CN108882192A - 一种基于邻域粗糙集约简的室内区域定位方法 - Google Patents
一种基于邻域粗糙集约简的室内区域定位方法 Download PDFInfo
- Publication number
- CN108882192A CN108882192A CN201810793921.6A CN201810793921A CN108882192A CN 108882192 A CN108882192 A CN 108882192A CN 201810793921 A CN201810793921 A CN 201810793921A CN 108882192 A CN108882192 A CN 108882192A
- Authority
- CN
- China
- Prior art keywords
- attribute
- neighborhood
- reference point
- point
- area
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Collating Specific Patterns (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于邻域粗糙集约简的室内区域定位方法。首先,将待定位区域划分成若干子区域,并且在待定位区域中部署若干AP和参考点,在每个参考点上采集来自全部AP的RSS信号,与参考点所在的子区域构成位置指纹数据库;其次,将来自每个AP的RSS信号当作为邻域粗糙集的条件属性进行属性的约简,并更新位置指纹数据库,保留剩余AP的RSS数据;最后,应用更新后的位置指纹数据库进行区域定位。本专利基于邻域粗糙集的约简,提出了一种基于邻域粗糙集约简的室内区域定位方法,解决了离线位置指纹开销庞大的问题。
Description
技术领域
本发明属于室内定位技术,具体涉及一种基于邻域粗糙集约简的室内区域定位方法。
背景技术
由于无线网络和智能终端使用的日益普及,基于位置服务LBS(Location BasedService)的应用也越来越广泛。而在室内定位领域,基于位置指纹的室内定位算法,作为基于RSS的WLAN定位经典算法,也受到了广泛的欢迎。位置指纹的室内定位算法大体上可以分为离线阶段和在线阶段。在离线阶段需要在待定位区域内标记若干参考点RP(ReferencePoint),在每个RP处采集来自不同接入点AP(Access Point)的RSS值,以此构建位置指纹数据库;而在线阶段,用户需要实时采集来自不同AP的RSS信号,与位置指纹数据库进行匹配,以此实现对用户的定位。
然而WLAN的不断发展,直接导致了室内环境中的AP会大量增加,可能有十几个增加到数以百计,如果离线阶段构建位置指纹数据库时,采用如此大量的AP,会导致存储开销大量增加,也会在线阶段的定位匹配效率降低。针对此问题,本发明提出了一种基于邻域粗糙集约简的室内区域定位方法,通过计算得到不同AP的重要度,从而对位置指纹数据库进行约简,大大降低了位置指纹数据的存储开销。
发明内容
本发明的目的是提供一种基于邻域粗糙集约简的室内区域定位方法,它通过对位置指纹数据库的约简,大大减少了对位置指纹数据库的存储开销,提高了在线阶段位置指纹的匹配效率,解决了传统位置指纹定位中的数据库存储开销大以及在线匹配效率不高的问题。
本发明所述的一种基于邻域粗糙集约简的室内区域定位方法,包括以下步骤:
步骤一、在待定位区域中部署k个无线接入点APi(i=1,…,k),且此k个AP位置固定。将待定位区域划分成A个子区域areaj(j=1,…,A)。
步骤二、在待定位区域均匀设置N个参考点RPr(r=1,…,N),M个测试点TPt(t=1,…,M)。
步骤三、将构建离线阶段的位置指纹数据库。首先,在参考点RPr(r=1,…,N)上采集来自APi(i=1,…,k)的接收信号强度并将无线接入点APi视作邻域粗糙集的条件属性;其次,记录参考点RPr隶属于的子区域arear(r=1,…,N),其中arear∈{area1,…,areaj}(j=1,…,A),并将子区域编号视作邻域粗糙集的决策属性;最后构建位置指纹数据库为
步骤四、首先,计算全部N个参考点上来自APi(i=1,…,k)接收信号强度的标准差其中其次,计算邻域粗糙集的邻域δi=σi/λ,其中λ为邻域参数。
步骤五、计算全部条件属性相对于决策属性的正域。
步骤六、计算全体条件属性AP的依赖度θ=n/N。
步骤七、去掉条件属性APi(i=1,…,k),应用步骤五的计算方法,计算除去APi的剩余条件属性相对于决策属性的正域,得到正域Posi,并记Posi中的元素个数为ni。
步骤八、计算条件属性APi的依赖度θi=ni/N。
步骤九、计算条件属性APi的重要度γi=θ-θi。
步骤十、重复步骤七~步骤九,得到每个条件属性APi(i=1,…,k)的依赖度θi(i=1,…,k)和重要度γi(i=1,…,k)。
步骤十一、计算每个条件属性APi(i=1,…,k)的权重由此权重可以得到每个AP的重要性程度。
