CN108445443A - 一种基于knn的指纹点聚类方法 - Google Patents

Abstract

本发明公开了一种基于KNN的指纹点聚类方法，包括在室内环境中选取若干校准点和若干测试点，对于各校准点分别提取位置指纹，得到位置指纹库；计算所有校准点和测试点间的信号空间欧氏距离，并筛选出距离测试点信号空间欧氏距离最近的两个校准点；根据这两个校准点与测试点的信号空间欧氏距离之间的关系，确定测试点的初始几何坐标；根据测试点的初始几何坐标，分别计算测试点与K个临近校准点之间的物理距离；采用k‑means聚类算法把计算出的物理距离聚成两类，选取距离测试点较近的一类；采用该类中临近校准点计算该测试点的估计位置。本发明方法的定位精度显著优于传统KNN方法。

Description

一种基于KNN的指纹点聚类方法

技术领域

本发明属于室内定位技术领域，涉及一种室内位置定位方法，具体涉及一种新的基于KNN的指纹点聚类方法。

背景技术

随着信息技术的发展，室内定位技术得到了迅速的发展。在各种室内定位技术中，基于Wi-Fi的接收信号强度指示(RSSI)定位方法以其成本低、覆盖范围广、无需额外的物理硬件成为主流。它一般分为两类：三边测量算法和位置指纹定位方法。三边测量算法利用RSSI测量两点之间的距离，它是基于信道传播模型。相反，指纹定位方法利用RSSI数据库和特定的几何或概率算法，不需要信道传播模型来计算未知点的位置。因此，定位指纹定位算法既不需要Wi-Fi接入点的位置，也不需要信道传播模型，因此受到越来越多的关注。

为了减少搜索区域，不少学者提出了不同的指纹点聚类方法。陈峰等人提出了一种基于压缩感知理论的基于RSS的室内定位系统，用于从少量的噪声测量中恢复稀疏信号。李等人提出了一种基于支持向量机的指纹点分类聚类方法。但是集群的数量需要直接或间接地预先定义，用户在使用聚类方法时需要仔细调整参数以选择合适的聚类模式，这使得它们难以在实际环境中使用。魏静等提出了一种基于参考点在WLAN室内定位聚类社区检测，利用聚类目标函数和解决这个功能改进的Clauset Newman Moore算法。然而，这些聚类算法分析只在离线阶段对指纹点进行位置信息的聚类分析，但是与测试点无关。

发明内容

本发明提出了一种基于KNN的指纹点聚类方法，该方法适用于基于Wi-Fi RSSI的室内定位，是在现阶段根据校准点距离测试点的物理距离对校准点进行聚类筛选的方法。

本发明所采用的技术方案提供一种基于KNN的指纹点聚类方法，包括以下步骤：

步骤1，在室内环境中选取若干校准点，采集校准点处的RSSI数据，作为校准点数据；然后随机选取若干测试点，采集测试点处的RSSI数据，作为测试点数据；

步骤2，对于各校准点分别提取位置指纹，得到位置指纹库；

步骤3，计算所有校准点和测试点间的信号空间欧氏距离，并筛选出距离测试点信号空间欧氏距离最近的两个校准点；

步骤4，根据这两个校准点与测试点的信号空间欧氏距离之间的关系，确定测试点的初始几何坐标，实现如下，

计算阀值T，采用如下公式计算，

其中，L₁表示距离测试点信号空间欧氏距离最近的校准点对应的信号空间欧氏距离，L₂表示距离测试点信号空间欧氏距离第二个近的校准点对应的信号空间欧氏距离；

如果阀值T大于0.5，则采用距离测试点信号空间欧氏距离最近的校准点的几何坐标作为测试点的初始几何坐标；

如果阀值T小于或等于0.5，则采用这两个校准点的几何坐标的平均值作为测试点的初始几何坐标；

步骤5，根据测试点的初始几何坐标，分别计算测试点与K个临近校准点之间的物理距离D_i；

步骤6，采用k-means聚类算法把计算出的物理距离聚成两类，选取距离测试点较近的一类，设该类中有H个临近校准点；

步骤7，采用该类中的H个临近校准点计算该测试点的估计位置。

而且，步骤2中，对于各校准点分别提取位置指纹的实现方式为，对RSSI观测值数据从强到弱依次排序，计算前面若干个RSSI观测值的平均值作为RSSI估计值，将RSSI估计值和校准点的位置信息关联起来组成位置指纹。

而且，步骤3中，计算测试点与指纹数据库中所有校准点之间的信号空间欧氏距离L_i，采用如下公式计算，

其中，i是校准点的编号，此步骤中i＝1,2,…N，N是步骤1选取的校准点的总数；j是WiFi信号源的编号，M是WiFi信号源的个数，j＝1,2,…M；d^j是测试点到第j个WiFi信号源的距离，是第i个校准点到第j个WiFi信号源的距离，RSSI(d^j)是测试点接收的第j个WiFi信号源的信号强度，是第i个校准点接收的第j个WiFi信号源的信号强度。

