CN110458205A - 一种改进的基于wlan室内定位的pca聚类方法 - Google Patents

一种改进的基于wlan室内定位的pca聚类方法 Download PDF

Info

Publication number
CN110458205A
CN110458205A CN201910665056.1A CN201910665056A CN110458205A CN 110458205 A CN110458205 A CN 110458205A CN 201910665056 A CN201910665056 A CN 201910665056A CN 110458205 A CN110458205 A CN 110458205A
Authority
CN
China
Prior art keywords
fingerprint
signal
algorithm
data
point
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.)
Withdrawn
Application number
CN201910665056.1A
Other languages
English (en)
Inventor
胡楠
任逸颖
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.)
Nanjing Post and Telecommunication University
Original Assignee
Nanjing Post and Telecommunication University
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 Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201910665056.1A priority Critical patent/CN110458205A/zh
Publication of CN110458205A publication Critical patent/CN110458205A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Probability & Statistics with Applications (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种改进的基于WLAN室内定位的PCA聚类方法，其特征在于，所述方法包括如下步骤：在定位区进行离线阶段采集信号；采集信号RSSI的信号强度，获取目标指纹和参考指纹的对应位置坐标点的指纹信号强度；建立原始指纹数据库；利用PCA算法对原始RSSI信号数据降维提取主要定位特征提高定位效率；通过K‑means++聚类算法对降维后的主要定位特征聚类处理，得到聚类后的数据；利用PAC算法对目标指纹的信号强度进行降维；将降维后的目标指纹信号强度与聚类后的数据通过最近邻法进行分类；在线阶段通过改进加权K近邻加权匹配算法得到目标指纹的位置；使得定位精度更加准确，并通过改进的加权K近邻算法来提高定位精度。

