CN107655478A - 基于svm‑knn的室内定位方法 - Google Patents

基于svm‑knn的室内定位方法 Download PDF

Info

Publication number
CN107655478A
CN107655478A CN201710741460.3A CN201710741460A CN107655478A CN 107655478 A CN107655478 A CN 107655478A CN 201710741460 A CN201710741460 A CN 201710741460A CN 107655478 A CN107655478 A CN 107655478A
Authority
CN
China
Prior art keywords
positioning
mobile terminal
square
svm
knn
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.)
Pending
Application number
CN201710741460.3A
Other languages
English (en)
Inventor
刘海亮
苏航
李召国
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.)
Shenzhen Research Institute of Sun Yat Sen University
Original Assignee
Shenzhen Research Institute of Sun Yat Sen University
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 Shenzhen Research Institute of Sun Yat Sen University filed Critical Shenzhen Research Institute of Sun Yat Sen University
Priority to CN201710741460.3A priority Critical patent/CN107655478A/zh
Publication of CN107655478A publication Critical patent/CN107655478A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于物联网技术领域，具体为基于SVM‑KNN的室内定位方法，室内需要定位的区域进行划分，分成多个方形小区并设置标识信息，在每个方形小区内安排适当的定位移动终端；获取并记录各个定位移动终端的所在的区域信息和电平信号强度；根据定位移动终端所在的区域信息将该定位移动终端初步定位到对应的方形小区中；利用SVM定位模型，将定位移动终端定位在对应的方形小区中的方形栅格中；通过KNN算法定位模型，计算出定位移动终端在方形栅格中的位置坐标。本发明采用的是基于支持向量机与K近邻算法相结合的定位方式，通过结合支持向量机与K近邻算法各自的优点，获得了比传统方法较高的定位精度，还提高了定位结果的稳定性。

