CN108710121A - 一种基于相位差的kNN指纹定位算法 - Google Patents

Abstract

本发明公开了一种基于相位差的kNN指纹定位算法，包括以下步骤：使用RFID技术获取相位差数据，数据清洗去除无效信息；过滤数据清除异常数据；建立相位差校正模型并对相位差进行校正，得到一个精确的相位差；将校正后的相位差结合kNN算法进行定位。采用RFID技术获取定位差，RFID是一项易于操控，简单实用且特别适合用于自动化控制的灵活性应用技术。并通过校正模型对相位差进行校正，使得到的相位差更加精确。采用kNN算法对待测标签进行定位，kNN算法思想简单，理论成熟，准确度高，对待测标签的位置坐标定位准确。

Description

一种基于相位差的kNN指纹定位算法

技术领域

本发明涉及一种定位算法，特别地，涉及一种基于相位差的kNN指纹定位算法。

背景技术

无线信号的应用越来越多，指纹定位算法对无线信号的使用越来越重要。现有指纹定位算法一般是采用RFID技术，基于RFID技术的指纹定位算法可分为两大类:基于测距的定位算法和与非测距的定位算法，基于测距的定位算法往往比非测距的定位算法具有更高的定位精度，但是由于前者在定位时需要复杂精确的测距及计算，这往往使得定位过程过于复杂，定位的适时性降低，而后者却不需要大量繁琐的测距和计算过程。目前，很多研究者将目光转向基于相位差的定位方式，传统的方法就是获取标签的相位差，然后转换成距离，最后用最小二乘法来估计出定位目标的位置。但是传统的做法得出标签的位置坐标不精确。

发明内容

为了克服现有技术的不足，本发明提供一种基于相位差的kNN指纹定位算法，可以得出标签更精确的位置坐标。

本发明解决其技术问题所采用的技术方案是：

一种基于相位差的kNN指纹定位算法，包括以下步骤：

S1：使用RFID技术采用FD-PDOA的定位方式获取相位差数据，数据清洗去除无效信息；

S2：过滤数据清除异常数据；

S3：建立相位差校正模型并对相位差进行校正，得到一个精确的相位差；

S4：将校正后的相位差结合kNN算法进行定位，具体步骤如下：

P1:系统初始化，设定阅读器、参考标签和待测标签的数量N、M、P和K的值；

P2：定义参考标签到每个阅读器的相位差值表示为RP_i，则第j个参考标签的相位差矢量可表示为：

RP^j＝(RP₁，RP₂，RP₃，...，RP_N)

同理，第i个待测标签的相位差矢量可表示为：

TPⁱ＝(TP₁，TP₂，TP₃，...，TP_N)，

则第j个参考标签到第i个待测标签的相位差欧氏距离可表示为：

则第i个待测标签到M个参考标签的相位差欧式距离矢量可表示为：

EP_i＝(EP_i，1，EP_i，2，EP_i，3，...，EP_i，M)；

P3：结合kNN算法，选出k个最近邻的参考标签，然后根据距离的远近赋予这k个参考标签坐标不同的权重，最终计算出待测标签的坐标：

其中

优选地，所述步骤S1中相位差的获取以及数据清洗去除无效信息步骤如下：

A1：相位差就是利用的载波信号在阅读器与标签之间的传播路径上的相位的变化值，

Δθ＝2πft

其中f是载波频率，设光速为c，标签到阅读器的距离为d，则有

2d＝ct

结合两个公式有

因此在实际测量过程中，判断相位是否超过2π，超过则为无效数据；

当Δθ为2π时，

则有效距离的范围在15.7cm-17.3cm，判断实际距离是否超过这个值，超过则为无效数据；

A2：假设两个载波信号的频率分别为f₁和f₂，则有

联立上式，有

其中Δθ＝θ₁-θ₂，Δf＝f₁-f₂，θ₁和θ₂表示在载波频率分别为f₁和f₂时的相位变化量。

优选地，所述载波频率选取920.625MHz、921.875MHz、923.125MHz和924.375MHz四个频率，以1.25MHz步进的方式测量四组相位差分别为θ₁、θ₂、θ₃和θ₄。

