CN106102161B - 基于聚类算法分析数据优化的室内定位方法 - Google Patents

Abstract

一种基于聚类算法分析数据优化的室内定位方法，用于未知节点在室内复杂环境中进行精确定位。包括RSSI信号处理优化策略，即使用聚类分析的高斯混合滤波模型优化RSSI值，消除RSSI值因多径效应、障碍物等因素存在的分散交叉、严重抖动的问题，获得更加可靠合理的RSSI值；采用拟合的RSSI测距模型，即根据RSSI‑距离转化曲线，采用最小二乘法的方法进行曲线的拟合，从而得到适宜当前环境的对数路径损耗模型；之后使用加权质心定位算法，估算出未知节点的位置信息。本发明通过优化的RSSI测距算法，提高了定位测距的精确度，从而提高了定位算法的适应性和定位精度，适合在环境复杂的室内环境中应用推广。

Description

基于聚类算法分析数据优化的室内定位方法

技术领域

本发明涉及一种室内定位方法。特别是涉及一种在复杂室内环境下优化RSSI测量值并改善对数路径损耗模型定位的基于聚类算法分析数据优化的室内定位方法。

背景技术

随着IEEE802.11技术的成熟以及移动设备及无线局域网在世界各地的普及，移动用户的自身定位已经成为一个研究热点。GPS作为全球最广泛使用的室外定位技术，在许多领域得到了应用，然而，其信号却极易受障碍物的干扰和阻断，在密集的城市地带、隧道、室内等环境中，定位误差比较大，精度难以满足实际要求。因此，应用于室内和城市密集地带的基于移动终端的定位技术有着迫切的需求和广泛的应用前景。

目前主流的室内定位技术可以分为两大类：基于非测距和测距的定位算法。基于非测距的定位算法只是停留在理论研究阶段，且大都是在仿真环境下进行的，在实际应用中往往不能满足，因此在实际应用中通常采用测距算法。基于测距的算法常采用的测距技术包括RSSI(received signal strength indicator)、AOA(angle of arrival)、TOA(timeof arrival)和TDOA(time difference on arrival)等。

基于RSSI技术的定位方法由于具有低实现复杂度、较少的硬件资源消耗等优势，具在典型定位系统中的得到了广泛的应用，比如cricket系统。虽然具有较低的实现复杂度，但是受限于信号的多径效应、非视距(None Line of Sight，NLOS)、坐标计算精确度不高等问题，往往对定位精度产生很大影响，偏离了真实值的距离信息导致定位精度的降低。

基于RSSI测距方面产生的误差主要集中在两个方面：第一，由于无线信号传播过程中多径衰减、障碍物等噪声的干扰，信号强度值(RSSI)往往会出现较大的波动。第二，RSSI-距离对数转化模型因受环境因素以及多径衰减等噪声影响较大，对数曲线模型所获得的距离信息与真实距离存在着很大的误差，导致定位精度无法满足室内定位的需求。

如由于多径衰减、障碍物等噪声的干扰，信号强度值往往会出现较大的波动，使得RSSI值转换出的距离值误差较大，以及RSSI-距离转化模型受环境影响较大等因素导致基于RSSI测距方法得到的未知节点到信标节点的距离远远偏差于实际距离。

发明内容

本发明所要解决的技术问题是，提供一种通过克服多径效应等环境噪声的影响，提高在室内环境中定位算法精确度的基于聚类算法分析数据优化的室内定位方法。

本发明所采用的技术方案是：一种基于聚类算法分析数据优化的室内定位方法，包括如下步骤：

1)信标节点周期性的广播自身信息，所述信息包括：信标节点ID、Power值、RSSI值以及信标节点位置信息；

2)未知节点收到信息后，对同一信标节点获取到的RSSI值，使用基于聚类分析的高斯混合滤波优化方法对获取到的RSSI值进行优化，即通过聚类分析将获取到的采样RSSI值进行不同方式的聚类分簇，即分别采用1个以上高斯概率密度函数精确地拟合RSSI值，分别得到采样RSSI值1种以上的分簇方式，依据赤池信息量准则AIC最小信息准则，选择最符合RSSI采样值分簇方式的高斯混合滤波模型对获取到的RSSI值进行优化筛选，再进行均值处理得到精确的RSSI值；

