CN107367277A - 基于二次K‑Means聚类的室内位置指纹定位方法 - Google Patents

Abstract

本发明公开了一种基于二次K‑Means聚类的室内位置指纹定位方法，对位置指纹数据库进行一次k‑means聚类，确定聚类完成后最终的聚类中心；对位置指纹数据库进行二次k‑means聚类，确定聚类完成后最终的聚类中心；计算待定位点到一次k‑means聚类完成后最终的聚类中心的欧氏距离，计算两两欧式距离之间的差值的绝对值，若绝对值≤θ，则该待定位点基于二次k‑means聚类方法实现定位，否则基于一次k‑means聚类方法实现定位；本发明方法基于K‑Means聚类算法的二次聚类位置指纹匹配方法所得的结果，不受聚类算法边界参考点相似度高的影响，具有较高的准确性；方法简单，易于实现，具有良好的适用性。

Description

基于二次K-Means聚类的室内位置指纹定位方法

技术领域

本发明涉及一种室内位置指纹定位方法，具体是涉及一种基于二次K-Means聚类的室内位置指纹定位方法。

背景技术

如今人们绝大部分时间是在室内度过，人们对室内基于位置的服务要求越来越高，因此对室内定位的研究成为当下研究热点之一。利用指纹库中存储的信号值与当前扫描到的信号值进行匹配定位是目前室内定位算法的主要思路之一。在基于位置指纹的室内定位过程中，通常需要在离线阶段去建立一个数据量庞大的数据库，该数据库存储了用于实际定位的参考信息，相应的在线匹配阶段就需要和数据库中的参考信息逐一比较。庞大的数据量导致定位的复杂度高，因此聚类的思想开始被运用在基于位置指纹的室内定位技术中。

聚类思想是指将一组特征数据分为一个一个的类，每一个类中的数据具有较高的相似度，类与类之间的数据相似性则较低。目前较受欢迎的聚类算法是由Chen等人提出的k均值(k-means)算法。k-means算法最大的优点是训练速度快，易实现，且可以实现参考点聚类和定位子区域的自动划分。但其缺点也很明显，首先算法中的k是事先给定的，而这个k值的选定是非常难估计的，事先并不知道数据集合该划分为多少类才合适；其次，初始聚类中心的选择对类的划分有很大的影响，如果初值选择不合理，可能无法得到有效的聚类结果；最后，对于相邻两个类边缘的数据，在选取参考数据点时存在不合理性，聚类边缘数据相似度较高，这是由在线阶段的匹配过程决定的，在匹配阶段不能选取最优参考点。

公布号为CN105960021的中国专利申请，公开了一种改进的位置指纹室内定位方法，该方法包括离线阶段和在线阶段，离线阶段首先利用参考点和AP建立位置指纹数据库，然后通过k-means聚类算法将指纹数据库中数据分类，并获取待测点所述类簇；在线阶段利用贝叶斯概率法将待测点与所属类簇的指纹进行匹配，以计算待测点的位置坐标；该方法通过聚类算法和贝叶斯概率法进行结合，利用k-means聚类算法将指纹数据库中的数据分类，获取待测点所属类簇，大大减小了目标范围，再用贝叶斯概率法将待测点与此类簇的指纹进行匹配，使位置指纹定位方法得以实现；但是该专利方法通过k-means聚类算法将指纹数据库中的数据分类，聚类边缘数据相似度高，在匹配阶段不能选取最优参考点，通过概率公式计算得到待测点的位置，计算精确度低，算法复杂度较高。

发明内容

发明目的：为了克服现有技术中存在的聚类边缘相似度高，在匹配阶段不能选取最优参考点问题，本发明提供一种基于二次K-Means聚类的室内位置指纹定位方法，该方法解决了现有技术不能很好地处理聚类边缘数据的问题，为室内定位提供客观准确的优化定位精度。

技术方案：为实现上述目的，本发明的基于二次K-Means聚类的室内位置指纹定位方法，包括以下步骤：

S1对位置指纹数据库进行一次k-means聚类，确定一次k-means聚类完成后最终的聚类中心；

S2对位置指纹数据库进行二次k-means聚类，确定二次k-means聚类完成后最终的聚类中心；

S3计算待定位点到一次k-means聚类完成后最终的聚类中心的欧氏距离，计算两两欧式距离之间的差值的绝对值，若绝对值≤θ，则该待定位点基于二次k-means聚类方法实现定位，否则基于一次k-means聚类方法实现定位；

S4计算待定位点与一次k-means聚类得到的k个聚类或二次k-means聚类得到的k个聚类中各数据点的欧氏距离，得到各聚类中与待定位点距离最近的数据点，将该数据点作为参考点，计算得到k个参考点；