优选地，所述步骤S2中过滤数据清除异常数据采用高斯过滤对获取的的数据进行预处理，将两端的异常数据滤除，其方法如下：假设RSSI数据集是一个正态分布模型，其均值和标准差分别为μ和σ，则第i个收信场强RSSI_i的密度函数可表示为

m为数据总数，根据经验值，一般选择概率大于0.6的范围，即：

0.6≤f(x)≤1，0.15σ+μ≤x≤3.09σ+μ。

优选地，所述步骤S3中建立相位差校正模型并对相位差进行校正，得到一个精确的相位差具体为：四个天线之间的数据是相互独立的，因此每个天线需要单独建立相位差校正模型。对于任意一个天线，训练的元数据可表示为其中Δθ₁、Δθ₂和Δθ₃表示初始的三组相位差，表示精确的相位差，可根据式

计算，然后分别用多元线性回归模型、随机森林、模型树和随机树建立校正模型，对每个标签的相位差进行校正最终得到一个精确的相位差。

本发明的有益效果：

由上述方案可知，采用RFID技术获取定位差，RFID是一项易于操控，简单实用且特别适合用于自动化控制的灵活性应用技术。并通过校正模型对相位差进行校正，使得到的相位差更加精确。采用kNN算法对待测标签进行定位，kNN算法思想简单，理论成熟，准确度高，对待测标签的位置坐标定位准确。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明相位差获取原理图；

图2是本发明流程图。

具体实施方式

参照图1、图2，一种基于相位差的kNN指纹定位算法，包括以下步骤：

S1：使用RFID技术采用FD-PDOA的定位方式获取相位差数据，数据清洗去除无效信息；

S2：过滤数据清除异常数据；

S3：建立相位差校正模型并对相位差进行校正，得到一个精确的相位差；

S4：将校正后的相位差结合kNN算法进行定位，具体步骤如下：

P1:系统初始化，设定阅读器、参考标签和待测标签的数量N、M、P和K的值；

P2：定义参考标签到每个阅读器的相位差值表示为RP_i，则第j个参考标签的相位差矢量可表示为：

RP^j＝(RP₁，RP₂，RP₃，...，RP_N)

同理，第i个待测标签的相位差矢量可表示为：

TPⁱ＝(TP₁，TP₂，TP₃，...，TP_N)，

则第j个参考标签到第i个待测标签的相位差欧氏距离可表示为：

则第i个待测标签到M个参考标签的相位差欧式距离矢量可表示为：

EP_i＝(EP_i，1，EP_i，2，EP_i，3，...，EP_i，M)；

P3：结合kNN算法，选出k个最近邻的参考标签，然后根据距离的远近赋予这k个参考标签坐标不同的权重，最终计算出待测标签的坐标：

其中

RFID是Radio Frequency Identification的缩写，即射频识别技术。RFID射频识别是一种非接触式的自动识别技术，它通过射频信号自动识别目标对象并获取相关数据，识别工作无须人工干预，可工作于各种恶劣环境。RFID技术可识别高速运动物体并可同时识别多个标签，操作快捷方便。

kNN算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。

具体的为：

相位差的获取，阅读器发射的载波信号具有周期性的特点，即随着时间的推移成规律的变化的正弦波信号，相位差就是利用的载波信号在阅读器与标签之间的传播路径上的相位的变化值。

Δθ＝2πft

其中f是载波频率，设光速为c，标签到阅读器的距离为d，则有

2d＝ct

结合两个公式有

本发明采用的是超高频RFID仪器，超高频的频段在865MHz-956MHz，因为载波是一个周期为2π的正弦波，因此在实际测量过程中，若相位超过2π，则最后的结果显然是不正确的。模糊距离是指，当Δθ为2π时，则有效距离的范围在15.7cm-17.3cm，如果实际距离超过这个值，则结果显然是错的。

