CN108882363A - 一种多方向采集结合聚类的WiFi指纹室内定位方法 - Google Patents

Abstract

本发明公开了一种多方向采集结合聚类的WiFi指纹室内定位方法，该方法包括步骤：(1)信号采集器选取东西南北四个方向进行信号强度值采集；(2)对步骤(1)中的信号强度值进行降噪处理；(3)对指纹数据进行聚类，建立索引，当最终元素筛选完毕后，对每一个位置指纹中的信号强度按从大到小进行排序；(4)根据步骤(3)中的每个聚类的集合，找到与带测点信号有相同H个最大值的类，采用K最近邻算法计算待测点的坐标位置。本发明采用多方向采集法以及降噪聚类方法进行指纹库制作，相比传统的指纹定位方法提高了15％的定位精度，并减少20％定位时间，有效解决传统的WiFi指纹定位过程中存在的数据处理不够合理、指纹库可靠性低和定位时效性差的缺点。

Description

一种多方向采集结合聚类的WiFi指纹室内定位方法

技术领域

本发明涉及一种多方向采集结合聚类的WiFi指纹室内定位方法，属于指纹室内定位方法技术领域。

背景技术

一直以来，“我在哪里”是人们普遍关注的问题。在室外我们可以利用GPS进行定位，但是当我们处在室内时，由于屋顶的遮挡，GPS信号严重衰减，导致无法定位。如何准确快速定位人员在室内的位置成为了现如今研究的热点和难点。

目前，主流的室内定位技术有蓝牙定位、超宽带定位、Zigbee定位、红外感应定位、WiFi定位等，但是其他定位方法大部分都需要特殊的硬件设施或者条件才能实现精准定位，而WiFi室内定位由于成本低廉，不需要额外的基础设施，易于实现等受到了广泛的青睐。基于WiFi的室内定位又分为基于传播模型的定位和基于RSSI的位置指纹定位。基于传播模型的定位由于需要无线信号在室内传播的模型导致了其在复杂的室内环境中并不适用，而基于RSSI的位置指纹技术由于不需要额外的硬件设施，易于实现等优点成为如今研究室内定位的热点。

如图1所示，基于RSSI的位置指纹定位分为两个阶段：1、离线阶段，2、在线阶段。其中离线阶段主要是建立WLAN信号强度向量和位置的对应关系，建立位置指纹库。而在线阶段则是根据实时采集的信号强度向量利用匹配算法寻找指纹库中与之最相接近的信号，并将其所代表的位置作为目标估计位置。

文献“室内定位系统中指纹库的优化方法”(马鑫迪等.西安电子科技大学学报，2015，42(06):81-87)提出利用K-means方法对采集信号进行降噪处理，提高了数据的可靠性，但是没有考虑人员对信号的影响；文献“基于层次聚类的WiFi室内位置指纹定位算法”(王怡婷，郭红.福州大学学报(自然科学版)，2017，45(01):8-15)利用层次聚类的方式，将采集的指纹数据进行分类，在匹配阶段在相应的类中匹配，提高了定位速度；文献“基于主成分分析的室内指纹定位模型”(陈祠,牟楠,张晨等.软件学报.2013，24(Suppl.(1)):98-107)等人提出主成分分析的方法，对指纹模型进行简化，减少指纹模型的复杂性，提高了定位的精度，改善了时效性；文献“一种新颖的利用空间多点匹配的wifi指纹定位方法”(WenLi,DongyanWei,HongYuan et al.ANovel Method of WiFi Fingerprint PositioningUsing Spatial Multi-points Matching[c].2016International Conference on IndoorPositioning and Indoor Navigation.4-7October 2016.译文：李玟，魏东彦，袁弘等。一种新颖的利用空间多点匹配的wifi指纹定位方法[c].2016届室内定位与室内导航国际会议.4-710.2016)针对wifi信号测量的不稳定性提出空间多点指纹算法，根据信号的分布特征和变化特征，进行多点联合定位，提高了定位的精度和稳定性。室内定位离线阶段指纹库的建立，对定位的精度和速度有很大影响，但是现如今大部分集中在在线阶段的匹配算法研究，对指纹库的建立研究较少，本文对指纹库的建立进行研究，提高定位的精度和速度。

发明内容

本发明要解决的技术问题是：提供一种多方向采集结合聚类的WiFi指纹室内定位方法，以解决上述现有技术中存在的问题。

本发明采取的技术方案为：一种多方向采集结合聚类的WiFi指纹室内定位方法，该方法包括以下步骤：

(1)信号采集器选取东西南北四个方向进行信号强度值采集；

(2)对步骤(1)中的信号强度值进行降噪处理：

定义待定位区域有m个AP，AP为无线发射器，有n个参考点，将每个待测点每个ap的每个方向信号作为一类，则共有4*mn类；降噪方法包括以下步骤：

1)首先，将单个AP单个方向采集的信号作为一类，即：

X＝{[x₁₁，x₁₂，…x_1j，…]，[x₂₁，x₂₂，…，x_2j，…]，…[x_i1，x_i2，…，x_ij，…][x_mn1，x_mn2，…，x_mnj，…]}