Description

基于SVM-KNN的室内定位方法
技术领域
本发明属于物联网技术领域，具体为基于SVM-KNN的室内定位方法。
背景技术
由于建筑物内环境的复杂性，常规的室外定位技术无法直接用在室内定位，比如受到室内无线信号传播中产生的多径效应、阴影效应等影响。
支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。在机器学习中，支持向量机（SVM，还支持矢量网络）是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。
SVM在室内定位上的应用主要采用的是回归分析的功能。在室内定位的过程中，主要包括以下两个过程，第一个过程是，离线建模过程；第二个过程是在线测量分析过程。其中，离线建模过程，包括在定位区域采集移动定位终端发出的数据，包括移动定位终端的位置坐标以及接受到的RSSI值，采用支持向量机回归分析算法建立位置坐标与RSSI之间的函数关系模型。在线测量过程，测量待移动定位终端节点的RSSI值，输入到离线过程中建立的函数关系模型中，得到移动定位终端节点的位置坐标。
SVM再室内定位技术上运用，虽然具有许多的优点，但顾的存在一些技术问题。首先，支持SVM算法的参数选择，没有统一的标准，通常都是依据经验采取试凑的方法，导致支持向量机回归算法在室内定位计算的精确度不高；其次，SVM算法处理室内信号传播的非线性问题不强，并且室内定位的测量时间短，而信号幅度变化又大，带来的后果就是定位精确度低，定位结果数据不稳定。
发明内容
针对上述技术问题，本发明提供一种基于SVM-KNN的室内定位方法，支持向量机与KNN相结合，提高室内定位的精度和结果的稳定性。
具体的技术方案为：
基于SVM-KNN的室内定位方法，采用支持向量机与最近邻法相结合的算法实现室内定位，具体的步骤如下：
（1）室内需要定位的区域进行划分，分成多个方形小区并设置标识信息，在每个方形小区内安排适当的定位移动终端；
获取并记录各个定位移动终端的所在的区域信息和电平信号强度；
（2）根据定位移动终端所在的区域信息，得出经纬度，并将该定位移动终端初步定位到对应的方形小区中；
（3）利用SVM定位模型，将定位移动终端定位在对应的方形小区中的的方形栅格中；
（4）通过KNN算法定位模型，计算出定位移动终端在方形栅格中的位置坐标。
优选的设计，室内需要定位的区域进行划分，划分成网格，网格包括多个方形小区，测量出每个方形小区对应的中心坐标，并记录，中心坐标作为方形小区的标识信息，所述的标识信息还包括该方形小区的编号。
进一步的，步骤（4）中，通过KNN算法定位模型，计算出定位移动终端在方形栅格中的位置坐标的具体方式为：
（a）以所述的方形栅格的中心位置为中心向外扩散，得到方形区域，并确定出位于该方形区域中方形栅格的合并后的数据；
（b）计算定位移动终端的区域信息与步骤（a）中确定出的合并后的数据中的每条数据的相似度；
（c）选取与定位移动终端的区域信息相似度最高的K个合并后的数据，并将K个合并后的数据所对应的方形栅格的位置坐标的平均值，确定为定位移动终端的最终位置，其中K为设定个数，K≥1。
本发明提供的基于SVM-KNN的室内定位方法，采用的是基于支持向量机与K近邻算法相结合的定位方式，通过结合支持向量机与K近邻算法各自的优点，获得了比传统方法较高的定位精度，还提高了定位结果的稳定性。
附图说明
图1是本发明的总体流程图。
具体实施方式
结合实施例说明本发明的具体技术方案：
如图1所示，基于SVM-KNN的室内定位方法，采用支持向量机与最近邻法相结合的算法实现室内定位，具体的步骤如下：
（1）室内需要定位的区域进行划分，划分成网格，网格包括多个方形小区，测量出每个方形小区对应的中心坐标，并记录，中心坐标作为方形小区的标识信息，所述的标识信息还包括该方形小区的编号。
在每个方形小区内安排适当的定位移动终端；
获取并记录各个定位移动终端的所在的区域信息和电平信号强度；
（2）根据定位移动终端所在的区域信息，得出经纬度，并将该定位移动终端初步定位到对应的方形小区中；
（3）利用SVM定位模型，将定位移动终端定位在对应的方形小区中的的方形栅格中；
（4）通过KNN算法定位模型，计算出定位移动终端在方形栅格中的位置坐标。计算出定位移动终端在方形栅格中的位置坐标的具体方式为：
（a）以所述的方形栅格的中心位置为中心向外扩散，得到方形区域，并确定出位于该方形区域中方形栅格的合并后的数据；
（b）计算定位移动终端的区域信息与步骤（a）中确定出的合并后的数据中的每条数据的相似度；
（c）选取与定位移动终端的区域信息相似度最高的K个合并后的数据，并将K个合并后的数据所对应的方形栅格的位置坐标的平均值，确定为定位移动终端的最终位置，其中K为设定个数，K≥1。

Claims (3)

1.基于SVM-KNN的室内定位方法，其特征在于，采用支持向量机与最近邻法相结合的算法实现室内定位，具体的步骤如下：
（1）室内需要定位的区域进行划分，分成多个方形小区并设置标识信息，在每个方形小区内安排适当的定位移动终端；
获取并记录各个定位移动终端的所在的区域信息和电平信号强度；
（2）根据定位移动终端所在的区域信息，得出经纬度，并将该定位移动终端初步定位到对应的方形小区中；
（3）利用SVM定位模型，将定位移动终端定位在对应的方形小区中的的方形栅格中；
（4）通过KNN算法定位模型，计算出定位移动终端在方形栅格中的位置坐标。
2.根据权利要求1所述的基于SVM-KNN的室内定位方法，其特征在于，室内需要定位的区域进行划分，划分成网格，网格包括多个方形小区，测量出每个方形小区对应的中心坐标，并记录，中心坐标作为方形小区的标识信息，所述的标识信息还包括该方形小区的编号。
3.根据权利要求1或2所述的基于SVM-KNN的室内定位方法，其特征在于，步骤（4）中，通过KNN算法定位模型，计算出定位移动终端在方形栅格中的位置坐标的具体方式为：
（a）以所述的方形栅格的中心位置为中心向外扩散，得到方形区域，并确定出位于该方形区域中方形栅格的合并后的数据；
（b）计算定位移动终端的区域信息与步骤（a）中确定出的合并后的数据中的每条数据的相似度；
（c）选取与定位移动终端的区域信息相似度最高的K个合并后的数据，并将K个合并后的数据所对应的方形栅格的位置坐标的平均值，确定为定位移动终端的最终位置，其中K为设定个数，K≥1。
CN201710741460.3A 2017-08-25 2017-08-25 基于svm‑knn的室内定位方法 Pending CN107655478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710741460.3A CN107655478A (zh) 2017-08-25 2017-08-25 基于svm‑knn的室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710741460.3A CN107655478A (zh) 2017-08-25 2017-08-25 基于svm‑knn的室内定位方法