步骤十二、设置条件属性重要性控制参数α,遍历每个条件属性APi(i=1,…,k)的重要度γi(i=1,…,k),如果γi>α,则条件属性APi被保留;如果γi≤α,则条件属性APi被删除。
步骤十三、去除位置指纹数据库D中来自被删除的AP的数据,将位置指纹数据库D进行约简,得到约简后的数据库为
其中k'为剩余AP的个数。
步骤十四、应用约简后的位置指纹数据库D'进行区域定位。
所述步骤五包括以下步骤:
步骤五(一)、计算全部参考点来自APi(i=1,…,k)接收信号强度与RPr(r=1,…,N)来自APi接收信号强度之差,即
其中v=1,…,N,r=1,…,N。
步骤五(二)、选出参考点即得到参考点RPv在条件属性APi下的邻域。
步骤五(三)、重复步骤五(一)和步骤五(二),得到全部参考在全部条件属性下的邻域,即
其中为参考点RPv在条件属性APi下的邻域。
步骤五(四)、计算参考点RPv(v=1,…,N)在所有条件属性下的邻域,即其中
步骤五(五)、用决策属性将全部参考点划分成A个等价类
步骤五(六)、计算每个等价类的下近似集合
步骤五(七)、计算得到全部条件属性相对于决策属性的正域
统计Pos中的元素个数为n。
所述步骤十四包括以下步骤:
步骤十四(一)、在测试点TPt(t=1,…,M)上采集来自剩余的APi(i=1,…,k')的接收信号强度
步骤十四(二)、计算测试点TPt(t=1,…,M)与参考点RPr(r=1,…,N)上来自
APi(i=1,…,k')接收信号强度之间的欧式距离,得到如下距离矩阵
其中
步骤十四(三)、计算测试点TPt(t=1,…,M)邻域半径δ't=σ't/λ',其中
λ'为邻域参数。
步骤十四(四)、对于测试点TPt(t=1,…,M),寻找测试点邻域半径内的参考点,即
步骤十四(五)、在约简后的位置指纹数据库D'找到中参考点所在的子区域,参考点数最多的子区域即为区域定位的结果。
步骤十四(六)、重复步骤十四(三)~步骤十四(五),得到每个测试点TPt(t=1,…,M)所在的子区域。
附图说明
图1为本发明流程图;
图2条件属性约简前后区域定位准确率对比图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明提供的一种基于邻域粗糙集约简的室内区域定位方法,该方法能够有效判断AP的重要度,从而剔除重要度较低的AP,减少离线阶段位置指纹数据库的数据存储开销以及在线定位阶段的计算开销。具体步骤如下:
步骤一、在待定位区域中部署k个无线接入点APi(i=1,…,k),且此k个AP位置固定。将待定位区域划分成A个子区域areaj(j=1,…,A)。本专利设置k=9,A=8。
步骤二、在待定位区域均匀设置N个参考点RPr(r=1,…,N),M个测试点TPt(t=1,…,M)。本专利设置N=88,M=25。
步骤三、将构建离线阶段的位置指纹数据库。首先,在参考点RPr(r=1,…,N)上采集来自APi(i=1,…,k)的接收信号强度并将无线接入点APi视作邻域粗糙集的条件属性;其次,记录参考点RPr隶属于的子区域arear(r=1,…,N),其中arear∈{area1,…,areaj}(j=1,…,A),并将子区域编号视作邻域粗糙集的决策属性;最后构建位置指纹数据库为
步骤四、首先,计算全部N个参考点上来自APi(i=1,…,k)接收信号强度的标准差其中其次,计算邻域粗糙集的邻域δi=σi/λ,其中λ为邻域参数。本实验设置λ=2.5。
步骤五、计算全部条件属性相对于决策属性的正域,具体包括以下步骤:
5a、计算全部参考点来自APi(i=1,…,k)接收信号强度与RPr(r=1,…,N)来自APi接收信号强度之差,即
其中v=1,…,N,r=1,…,N。
5b、选出参考点即得到参考点RPv在条件属性APi下的邻域。
5c、重复5a~5b,得到全部参考点在全部条件属性下的邻域,即
其中为参考点RPv在条件属性APi下的邻域。
5d、计算参考点RPv(v=1,…,N)在所有条件属性下的邻域,即其中
5e、用决策属性将全部参考点划分成A个等价类
5f、计算每个等价类的下近似集合
5g、计算得到全部条件属性相对于决策属性的正域
统计Pos中的元素个数为n。
步骤六、计算全体条件属性AP的依赖度θ=n/N。
步骤七、去掉条件属性APi(i=1,…,k),应用步骤五的计算方法,计算除去APi的剩余条件属性相对于决策属性的正域,得到正域Posi,并记Posi中的元素个数为ni。
步骤八、计算条件属性APi的依赖度θi=ni/N。
步骤九、计算条件属性APi的重要度γi=θ-θi。
步骤十、重复步骤七~步骤九,得到每个条件属性APi(i=1,…,k)的依赖度θi(i=1,…,k)和重要度γi(i=1,…,k)。
步骤十一、计算每个条件属性APi(i=1,…,k)的权重由此权重可以得到每个AP的重要性程度。本专利设置α=0.001。
步骤十二、设置条件属性重要性控制参数α,遍历每个条件属性APi(i=1,…,k)的重要度γi(i=1,…,k),如果γi>α,则条件属性APi被保留;如果γi≤α,则条件属性APi被删除。