为了解决这个问题，下面介绍基于频域相位差的定位方式。基于FD-PDOA的定位方式，即阅读器对同一目标发送不同频率的载波，通过将这些不同频率的载波信号的相位信息进行相减获取相位差并计算出距离。

假设两个载波信号的频率分别为f₁和f₂，则有

联立上式，有

其中Δθ＝θ₁-θ₂，Δf＝f₁-f₂，θ₁和θ₂表示在载波频率分别为f₁和f₂时的相位变化量。

本发明选取920.625MHz、921.875MHz、923.125MHz和924.375MHz四个频率，以1.25MHz步进的方式测量四组相位差分别为θ₁、θ₂、θ₃和θ₄，测量多次，然后进行高斯过滤滤除异常数据，四组相位差相邻相位差两两相减，最终获取三组初始的相位差Δθ₁、Δθ₂和Δθ₃。

数据的预处理，在实际测试环节中发现，由于环境影响或者阅读器自身因素，会出现异常的RSSI数据，因此在定位前，对数据进行预处理是非常必要的。假设每次读取的RSSI值是相互独立的，则获取的数据集可看作是一种正态分布，下面将用高斯过滤对获取的数据进行预处理，将两端的异常数据滤除。

假设RSSI数据集是一个正态分布模型，其均值和标准差分别为μ和σ，则第i个收信场强RSSI_i的密度函数可表示为

其中m为数据总数，根据经验值，一般选择概率大于0.6的范围，即：

0.6≤f(x)≤1，0.15σ+μ≤x≤3.09σ+μ。

相位差的校正方法，在理想情况下，同一天线对相同目标在频率差不变的情况下，得到的相位差是恒定的。而在实际RFID定位系统中，误差是肯定存在的。传输过程中环境因素等带来的不可预估的误差，这些误差导致得到的相位差上下波动，对最终的定位效果产生较大影响。有些误差没有显式的数学公式进行校正，因此将采用机器学习中分类回归算法对相位差统一进行校正，最终得到一个校正后的相位差。

四个天线之间的数据是相互独立的，因此每个天线需要单独建立相位差校正模型。对于任意一个天线，训练的元数据可表示为其中Δθ₁、Δθ₂和Δθ₃表示初始的三组相位差，表示精确的相位差，，可根据式

计算，然后分别用多元线性回归模型、随机森林、模型树和随机树建立校正模型，对每个标签的相位差进行校正最终得到一个精确的相位差。

基于相位差的kNN指纹定位法，查阅文献得知，在定位区域加入适量的参考标签，因为参考标签和待测标签位于同个区域，可降低定位过程中因各种干扰的带来的偶然误差。相比那些基于测距系统，即通过建立收信场强与距离的关系模型，参考标签和待测标签一般通过相同的传输路径，在复杂环境下，可在一定程度上通过布置适量的参考标签来克服室内环境带来的影响。因此将校正后的相位差结合kNN算法进行定位。定位算法具体过程如下：

假设在定位场景里，有N个阅读器，M个参考标签，K个待测标签，定义参考标签到每个阅读器的相位差值表示为RP_i，则第j个参考标签的相位差矢量可表示为RP_j＝(RP₁，RP₂，RP₃，...，RP_N)，同理，第i个待测标签的相位差矢量可表示为TP_i＝(TP₁，TP₂，TP₃，...，TP_N),则第j个参考标签到第i个待测标签的相位差欧氏距离可表示为

则第i个待测标签到M个参考标签的相位差欧式距离矢量可表示为

EP_i＝(EP_i，1，EP_i，2，EP_i，3，...，EP_i，M)，相位差欧式距离分量EP_i，j越小表示参考标签和待测标签越近。

结合kNN算法，选出k个最近邻的参考标签，然后根据距离的远近赋予这k个参考标签坐标不同的权重，最终计算出待测标签的坐标。

其中

以上所述只是本发明的较佳实施方式，但本发明并不限于上述实施例，只要其以任何相同或相似手段达到本发明的技术效果，都应落入本发明的保护范围之内。

Claims (5)