而且，步骤7中，基于步骤6筛选的H个临近校准点，计算该测试点的估计位置，采用如下公式计算，

其中，(x,y)表示测试点的估计位置坐标，(x_i,y_i)表示第i个临近校准点的几何坐标。

与现有技术相比，本发明具有的特点：

(1)经典的KNN方法选择临近的指纹点是基于信号距离，一般的指纹点聚类算法只在离线阶段对指纹点进行聚类分析，但是与测试点无关。因此，传统的指纹点聚类算法都会产生聚类后的指纹点只位于测试点的一侧，从而导致测试点定位精度改善不明显或者降低。

本发明所提出新的基于KNN的指纹点聚类技术方案基于校准点距离测试点的物理距离对指纹点进行聚类，有效地避免了聚类后的指纹点只位于测试点的一侧的问题，从理论上来说，新方法就具有较高的定位精度；

(2)实验分析表明：新的改进聚类定位方法具有更高的精度。新方法的定位精度明显优于KNN算法。

附图说明

图1是本发明实施例的流程图；

图2是本发明实施例的实验方案分布示意图；

图3是本发明实施例的定位的累积分布函数(CDF)示意图；

图4是本发明实施例的定位误差向量的示意图，其中图4a和图4b分别是K邻近点算法(KNN)和本发明的方法(Proposed)两种不同聚类方式的定位误差向量示意图。

图5是本发明实施例的测试点初始坐标选取示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明提供的一种基于KNN的指纹点聚类方法，包括以下步骤：

步骤1：在室内环境中选取若干校准点，采集校准点处的RSSI数据，作为校准点数据；然后随机选取若干测试点，采集测试点处的RSSI数据，作为测试点数据。

实施例在室内环境中选取160个校准点(图2中三角形标识)，随机选取160个测试点，先后采集各校准点处和各测试点处的WiFi接收信号强度指标(RSSI)，采用1秒的采样率，采集约40秒，将采集的RSSI数据储存到移动端，移动端可利用现有设备，例如手机。

步骤2：对于各校准点，分别执行以下操作，提取位置指纹库：

剔除RSSI数据丢失率较高的WiFi信号源，剔除RSSI数据丢失率较高的WiFi信号源；对RSSI观测值数据从强到弱依次排序，计算前若干(实施例优选取5)个RSSI观测值的平均值作为RSSI估计值；将RSSI估计值和校准点的位置信息关联起来组成该校准点的位置指纹。

提取所有校准点的位置指纹完成后，得到位置指纹库。

步骤3：计算所有校准点和测试点间的信号空间欧氏距离，并筛选出距离测试点信号空间欧氏距离最近的两个校准点；

对任一测试点，筛选出距离该测试点物理距离最近的两个校准点，其具体实现包括以下子步骤：

步骤3.1：求取测试点与指纹数据库中所有校准点之间的实际物理距离L_i，采用如下公式计算，

其中，i是校准点的编号，此步骤中i＝1,2,…N，N是步骤1选取的校准点的总数，实施例中N＝43；j是WiFi信号源的编号，M是WiFi信号源的个数，j＝1,2,…M；d^j是测试点到第j个WiFi信号源的距离，是第i个校准点到第j个WiFi信号源的距离，RSSI(d^j)是测试点接收的第j个WiFi信号源的信号强度，是第i个校准点接收的第j个WiFi信号源的信号强度。

步骤3.2：对信号空间欧氏距离数据从小到大依次排序，筛选出距离该测试点物理距离最近的两个校准点。

步骤4，根据这两个校准点与测试点的信号空间欧氏距离之间的关系，确定测试点的初始几何坐标。

进一步地，本发明提出，假设位于测试点两侧的两个参考点之间的距离被划分为五个部分，如图1所示。如果测试点位于成1段或2段，可采取RP1坐标作为测试点初始坐标；如果测试点位于成4段或5段，可采取RP2坐标作为测试点初始坐标；如果测试点位于中间段3，以RP1和RP2的平均坐标作为测试点的初始坐标。所以实施例把图2中的0.5作为阈值。