步骤十三、去除位置指纹数据库D中来自被删除的AP的数据,将位置指纹数据库D进行约简,得到约简后的数据库为
其中k'为剩余AP的个数。
步骤十四、应用约简后的位置指纹数据库D'进行区域定位。具体包括以下步骤。
14a、在测试点TPt(t=1,…,M)上采集来自剩余的APi(i=1,…,k')的接收信号强度本专利设置M=25。
14b、计算测试点TPt(t=1,…,M)与参考点RPr(r=1,…,N)上来自APi(i=1,…,k')接收信号强度之间的欧式距离,得到如下距离矩阵
其中
14c、计算测试点TPt(t=1,…,M)邻域半径δ't=σ't/λ',其中
λ'为邻域参数。本专利设置λ'=3。
14d、对于测试点TPt(t=1,…,M),寻找测试点邻域半径内的参考点,即
14e、在约简后的位置指纹数据库D'找到中参考点所在的子区域,参考点数最多的子区域即为区域定位的结果。
14f、重复步骤14c~14e,得到每个测试点TPt(t=1,…,M)所在的子区域。
Claims (3)
1.一种基于邻域粗糙集约简的室内区域定位方法,其特征在于,包括以下步骤:
步骤一、在待定位区域中部署k个无线接入点APi(i=1,…,k),且此k个AP位置固定。将待定位区域划分成A个子区域areaj(j=1,…,A)。
步骤二、在待定位区域均匀设置N个参考点RPr(r=1,…,N),M个测试点TPt(t=1,…,M)。
步骤三、将构建离线阶段的位置指纹数据库。首先,在参考点RPr(r=1,…,N)上采集来自APi(i=1,…,k)的接收信号强度并将无线接入点APi视作邻域粗糙集的条件属性;其次,记录参考点RPr隶属于的子区域arear(r=1,…,N),其中arear∈{area1,…,areaj}(j=1,…,A),并将子区域编号视作邻域粗糙集的决策属性;最后构建位置指纹数据库为
步骤四、首先,计算全部N个参考点上来自APi(i=1,…,k)接收信号强度的标准差其中其次,计算邻域粗糙集的邻域δi=σi/λ,其中λ为邻域参数。
步骤五、计算全部条件属性相对于决策属性的正域。
步骤六、计算全体条件属性AP的依赖度θ=n/N。
步骤七、去掉条件属性APi(i=1,…,k),应用步骤五的计算方法,计算除去APi的剩余条件属性相对于决策属性的正域,得到正域Posi,并记Posi中的元素个数为ni。
步骤八、计算条件属性APi的依赖度θi=ni/N。
步骤九、计算条件属性APi的重要度γi=θ-θi。
步骤十、重复步骤七~步骤九,得到每个条件属性APi(i=1,…,k)的依赖度θi(i=1,…,k)和重要度γi(i=1,…,k)。
步骤十一、计算每个条件属性APi(i=1,…,k)的权重由此权重可以得到每个AP的重要性程度。
步骤十二、设置条件属性重要性控制参数α,遍历每个条件属性APi(i=1,…,k)的重要度γi(i=1,…,k),如果γi>α,则条件属性APi被保留;如果γi≤α,则条件属性APi被删除。
步骤十三、去除位置指纹数据库D中来自被删除的AP的数据,将位置指纹数据库D进行约简,得到约简后的数据库为
其中k'为剩余AP的个数。
步骤十四、应用约简后的位置指纹数据库D'进行区域定位。
2.根据权利要求1所述的一种基于邻域粗糙集约简的室内区域定位方法,其特征在于,所述步骤五包括以下步骤:
步骤五(一)、计算全部参考点来自APi(i=1,…,k)接收信号强度与RPr(r=1,…,N)来自APi接收信号强度之差,即
其中v=1,…,N,r=1,…,N。
步骤五(二)、选出参考点即得到参考点RPv在条件属性APi下的邻域。
步骤五(三)、重复步骤五(一)和步骤五(二),得到全部参考在全部条件属性下的邻域,
即
其中为参考点RPv在条件属性APi下的邻域。
步骤五(四)、计算参考点RPv(v=1,…,N)在所有条件属性下的邻域,即其中
步骤五(五)、用决策属性将全部参考点划分成A个等价类
步骤五(六)、计算每个等价类的下近似集合
步骤五(七)、计算得到全部条件属性相对于决策属性的正域
统计Pos中的元素个数为n。
3.根据权利要求1所述的一种基于邻域粗糙集约简的室内区域定位方法,其特征在于,所述步骤十四包括以下步骤:
步骤十四(一)、在测试点TPt(t=1,…,M)上采集来自剩余的APi(i=1,…,k')的接收信号强度
步骤十四(二)、计算测试点TPt(t=1,…,M)与参考点RPr(r=1,…,N)上来自APi(i=1,…,k')接收信号强度之间的欧式距离,得到如下距离矩阵
其中
步骤十四(三)、计算测试点TPt(t=1,…,M)邻域半径δ′t=σ′t/λ',其中λ'为邻域参数。
步骤十四(四)、对于测试点TPt(t=1,…,M),寻找测试点邻域半径内的参考点,即
步骤十四(五)、在约简后的位置指纹数据库D'找到中参考点所在的子区域,参考点数最多的子区域即为区域定位的结果。