依次求出其他信标节点到未知节点的精确的RSSI值，将信标节点的ID和Power值以及处理后的RSSI值存入到自身维持的集合R中；

3)未知节点将集合R中的信标节点RSSI值通过对数路径损耗模型转化为距离信息，并按照冒泡排序法将距离信息从小到大进行排序，选取前3个距离最小的值，建立信标节点信息集合D，包括信标节点的ID、信标节点位置信息以及信标节点与未知节点的距离信息；

4)通过加权质心定位算法，得到未知节点的估计位置。

步骤1)中所述的Power值是与基站距离1m时的接收功率值。

步骤2)中所述的使用基于聚类分析的高斯混合滤波优化方法对获取到的采样RSSI值进行优化，是对同一信标节点在同一距离处采样RSSI值，利用聚类算法中的最大期望算法对采样数据进行不同方式的聚类分簇，即分别使用1个以上高斯混合滤波模型依次分析采样RSSI值，将采样RSSI值依次采用1个以上高斯概率密度函数进行RSSI值拟合，得到采样RSSI值不同分簇方式。

所述的聚类算法中的最大期望算法，包括使用最大期望算法中的ExpectationStep对每个RSSI采样值计算后验概率，使用最大期望算法中的Maximization Step，对每个RSSI采样值计算对应的概率密度函数，并根据后验概率和对应的概率密度函数对获取到的RSSI采样值进行重新估计聚类分布，不断重复迭代两种算法，直至Expectation Step和Maximization Step中的参数收敛。

步骤2)中所述的赤池信息量准则AIC最小信息准则如下：

AIC＝2k-2ln(L) (1)

其中：k是参数的数量，L是似然函数。

步骤3)中所述的对数路径损耗模型如下：

其中，d₀为参考距离(一般为1m)；RSSI₀是距离为d₀时接收到的信号强度；d是实际距离；RSSI为距离为d时接收到的信号强度；n为与环境密切相关的无线信号衰减因子；ε为一个均值为零的高斯随机变量。

步骤4)中所述的加权质心定位算法是，已知三个信标节点分别为：O₁(x₁,y₁)、O₂(x₂,y₂)、O₃(x₃,y₃)，D点为未知节点，D点到三个信标节点的测距距离为r₁、r₂、r₃，根据未知节点到信标节点的距离与坐标的数学模型：

两两圆求交点，得到交点A(x_A,y_A)、B(x_B,y_B)、C(x_C,y_C)，未知节点就在交点ABC构成的三角形区域内，在每次定位算法中引入一个权值ω，所述权值ω与距离相关设定为距离因子，利用距离因子ω来体现信标节点对未知节点位置的影响程度，即信标节点与未知节点越远，位置估计时所占比重越小，而每个信标节点由两个距离确定，故权值选择为由此得到未知节点坐标为：

本发明的基于聚类算法分析数据优化的室内定位方法，避免了无线信号在室内环境传输过程中因多径、散射和非视距的影响，获得分散交叉、波动较大的接收信号强度从而导致定位误差较大的情况，并且优化了RSSI-距离路径传播模型，采用分段拟合求取传播模型环境因子和路径因子的方式，提高定位信号的测距准确率，从而提高在室内环境中定位算法的精度，降低定位误差。

附图说明

图1a是采样RSSI值一种分簇情况；

图1b是采样RSSI值两种分簇情况；

图1c是采样RSSI值三种分簇情况；

图2是采样RSSI值聚类分簇图；

图3是本发明基于聚类算法分析数据优化的室内定位方法流程图。

具体实施方式

下面结合实施例和附图对本发明的基于聚类算法分析数据优化的室内定位方法做出详细说明。

首先介绍针对信号强度的信号处理所采用的优化策略，即使用聚类分析的高斯混合滤波模型进行RSSI信号处理优化；之后介绍分段拟合的信号强度(RSSI)的测距模型，它是一种分段处理信号强度与距离信息相互转化的优化模型；最后根据三边定位算法，利用图形的质心作为未知节点的位置信息。

