聚类操作得到的不同的AP类均视为模糊集,根据模糊数学方法构建AP关于不同的AP类别的隶属度值;
步骤三、基于指纹图与不同参考点之间的信号分辨力,计算每个AP类别的最优度值;
步骤四、利用步骤二获得的构建AP关于不同的AP类别的隶属度值以及步骤三计算的AP类别的最优度值构建线性规划模型,以选出最优的AP类别并作为最优AP组。
具体实施方式二:
与具体实施方式一不同的是,本实施方式的基于模糊聚类的室内定位AP选择方法,步骤一所述应用K均值算法将AP组进行聚类操作,分成一系列不同的AP类别的过程是,
步骤一一、设AP组中第m个AP在第i个参考点的接收信号强度RSSI值为Rm(xi,yi);然后将Rm(xi,yi)初始化为各个AP类别的聚类中心点;其中,1≤i≤N,1≤m≤M,xi和yi分别为第i个参考点的横坐标值和纵坐标值;
步骤一二、计算第m个AP到各个AP类别的聚类中心点的欧式距离,作为第m个AP与不同的AP类别之间的距离;
步骤一三、在AP组中选择步骤一二计算出的每个AP与不同的AP类别之间的距离中最小的,并将最小的距离对应的AP类作为最近类别,然后将每个AP归入对应的最近类别中,则AP组中形成一系列AP类别;
步骤一四、重新计算每个AP类别的接收信号强度RSSI值的均值,并作为每个AP类别的中心点;
步骤一五、判断步骤一四计算出的AP类别的中心点是否与步骤一一中聚类得到的各个AP类别的聚类中心点类中心点相同,若是,则中止并退出,若否,则已将AP组分成共K类AP类别,并执行步骤二,其中,第k类AP类别包含的AP数量为nk,1≤k≤K。
具体实施方式三:
与具体实施方式一或二不同的是,本实施方式的基于模糊聚类的室内定位AP选择方法,步骤二所述根据模糊数学方法构建AP关于不同的AP类别的隶属度值的过程是,
步骤二一、由于处于不同的AP类别交界处的AP虽然属于其中一个新AP类别,但同时与另一个AP类别的差别不大,故引入模糊数学的思想,将各个AP类别视为模糊集,设每个AP类别的中心点为ck,1≤k≤K,采用隶属度初值计算公式:lmk′=Rm·ck计算第m个AP与第k个AP类别的隶属度初值lmk′;其中·表示向量内积;
步骤二二、计算所有的第m个AP与第k个AP类别的隶属度初值lmk′后,利用归一化计算公式:对所得隶属度初值lmk′进行归一化处理,构建每个AP关于不同的AP类别的隶属度lmk。
具体实施方式四:
与具体实施方式三不同的是,本实施方式的基于模糊聚类的室内定位AP选择方法,步骤三所述基于指纹图与不同参考点之间的信号分辨力,计算每个AP类别的最优度值的过程是,通过最优选择函数计算公式: 计算每个AP的最优度值;其中,|Z|表示绝对值计算,Rm(xi,yi)为第m个AP在第i个参考点的RSSI值,g(Z)为Sigmoid函数,g(Z)的计算公式为: d表示参考点之间的距离。
具体实施方式五:
与具体实施方式一、二或四不同的是,本实施方式的基于模糊聚类的室内定位AP选择方法,步骤四所述构建线性规划模型的过程为,
步骤四一、为每个AP分配一个选择变量cm,1≤m≤M,当第m个AP被选择时,cm=1,否则,ci=0,以使∑mFmcm值最大,即最终所选择的AP组是最优的;
步骤四二、对于给定的需要优选出总数为P的AP均匀分配给各需定位区域,得出如下线性优化模型:max=∑mFmcm,
s.t.∑mcm=P,
1≤k≤K,1≤m≤M;其中,s.t.表示满足、使得的数学运算规则;lmk表示每个AP关于不同的AP类别的隶属度,cm表示为AP分配的选择变量,P表示需要优选出的AP的总数,ε表示弹性值,是各定位区域实际分配的隶属度值的总和,可以在理想的均值上下ε范围内浮动。
实施例1:
在现有室内定位实验系统下进行测试,测试指纹图取自27个AP在间隔0.5m的407个数据点上的结果。将27个AP优选9个进行测试,对照组是全体27个AP组,已经均匀间隔选择的AP组。
采用本发明方法进行的基于模糊聚类的室内定位AP选择方法,
步骤一、以指纹图作为特征向量,应用K均值算法将AP组进行聚类操作,设AP组中第m个AP在第i个参考点的接收信号强度RSSI值为Rm(xi,yi);然后将Rm(xi,yi)初始化为各个AP类别的聚类中心点;其中,1≤i≤N,1≤m≤M,xi和yi分别为第i个参考点的横坐标值和纵坐标值;计算第m个AP到各个AP类别的聚类中心点的欧式距离,作为第m个AP与不同的AP类别之间的距离;选择计算出的AP组中每个AP与不同的AP类别之间的距离中最小的,并将最小的距离对应的AP类作为最近类别,然后将每个AP归入对应的最近类别中,则AP组中形成一系列AP类别;重新计算每个AP类别的接收信号强度RSSI值的均值,并作为每个AP类别的中心点;判断计算出的AP类别的中心点是否与初始化得到的各个AP类别的聚类中心点相同,若是,则中止并退出,若否,则已将AP组分成共K类不同的AP类别,第k类AP类别包含的AP数量为nk,其中1≤k≤K,继续执行步骤二;