步骤十四(六)、重复步骤十四(三)~步骤十四(五),得到每个测试点TPt(t=1,…,M)所在的子区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810793921.6A CN108882192B (zh) | 2018-07-19 | 2018-07-19 | 一种基于邻域粗糙集约简的室内区域定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810793921.6A CN108882192B (zh) | 2018-07-19 | 2018-07-19 | 一种基于邻域粗糙集约简的室内区域定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108882192A true CN108882192A (zh) | 2018-11-23 |
CN108882192B CN108882192B (zh) | 2020-03-20 |
Family
ID=64303374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810793921.6A Active CN108882192B (zh) | 2018-07-19 | 2018-07-19 | 一种基于邻域粗糙集约简的室内区域定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108882192B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111935818A (zh) * | 2020-07-09 | 2020-11-13 | 重庆邮电大学 | 一种基于最大信息系数的模糊聚类冗余接入点约简方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080168436A1 (en) * | 2006-02-24 | 2008-07-10 | International Business Machines Corporation | System and method for matching multi-node software system provisioning requirements and capabilities using rough set theory |
CN102340811A (zh) * | 2011-11-02 | 2012-02-01 | 中国农业大学 | 无线传感器网络故障诊断方法 |
JP2012174125A (ja) * | 2011-02-23 | 2012-09-10 | Yamaguchi Univ | 防災計画支援システムとそのプログラム |
CN104298873A (zh) * | 2014-10-10 | 2015-01-21 | 浙江大学 | 一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法 |
CN106202886A (zh) * | 2016-06-29 | 2016-12-07 | 中国铁路总公司 | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 |
CN106851571A (zh) * | 2017-01-20 | 2017-06-13 | 华南理工大学 | 一种基于决策树的快速KNN室内WiFi定位方法 |
CN107180432A (zh) * | 2017-05-16 | 2017-09-19 | 重庆邮电大学 | 一种导航的方法和设备 |
CN107333238A (zh) * | 2017-07-03 | 2017-11-07 | 杭州电子科技大学 | 一种基于支持向量回归的室内指纹快速定位方法 |
CN107679368A (zh) * | 2017-09-11 | 2018-02-09 | 宁夏医科大学 | 基于遗传算法和变精度粗糙集的pet/ct高维特征级选择方法 |
-
2018
- 2018-07-19 CN CN201810793921.6A patent/CN108882192B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080168436A1 (en) * | 2006-02-24 | 2008-07-10 | International Business Machines Corporation | System and method for matching multi-node software system provisioning requirements and capabilities using rough set theory |
JP2012174125A (ja) * | 2011-02-23 | 2012-09-10 | Yamaguchi Univ | 防災計画支援システムとそのプログラム |
