CN109511085B - 一种基于MeanShift和加权k近邻算法的UWB指纹定位方法 - Google Patents

一种基于MeanShift和加权k近邻算法的UWB指纹定位方法 Download PDF

Info

Publication number
CN109511085B
CN109511085B CN201811267410.7A CN201811267410A CN109511085B CN 109511085 B CN109511085 B CN 109511085B CN 201811267410 A CN201811267410 A CN 201811267410A CN 109511085 B CN109511085 B CN 109511085B
Authority
CN
China
Prior art keywords
fingerprint
data
point
center
database
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.)
Active
Application number
CN201811267410.7A
Other languages
English (en)
Other versions
CN109511085A (zh
Inventor
李世银
杜钟祥
朱媛
李宗艳
王晓明
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.)
FIRST PEOPLE'S HOSPITAL OF XUZHOU
China University of Mining and Technology CUMT
Original Assignee
FIRST PEOPLE'S HOSPITAL OF XUZHOU
China University of Mining and Technology CUMT
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 FIRST PEOPLE'S HOSPITAL OF XUZHOU, China University of Mining and Technology CUMT filed Critical FIRST PEOPLE'S HOSPITAL OF XUZHOU
Priority to CN201811267410.7A priority Critical patent/CN109511085B/zh
Publication of CN109511085A publication Critical patent/CN109511085A/zh
Application granted granted Critical
Publication of CN109511085B publication Critical patent/CN109511085B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/14—Determining absolute distances from a plurality of spaced points of known location
    • 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

Abstract

本发明公开了一种一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，包括离线建立数据库阶段和在线数据匹配阶段，离线建立数据库阶段是利用MeanShift将UWB基站的测距值划分为不同的子类，获得聚类后的指纹数据库；在线数据匹配阶段是将待测指纹的测距值与指纹数据库进行匹配，并通过加权k近邻算法估算待测指纹位置。本发明方法采用UWB基站测距值作为指纹量，利用MeanShift算法构建指纹库，与传统指纹库相比可靠性更高，同时利用加权k近邻算法估算待测目标的物理位置，有效提高了指纹定位的精度和稳健性。