RSSI信号处理优化策略

利用RSSI测距时，由于室内环境中无线信号易受多径、散射和金属体干扰影响，从而使得接收端获取到来自不同路径的信号强度信息，导致RSSI值分散在不同区域、波动较大，RSSI采样值如图1所示，这些异常值会干扰定位精度，发明了基于聚类分析的高斯混合滤波模型的RSSI信号处理优化策略，滤除因多径效应、散射产生的噪声，排除多路径因素给实验结果带来的误差，提高了测距精度，增强了定位信息的准确性。

聚类分析是一种探索性分析过程，能够从样本数据出发，自动进行分类，获得数据的分布状况，观察每一簇数据的特征，集中对特定的聚簇集合作进一步地分析。由于RSSI采样值在收集时随着时间轴杂乱的分布在整个坐标系，无法事先预估其规律，无法定义进行分类，所以我们选择使用聚类算法分析整体数据。如图2，RSSI采样值散落的一个欧几里德二维空间，从数据点的大致形状可以看出它们大致聚为三个簇，其中两个紧凑一些，剩下那个松散一些。通过聚类算法分析，我们为这些数据分簇，以便能区分出属于不同的簇的数据，让簇内的数据彼此相似，而与其它簇中数据相异。

本发明的基于聚类算法分析数据优化的室内定位方法，如图3所示，包括如下步骤：

1)信标节点周期性的广播自身信息，所述信息包括：信标节点ID、Power值、RSSI值以及信标节点位置信息；中所述的Power值是与基站距离1m时的接收功率值，RSS(ReceivedSignal Strength Indicator)是接收信号的强度指示。

2)未知节点收到信息后，对同一信标节点获取到的RSSI采样值，使用基于聚类分析的高斯混合滤波优化方法对获取到的RSSI采样值进行优化，即通过聚类分析将获取到的RSSI采样

值进行不同方式的聚类分簇，即分别采用1个以上高斯概率密度函数精确地拟合RSSI采样值，分别得到采样RSSI值1种以上的分簇方式，依据赤池信息量准则AIC最小信息准则，选择最符合RSSI采样值分簇方式的高斯混合滤波模型对获取到的RSSI采样值进行优化筛选，再进行均值处理得到精确的RSSI值；

依次求出其他信标节点到未知节点的精确的RSSI值，将信标节点的ID和Power值以及处理后的RSSI值存入到自身维持的集合R中；

所述的使用基于聚类分析的高斯混合滤波优化方法对获取到的RSSI采样值进行优化，是对同一信标节点在同一距离处采样RSSI值，利用聚类算法中的最大期望算法(Expectation Maximization Algorithm)对采样数据进行不同方式聚类分簇，即分别使用1个以上高斯混合滤波模型(Gaussian Mixture Model,GMM)分析采样数据，将采样RSSI值依次采用1个以上高斯概率密度函数分别进行RSSI采样值拟合。所述的聚类算法中的最大期望算法，包括使用最大期望算法中的Expectation Step(简称E-Step)对每个RSSI采样值计算后验概率，使用最大期望算法中的Maximization Step(简称M-Step)，对每个RSSI采样值计算对应的概率密度函数，并根据后验概率和对应的概率密度函数对获取到的RSSI采样值进行重新估计聚类分布，不断重复迭代两种算法，直至Expectation Step和Maximization Step中的参数收敛。具体是：

高斯混合滤波模型(Gaussian Mixture Model,GMM)，用多个高斯概率密度函数精确地拟合采样数据，将采样数据分解为若干高斯概率密度函数的模型，如公式(5)所示。

其中

K需确定，π_k是权值因子。其中的任意一个高斯分布

叫作这个模型的一个component。每个component就是一个类。

本发明中主要使用3个混合高斯滤波模型进行数据处理，即包含一个component、两个component和三个component三种情况。在实际实验中分布为三个component以上的情况也有发生，但属于极小概率事件，而且用分布为三个component的模型去处理也可达到预计效果，所以我们不给予专门的优化方案。

使用一个component的单高斯滤波模型：选取经验值范围RSSI∈[0.15σ+μ,μ+3.09σ]的数据值进行优化。高斯模型的分布密度函数：

其中：

对于使用多个component的高斯混合滤波模型，依据聚类算法中的最大期望算法(Expectation Maximization Algorithm)对获取到的RSSI数据进行聚类分簇，即使用EM算法中的Expectation Step(简称E-Step)和Maximization Step(简称M-Step)，对每个RSSI采样值计算后验概率和相对应的概率密度函数，并根据后验概率对数据进行重新估计聚类分布，不断重复迭代两种算法，使得聚类数据的似然性最大。