其中X为采集的mn组信号值组成的集合，x_ij为第i组第j个信号；

2)计算出每个集合的均值，并计算每个元素与均值之间的差值，判断是否大于μ：

γ_i为i组信号的均值作为初始质心，RSSI.length为该集合的长度，μ为信号噪声的阈值，当|RSSI_ij-γ_i|＞μ，表示该值为噪声，并剔除该信号强度值；

3)重复步骤2)，直到单个AP单个方向采集的信号的一类集合元素均满足要求停止，选择另一个集合重复步骤(2)，如果所有集合都满足，停止降噪处理，将此时的γ_i作为最终元素；

4)重复步骤2)-3)对每个方向同样处理，最终得到四个值，求得均值作为最终元素；

(3)对指纹数据进行聚类，建立索引，当最终元素筛选完毕后，对每一个位置指纹中的信号强度按从大到小进行排序，即：

AP＝[AP₁；RSSI₁，AP₂；RSSI₂，…，AP_N；RSSI_N]

其中，RSSI₁>RSSI₂>…>RSSI_N，把具有相同H个最强信号值的位置聚类为一个集合，即代表该类距离此H个发射器较近；

(4)根据步骤(3)中的每个聚类的集合，找到与带测点信号有相同H个最大值的类，采用K最近邻算法计算待测点的坐标位置为

d_i表示信号之间的欧氏距离，RSSI_i表示在线收集信号第i个信号强度，RSSI_Api表示位置指纹中与i对应的向量分量，(x，y)表示待测点坐标，(x_i，y_i)表示最近的点的坐标，在计算出K个参考点后，将归一化加权系数分别分配给对应的参考点坐标：

式中，d_i表示实时测量RSS样本与第i个近邻参考点的RSS欧氏距离；参数γ为归一化系数；β是为避免分数出现零设置的一个较小的正常数，取值小于0.5。

本发明的有益效果：与现有技术相比，本发明的效果如下：

(1)针对传统的WiFi指纹定位过程中存在的数据处理不够合理、指纹库可靠性低和定位时效性差的缺点，本发明采用多方向采集法以及降噪聚类方法进行指纹库制作，相比传统的指纹定位方法提高了15％的定位精度，并减少20％定位时间，这对于促进室内定位技术的发展有一定的积极作用；

(2)在室内由于多径效应，障碍多，室内环境复杂等问题会造成无线信号的不稳定，测量的某些信号值会偏离正常值过大，这些数值加入计算均值显然不合理，需要对这些数据进行滤波降噪处理；

(3)为减少匹配过程中的计算量，减少定位时间，对指纹数据进行聚类，建立索引，减少匹配的数据，提高速度；

(4)考虑到K个指纹距离实时测量的信号的差别，其贡献也不相同，故不同的点所提供的信号强度权重也应该不同，原本的K最近邻算法不区分权重，会造成参考指纹过于单一，定位结果不稳定，误差过大，因此，本发明采取加权最近邻算法，在计算出K个参考点后，将归一化加权系数分别分配给对应的参考点坐标，从而定位结果更稳定，误差更小。

附图说明

图1是WiFi定位的流程示意图；

图2是多方向信号采集示意图；

图3是AP信号强度随时间变化示意图；

图4是降噪原理示意图；

图5是实验场地平面示意图；

图6是未优化的指纹库定位示意图；

图7是H＝1优化过后指纹库定位示意图；

图8是H＝2优化过后指纹库定位示意图；

图9是H＝3优化过后指纹库定位示意图；

图10是H＝4优化过后指纹库定位示意图；

图11是数据定位结果分析示意图。

具体实施方式

下面结合附图及具体的实施例对本发明进行进一步介绍。

实施例1：一种多方向采集结合聚类的WiFi指纹室内定位方法，该方法包括以下步骤：

(1)由于WiFi通信协议采用的是IEEE 802.11，其信号频率为2.4GHz,而人体组成成分有70％是水，而水的共振频率与WLAN信号频率相同，故人体是WLAN信号传播过程中的一个非常重要的干扰源，而在数据采集的过程中，单方向采集往往忽略人员的参与对信号的影响，为改善这点，进行多方向采集，如图2所示，信号采集员手持信号采集器，在同一个参考点分别面对不同的方向进行多组信号采集，由于考虑到角度偏转过小，信号差距过小，故选取东西南北四个方向进行采集；