Description

一种基于MeanShift和加权k近邻算法的UWB指纹定位方法
技术领域
本发明涉及一种UWB指纹定位算法，特别是一种基于MeanShift和加权k近邻算法的UWB指纹定位方法。
背景技术
近年来，随着信息技术的快速发展，基于位置的服务受到了广泛的关注。目前，基于全球定位系统(Global Positioning System,GPS)的室外定位精度已达米级，全球覆盖率高达98％以上，但在室内环境中，GPS信号受阻，定位精度急剧下降，GPS技术将不再适用。因此，室内定位技术的研究日益受到关注，目前常见的室内定位技术主要有超声波定位技术、红外线定位技术、RFID技术、WiFi技术、超宽带技术等。
超宽带(Ultra-wideband,UWB)技术是利用窄带脉冲来进行数据传输的，该技术的时间分辨率高，可以获取高精度TOF(Time of Fight)数据，从而得到精确的测距信息，因此UWB技术已经成为大量室内定位研究者亲睐的对象。基于UWB的定位技术中，常见的定位方法有三角测量定位和位置指纹定位。三角测量定位方法需要获取准确的基站位置信息，当室内环境较为复杂时，信号传播多径效应以及非视距环境会导致三角测量定位精度下降；相比起来，位置指纹技术不需要获取基站位置信息，在非视距环境下依然可以取得较好的定位精度，是室内定位最为广泛的研究方法。
发明内容
本发明提供了一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，选用测距值作为指纹量，通过加权k近邻算法实现目标定位。
为解决上述技术问题，本发明采用了如下技术手段：
一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，包括离线建立数据库阶段和在线数据匹配阶段，离线建立数据库阶段是利用MeanShift算法将UWB基站的测距值划分为不同的子类，获得聚类后的指纹数据库；在线数据匹配阶段是将待测指纹的测距值与指纹数据库进行匹配，并通过加权k近邻算法估算待测指纹位置。
进一步的，所述的离线建立数据库阶段具体步骤如下：
S1、在实验区域中布置n个UWB基站，同时将实验区域划分为m个网格；
S2、每个网格作为一个数据采集区域，在每个数据采集区域连续采集100组数据，每组数据包括一个UWB测距值和对应的数据采集点物理位置，建立位置指纹数据库LF；
S3、对数据库LF中的100组数据进行均值滤波，得到m个指纹量；
S4、利用MeanShift算法对S3获取的指纹量进行聚类处理，得到聚类后的指纹数据库。
进一步的，上述的步骤S4的具体操作如下：
S41、输入m个指纹数据，随机选择一个指纹数据点作为中心点center；
S42、找出与center距离在bandwidth之内的所有数据点，将这些数据点记做集合M，同时认为这些数据点属于簇C1；
S43、以center为中心，计算从center开始到集合M中每个元素的向量，并将这些向量相加得到总向量Shift；
S44、令center＝center+Shift，即中心点center沿着向量Shift的方向移动||Shift||距离；
S45、重复步骤S42、S43、S44，直到距离||Shift||小于规定阈值A1，记录此时的中心点center，并将过程中访问的所有的点都归类到簇C1；
S46、在不属于簇C1的指纹数据点中随机选择一个新的中心点center，重复步骤S42、S43、S44、S45，直到所有数据点都被标记访问；
S47、聚类过程中，如果当前簇Ck中心点与其他已经存在的簇Cl中心点的距离小于阈值A2，将簇Ck和Cl合并，否则，把Ck作为新的聚类，类别数目加1；
S48、初始状态下，第i个指纹数据点属于簇Ck的概率
Figure BDA0001845224660000021
簇Ck每访问一次数据点i，将数据点i属于簇Ck的概率加1，即
Figure BDA0001845224660000022
比较每个指纹数据点属于每个簇的概率，取概率最大的那个簇作为该指纹数据点的所属类，获得聚类后的指纹数据库。
进一步的，所述的在线数据匹配阶段具体步骤如下：
S1、待测指纹实时获取UWB基站的测距值，将待测指纹的测距值与聚类后指纹数据库中的数据进行匹配，找到跟其欧式距离最接近的子类；
S2、采用加权k近邻算法，根据步骤S1选定的子类中各个指纹点位置估算待测指纹位置。
进一步的，上述的步骤S2的具体操作如下：
S21、分别计算待测指纹点到子类中K个近邻指纹点的指纹间距离和子类中心点到子类中K个近邻指纹点的指纹间距离；
S22、根据以上两种距离对待测指纹位置的影响设置权重系数：
Figure BDA0001845224660000031
其中，li是子类中第i个指纹点到子类中心点的指纹间距离，di为子类中第i个指纹点指纹到待测指纹点的指纹间距离；
S23、对子类中的指纹位置求加权平均，得到待测指纹位置坐标
Figure BDA0001845224660000032
Figure BDA0001845224660000033
其中，(xi,yi)表示子类中第i个指纹点物理位置坐标。
采用以上技术手段后可以获得以下优势：
本发明提供了一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，与传统基于RSSI的指纹定位算法相比，传统算法RSSI值波动较大，指纹信息不可靠，容易导致定位精度不足的问题，本发明方法采用UWB基站测距值作为指纹量，利用MeanShift算法构建指纹库，与传统指纹库相比可靠性更高。通过实验发现利用加权k近邻算法估算待测目标的物理位置，在视距和非视距环境中均可以达到厘米级定位精度，有效提高了指纹定位的精度和稳健性，更适合用于非视距环境。