1.一种基于相位差的kNN指纹定位算法，其特征在于，包括以下步骤：

S1：使用RFID技术采用FD-PDOA的定位方式获取相位差数据，数据清洗去除无效信息；

S2：过滤数据清除异常数据；

S3：建立相位差校正模型并对相位差进行校正，得到一个精确的相位差；

S4：将校正后的相位差结合kNN算法进行定位，具体步骤如下：

P1:系统初始化，设定阅读器、参考标签和待测标签的数量N、M、P和K的值；

P2：定义参考标签到每个阅读器的相位差值表示为RP_i，则第j个参考标签的相位差矢量可表示为：

RP^j＝(RP₁，RP₂，RP₃，...，RP_N)

同理，第i个待测标签的相位差矢量可表示为：

TPⁱ＝(TP₁，TP₂，TP₃，...，TP_N)，

则第j个参考标签到第i个待测标签的相位差欧氏距离可表示为：

则第i个待测标签到M个参考标签的相位差欧式距离矢量可表示为：

EP_i＝(EP_i，1，EP_i，2，EP_i，3，...，EP_i，M)；

P3：结合kNN算法，选出k个最近邻的参考标签，然后根据距离的远近赋予这k个参考标签坐标不同的权重，最终计算出待测标签的坐标：

其中

2.根据权利要求1所述的一种基于相位差的kNN指纹定位算法，其特征在于：所述步骤S1中相位差的获取以及数据清洗去除无效信息，其步骤如下：

A1：相位差就是利用的载波信号在阅读器与标签之间的传播路径上的相位的变化值，

Δθ＝2πft

其中f是载波频率，设光速为c，标签到阅读器的距离为d，则有

2d＝ct

结合两个公式有

因此在实际测量过程中，判断相位是否超过2π，超过则为无效数据；

当Δθ为2π时，

则有效距离的范围在15.7cm-17.3cm，判断实际距离是否超过这个值，超过则为无效数据；

A2：假设两个载波信号的频率分别为f₁和f₂，则有

联立上式，有

其中Δθ＝θ₁-θ₂，Δf＝f₁-f₂，θ₁和θ₂表示在载波频率分别为f₁和f₂时的相位变化量。

3.根据权利要求2所述的一种基于相位差的kNN指纹定位算法，其特征在于：所述载波频率选取920.625MHz、921.875MHz、923.125MHz和924.375MHz四个频率，以1.25MHz步进的方式测量四组相位差分别为θ₁、θ₂、θ₃和θ₄。

4.根据权利要求1所述的一种基于相位差的kNN指纹定位算法，其特征在于：所述步骤S2中过滤数据清除异常数据采用高斯过滤对获取的的数据进行预处理，将两端的异常数据滤除，其方法如下：假设RSSI数据集是一个正态分布模型，其均值和标准差分别为μ和σ，则第i个收信场强RSSI_i的密度函数可表示为

m为数据总数，根据经验值，一般选择概率大于0.6的范围，即：

0.6≤f(x)≤1，0.15σ+μ≤x≤3.09σ+μ。

5.根据权利要求1所述的一种基于相位差的kNN指纹定位算法，其特征在于：所述步骤S3中建立相位差校正模型并对相位差进行校正，得到一个精确的相位差具体为：四个天线之间的数据是相互独立的，因此每个天线需要单独建立相位差校正模型。对于任意一个天线，训练的元数据可表示为其中Δθ₁、Δθ₂和Δθ₃表示初始的三组相位差，表示精确的相位差，可根据式

计算，然后分别用多元线性回归模型、随机森林、模型树和随机树建立校正模型，对每个标签的相位差进行校正最终得到一个精确的相位差。