步骤二、由于处于不同的AP类别交界处的AP虽然属于其中一个新AP类别,但同时与另一个AP类别的差别不大,故引入模糊数学的思想,将各个AP类别视为模糊集,设每个AP类别的中心点为ck,1≤k≤K,采用隶属度初值计算公式:lmk′=Rm·ck计算第m个AP与第k个AP类别的隶属度初值lmk′;其中·表示向量内积;计算所有的第m个AP与第k个AP类别的隶属度初值lmk′后,利用归一化计算公式:对所得隶属度初值lmk′进行归一化处理,构建每个AP关于不同的AP类别的隶属度lmk
步骤三、基于指纹图与不同参考点之间的信号分辨力,通过最优选择函数计算公式: 计算每个AP的最优度值;其中,|Z|表示绝对值计算,Rm(xi,yi)为第m个AP在第i个参考点的RSSI值,g(Z)为Sigmoid函数,g(Z)的计算公式为:Z=|Rm(xj,yj)-Rm(xi,yi)|,d表示参考点之间的距离;
步骤四、为每个AP分配一个选择变量cm,1≤m≤M,被选择的第m个AP分配的选择变量cm=1,此时∑mFmcm值最大;对于给定的需要优选出总数为P的AP均匀分配给各需定位区域,构建如下线性优化模型:max=∑mFmcm,s.t.∑mcm=P,1≤k≤K,1≤m≤M,以选出最优的AP类别并作为最优AP组;其中,s.t.表示满足、使得的数学运算规则;ε表示弹性值,是各定位区域实际分配的隶属度值的总和,可以在理想的均值上下ε范围内浮动。
测试结果如图2所示,其中横坐标表示误差范围的圆半径,纵坐标表示定位点落在该范围内的概率。在同一误差半径下,概率越来高,则定位效果越好。如图2可知,最优AP组明显好于间隔均匀选择的AP组,且对于全体27个AP的定位精度损失较小。
Claims (5)
1.一种基于模糊聚类的室内定位AP选择方法,其特征在于:所述AP选择方法通过以下步骤实现:
步骤一、以指纹图作为特征向量,应用K均值算法将AP组进行聚类操作,分成一系列不同的AP类别;
步骤二、将步骤一聚类操作得到的不同的AP类均视为模糊集,根据模糊数学方法构建AP关于不同的AP类别的隶属度值;
步骤三、基于指纹图与不同参考点之间的信号分辨力,计算每个AP类别的最优度值;
步骤四、利用步骤二获得的构建AP关于不同的AP类别的隶属度值以及步骤三计算的AP类别的最优度值构建线性规划模型,以选出最优的AP类别并作为最优AP组。
2.根据权利要求1所述基于模糊聚类的室内定位AP选择方法,其特征在于:步骤一所述应用K均值算法将AP组进行聚类操作,分成一系列不同的AP类别的过程是,
步骤一一、设AP组中第m个AP在第i个参考点的接收信号强度RSSI值为Rm(xi,yi);然后将Rm(xi,yi)初始化为各个AP类别的聚类中心点;其中,1≤i≤N,1≤m≤M,xi和yi分别为第i个参考点的横坐标值和纵坐标值;
步骤一二、计算第m个AP到各个AP类别的聚类中心点的欧式距离,作为第m个AP与不同的AP类别之间的距离;
步骤一三、在AP组中选择步骤一二计算出的每个AP与不同的AP类别之间的距离中最小的,并将最小的距离对应的AP类作为最近类别,然后将每个AP归入对应的最近类别中,则AP组中形成一系列AP类别;
步骤一四、重新计算每个AP类别的接收信号强度RSSI值的均值,并作为每个AP类别的中心点;
步骤一五、判断步骤一四计算出的AP类别的中心点是否与步骤一一中聚类得到的各个AP类别的聚类中心点类中心点相同,若是,则中止并退出,若否,则已将AP组分成共K类AP类别,并执行步骤二,其中,第k类AP类别包含的AP数量为nk,1≤k≤K。
3.根据权利要求1或2所述基于模糊聚类的室内定位AP选择方法,其特征在于:步骤二所述根据模糊数学方法构建AP关于不同的AP类别的隶属度值的过程是,
步骤二一、将各个AP类别视为模糊集,设每个AP类别的中心点为ck,1≤k≤K,采用隶属度初值计算公式:lmk′=Rm·ck计算第m个AP与第k个AP类别的隶属度初值lmk′;其中·表示向量内积;
步骤二二、计算所有的第m个AP与第k个AP类别的隶属度初值lmk′后,利用归一化计算公式:对所得隶属度初值lmk′进行归一化处理,构建每个AP关于不同的AP类别的隶属度lmk。
4.根据权利要求3所述基于模糊聚类的室内定位AP选择方法,其特征在于:步骤三所述基于指纹图与不同参考点之间的信号分辨力,计算每个AP类别的最优度值的过程是,通过最优选择函数计算公式: 计算每个AP的最优度值;其中,Rm(xi,yi)为第m个AP在第i个参考点的RSSI值,g(Z)为Sigmoid函数,g(Z)的计算公式为:Z=|Rm(xj,yj)-Rm(xi,yi)|,d表示参考点之间的距离。
