CN107241700B - 基于csi空频特性和参考点位置聚类算法的室内定位方法 - Google Patents

Abstract

本发明属于无室内定位技术领域，公开了一种基于CSI空频特性和参考点位置聚类算法的室内定位方法，采用了物理层更加细粒度且鲁棒的CSI数据作为物理信息，使得系统对感知能力远高于RSS，可以有效的避免多径效应带来的影响；采用了CSI空频特性向量聚类和参考点位置多指标聚类技术，且将原来一个簇中地理位置离其它簇成员较远的成员独立的分为一个簇，避免了地理位置离的较远但CSI空频特性向量接近的参考点被聚为同一个簇的情况；采用了CSI空频特性聚类和参考点位置聚类的双聚类技术，且将本不应被拆开的簇再合并成一个簇，完成奇异点处理的同时能够保证原来簇的完整性，从而达到更好的聚类效果。

Description

基于CSI空频特性和参考点位置聚类算法的室内定位方法

技术领域

本发明属于室内定位技术领域，尤其涉及一种基于CSI空频特性和参考点位置聚类算法的室内定位方法。

背景技术

当前，随着无线网络的发展和无线局域网的广泛部署，基于Wi-Fi的室内定位技术受到广泛重视。在覆盖Wi-Fi网络的室内环境下，通过测量来自接入点APs的物理信息，利用数据指纹匹配原理进行定位。这种基于位置指纹的定位算法因其定位精度高、可充分利用现有设施、升级和维护对用户影响小等优点而得到广泛应用。为了提高定位精度和效率，需要对用来定位的物理信和置指纹数据进行预处理。但是现有的定位技术大都是利用MAC层多径信号叠加之后的RSS信号强度信息作为物理信息，普遍使用的预处理方法是对参考点RPs进行聚类运算，得到若干个聚类中心及其类成员。

在2009年的IEEE 802.11n标准中，CSI：是衡量信道情况的信道状态信息(ChannelState Information),属于PHY层，来自OFDM系统下解码的子载波。CSI是细粒度的物理信息，对环境更加敏感。相比于RSS表示多径的叠加效应，物理层的CSI数据信息具有更细粒度和丰富的信息，这些信息能够更全面的反映出环境中的多径效应，从而在时域和频域上感知更细微或更大范围内的环境信息，所以应用于动作识别，手势识别，位置识别，跟踪等领域，因而在室内定位方面有很好的潜力。与此同时，通过修改固件和修改源码能够提取与分析在目前广泛使用的802.lln标准的频段中的CSI数据信息。

现有的应用比较多的聚类方法包括两种，一是K-means聚类，另一种是仿射传播聚类。K-means算法首先随机选择K个对象初始的代表聚类中心，再对剩下的每个对象根据其与各个聚类中心的距离将它重新赋给最近的类，然后重新计算每个类的中心作为下一次迭代的聚类中心。不断重复这个过程，直到各聚类中心不再变化时终止。仿射传播聚类算法相比K-means算法，不需要初始化聚类中心，而是通过设定一个实数值将每一个参考点都当成一个潜在的聚类中心。接着，两个参考点之间相互传递近邻信息，参考点根据近邻信息选择哪一个参考点作为聚类中心，直到聚类中心以及相关的类产生。

综上所述，现有技术存在的问题是：一是物理信息多是使用RSS，RSS表示多径的叠加效应，无法显示信道特性，易受到多径效应干扰，并且易随时间波动不够稳定，考虑到室内丰富的多径干扰以及时间动态性，RSSI数值在复杂的室内环境中不能提供足够的辨识度与健壮性。二是目前多数据类采用单一指标的聚类方式，但由于受到接入点布局、建筑结构以及人的走动等外界因素的影响，会使指纹数据采集时受到干扰，在聚类时可能被归于不恰当的簇，直接导致到定位精度下降。

发明内容

针对上述问题，本发明的目的在于提供一种基于CSI空频特性和参考点位置聚类算法的室内定位方法。

实现本发明目的地技术方案是：一种基于CSI空频特性和参考点位置聚类算法的室内定位方法，通过采用接收CSI空频特性聚类和参考点位置聚类的多指标聚类技术，对参考点进行有效的聚类，形成一定数量聚类中心及其类成员，以此减少定位阶段计算量，提高定位精度。其实现方案如下：

