CN109522940A - 一种基于聚类-nmds的多目标定位方法 - Google Patents

Abstract

本发明涉及一种基于聚类‑NMDS的多目标定位方法，包括下列步骤：收集M个目标标签到N个阅读器的距离信息，生成数据样本集，从这M个数据样本中随机选取k个样本作为初始均值向量，选择平方欧式距离来度量数据样本集D的相似度；执行K‑means算法，根据数据样本集D中样本d_i到各初始均值向量的平方欧氏距离确定样本的簇类；分别针对每个簇类中的目标标签，将其和阅读器的距离差欧式距离建立相异矩阵，作为非度量多维标度算法的输入计算出簇类中目标标签和阅读器的相对坐标，由于阅读器的位置已知，通过坐标转换获得簇类C_j中目标标签的绝对坐标。

Description

一种基于聚类-NMDS的多目标定位方法

技术领域

本发明属于多目标的室内定位领域，先利用K-means聚类算法实现对目标标签的定位，然后再通过非度量多维标度算法实现对各类别中目标标签的定位。

背景技术

近年来，随着移动通信和物联网技术的高速发展，无线技术和与之相关的定位技术的研究和应用越来越广泛。定位技术的应用领域十分广泛，包含工业、农业、商业、军事等各个方面，从应用场景的不同可以分为室外和室内定位技术。目前世界上主流的室外定位系统有4个：美国的全球定位系统(GPS)、中国的北斗卫星导航系统(BDS)、俄罗斯的格洛纳斯卫星导航系统(GLONASS)和欧洲的伽利略卫星导航系统(GALILEO)。这些系统在室外环境下具有良好的定位性能，然而对于室内定位环境而言，卫星信号不能够穿透建筑物，同时室内环境十分复杂、障碍物多和人员的走动等问题，使得室内无线定位无法实现精度和稳健度的兼得。因此，室内定位技术的研究受到了广大研究学者的关注并且其应用需求也越来越广泛。

上世纪90年代开始，日趋成熟的室外定位技术激发了室内定位技术的发展，以此来弥补室外定位技术的不足。射频识别(RFID)为定位技术的重要载体，其还具有快速识别、穿透性强、数据容量大等优势，在未来的室内定位网络中将会发挥重要的作用。RFID定位系统由三种不同的实体组成，分别是：RFID标签、阅读器和服务器。RFID标签是一种带有天线和存储器的芯片，它附着在待定位目标上。阅读器收集并过滤从RFID标签传送过来的信号信息，并将这些信息传输到服务器。RFID标签分为有源和无源。顾名思义，有源RFID标签需要电源，能够主动发射电磁波，由于自身需要电源，因此维护成本较高；而无源RFID标签无需电源，它反射阅读器发射过来的信号。

最近几年的时间，人工智能技术的引入促进了室内定位技术飞速发展。多维标度算法作为机器学习中一种典型的降维算法，其充分利用数据之间的关系将高维度的数据空间转化为低维度的，然后再进行定位、分析等操作。聚类算法也是机器学习中一个重要的算法，它将一些高维度的数据通过其某一个特性进行分类，使得样本数据之间的关系简单化，但是有的时候会造成失真的现象。而多维标度算法是在保留数据之间原始关系的基础上进行的降维处理，这样的话将聚类算法与多维标度算法进行结合就可以实现更加高效的定位。

发明内容

本发明提供一种将聚类算法与多维标度算法进行结合的更加高效的定位方法，技术方案如下：

一种基于聚类-NMDS的多目标定位方法，包括下列步骤：

(1)收集M个目标标签到N个阅读器的距离信息，生成数据样本集D＝[d₁ d₂ …d_M]，从这M个数据样本中随机选取k个样本作为初始均值向量μ＝[μ₁ μ₂ … μ_k]，选择平方欧式距离来度量数据样本集D的相似度：

(2)执行K-means算法，根据数据样本集D中样本d_i到各初始均值向量μ_j(1≤j≤k)的平方欧氏距离确定样本的簇类，重复操作直到所有样本都划分到相应的簇类中，对应的k个簇类为{C₁,C₂,…,C_k}；

(3)分别计算k个簇类的均值向量若均值向量不发生改变则K-means算法结束；若改变则返回步骤(2)；

(4)分别针对每个簇类C_j，1≤j≤k，中的目标标签，将其和阅读器的距离差欧式距离建立相异矩阵P，作为非度量多维标度算法的输入计算出簇类C_j中目标标签和阅读器的相对坐标，由于阅读器的位置已知，通过坐标转换获得簇类C_j中目标标签的绝对坐标。

本发明的定位方法适用于存在大量目标标签存的定位，首先利用K-means算法对场景中的大量标签进行聚类，接着将标签和阅读器之间的距离差欧式距离与非度量多维标度算法相结合分别对每个簇类中的目标标签进行定位。仿真结果表明在类别数目选取合适的情况下，该算法与不使用聚类的多目标协同定位算法相比，其在降低一点定位精度的同时大量缩减了算法的运行时间，同时其定位误差小于最小二乘算法。