E-Step算法的作用是计算数据的后验概率，即分别求出每个RSSI_i属于每个component的后验概率。

使用二个component的E-step聚类算法如下：

RSSI_i属于Component₁的概率：

和属于Component₂的概率：

如果γ₁(RSSI_i)＞γ₂(RSSI_i)，则RSSI_i再次遍历迭代时将会被分配在Component₁中；如果γ₁(RSSI_i)＜γ₂(RSSI_i)，则RSSI_i再次遍历迭代时将会被分配在Component₂中。

M-Step算法的作用是重新估计分布参数，以使得数据的似然性最大。其主要用来计算不同component相对应的均值μ、方差σ²以及概率密度函数f(RSSI_i；μ,σ²)。

对RSSI采样值不断遍历，重复使用E-Step和M-Step算法，迭代直至参数 以及π₁收敛。

使用三个component的高斯混合滤波模型：

使用三个component的高斯混合滤波模型与二个component的滤波模型的聚类原理相同，即使用EM算法中的E-Step和M-Step，对每个RSSI采样值计算其后验概率和相对应的概率密度函数，重复遍历数据，迭代两种算法，将采样值进行聚类分簇。

使用三个component的E-step聚类算法如下：

RSSI_i属于Component₁的概率：

属于Component₂的概率：

属于Component₃的概率：

RSSI_i属于哪个component的概率最高，再次遍历时将会被分配在这个component中。

使用M-Step，分别计算不同component相对应的均值μ、方差σ²以及概率密度函数f(RSSI_i；μ，σ²)。对RSSI采样值不断遍历，重复使用E-Step和M-Step算法，如此迭代直至参数

以及π₁、π₂收敛。

所述的赤池信息量准则AIC最小信息准则如下：

AIC＝2k-2ln(L) (1)

其中：k是参数的数量，L是似然函数。具体是：

对采集到的RSSI采样值利用聚类算法，分别使用一个component、二个component和三个component的高斯混合滤波模型进行处理后，利用赤池信息量准则AIC进行滤波模型的选取。

一个component的高斯分布中有

两个参数，则k＝2，

两个component的高斯混合分布中有以及π₁这5个参数，则k＝5，

三个component的高斯混合分布中有

以及π₁、π₂这8个参数，则k＝8，

分别计算这三种分簇方式的AIC值，取AIC值最小的那个分布，作为RSSI采样值筛选优化机制的滤波分布，并求该component的均值，作为优化校正的RSSI值带入无线信号对数衰减模型中进行RSSI-距离转换。

3)未知节点将集合R中的信标节点RSSI值通过对数路径损耗模型转化为距离信息，并按照冒泡排序法将距离信息从小到大进行排序，选取前3个距离最小的值，建立信标节点信息集合D，包括信标节点的ID、信标节点位置信息以及信标节点与未知节点的距离信息；

所述的对数路径损耗模型如下：

其中，d₀为参考距离(一般为1m)；RSSI₀是距离为d₀时接收到的信号强度；d是实际距离；RSSI为距离为d时接收到的信号强度；n为与环境密切相关的无线信号衰减因子；ε为一个均值为零的高斯随机变量。

4)通过加权质心定位算法，得到未知节点的估计位置。

所述的加权质心定位算法是，已知三个信标节点分别为：O₁(x₁,y₁)、O₂(x₂,y₂)、O₃(x₃,y₃)，D点为未知节点，D点到三个信标节点的测距距离为r₁、r₂、r₃，根据未知节点到信标节点的距离与坐标的数学模型：

两两圆求交点，得到交点A(x_A,y_A)、B(x_B,y_B)、C(x_C,y_C)，未知节点就在交点ABC构成的三角形区域内，在每次定位算法中引入一个权值ω来防止信息淹没现象(即信标节点的相关信息对质心坐标估算的影响因素)，所述权值ω与距离相关设定为距离因子，利用距离因子ω来体现信标节点对未知节点位置的影响程度，即信标节点与未知节点越远，位置估计时所占比重越小，而每个信标节点由两个距离确定，故权值选择为故权值选择为