5.根据权利要求1、2或4所述基于模糊聚类的室内定位AP选择方法,其特征在于:步骤四所述构建线性规划模型的过程为,
步骤四一、为每个AP分配一个选择变量cm,1≤m≤M,当第m个AP被选择时,cm=1,否则,ci=0;
步骤四二、对于给定的需要优选出总数为P的AP均匀分配给各需定位区域,得出如下线性优化模型:max=∑mFmcm,
s.t.∑mcm=P,
1≤k≤K,1≤m≤M;其中,lmk表示每个AP关于不同的AP类别的隶属度,cm表示为AP分配的选择变量,P表示需要优选出的AP的总数,ε表示弹性值,是各定位区域实际分配的隶属度值的总和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510267317.6A CN104968002B (zh) | 2015-05-21 | 2015-05-21 | 基于模糊聚类的室内定位ap选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510267317.6A CN104968002B (zh) | 2015-05-21 | 2015-05-21 | 基于模糊聚类的室内定位ap选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104968002A true CN104968002A (zh) | 2015-10-07 |
CN104968002B CN104968002B (zh) | 2019-01-08 |
Family
ID=54221921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510267317.6A Expired - Fee Related CN104968002B (zh) | 2015-05-21 | 2015-05-21 | 基于模糊聚类的室内定位ap选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104968002B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106304331A (zh) * | 2016-08-19 | 2017-01-04 | 青岛海尔智能技术研发有限公司 | 一种WiFi指纹室内定位方法 |
CN107015194A (zh) * | 2016-01-28 | 2017-08-04 | 中国电力科学研究院 | 一种面向智能电表仓储管理的射频识别定位方法 |
CN111935818A (zh) * | 2020-07-09 | 2020-11-13 | 重庆邮电大学 | 一种基于最大信息系数的模糊聚类冗余接入点约简方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102821465A (zh) * | 2012-09-07 | 2012-12-12 | 哈尔滨工业大学 | 基于分区信息熵增益的wlan室内定位方法 |
CN103476118A (zh) * | 2013-09-29 | 2013-12-25 | 哈尔滨工业大学 | 一种用于实时监控的wlan室内位置指纹定位方法 |
CN104427610A (zh) * | 2013-08-28 | 2015-03-18 | 中国电信集团公司 | WiFi室内定位方法与服务器 |
CN104469792A (zh) * | 2014-12-29 | 2015-03-25 | 哈尔滨工业大学 | 指纹定位中基于多假设分析的ap部署优化方法 |
-
2015
- 2015-05-21 CN CN201510267317.6A patent/CN104968002B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102821465A (zh) * | 2012-09-07 | 2012-12-12 | 哈尔滨工业大学 | 基于分区信息熵增益的wlan室内定位方法 |
CN104427610A (zh) * | 2013-08-28 | 2015-03-18 | 中国电信集团公司 | WiFi室内定位方法与服务器 |
CN103476118A (zh) * | 2013-09-29 | 2013-12-25 | 哈尔滨工业大学 | 一种用于实时监控的wlan室内位置指纹定位方法 |
CN104469792A (zh) * | 2014-12-29 | 2015-03-25 | 哈尔滨工业大学 | 指纹定位中基于多假设分析的ap部署优化方法 |
Non-Patent Citations (2)
Title |
---|