采集结果如表1所示，从表中可以看出，同一个AP不同方向同一时间接收信号强度差异很明显，均值各不相同，且最大值和最小值的波动范围也不相同，考虑到方向的因素，提出多方向采集；

表1同一位置同一AP不同方向接收信号强度对比

信号强度	东	西	南	北
					最大值(dbm)	-45	-48	-46	-52
最小值(dbm)	-58	-67	-56	-60
					平均值(dbm)	-50	-54	-48	58

(2)对步骤(1)中的信号强度值进行降噪处理：

在室内由于多径效应，障碍多，室内环境复杂等问题会造成无线信号的不稳定，测量的某些信号值会偏离正常值过大，如图3所示，这些数值加入计算均值显然不合理，需要对这些数据进行滤波处理，定义待定位区域有m个AP，AP为无线发射器，有n个参考点，将每个待测点每个ap的每个方向信号作为一类，则共有4*mn类；降噪方法包括以下步骤：

1)首先，将单个AP单个方向采集的信号作为一类，即：

X＝{[x₁₁，x₁₂，…x_1j，…]，[x₂₁，x₂₂，…，x_2j，…]，…[x_i1，x_i2，…，x_ij，…][x_mn1，x_mn2，…，x_mnj，…]}

其中X为采集的mn组信号值组成的集合，x_ij为第i组第j个信号；

2)计算出每个集合的均值，并计算每个元素与均值之间的差值，判断是否大于μ：

γ_i为i组信号的均值作为初始质心，RSSI.length为该集合的长度，μ为信号噪声的阈值，当|RSSI_ij-γ_i|＞μ，表示该值为噪声，并剔除该信号强度值，如图4所示；

3)重复步骤2)，直到单个AP单个方向采集的信号的一类集合元素均满足要求停止，选择另一个集合重复步骤(2)，如果所有集合都满足，停止降噪处理，将此时的γ_i作为最终元素；

4)重复步骤2)-3)对每个方向同样处理，最终得到四个值，求得均值作为最终元素；

(3)为减少匹配过程中的计算量，减少定位时间，对指纹数据进行聚类，建立索引，减少匹配的数据，提高速度，当最终元素筛选完毕后，对每一个位置指纹中的信号强度按从大到小进行排序，即：

AP＝[AP₁；RSSI₁，AP₂；RSSI₂，…，AP_N；RSSI_N]

其中，RSSI₁>RSSI₂>…>RSSI_N，由于无线信号在空间中的传播有递减的特性，故离AP发射器越近，其收到信号强度越大，把具有相同H个最强信号值的位置聚类为一个集合，即代表该类距离此H个发射器较近，定位阶段，把收到的信从大到小排序后在相应的类中进行匹配，实现快速定位；

(4)根据步骤(3)中的每个聚类的集合，找到与带测点信号有相同H个最大值的类，采用K最近邻算法(KNN算法)计算，传统的K最近邻算法，是先计算实时测量的RSSI样本与指纹库对应的RSSI值之间的欧氏距离，然后找出K个距离最小的位置指纹，则待测点的坐标位置为

d_i表示信号之间的欧氏距离，RSSI_i表示在线收集信号第i个信号强度，RSSI_Api表示位置指纹中与i对应的向量分量，(x，y)表示待测点坐标，(x_i，y_i)表示最近的点的坐标，但是考虑到K个指纹距离实时测量的信号的差别，其贡献也不相同，故不同的点所提供的信号强度权重也应该不同，原本的K最近邻算法不区分权重，会造成参考指纹过于单一，定位结果不稳定，误差过大，因此提出WKNN(加权最近邻算法)，在计算出K个参考点后，将归一化加权系数分别分配给对应的参考点坐标：

式中，d_i表示实时测量RSS样本与第i个近邻参考点的RSS欧氏距离；参数γ为归一化系数；β是为避免分数出现零设置的一个较小的正常数，取值小于0.5，定义加权系数值与信号欧式距离值成反比，保证欧式距离测量越小，参考点坐标权重越大，位置加权系数改善了KNN算法定位结果不稳定问题，在一定程度上提高定位精度。

为了验证方法的有效性，实验如下：

实验所使用的信号采集工具为小米note2，实验区域为一条长为20m、宽2m的走廊和两间面积为60m²左右的实验室，如图5为实验区域平面图。

平均每隔4m设置一个参考节点，我们设定每个参考点的每个方向均采集30次，每次采集间隔1s，并对采集的数据利用降噪聚类算法进行“除噪”及聚类，得到改进的最终指纹库，并将其与按行进方向进行单方向采集的数据及均值处理后得到的指纹库作为对比，随机抽取了如图5的两点作为待定位节点，各个方向随机测量共30组数据，其中每个参考点测量15个数据，并分别对H＝1、2、3、4时指纹库和原始指纹库运用WKNN算法进行定位仿真，并记录定位结果。仿真结果如图6、7、8、9、10所示。