S5通过公式一计算待定位点的位置坐标(x,y)：

其中，(x_i,y_i)是指所述k个参考点中第i个参考点的位置坐标。

进一步地，所述一次k-means聚类方法包括以下步骤：

S11确定聚类中心个数k，在数据库中随机选择k个初始聚类中心，各初始聚类中心对应一个聚类；

S12逐一计算位置指纹数据库中各数据点与k个聚类中心的距离，将数据点划分到与该数据点距离最小的聚类中心对应的聚类中，直至将数据库中所有数据点划分完成；

S13计算各聚类的均值，将与均值最接近的数据点作为新的聚类中心；

S14重复步骤S12和S13，直至k个聚类中心保持不变，该k个聚类中心为最终的聚类中心。

进一步地，所述二次k-means聚类方法包括以下步骤：

S21对位置指纹数据库进行二次k-means聚类，针对一次k-means聚类方法得到的最终的聚类中心，计算两两聚类中心的中点；

S22从步骤S21计算得到的中点中随机选择k个初始聚类中心，各初始聚类中心对应一个聚类；

S23逐一计算位置指纹数据库中各数据点与k个聚类中心的距离，将数据点划分到与该数据点距离最小的聚类中心对应的聚类中，直至将位置指纹数据库中所有数据点划分完成；

S24计算各聚类的均值，将与均值最接近的数据点作为新的聚类中心；

S25重复步骤S23和S24，直至k个聚类中心保持不变，该k个聚类中心为最终的聚类中心。

有益效果：本发明与现有技术比较，具有的优点是：

1、基于K-Means聚类算法的二次聚类位置指纹匹配方法所得的结果，不受聚类算法边界参考点相似度高的影响，具有较高的准确性；

2、方法简单，易于实现，具有良好的适用性。

附图说明

图1是本发明方法流程图。

图2是一次聚类和二次聚类实验结果对比图。

图3是实验验证中第一个AP在各参考点处的信号强度值。

具体实施方式

下面结合附图对本发明作更进一步的说明。

实施例：

本实施例的一种基于二次K-Means聚类的室内位置指纹定位方法，参照图1，包括以下步骤：

对位置指纹数据库进行一次k-means聚类，确定一次k-means聚类完成后最终的聚类中心，主要包括以下步骤：

首先设位置指纹数据库：假设在定位区域内有n个AP，m个参考点，在各参考点处采集n个AP的信号强度值，将在第i个参考点处采集的n个AP的信号强度值记为以此建立位置指纹数据库：

其中，(x_i,y_i)表示第i个参考点的位置坐标，表示在第i个参考点处采集的第j个AP的信号强度值，(i＝1,2,...,m)，(j＝1,2,...,n)；

然后对该位置指纹数据库进行一次k-means聚类，一次k-means聚类主要包括以下步骤：S11确定聚类中心个数k，在位置指纹数据库(位置指纹数据库中共包括m个数据点)中随机选择k个初始聚类中心，各初始聚类中心对应一个聚类；S12逐一计算位置指纹数据库中各数据点与k个聚类中心的距离，将数据点划分到与该数据点距离最小的聚类中心对应的聚类中，直至将位置指纹数据库中所有数据点划分完成；S13计算各聚类的均值，将与均值最接近的数据点作为新的聚类中心；重复步骤S12和S13，直至k个聚类中心保持不变，该k个聚类中心为一次k-means聚类完成后最终的聚类中心；设最终的聚类中心个数为k(k＜m)，表示为(s₁,s₂,s₃.....s_k)，其中

设待定位点处采集的n个AP的信号强度值记为(RSSI₁,RSSI₂,RSSI₃......RSSI_n)，计算该待定位点到一次k-means聚类完成后最终的k个聚类中心(s₁,s₂,s₃.....s_k)的欧氏距离(D₁,D₂......D_k)，若存在|D_i-D_j|≤θ，θ为预先设定的阈值，则该待定位点基于二次k-means聚类方法实现定位，否则基于一次k-means聚类方法实现定位；其中D_k表示待定位点到第k个聚类中心的欧式距离；

对位置指纹数据库进行二次k-means聚类方法包括以下步骤：

S21对位置指纹数据库进行二次k-means聚类，确定二次k-means聚类完成后最终的聚类中心，设最终的聚类中心个数为k，表示为(s′₁,s′₂,...,s′_k)；

针对上述一次聚类得到的k个最终的聚类中心，计算两两聚类中心的中点，设第t个聚类中心为第p个聚类中心为(t＝1,2,...,k,p＝1,2,...,k,t≠p)，则这两个聚类中心的中点为由此计算得到一组中点；