附图说明

图1本发明中的定位场景图。

图2本发明中K-means聚类算法流程图。

图3本发明中K-means聚类效果图。

图4使用本发明定位不同数目目标标签的平均耗时。

图5使用本发明定位不同数目目标标签的平均误差。

图6使用本发明的定位结果仿真图。

具体实施方式

下面结合附图对本发明所述的一种基于聚类-NMDS的多目标定位方法做进一步的描述。

1，图1示出了本发明所提算法的定位场景图，在10m×10m的室内环境中，4个阅读器的位置坐标分别为R₁(0,0)，R₂(10,0)，R₃(10,10)，R₄(0,10)，在场景中随机散落1000个目标标签。在基于达到相位差法的测距模型中，测得的目标标签和阅读器之间的距离与真实值会存在误差e，即：

其中，是目标标签和阅读器之间的真实距离；e是多径效应和高斯白噪声造成的测距误差，其概率分布函数近似服从均值等于0的高斯分布。

2，图2是K-means聚类算法流程图，具体执行步骤如下：

①输入数据样本集D，样本个数为M，从这M个数据样本中随机选取k个样本作为初始均值向量μ＝[μ₁ μ₂ … μ_k]；

②计算数据集D中样本d_i到各初始均值向量μ_j(1≤j≤k)的平方欧氏距离根据的最小值确定样本d_i的簇类：并将样本d_i放到簇类中；

③重复②，直到数据集D的所有样本都划分到相应的簇类中，对应的k个簇类为{C₁,C₂,…,C_k}；

④再次计算划分的簇类中的均值向量若再次计算的μ′_j与μ_j相同，那么K-means聚类算法结束；否则，将μ′_j设置为新的均值向量，重复步骤②、③、④，直到聚类的均值向量不改变。

⑤K-means算法结束后，将最后的聚类结果输出。

图3就是经过K-means聚类算法之后的效果图。

3，此时，我们得到的是分为多个簇类的目标标签，即在目标标签的数据当中又添加了一个簇类信息。依据簇类信息，我们可以得到每个簇类对应的标签的位置坐标和距离等信息，将目标标签和阅读器之间的距离差欧氏距离作为矩阵元素组成P，并作为非度量多维标度算法的输入：

再通过非度量多维标度算法得到每个待定位标签与阅读器之间的相对坐标，具体算法流程分为以下7个步骤：

(1)在目标标签的多维空间中选择初始位置坐标，初始坐标的选择方式可以为随机赋值或者通过经典多维标度计算产生，我们还需要设置胁强系数的阈值ε和循环定位的最大迭代次数k_max，并初始化迭代次数k＝0。

(2)进行k次迭代之后，我们会得到目标标签和阅读器组成位置向量的相对坐标，然后再计算相对位置向量中每个节点对之间的欧氏距离：

(3)对相异性矩阵[P_ij]和距离矩阵采用PAV(Pair‐Adjacent Violators)算法求得等级值矩阵PAV算法只需保证与P_ij之间满足弱单调性关系即可。

(4)令迭代次数k增加1，用所求得的来更新目标标签的相对坐标：

(5)使用更新后的位置坐标矩阵计算节点对间的欧氏距离

(6)计算更新后的和对应的胁强系数的大小。

(7)如果胁强系数＜ε或者k＞k_max时则终止迭代并输出相对位置向量，否则跳转到步骤3再次进行迭代运算，在本发明中我们设置ε＝10^-4，k_max＝200。

图4是本使用非度量多为标度算法和加入聚类的非度量多为标度算法再定位不同数目目标标签时平均耗时的对比图，图5是平均误差的对比图，可以看出，引入聚类后在定位精度相当情况下，大大减少了定位耗时。图5是基于聚类-NMDS的多目标定位方法与最小二乘法的定位仿真结果的对比图，所提算法在整体上比最小二乘法的定位精度要高。

Claims (1)

1.一种基于聚类-NMDS的多目标定位方法，包括下列步骤：

(1)收集M个目标标签到N个阅读器的距离信息，生成数据样本集D＝[d₁ d₂ … d_M]，从这M个数据样本中随机选取k个样本作为初始均值向量μ＝[μ₁ μ₂ … μ_k]，选择平方欧式距离来度量数据样本集D的相似度：

(2)执行K-means算法，根据数据样本集D中样本d_i到各初始均值向量μ_j(1≤j≤k)的平方欧氏距离确定样本的簇类，重复操作直到所有样本都划分到相应的簇类中，对应的k个簇类为{C₁,C₂,…,C_k}；

(3)分别计算k个簇类的均值向量若均值向量不发生改变则K-means算法结束；若改变则返回步骤(2)；

(4)分别针对每个簇类C_j，1≤j≤k，中的目标标签，将其和阅读器的距离差欧式距离建立相异矩阵P，作为非度量多维标度算法的输入计算出簇类C_j中目标标签和阅读器的相对坐标，由于阅读器的位置已知，通过坐标转换获得簇类C_j中目标标签的绝对坐标。