1)数据采集阶段：

1a)选择一个布设有Wi-Fi接入点APs的区域；

1b)在此区域内选择N个参考点RPs，并测量这N个参考点固定位置接收的来自Ap点的CSI数据信息生成CSI空频特性指纹，存到数据库H中；

1c)按照CSI空频特性信息，采用仿射传播算法AP进行聚类；

1d)对1c)聚类得到的每个簇，再按照地理位置采用仿射传播算法AP进行聚类；

1e)判断再次聚类的簇数量：如果第二次聚类得到的簇数量是大于等于2的正整数，则求出这些簇的两两之间的距离，将距离小于4米的簇合并为一簇，将聚类结果记录到数据库中，否则，直接将聚类结果记录到数据库中，完成指纹数据库的构建；

2)定位阶段：

2a)在待定位点测得的CSI空频特性向量：

H_r＝[h_r,1 h_r,2 … h_r,L]， (1)

其中{h_r,l,r＝1,2,…,R；l＝1,2,…,L}，R代表的是选取的待定位点个数，粗略定位就是利用形似度比较来确定待定位点测得的CSI空频特性指纹属于哪一个簇。即对比待定位点的CSI空频特性向量和每一个簇的相似度，选择那些有最大相似度值的类作为候选类。

2b)粗定位：

相似度被定义为：

其中H_j为第j个簇的聚类中心的CSI空频特征指纹向量，E为所有簇的聚类中心的集合。

设置阈值：

其中α₁+α₂＝1；

将相似度s(r,j)大于阈值α的簇作为粗定位匹配的簇；

2c)精确定位：随机选取8个接入点APs，利用这8个接入点APs和粗定位匹配得到的簇成员的CSI空频特性向量，通过压缩感知算法求出待定位点的精确位置，完成待定位点的定位。

本发明与现有技术相比具有以下优点：

第一，由于本发明采用了物理层更加细粒度且鲁棒的CSI数据作为物理信息，使得系统对感知能力远高于RSS，可以有效的避免多径效应带来的影响；

第二，由于本发明采用了CSI空频特性向量聚类和参考点位置多指标聚类技术，且将原来一个簇中地理位置离其它簇成员较远的成员独立的分为一个簇，避免了地理位置离的较远但CSI空频特性向量接近的参考点被聚为同一个簇的情况；

第三，由于本发明采用了CSI空频特性聚类和参考点位置聚类的双聚类技术，且将本不应被拆开的簇再合并成一个簇，完成奇异点处理的同时能够保证原来簇的完整性，从而达到更好的聚类效果。

附图说明

图1是本发明的实现流程图；

图2是本发明中的实验区域示意图；

图3是本发明中在实验区域进行参考点第一次聚类的结果图；

图4是本发明中的第二次聚类结果图；

图5是本发明在第二次聚类中将一个簇正确拆分成两个簇的结果图；

图6是本发明在第二次聚类中在簇中找出奇异点的结果图；

图7是本发明在第二次聚类中将一个不该拆分的簇拆分的结果图；

图8是本发明在第二次聚类后将不该拆分的簇合并为一个簇的结果图；

图9是本发明与现有未改进的室内定位方法的定位误差概率分布曲线图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明通过采用接收CSI空频特性聚类和参考点位置聚类的多指标聚类技术，对参考点进行有效的聚类，形成一定数量聚类中心及其类成员，以此减少定位阶段计算量，提高定位精度。

参照图1，本发明的实施步骤分为数据采集阶段和定位阶段，在数据采集阶段建立指纹数据库，定位阶段用于完成目标定位，具体实现步骤如下：

步骤1，数据采集阶段建立指纹数据库。

选择一个布设有Wi-Fi接入点APs的区域，本实例区域为西安电子科技大学主楼II区部分区域，长约21米，宽约8米，如图2所示；

在图2区域内选择N＝37个参考点RPs，如图3所示在选定好的参考位置上分别采集左右两侧AP的CSI数据信息，这些已知位置被称为参考点(Reference Points，RP)。在第j个RP上采集的来自AP的CSI数据信息我们表示为：

其中，

是在参考点l上，第i根天线上第j个子载波的幅度信息的平均值，l＝1,2,…,L，L为参考点的总数，i＝1,2,3为接收天线的个数，j＝1,2,…,S，S为子载波的数量，τ＝1,...,q,q>1，q为数据包个数，即在参考点处进行连续时间采集信息并选取q个数据包作为样本信息。