S22在上述步骤计算得到的中点中随机选择k个初始聚类中心，各初始聚类中心对应一个聚类；

S23逐一计算位置指纹数据库中各数据点与k个聚类中心的距离，将数据点划分到与该数据点距离最小的聚类中心对应的聚类中，直至将位置指纹数据库中所有数据点划分完成；

S24计算各聚类的均值，将与均值最接近的数据点作为新的聚类中心；

S25重复步骤S23和S24，直至k个聚类中心保持不变，该k个聚类中心为最终的聚类中心；

设二次k-means聚类完成后最终的聚类中心个数为k(k＜m)，表示为(s′₁,s′₂,...,s′_k)；

通过一次k-means聚类方法或二次k-means聚类方法均得到k个聚类，计算待定位点与k个聚类中各数据点的欧氏距离，得到各聚类中与待定位点距离最近的数据点，将该数据点作为参考点，计算得到k个参考点；

通过公式一计算待定位点的坐标位置(x,y)：

为验证本发明提出的方法性能，本发明选择一间20*15的仓库作为实验区域，AP空间位置随机分布，环境内部部署了6个AP，信号接收软件为inSSIDer，数据处理及仿真软件为Matlab R2014b；本次实验环境中参考点之间的间隔为1m，一共采集了14*19个参考点，因定位区域规则，采样间隔1米，使得参考点处物理位置坐标以连续整数实现，即参考点位置坐标为：

在采集所有实验数据时，为了保证结果的准确性，均采用在同一水平面上且同一移动终端进行数据采集。

在位置指纹数据库中，14*19个参考点中在各参考点处采集的6个AP的信号强度值表示为i表示14*19个参考点中第i个参考点，则位置指纹数据库中，信号强度值使用14*19*6的三维数组表示，因数据量多大，此处无法用一一罗列，图3表示的是第一个AP在各参考点处的信号强度值，从这些数值中可以看出即使在相邻位置上信号强度值还是存在着很大的差异的。

按照本专利方法用二次聚类的方法来进行定位计算，计算误差，定位性能效果如表1所示，

表1

误差	平均值	最大值	最小值
				一次聚类	2.48m	6m	0.35m
二次聚类	2.25m	6.8m	0.75m

结合图2比较结果可以看出，基于二次K-means聚类的位置指纹室内定位算法比使用一次K-means聚类的定位方法在定位精度上有所提高，误差累计分布概率曲线的收敛速度快，最大误差比一次聚类结果小11.7％，平均误差减小了9.3％。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.基于二次K-Means聚类的室内位置指纹定位方法，其特征在于：该方法包括以下步骤：

S1对位置指纹数据库进行一次k-means聚类，确定一次k-means聚类完成后最终的聚类中心；

S2对位置指纹数据库进行二次k-means聚类，确定二次k-means聚类完成后最终的聚类中心；

S3计算待定位点到一次k-means聚类完成后最终的聚类中心的欧氏距离，计算两两欧式距离之间的差值的绝对值，若绝对值≤θ，则该待定位点基于二次k-means聚类方法实现定位，否则基于一次k-means聚类方法实现定位；

S4计算待定位点与一次k-means聚类得到的k个聚类或二次k-means聚类得到的k个聚类中各数据点的欧氏距离，得到各聚类中与待定位点距离最近的数据点，将该数据点作为参考点，计算得到k个参考点；

S5通过公式一计算待定位点的位置坐标(x,y)：

其中，(x_i,y_i)是指所述k个参考点中第i个参考点的位置坐标。

2.根据权利要求1所述的基于二次K-Means聚类的室内位置指纹定位方法，其特征在于：所述一次k-means聚类方法包括以下步骤：

S11确定聚类中心个数k，在位置指纹数据库中随机选择k个初始聚类中心，各初始聚类中心对应一个聚类；

S12逐一计算位置指纹数据库中各数据点与k个聚类中心的距离，将数据点划分到与该数据点距离最小的聚类中心对应的聚类中，直至将数据库中所有数据点划分完成；

S13计算各聚类的均值，将与均值最接近的数据点作为新的聚类中心；

S14重复步骤S12和S13，直至k个聚类中心保持不变，该k个聚类中心为最终的聚类中心。

3.根据权利要求1所述的基于二次K-Means聚类的室内位置指纹定位方法，其特征在于：所述二次k-means聚类方法包括以下步骤：

S21对位置指纹数据库进行二次k-means聚类，针对一次k-means聚类方法得到的最终的聚类中心，计算两两聚类中心的中点；

S22从步骤S21计算得到的中点中随机选择k个初始聚类中心，各初始聚类中心对应一个聚类；

S23逐一计算位置指纹数据库中各数据点与k个聚类中心的距离，将数据点划分到与该数据点距离最小的聚类中心对应的聚类中，直至将位置指纹数据库中所有数据点划分完成；

S24计算各聚类的均值，将与均值最接近的数据点作为新的聚类中心；

S25重复步骤S23和S24，直至k个聚类中心保持不变，该k个聚类中心为最终的聚类中心。