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 PDF

Info

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
Application number
CN201510267317.6A
Other languages
English (en)
Other versions
CN104968002B (zh
Inventor
孟维晓
任博雅
韩帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201510267317.6A priority Critical patent/CN104968002B/zh
Publication of CN104968002A publication Critical patent/CN104968002A/zh
Application granted granted Critical
Publication of CN104968002B publication Critical patent/CN104968002B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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

基于模糊聚类的室内定位AP选择方法
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 F k = Σ | | ( x j ′ , y j ′ ) - ( x i ′ , y i ′ ) | | = 0.5 g ( | R k ( x j ′ , y j ′ ) - R k ( x i ′ , y i ′ ) | ) 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： F m = Σ | | ( x j , y j ) - ( x i , y i ) | | = 0.5 g ( | R m ( x j , y j ) - R m ( x i , y i ) | ) 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 = | R m ( x j , y j ) - R m ( x i , y i ) | , 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： F m = Σ | | ( x j , y j ) - ( x i , y i ) | | = 0.5 g ( | R m ( x j , y j ) - R m ( x i , y i ) | ) 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： F m = Σ | | ( x j , y j ) - ( x i , y i ) | | = 0.5 g ( | R m ( x j , y j ) - R m ( x i , y i ) | ) 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。
CN201510267317.6A 2015-05-21 2015-05-21 基于模糊聚类的室内定位ap选择方法 Expired - Fee Related CN104968002B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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