为了便于数据库的建立，我们对CSI矩阵信息H_l进行降维处理，将CSI矩阵转换为1×N的指纹向量形式。具体来说就是在第l个参考点分别连接连个不同的AP采集和处理后会生成两个CSI空频特性指纹向量信息H_l，并且都为3×S矩阵，将两个矩阵本别转换为1×3S并进行拼接，最后的到该参考点的指纹向量信息就是1×6S向量。即：

H_l＝[h_l,1 h_l,2 … h_l,6*S] (4)

将所有参考点采集到的CSI数据信息都按照式(4)得到他们的CSI空频特性指纹信息，存到数据库中。这个数据库可以表示为H：

其中，L是参考点的总数，N是CSI矩阵信息进行降维处理后得到的式(4)的形式后的向量元素个数。H的每一行代表一个CSI空频特性指纹信息：

H_i＝[h_i,1 h_i,2 … h_i,N],i＝1,2,...,L (6)

每一个参考点的方差向量定义为：

Δ_i＝[Δ_i,1,Δ_i,2,...,Δ_L,N],i＝1,2,...,L (7)

其中

是第i个RP上得到的CSI空频特性信息第i个幅度值的无偏估计。这个方差可以检查子载波幅值信息的稳定性用来判断子载波幅度信息选择的合理性。最终指纹数据库就可以表示为(x_i,y_i；h_i,Δ_i),i＝1,2,...,L，(x_i,y_i)是第i个RP的实际位置。这样位置指纹库就建立完成。

1c)按照CSI空频特性对所有参考点RPs采用仿射传播算法AP进行第一次聚类：

所述仿射传播算法AP，参照文献Clusteringby Passing Messages Between DataPoints，Frey，Brendan J.1，Dueck，Detbert1，该算法是根据数据点之间的相似度进行聚类，不需要事先指定聚类得到的簇数量，相反，它将所有的数据点都作为潜在的聚类中心。聚类的簇数量受到参考度的影响，如果取输入数据的相似度的中位数作为参考度的值，则聚类得到簇数量是中等的，如果参考度取较小值，聚类得到的簇数量就较少。该算法通过迭代过程不断更新所有数据点的吸引度和归属度的数值，如果某个数据点的归属度和吸引度之和大于预设的某个数值，则这个数据点是聚类中心，否则不是聚类中心，迭代至聚类结果收敛或达到预设的最大迭代次数时，聚类完成。其具体步骤如下：

(1)利用所有参考点RPs的CSI空频特性向量计算参考度p，利用参考度p和参考点迭代求出聚类中心，每个聚类中心代表一个簇：利用所有参考点RPs的接收信号强度RSS向量计算参考度p，其计算公式为：

其中γ是一个由实验确定的实数，本实例取γ＝0.95，s(i,j)为第i个参考点和第j个参考点的CSI空频特性向量的相似度，N为参考点RPs的总数，本实例为37。

(2)吸引度r(i,j)，其含义是参考点i选择j作为聚类中心的可能性和程度，即参考点j对i的吸引大小。其表达式如下：

归属度a(i,j)，其含义是将参考点j作为i的聚类中心的是否适合，即参考点i对j的归属程度。其表达式如下：

(3)首次迭代时，归属度矩阵全部设为0，同时令s(j,j)＝p，即s(j,j)的初始值就是参数p的值，表示在预先设定参数p的情况下。创建吸引度矩阵r和归属度矩阵a，两个矩阵初始元素全部为零，

(4)更新计算吸引度矩阵r和归属度矩阵a的元素值，考虑到当同一个类的聚类中心同时可选取两个点或者多个合适的参考点时候，算法会出现聚类中心无法确定，导致算法振荡，永不收敛。因此，本文在仿射传播聚类算法中引入名为阻尼因子(damping factor)的参数γ，此时，r(i,j)和归属度a(i,j)由上一次的迭代结果和当前的结果加权结合。设当前迭代的次数是n，则加权迭代公式可以表示为：