HE YING等: "Rapid Deployment of APs in WLAN Indoor Positioning System", 《IEEE》 * |
都伊林: "一种模糊聚类KNN 位置指纹定位算法", 《微型机与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107015194A (zh) * | 2016-01-28 | 2017-08-04 | 中国电力科学研究院 | 一种面向智能电表仓储管理的射频识别定位方法 |
CN107015194B (zh) * | 2016-01-28 | 2020-10-13 | 中国电力科学研究院 | 一种面向智能电表仓储管理的射频识别定位方法 |
CN106304331A (zh) * | 2016-08-19 | 2017-01-04 | 青岛海尔智能技术研发有限公司 | 一种WiFi指纹室内定位方法 |
CN111935818A (zh) * | 2020-07-09 | 2020-11-13 | 重庆邮电大学 | 一种基于最大信息系数的模糊聚类冗余接入点约简方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104968002B (zh) | 2019-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101819782B (zh) | 一种变步长自适应盲源分离方法及盲源分离系统 | |
CN109978284B (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
CN111008504B (zh) | 一种基于气象模式识别的风电功率预测误差建模方法 | |
CN107367277B (zh) | 基于二次K-Means聚类的室内位置指纹定位方法 | |
CN106408008A (zh) | 一种基于负荷曲线距离和形状的负荷分类方法 | |
CN105635964A (zh) | 基于k中心点聚类的无线传感器网络节点定位方法 | |
CN101980298A (zh) | 基于多智能体遗传聚类算法的图像分割方法 | |
CN104968002A (zh) | 基于模糊聚类的室内定位ap选择方法 | |
CN103258001B (zh) | 一种基于局部线性嵌入算法的射频地图无监督分类方法 | |
CN109151727B (zh) | 基于改进的dbn的wlan指纹定位数据库构建方法 | |
CN112288164A (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN104504709A (zh) | 一种基于特征球的室外场景三维点云数据的分类方法 | |
CN104462850A (zh) | 基于模糊高斯混合模型的多阶段间歇过程软测量方法 | |
CN105654102A (zh) | 数据处理装置及数据处理方法 | |
CN105050192A (zh) | 密集网络中基于虚拟小区的干扰管理方法 | |
CN111294921A (zh) | 一种rssi无线传感器网络三维协作定位方法 | |
CN102088709A (zh) | 基于聚类和arima模型的话务量预测方法 | |
CN104463251A (zh) | 基于集成极端学习机的肿瘤基因表达谱数据识别方法 | |
CN110333480A (zh) | 一种基于聚类的单无人机多目标aoa定位方法 | |
CN112071122A (zh) | 一种用于信息采集的无人机群路径规划方法 | |
CN103020979A (zh) | 基于稀疏遗传聚类的图像分割方法 | |
CN106405683B (zh) | 基于g-l混合噪声特性核岭回归技术的风速预报方法及装置 | |
CN105956318B (zh) | 基于改进分裂h-k聚类方法的风电场机群划分方法 | |
Xu et al. | A hybrid approach using multistage collaborative calibration for wireless sensor network localization in 3D environments | |
CN112767429B (zh) | 一种地面-雪面点云快速分割方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190108 Termination date: 20200521 |
|
CF01 | Termination of patent right due to non-payment of annual fee |