CN102340811A (zh) * | 2011-11-02 | 2012-02-01 | 中国农业大学 | 无线传感器网络故障诊断方法 |
CN104298873A (zh) * | 2014-10-10 | 2015-01-21 | 浙江大学 | 一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法 |
CN106202886A (zh) * | 2016-06-29 | 2016-12-07 | 中国铁路总公司 | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 |
CN106851571A (zh) * | 2017-01-20 | 2017-06-13 | 华南理工大学 | 一种基于决策树的快速KNN室内WiFi定位方法 |
CN107180432A (zh) * | 2017-05-16 | 2017-09-19 | 重庆邮电大学 | 一种导航的方法和设备 |
CN107333238A (zh) * | 2017-07-03 | 2017-11-07 | 杭州电子科技大学 | 一种基于支持向量回归的室内指纹快速定位方法 |
CN107679368A (zh) * | 2017-09-11 | 2018-02-09 | 宁夏医科大学 | 基于遗传算法和变精度粗糙集的pet/ct高维特征级选择方法 |
Non-Patent Citations (1)
Title |
---|
陈文刚: "基于邻域粗糙集属性约简算法的研究", 《中国优秀硕士学位论文库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111935818A (zh) * | 2020-07-09 | 2020-11-13 | 重庆邮电大学 | 一种基于最大信息系数的模糊聚类冗余接入点约简方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108882192B (zh) | 2020-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107948930B (zh) | 基于位置指纹算法的室内定位优化方法 | |
CN105223546B (zh) | 基于接收信号强度和参考点位置双聚类的室内定位方法 | |
CN106646338A (zh) | 一种快速精确的室内定位方法 | |
CN105044662B (zh) | 一种基于wifi信号强度的指纹聚类多点联合室内定位方法 | |
CN107333238B (zh) | 一种基于支持向量回归的室内指纹快速定位方法 | |
CN103916820B (zh) | 基于接入点稳定度的无线室内定位方法 | |
CN102186239B (zh) | 射频指纹定位方法、装置及网络设备 | |
CN108984785B (zh) | 一种基于历史数据和增量的指纹库的更新方法及装置 | |
CN108540929B (zh) | 基于rssi信号强度排序的室内指纹定位方法 | |
CN106851571B (zh) | 一种基于决策树的快速KNN室内WiFi定位方法 | |
CN105960021A (zh) | 一种改进的位置指纹室内定位方法 | |
CN111027140B (zh) | 基于多视角点云数据的飞机标准件模型快速重构方法 | |
CN112135248B (zh) | 一种基于K-means最优估计的WIFI指纹定位方法 | |
CN104581644B (zh) | 基于径向基插值的室内wlan指纹数据库多点自适应更新方法 | |
CN106646339A (zh) | 一种无线位置指纹室内定位中在线匹配定位方法 | |
CN108650626A (zh) | 一种基于泰森多边形的指纹定位算法 | |
CN108460486A (zh) | 一种基于改进聚类算法和神经网络的电压偏差预测方法 | |
CN108882172A (zh) | 一种基于hmm模型的室内移动轨迹数据的预测方法 | |
CN108495258A (zh) | 基于样本容量优化与方差分析的wlan室内定位方法 | |
CN108737979A (zh) | 一种室内定位方法 | |
Huang et al. | MAPS: Indoor localization algorithm based on multiple AP selection | |
CN108882192A (zh) | 一种基于邻域粗糙集约简的室内区域定位方法 | |
CN106162529B (zh) | 室内定位方法与装置 | |
CN112164144B (zh) | 一种结合d2算子和法向算子的铸件三维模型分类方法 | |
CN113645562B (zh) | 一种基于5g信号的室内大型商场智能指纹定位方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |