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 PDFInfo
- 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
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
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:
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;
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,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:
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:
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。
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;
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。
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)
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)
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)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9553813B2 (en) * | 2014-07-23 | 2017-01-24 | Cisco Technology, Inc. | Selectively employing dynamic traffic shaping |
-
2018
- 2018-10-29 CN CN201811267410.7A patent/CN109511085B/zh active Active
Patent Citations (3)
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 |