附图说明
图1是本发明一种基于MeanShift和加权k近邻算法的UWB指纹定位方法的流程示意图。
图2是本发明一种基于MeanShift和加权k近邻算法的UWB指纹定位方法的室内指纹点分布示意图。
图3是本发明一种基于MeanShift和加权k近邻算法UWB指纹定位方法的子类和测试点示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明：
一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，如图1所示，包括离线建立数据库阶段和在线数据匹配阶段。在离线建立指纹数据库阶段,利用超宽带测距设备在每个指纹点连续获取100组数据，均值滤波后存入指纹库，指纹库建立完成后，利用MeanShift聚类算法将指纹库划分为若干子类。在线数据匹配阶段，将待定位目标处实时获取的测距值与聚类后的指纹进行匹配，找到与其最匹配的子类，然后运用加权k近邻算法，根据子类中指纹点位置估算待定位目标位置。
如图2所示，本具体实施例将实验场景设置在徐州国家高新区大学创业园B座10楼走廊，在240*800cm区域内进行定位实验。
离线建立数据库阶段具体步骤如下：
S1、在实验区域中布置4个UWB基站，分别布置在区域的4个顶角处；同时将实验区域划分为30个网格，每个网格大小为80*80cm，取每个网格的中心点作为参考指纹点。
S2、每个网格作为一个数据采集区域，在每个数据采集区域接受4个基站的测距值，连续采集100组数据，每组数据包括一个UWB测距值和对应的数据采集点物理位置，建立位置指纹数据库LF,其中，(xi,yi)表示第i个指纹点物理位置，
Figure BDA0001845224660000042
表示第i个指纹点接收到第j个UWB基站的测距值，i＝1,2,...,30，j＝1,2,3,4。
S3、对数据库LF中的100组数据进行均值滤波，得到30个指纹量，每个指纹量包含该指纹物理坐标和该指纹到4个UWB基站的测距值，指纹数据库LF如下表所示：
Figure BDA0001845224660000041
表1纹数据库LF
S4、利用MeanShift算法对S3获取的指纹量进行聚类处理，得到聚类后的指纹数据库；具体操作如下：
S41、输入表1中的30个指纹数据，随机选择一个指纹数据点作为中心点center。
S42、找出与center距离在260cm之内的所有数据点，将这些数据点记做集合M，同时认为这些数据点属于簇C1。
S43、以center为中心，计算从center开始到集合M中每个元素的向量，并将这些向量相加得到总向量Shift。
S44、令center＝center+Shift，即中心点center沿着向量Shift的方向移动||Shift||距离。
S45、重复步骤S42、S43、S44，直到距离||Shift||小于规定阈值A1，A1应该设置的尽可能小，保证迭代效果尽可能好，本实施例设置A1为10cm，记录此时的中心点center，并将过程中访问的所有的点都归类到簇C1。
S46、在不属于簇C1的指纹数据点中随机选择一个新的中心点center，重复步骤S42、S43、S44、S45，直到所有数据点都被标记访问。
S47、聚类过程中，如果当前簇Ck中心点与其他已经存在的簇Cl中心点的距离小于阈值A2，将簇Ck和Cl合并，否则，把Ck作为新的聚类，类别数目加1；A2是根据具体实验要求设定的，本具体实施例设置A2为210cm。
S48、初始状态下，第i个指纹数据点属于簇Ck的概率
Figure BDA0001845224660000051
簇Ck每访问一次数据点i，将数据点i属于簇Ck的概率加1，即
Figure BDA0001845224660000052
比较每个指纹数据点属于每个簇的概率，取概率最大的那个簇作为该指纹数据点的所属类，获得聚类后的指纹数据库，本具体实施例将30个指纹数据分为了5个子类C1、C2、C3、C4、C5，每个子类包含5-7个指纹点，并计算每个子类的中心位置。
在线数据匹配阶段设置了1个测试点，如图3所示，具体步骤如下：
S1、待测指纹实时获取UWB基站的测距值，将待测指纹的测距值与聚类后指纹数据库中的数据进行匹配，找到跟其欧式距离最接近的子类C3。
S2、采用加权k近邻算法，根据步骤S1选定的子类中各个指纹点位置估算待测指纹位置；具体操作如下：
S21、本具体实施例实验区域较小，在子类C3中只有7个指纹点，选择子类中所有点进行计算，分别计算待测指纹点到子类中7个指纹点的指纹间距离和子类中心点到子类中7个指纹点的指纹间距离。
S22、根据以上两种距离对待测指纹位置的影响设置权重系数：
Figure BDA0001845224660000061
其中，li是子类中第i个指纹点到子类中心点的指纹间距离，di为子类中第i个指纹点指纹到待测指纹点的指纹间距离。
S23、对子类中的指纹位置求加权平均，得到待测指纹位置坐标
Figure BDA0001845224660000062
Figure BDA0001845224660000063
其中，(xi,yi)表示子类中第i个指纹点物理位置坐标。
上面结合附图对本发明的实施方式作了详细地说明，但是本发明并不局限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (3)