Publications (1)

Publication Number Publication Date
CN107655478A true CN107655478A (zh) 2018-02-02

Family

ID=61128872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710741460.3A Pending CN107655478A (zh) 2017-08-25 2017-08-25 基于svm‑knn的室内定位方法

Country Status (1)

Country Link
CN (1) CN107655478A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110257545A1 (en) * 2010-04-20 2011-10-20 Suri Jasjit S Imaging based symptomatic classification and cardiovascular stroke risk score estimation
CN103096466A (zh) * 2013-01-17 2013-05-08 哈尔滨工业大学 Wi-Fi室内定位方法
CN104469676A (zh) * 2014-11-21 2015-03-25 北京拓明科技有限公司 一种移动终端的定位方法及系统
CN104619014A (zh) * 2015-01-09 2015-05-13 中山大学 一种基于svm-knn的室内定位方法
CN104853434A (zh) * 2015-01-13 2015-08-19 中山大学 一种基于svm和k均值聚类的室内定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110257545A1 (en) * 2010-04-20 2011-10-20 Suri Jasjit S Imaging based symptomatic classification and cardiovascular stroke risk score estimation
CN103096466A (zh) * 2013-01-17 2013-05-08 哈尔滨工业大学 Wi-Fi室内定位方法
CN104469676A (zh) * 2014-11-21 2015-03-25 北京拓明科技有限公司 一种移动终端的定位方法及系统
CN104619014A (zh) * 2015-01-09 2015-05-13 中山大学 一种基于svm-knn的室内定位方法
CN104853434A (zh) * 2015-01-13 2015-08-19 中山大学 一种基于svm和k均值聚类的室内定位方法

Similar Documents

Publication Publication Date Title
CN104469676B (zh) 一种移动终端的定位方法及系统
CN104703143B (zh) 一种基于wifi信号强度的室内定位方法
CN102098780B (zh) 一种定位方法和装置
CN108534779B (zh) 一种基于轨迹纠正和指纹改进的室内定位地图构建方法
CN106125045B (zh) 一种基于Wi-Fi的自适应混合室内定位方法
CN106535134B (zh) 一种基于wifi的多房间定位方法及服务器
CN109945865B (zh) 基于WiFi与地磁融合的室内定位方法
CN103220777A (zh) 一种移动设备定位系统
CN112135248B (zh) 一种基于K-means最优估计的WIFI指纹定位方法
CN107360552B (zh) 一种多分类器全局动态融合的室内定位方法
CN103905992A (zh) 一种基于指纹数据的无线传感器网络的室内定位方法
CN107703480A (zh) 基于机器学习的混合核函数室内定位方法
Huang et al. A theoretical analysis on sampling size in WiFi fingerprint-based localization
CN107179525A (zh) 一种基于泰森多边形的克里金插值的位置指纹构建方法
CN109640262A (zh) 一种基于混合指纹的定位方法及系统、设备、存储介质
CN105519140A (zh) 一种定位ap的方法和装置
CN104113909A (zh) 数字标牌的定位方法和系统
US20230152121A1 (en) Indoor map generation method and apparatus
CN105592420A (zh) 环境特征库生成及基于环境特征库的室内定位方法和装置
CN108111972B (zh) 基于信号强度与空间划分的室内WiFi接入点定位方法
CN106658538B (zh) 一种基于泰森多边形的手机基站信号覆盖范围模拟方法
US9910131B2 (en) Method and device for positioning terminal location
CN109541537B (zh) 一种基于测距的普适室内定位方法
Zhang et al. Dual-band wi-fi based indoor localization via stacked denosing autoencoder
CN106922017A (zh) 定位方法以及终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180202

WD01 Invention patent application deemed withdrawn after publication