(以圆O₁为例，r₂、r₃为圆O₂、O₃半径)，由此得到未知节点坐标为：

Claims (4)

1.一种基于聚类算法分析数据优化的室内定位方法，其特征在于，包括如下步骤：

1)信标节点周期性的广播自身信息，所述信息包括：信标节点ID、Power值、RSSI值以及信标节点位置信息；

2)未知节点收到信息后，对同一信标节点获取到的RSSI值，使用基于聚类分析的高斯混合滤波优化方法对获取到的RSSI值进行优化，即通过聚类分析将获取到的采样RSSI值进行不同方式的聚类分簇，即分别采用1个以上高斯概率密度函数精确地拟合RSSI值，分别得到采样RSSI值1种以上的分簇方式，依据赤池信息量准则AIC最小信息准则，选择最符合RSSI采样值分簇方式的高斯混合滤波模型对获取到的RSSI值进行优化筛选，再进行均值处理得到精确的RSSI值；

依次求出其他信标节点到未知节点的精确的RSSI值，将信标节点的ID和Power值以及处理后的RSSI值存入到自身维持的集合R中；

所述的使用基于聚类分析的高斯混合滤波优化方法对获取到的采样RSSI值进行优化，是对同一信标节点在同一距离处采样RSSI值，利用聚类算法中的最大期望算法对采样数据进行不同方式的聚类分簇，即分别使用1个以上高斯混合滤波模型依次分析采样RSSI值，将采样RSSI值依次采用1个以上高斯概率密度函数进行RSSI值拟合，得到采样RSSI值不同分簇方式；所述的聚类算法中的最大期望算法，包括使用最大期望算法中的ExpectationStep对每个RSSI采样值计算后验概率，使用最大期望算法中的Maximization Step，对每个RSSI采样值计算对应的概率密度函数，并根据后验概率和对应的概率密度函数对获取到的RSSI采样值进行重新估计聚类分布，不断重复迭代两种算法，直至Expectation Step和Maximization Step中的参数收敛；

3)未知节点将集合R中的信标节点RSSI值通过对数路径损耗模型转化为距离信息，并按照冒泡排序法将距离信息从小到大进行排序，选取前3个距离最小的值，建立信标节点信息集合D，包括信标节点的ID、信标节点位置信息以及信标节点与未知节点的距离信息；

4)通过加权质心定位算法，得到未知节点的估计位置，所述的加权质心定位算法是，已知三个信标节点分别为：O₁(x₁,y₁)、O₂(x₂,y₂)、O₃(x₃,y₃)，D点为未知节点，D点到三个信标节点的测距距离为r₁、r₂、r₃，根据未知节点到信标节点的距离与坐标的数学模型：

两两圆求交点，得到交点A(x_A,y_A)、B(x_B,y_B)、C(x_C,y_C)，未知节点就在交点ABC构成的三角形区域内，在每次定位算法中引入一个权值ω，所述权值ω与距离相关设定为距离因子，利用距离因子ω来体现信标节点对未知节点位置的影响程度，即信标节点与未知节点越远，位置估计时所占比重越小，而每个信标节点由两个距离确定，故权值选择为

由此得到未知节点坐标为：

2.根据权利要求1所述的基于聚类算法分析数据优化的室内定位方法，其特征在于，步骤1)中所述的Power值是与基站距离1m时的接收功率值。

3.根据权利要求1所述的基于聚类算法分析数据优化的室内定位方法，其特征在于，步骤2)中所述的赤池信息量准则AIC最小信息准则如下：

AIC＝2k-2ln(L) (1)

其中：k是参数的数量，L是似然函数。

4.根据权利要求1所述的基于聚类算法分析数据优化的室内定位方法，其特征在于，步骤3)中所述的对数路径损耗模型如下：

其中，d₀为参考距离(一般为1m)；RSSI₀是距离为d₀时接收到的信号强度；d是实际距离；RSSI为距离为d时接收到的信号强度；n为与环境密切相关的无线信号衰减因子；ε为一个均值为零的高斯随机变量。

Images