1.一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，其特征在于，包括离线建立数据库阶段和在线数据匹配阶段，离线建立数据库阶段是利用MeanShift算法将UWB基站的测距值划分为不同的子类，获得聚类后的指纹数据库；在线数据匹配阶段是将待测指纹的测距值与指纹数据库进行匹配，并通过加权k近邻算法估算待测指纹位置；
所述的离线建立数据库阶段具体步骤如下：
S1、在实验区域中布置n个UWB基站，同时将实验区域划分为m个网格；
S2、每个网格作为一个数据采集区域，在每个数据采集区域连续采集100组数据，每组数据包括一个UWB测距值和对应的数据采集点物理位置，建立位置指纹数据库LF；
S3、对数据库LF中的100组数据进行均值滤波，得到m个指纹量；
S4、利用MeanShift算法对S3获取的指纹量进行聚类处理，得到聚类后的指纹数据库，具体操作如下：
S41、输入m个指纹数据，随机选择一个指纹数据点作为中心点center；
S42、找出与center距离在bandwidth之内的所有数据点，将这些数据点记做集合M，同时认为这些数据点属于簇C1；
S43、以center为中心，计算从center开始到集合M中每个元素的向量，并将这些向量相加得到总向量Shift；
S44、令center＝center+Shift，即中心点center沿着向量Shift的方向移动||Shift||距离；
S45、重复步骤S42、S43、S44，直到距离||Shift||小于规定阈值A1，记录此时的中心点center，并将过程中访问的所有的点都归类到簇C1；
S46、在不属于簇C1的指纹数据点中随机选择一个新的中心点center，重复步骤S42、S43、S44、S45，直到所有数据点都被标记访问；
S47、聚类过程中，如果当前簇Ck中心点与其他已经存在的簇Cl中心点的距离小于阈值A2，将簇Ck和Cl合并，否则，把Ck作为新的聚类，类别数目加1；
S48、初始状态下，第i个指纹数据点属于簇Ck的概率
Figure FDA0002609515750000011
簇Ck每访问一次数据点i，将数据点i属于簇Ck的概率加1，即
Figure FDA0002609515750000012
比较每个指纹数据点属于每个簇的概率，取概率最大的那个簇作为该指纹数据点的所属类，获得聚类后的指纹数据库。
2.根据权利要求1所述的一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，其特征在于，所述的在线数据匹配阶段具体步骤如下：
S1、待测指纹实时获取UWB基站的测距值，将待测指纹的测距值与聚类后指纹数据库中的数据进行匹配，找到跟其欧式距离最接近的子类；
S2、采用加权k近邻算法，根据步骤S1选定的子类中各个指纹点位置估算待测指纹位置。
3.根据权利要求2所述的一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，其特征在于，所述的步骤S2的具体操作如下：
S21、分别计算待测指纹点到子类中K个近邻指纹点的指纹间距离和子类中心点到子类中K个近邻指纹点的指纹间距离；
S22、根据以上两种距离对待测指纹位置的影响设置权重系数：
Figure FDA0002609515750000021
其中，li是子类中第i个指纹点到子类中心点的指纹间距离，di为子类中第i个指纹点指纹到待测指纹点的指纹间距离；
S23、对子类中的指纹位置求加权平均，得到待测指纹位置坐标
Figure FDA0002609515750000022
Figure FDA0002609515750000023
其中，(xi,yi)表示子类中第i个指纹点物理位置坐标。
CN201811267410.7A 2018-10-29 2018-10-29 一种基于MeanShift和加权k近邻算法的UWB指纹定位方法 Active CN109511085B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811267410.7A CN109511085B (zh) 2018-10-29 2018-10-29 一种基于MeanShift和加权k近邻算法的UWB指纹定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811267410.7A CN109511085B (zh) 2018-10-29 2018-10-29 一种基于MeanShift和加权k近邻算法的UWB指纹定位方法