因此，实施例的步骤4包括以下子步骤，

步骤4.1，计算阀值T，采用如下公式计算，

其中，L₁表示距离测试点信号空间欧氏距离最近的校准点对应的信号空间欧氏距离，L₂表示距离测试点信号空间欧氏距离第二个近的校准点对应的信号空间欧氏距离；

步骤4.2，如果阀值T大于0.5，则采用距离测试点信号空间欧氏距离最近的校准点的几何坐标作为测试点的初始几何坐标；

步骤4.3，如果阀值T小于或等于0.5，则采用这两个校准点的几何坐标的平均值作为测试点的初始几何坐标。

步骤5，根据测试点的初始几何坐标，分别计算测试点与K个临近校准点之间的物理距离D_i，采用如下公式计算，

其中，(x₀,y₀)表示测试点的初始几何坐标，(x_i,y_i)表示第i个临近校准点的几何坐标。具体实施时，K值可预设，实施例中优选取5。

步骤6，采用k-means聚类算法把计算出的物理距离聚成两类，选取距离测试点较近的一类。

聚类实现时，把物理距离看作一维坐标，点之间的距离差就是一维坐标差，即为物理距离之差。

步骤7，采用该类中的H(H<K)个临近校准点，计算该测试点的估计位置，采用如下公式计算，

其中，(x,y)表示测试点的估计位置坐标，(x_i,y_i)表示第i个临近校准点的几何坐标。K表示距离测试点物理距离最近的校准点的个数，本实施例中K的数值取5，H的数值根据步骤6中k-means聚类结果而不同。

本实施例的测试点的真实位置(x,y)与估计位置的误差err计算如下：

运用以上流程，可以估计任意测试点的位置。具体实施时，可采用计算机软件技术实现以上流程的自动运行。

为验证估计结果的可靠性，本实施例的实验结果如下，其中不同环境衰减因子对CDF的影响请见表1：

表1两种算法定位误差对比分析

在某大学科技楼14楼进行了实验用来评估提出的新方法的性能。实验区域总面积大小约为2756.25m²(52.5m*52.5m)。总共采集了160个校准点和160个测试点。校准点和测试点的物理位置请见图2，其中三角形代表校准点，测试点在校准点之间随机选取。

首先分析K邻近点算法(KNN)和本发明的方法(Proposed)两种不同定位方法对定位精度的影响。从图3所示的结果中，可以看出，本发明的方法比KNN算法获得更好的定位精度。

接下来，研究三种不同方法对定位误差向量的影响。每一测试点的误差向量由一个从真实坐标指向其估计坐标的箭头表示。从图4所示的结果可以看出，本发明的方法比KNN算法得到了更小的误差矢量，图4中X、Y分表代表两个坐标轴，图4a和图4b分别是K邻近点算法(KNN)和本发明的方法(Proposed)两种不同聚类方式的定位误差向量示意图。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (4)

1.一种基于KNN的指纹点聚类方法，其特征在于，包括以下步骤：

步骤1，在室内环境中选取若干校准点，采集校准点处的RSSI数据，作为校准点数据；然后随机选取若干测试点，采集测试点处的RSSI数据，作为测试点数据；

步骤2，对于各校准点分别提取位置指纹，得到位置指纹库；

步骤3，计算所有校准点和测试点间的信号空间欧氏距离，并筛选出距离测试点信号空间欧氏距离最近的两个校准点；

步骤4，根据这两个校准点与测试点的信号空间欧氏距离之间的关系，确定测试点的初始几何坐标，实现如下，

计算阀值T，采用如下公式计算，

其中，L₁表示距离测试点信号空间欧氏距离最近的校准点对应的信号空间欧氏距离，L₂表示距离测试点信号空间欧氏距离第二个近的校准点对应的信号空间欧氏距离；

如果阀值T大于0.5，则采用距离测试点信号空间欧氏距离最近的校准点的几何坐标作为测试点的初始几何坐标；

如果阀值T小于或等于0.5，则采用这两个校准点的几何坐标的平均值作为测试点的初始几何坐标；

步骤5，根据测试点的初始几何坐标，分别计算测试点与K个临近校准点之间的物理距离D_i；

步骤6，采用k-means聚类算法把计算出的物理距离聚成两类，选取距离测试点较近的一类，设该类中有H个临近校准点；

步骤7，采用该类中的H个临近校准点计算该测试点的估计位置。

2.根据权利要求1所述基于KNN的指纹点聚类方法，其特征在于：步骤2中，对于各校准点分别提取位置指纹的实现方式为，对RSSI观测值数据从强到弱依次排序，计算前面若干个RSSI观测值的平均值作为RSSI估计值，将RSSI估计值和校准点的位置信息关联起来组成位置指纹。

3.根据权利要求1或2所述基于KNN的指纹点聚类方法，其特征在于：步骤3中，计算测试点与指纹数据库中所有校准点之间的信号空间欧氏距离L_i，采用如下公式计算，

其中，i是校准点的编号，此步骤中i＝1,2,…N，N是步骤1选取的校准点的总数；j是WiFi信号源的编号，M是WiFi信号源的个数，j＝1,2,…M；d^j是测试点到第j个WiFi信号源的距离，是第i个校准点到第j个WiFi信号源的距离，_RSSI(d ^j ₎是测试点接收的第j个WiFi信号源的信号强度，是第i个校准点接收的第j个WiFi信号源的信号强度。

4.根据权利要求1或2所述基于KNN的指纹点聚类方法，其特征在于：步骤7中，基于步骤6筛选的H个临近校准点，计算该测试点的估计位置，采用如下公式计算，

其中，(x,y)表示测试点的估计位置坐标，(x_i,y_i)表示第i个临近校准点的几何坐标。