由图6、7、8、9、10中可以看到，在指纹库未优化的情况下，定位点分布较为离散。而在优化过的指纹库里，定位点分布有了较好的聚集性。从图11中我们可以看到：在两个定位点定位的过程中，使用未优化的指纹库进行定位，误差在三米以内的概率大概为78％。而使用优化过后的指纹库进行定位精度差距并不大，误差在三米以内的概率按H从小到大分别为为91％，87％，90％，90％。利用系统的运行定位实际时间得出如下表格：

表2、实验区域定位平均时间比较

表中运行总时间为系统开始调用函数到返回所有值消耗的时间，自用时间指算法计算所用的时间。从表中我们可以看出，当H＝1时，由最大的AP作为分类依据，运行总时间和自用时间都有了相应程度的提高，但是并不明显，这是由于分类少，每类元素多，导致提速不明显；当H＝2，3时，分类相应增多，但是相应类元素个数少，比较每个元素的复杂度大于类之间比较复杂度，故速度有了相当提升，速度分别提升了9％、20％；当H＝4后，时间又开始下降，说明索引过长，提速不明显，所以实验选取H＝3。总体来说，定位速度相比于原始指纹库都有了提升，这是由于基于改进方法建立的指纹库减少了算法匹配阶段匹配数据的个数，缩短了仿真所需要的时间，并且随着定位区域的不断扩大，快速性越来越明显。

针对传统的WiFi指纹定位过程中存在的数据处理不够合理、指纹库可靠性低、定位时效性差的缺点，提出改进的方法：多方向采集法以及降噪加聚类算法，并用matlab进行了仿真实验，结果表明：本发明的方法与传统的制作指纹库方法相比提高了15％的定位精度并减少20％定位时间，这对于促进室内定位技术的发展有一定的积极作用。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (1)

1.一种多方向采集结合聚类的WiFi指纹室内定位方法，其特征在于：该方法包括以下步骤：

(1)信号采集器选取东西南北四个方向进行信号强度值采集；

(2)对步骤(1)中的信号强度值进行降噪处理：

定义待定位区域有m个AP，AP为无线发射器，有n个参考点，将每个待测点每个ap的每个方向信号作为一类，则共有4*mn类；降噪方法包括以下步骤：

1)首先，将单个AP单个方向采集的信号作为一类，即：

X＝{[x₁₁，x₁₂，…x_1j，…]，[x₂₁，x₂₂，…，x_2j，…]，…[x_i1，x_i2，…，x_ij，…][x_mn1，x_mn2，…，x_mnj，…]}

其中X为采集的mn组信号值组成的集合，x_ij为第i组第j个信号；

2)计算出每个集合的均值，并计算每个元素与均值之间的差值，判断是否大于μ：

|RSSI_ij-γ_i|＞μ

γ_i为i组信号的均值作为初始质心，RSSI.length为该集合的长度，μ为信号噪声的阈值，当|RSSI_ij-γ_i|＞μ，表示该值为噪声，并剔除该信号强度值；

3)重复步骤2)，直到单个AP单个方向采集的信号的一类集合元素均满足要求停止，选择另一个集合重复步骤(2)，如果所有集合都满足，停止降噪处理，将此时的γ_i作为最终元素；

4)重复步骤2)-3)对每个方向同样处理，最终得到四个值，求得均值作为最终元素；

(3)对指纹数据进行聚类，建立索引，当最终元素筛选完毕后，对每一个位置指纹中的信号强度按从大到小进行排序，即：

AP＝[AP₁；RSSI₁，AP₂；RSSI₂，…，AP_N；RSSI_N]

其中，RSSI₁>RSSI₂>…>RSSI_N，把具有相同H个最强信号值的位置聚类为一个集合，即代表该类距离此H个发射器较近；

(4)根据步骤(3)中的每个聚类的集合，找到与带测点信号有相同H个最大值的类，采用K最近邻算法计算待测点的坐标位置为

d_i表示信号之间的欧氏距离，RSSI_i表示在线收集信号第i个信号强度，RSSI_Api表示位置指纹中与i对应的向量分量，(x，y)表示待测点坐标，(x_i，y_i)表示最近的点的坐标，在计算出K个参考点后，将归一化加权系数分别分配给对应的参考点坐标：

式中，d_i表示实时测量RSS样本与第i个近邻参考点的RSS欧氏距离；参数γ为归一化系数；β是为避免分数出现零设置的一个较小的正常数，取值小于0.5。