其中阻尼因子的取值范围是γ＝[0.5,1)，其作用是避免仿射传播聚类算法会出现聚类中心无法确定，导致算法振荡，永不收敛。

(5)定义向量c，计算向量c的第i个元素的值：c(i)＝a(i,i)+r(i,i)，判断c(i)的大小：如果c(i)＞0，则第i个参考点为聚类中心，否则，第i个参考点不是聚类中心。

(6)判断聚类结果是否收敛：如果收敛，则直接将所有参考点划分到相应的簇中，完成仿射传播算法AP聚类，否则，更新计算吸引度矩阵r和归属度矩阵a的元素值，直至聚类结果收敛或达到预设的最大迭代次数，然后将所有参考点划分到相应的簇中，完成基于CSI空频特性的仿射传播算法AP聚类。

聚类结果如图3所示，图3中相同形状的点属于同一个簇，37个参考点被聚成了6个簇。可以看出，菱形代表的那个簇在地理位置上被分成了两个部分，星形代表的那个簇最下方的点是一个奇异点；

在进行聚类之前先求出初始参考度p_d，其公式表示为：

需要说明的是此处的参考度p_d是基于CSI空频特性聚类得到的每个簇的参考点RPs的CSI数据信息向量计算得到的。其中λ_d＝1.2由实验测试确定的实数，d(i,j)是i，j两参考点地理位置欧式距离的相反数，M为需要聚类的参考点RPs的数量。

得到参考度p_d后利用参考度p_d和参考点采集到的CSI空频特性向量迭代求出聚类中心，聚类算法步骤如下：

(1)令s(i,i)_d＝p_d，创建吸引度矩阵r_d和归属度矩阵a_d，两个矩阵初始元素全部为零；

(2)更新计算吸引度矩阵r_d和归属度矩阵a_d的元素值：

其中，r(i,j)_d和a(i,j)_d分别为吸引度矩阵r_d和归属度矩阵a_d的元素，s(i,j)_d为i和j两个参考点之间地理位置欧式距离的相反数；

(3)定义向量c_d，计算向量c_d的第i个元素的值：c_d(i)＝a(i,i)_d ^(o)+r(i,i)_d ^(o)，根据c_d(i)的大小判断聚类中心：若c_d(i)＞0，则第i个参考点为聚类中心，否则，不是聚类中心；

(4)收敛性判断：如果聚类结果收敛，此时可以将参考点进行归类分簇，否则，改变参考度p_d的值，变为原来的1.5倍，更新r_d和a_d的元素值，直至聚类结果收敛，然后对所有的参考点进行归类分簇；

参考点归类调整：两个簇之间的距离可以表示为两个簇中所有成员之间欧氏距离的平均值。判断二次聚类得到聚类中心数量W，如果是W≥2的正整数，则将两个聚类中心的距离于3米的两个簇合并为一簇，完成二次仿射传播算法的AP聚类，聚类结果如图4所示。

在第二次聚类过程中产生的部分结果如图5至图8所示，其中：

图5为第二次聚类过程中产生的两个簇，其距离为7.9615米，不进行合并；图6为第二次聚类得到的簇中的奇异点，即图6中三角形点，被成功找出，这个奇异点单独划为一个簇；

图7为第二次聚类过程中得到的两个簇，其距离为2.9566米，合并为一个簇，图8为图7中两个簇合并的结果图；

将聚类结果记录到数据库中，指纹数据库构建完成。

步骤2，定位阶段完成目标定位。

(1)在实验区域选取标号为r待定位点测得的CSI数据信息经过数据处理生成的CSI空频特性向量，如下式所示：

H_r＝[h_r,1 h_r,2 … h_r,L]

其中，{h_r,l,r＝1,2,…,R；l＝1,2,…,L}，R代表的是选取的待定位点个数，粗略定位就是利用形似度比较来确定待定位点测得的CSI空频特性属于哪一个簇。即对比待定位点的CSI空频特性向量和每一个簇的相似度，选择那些有最大相似度值的类作为候选类。