Publications (2)

Publication Number Publication Date
CN109511085A CN109511085A (zh) 2019-03-22
CN109511085B true CN109511085B (zh) 2020-09-22

Family

ID=65746952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811267410.7A Active CN109511085B (zh) 2018-10-29 2018-10-29 一种基于MeanShift和加权k近邻算法的UWB指纹定位方法

Country Status (1)

Country Link
CN (1) CN109511085B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110166930A (zh) * 2019-04-03 2019-08-23 华中科技大学 一种基于WiFi信号的室内定位方法及系统
CN110300372A (zh) * 2019-07-11 2019-10-01 桂林电子科技大学 一种基于位置指纹的wifi室内定位方法
CN110636437B (zh) * 2019-09-05 2021-02-02 哈尔滨工程大学 一种基于指纹对的辅助定位方法
CN110602651B (zh) * 2019-09-20 2022-02-01 北京智芯微电子科技有限公司 基于wifi位置指纹的定位方法以及机器人的定位系统
CN111726765B (zh) * 2020-05-29 2021-08-03 山西大学 一种面向大规模复杂场景的wifi室内定位方法及系统
CN113784280B (zh) * 2021-07-28 2022-06-14 中国矿业大学 一种基于WiFi指纹的消防员室内定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740347A (zh) * 2016-01-25 2016-07-06 四川长虹电器股份有限公司 基于gps的用户信息采集与行为分析方法
CN105960021A (zh) * 2016-07-07 2016-09-21 济南东朔微电子有限公司 一种改进的位置指纹室内定位方法
CN106842155A (zh) * 2017-01-17 2017-06-13 北京工业大学 一种基于空间插值和聚类分析的无线固定发射源定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9553813B2 (en) * 2014-07-23 2017-01-24 Cisco Technology, Inc. Selectively employing dynamic traffic shaping

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740347A (zh) * 2016-01-25 2016-07-06 四川长虹电器股份有限公司 基于gps的用户信息采集与行为分析方法
CN105960021A (zh) * 2016-07-07 2016-09-21 济南东朔微电子有限公司 一种改进的位置指纹室内定位方法
CN106842155A (zh) * 2017-01-17 2017-06-13 北京工业大学 一种基于空间插值和聚类分析的无线固定发射源定位方法

Also Published As

Publication number Publication date
CN109511085A (zh) 2019-03-22

Similar Documents

Publication Publication Date Title
CN109511085B (zh) 一种基于MeanShift和加权k近邻算法的UWB指纹定位方法
CN103402258B (zh) 一种基于Wi‑Fi的室内定位系统和方法
Shin et al. Enhanced weighted K-nearest neighbor algorithm for indoor Wi-Fi positioning systems
KR102116824B1 (ko) 딥러닝 기반 측위 시스템 및 이의 구축 방법
CN109672973B (zh) 一种基于最强ap的室内定位融合方法
CN105704652B (zh) 一种wlan/蓝牙定位中的指纹库采集和优化方法
Laoudias et al. Localization using radial basis function networks and signal strength fingerprints in WLAN
CN104080165B (zh) 一种基于tdoa的室内无线传感器网络定位方法
CN106093852A (zh) 一种提高WiFi指纹定位精度与效率的方法
CN103167606B (zh) 基于稀疏表示的wlan室内定位方法
CN105120433A (zh) 基于连续采样及模糊聚类处理的wlan室内定位方法
CN103987118B (zh) 基于接收信号强度信号ZCA白化的接入点k‑means聚类方法
CN110542915B (zh) 一种基于载波相位欧式距离分析的室内导航定位方法
CN109348416B (zh) 基于二分k均值的指纹室内定位方法
CN104038901A (zh) 一种减少指纹数据采集工作量的室内定位方法
CN108307301A (zh) 基于rssi测距和轨迹相似性的室内定位方法
CN110933604B (zh) 基于位置指纹时序特征的knn室内定位方法
CN112533136B (zh) 一种基于深度学习的wlan指纹定位方法
CN112584311B (zh) 一种基于wknn融合的室内三维空间指纹定位方法
CN102480784A (zh) 一种指纹定位误差的评估方法和系统
Abdou et al. An efficient indoor localization system based on Affinity Propagation and Support Vector Regression
CN112729301A (zh) 一种基于多源数据融合的室内定位方法
CN111405461B (zh) 一种优化等间隔指纹采样个数的无线室内定位方法
CN106954190A (zh) 一种基于指数映射域的wifi室内定位方法
Badawy et al. Decision tree approach to estimate user location in WLAN based on location fingerprinting

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