(2)相似度被定义为：

其中H_j为第j个簇的聚类中心的CSI空频特征指纹向量，E为所有簇的聚类中心的集合。

(3)通过第二步得到的最佳聚类中心一般会多于一个，聚类中心S以及它们各自对应的簇的成员集合C可以由下面的式子得到：

S＝{(s,j)＞α,j∈E,}

(4)设置阈值α，集合S中只包含指纹库中的一小部分的类，式子如下：

其中α₁+α₂＝1。本文中设α₁＝0.95，将相似度大于阈值α的簇作为粗定位匹配的簇。

经过上述粗略定位，我们将定位所使用的匹配范围大幅度缩小，并生成集合C，此时，可已经指纹数据库简化为

将在接下来的精确定位阶段用到。

2c)精确定位：随机选取8个接入点APs，利用这8个接入点APs和粗定位匹配得到的簇的簇成员的CSI空频特征指纹向量，通过压缩感知算法求出待定位点的精确位置，完成待定位点的定位。

本发明的效果可通过以下实验进一步详细说明。

用本发明与现有的Wi-Fi室内定位技术进行定位。

现有Wi-Fi室内定位技术为：

首先是利用MAC层多径信号叠加之后的RSS信号强度信息作为指纹信息，然后聚类过程只根据一个指标进行聚类，构建指纹数据库，而不充分利用有用信息进行聚类。

选取10个待定位点，每个点采用本发明和现有技术分别定位10次，记录待定位点实际位置和每次定位的结果，计算定位误差，定位误差为待定位点的实际位置和定位结果之间的欧氏距离。计算本发明和现有技术的平均定位误差，并统计其误差的概率分布，结果如图9所示。

从图9可以看出：除了最初1米，带圈实线远在带星花实线之上，说明在同样环境条件下，本发明的定位精度明显高于现有技术的定位精度。

从图9还可以看出：现有技术定位误差在3米以内的概率为0.5，而本发明定位误差在3米以内的概率为0.7；现有技术定位误差在4米以内的概率为0.66，而本发明定位误差在4米以内的概率为0.88；现有技术的最大定位误差约11米，而本发明的最大定位误差约为5米。

通过计算得知，现有技术的平均定位误差为3.2919米，本发明的平均定位误差为2.4225米。

综上，本发明的定位精度高于现有技术的定位精度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于CSI空频特性和参考点位置聚类算法的室内定位方法，其特征在于，所述基于CSI空频特性和参考点位置聚类算法的室内定位方法通过采用接收CSI空频特性聚类和参考点位置聚类的多指标聚类技术，对参考点进行有效的聚类，形成一定数量聚类中心及其类成员，减少定位阶段计算量，提高定位精度；

所述基于CSI空频特性和参考点位置聚类算法的室内定位方法包括：

1)数据采集阶段：

1a)选择一个布设有Wi-Fi接入点APs的区域；

1b)在此区域内选择N个参考点RPs，并测量这N个参考点固定位置接收的来自AP点的CSI数据信息生成CSI空频特性指纹，存到数据库H中；

1c)按照CSI空频特性信息，采用仿射传播算法AP进行聚类；

1d)对1c)聚类得到的每个簇，再按照地理位置采用仿射传播算法AP进行聚类；

1e)判断再次聚类的簇数量：如果第二次聚类得到的簇数量是大于等于2的正整数，则求出这些簇的两两之间的距离，将距离小于4米的簇合并为一簇，将聚类结果记录到数据库中，否则，直接将聚类结果记录到数据库中，完成指纹数据库的构建；

2)定位阶段：

2a)在待定位点测得的CSI空频特性向量：

H_r＝[h_r,1 h_r,2…h_r,L]；

其中{h_r,l,r＝1,2,…,R；l＝1,2,…,L}，R代表的是选取的待定位点个数；L为参考点的总数；

2b)粗定位：

相似度被定义为：

s(r,j)＝-||H_r-H_j||²,

其中H_j为第j个簇的聚类中心的CSI空频特征指纹向量，E为所有簇的聚类中心的集合；

设置阈值：

其中α₁+α₂＝1；将相似度s(r,j)大于阈值α的簇作为粗定位匹配的簇；

2c)精确定位：随机选取8个接入点APs，利用这8个接入点APs和粗定位匹配得到的簇成员的CSI空频特性向量，通过压缩感知算法求出待定位点的精确位置，完成待定位点的定位。

2.如权利要求1所述的基于CSI空频特性和参考点位置聚类算法的室内定位方法，其特征在于，所述粗略定位就是利用相似度比较来确定待定位点测得的CSI空频特性指纹属于哪一个簇，对比待定位点的CSI空频特性向量和每一个簇的相似度，选择那些有最大相似度值的类作为候选类。

Images