Description

一种改进的基于WLAN室内定位的PCA聚类方法
技术领域
本发明涉及一种改进的基于WLAN室内定位的PCA聚类方法，属于WLAN室内定位技术领域。
背景技术
早在2000年左右，国外的研究机构就已经开始了基于WiFi的室内定位技术的研究。数据使用某种匹配算法进行定位匹配。因此在离线阶段中构建的性能良好的指纹数据库以及在在线阶段选择合理有效的算法是影响定位性能的两个最主要因素。而因为室内环境的复杂多变、无线信号的时变性等的影响，怎样提高上述指纹数据库的性能以及如何选取合适的定位算法有待进一步的研究。数据使用某种匹配算法进行定位匹配。因此在离线阶段中构建的性能良好的指纹数据库以及在在线阶段选择合理有效的算法是影响定位性能的两个最主要因素；在离线指纹数据库的建立阶段，由于信号在传播过程中不可避免地会受到多径效应、阴影效应等因素的影响，在相同位置上接收到某个AP的RSSI值会随着时间的推移有不同程度的波动变化，在这种RSSI信号的统计下，很可能出现相邻几个指纹点之间的RSSI信号均值比较相近。传统的K-means聚类算法由于聚类中心的随机选取，可能导致出现局部最优的结果，传统的加权k近邻算法只考虑信号的欧式距离，不能很好的反映各位置点间物理距离的问题。
发明内容
本发明的目的在于提供一种改进的基于WLAN室内定位的PCA聚类方法，以解决现有技术中导致的由于聚类中心的随机选取，可能导致出现局部最优的结果，传统的加权k近邻算法只考虑信号的欧式距离，不能很好的反映各位置点间物理距离的缺陷。
一种改进的基于WLAN室内定位的PCA聚类方法，所述方法包括如下步骤：
在定位区进行离线阶段采集信号；
采集信号RSSI的信号强度，获取目标指纹和参考指纹的对应位置坐标点的指纹信号强度；
根据采集的参考指纹的对应位置坐标点AP的指纹信号强度及位置坐标，建立原始指纹数据库；
利用PCA算法对原始RSSIX信号数据降维提取主要定位特征提高定位效率；
通过K-means++聚类算法对降维后的主要定位特征聚类处理，得到聚类后的数据；
利用PAC算法对目标指纹的信号强度进行降维；
将降维后的目标指纹信号强度与聚类后的数据通过最近邻法进行分类；
在线阶段通过改进加权K近邻加权匹配算法得到目标指纹的位置。
进一步的，所述离线阶段信号采集包括如下步骤：
根据室内分布特点以及AP点的覆盖范围在定位区设置AP点；
在室内选取采样点；
在采样点处采集一段时间的WiFi信号强度RSSI数据。
进一步的，所述AP点在定位区域布置有7个，经过PCA变换并选取保留其99％主成分后得到新的定位特征数据维度为6。
进一步的，所述K-means++聚类算法包括如下步骤：
S1.从输入的数据点集合中随机选择一个点作为第一个聚类中心；
S2.对于数据集中的每一个点x，计算它与最近聚类中心的距离D(x)；
S3.选择一个D(x)较大的数据点作为新的聚类中心；
S4.重复步骤S2和步骤S3直到选出k个初始的聚类中心；
S5.利用k个初始的聚类中心来运行标准的k-means算法。
进一步的，所述目标指纹对应位置指纹的信号强度在进行改进的加权K近邻算法之前先通过近邻分类算法，将目标指纹对应位置指纹的信号强度进行分类。
进一步的，所述参考指纹是在离线采集阶段采集的若干采样点处的指纹数据。
进一步的，所述目标指纹就是待定位点移动终端实时采集的用来确定其位置的指纹数据。
进一步的，所述信号RSSI在传播时，通过主成分分析PCA提取定位特征，解决存在的多径效应和时延效应，提取主要的定位特征数据。
与现有技术相比，本发明所达到的有益效果：使用PCA进行主成分分析，不仅解决了由于信号在传播过程中不可避免地会受到多径效应、阴影效应等因素的影响，在相同位置上接收到某个AP的RSSI值会随着时间的推移有不同程度的波动变化，在这种RSSI信号的统计下，很可能出现相邻几个指纹点之间的RSSI信号均值比较相近的问题，还压缩了数据维度，然后又通过K-means++聚类，来去对信号进行聚类，与传统的K-means相比，聚类中心选择相对比较合理，避免了局部最优的情况，使用最近邻分类更是将目标信号直接分到已经聚类好的某个类别中，使得定位精度更加准确，最后通过改进的加权K近邻算法该算法在信号距离的计算中引入了接收信号强度的方差，然后，根据接收信号强度和物理距离之间的非线性关系引入加权系数，设计了一种信号加权欧式距离，最后，利用信号加权欧式距离进行指纹匹配和位置估计，明显提高定位精度。
附图说明
图1为根据实施例的本发明所适用的简单网络拓扑示意图；
图2为本发明实施降低维度时所对应的图；
图3不同建立指纹数据库方法定位误差累积概率分布图；
图4定位误差对比图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
如图1-4所示，公开了一种改进的基于WLAN室内定位的PCA聚类方法，所述方法包括如下步骤：
步骤1，在定位区进行离线阶段采集信号，这个阶段主要是为了完成定位区域的指纹数据库构建工作。获取目标指纹和参考指纹的对应位置坐标点的指纹信号强度；
步骤2，采集信号RSSI的信号强度，获取目标指纹和参考指纹的对应位置坐标点的指纹信号强度以及对应的物理坐标位置信息，位置指纹主要分为目标指纹和参考指纹；目标指纹就是待定位点移动终端实时采集的用来确定其位置的指纹数据，即AP的信号强度；参考指纹就是在离线采集阶段采集的若干采样点处的指纹数据如下分别表示目标指纹T和参考指纹R。
这里的其中n表示移动终端通信范围内AP的个数，IDi表示第i个AP的ID，一般用AP的物理地址充当AP的ID，RSSIi表示第i个AP的信号强度。
N表示离线采集阶段在采样点处移动终端检测到AP的个数，rssii表示采集阶段移动终端接受到第i个AP的信号强度。
步骤3，根据采集的参考指纹的对应位置坐标点的AP点指纹信号强度及位置坐标，建立原始指纹数据库；
步骤4，利用PCA算法对原始RSSI信号数据降维提取主要定位特征提高定位效率，通过PCA变换选取保留其99％信息的主成分，将定位特征的维数有7维变成了数据维数为6的新的定位特征数据；
步骤5，通过K-means++聚类算法对降维后的主要定位特征聚类处理，得到聚类后的数据；
步骤6，利用PAC算法对目标指纹的信号强度进行降维；
步骤7，将降维后的目标指纹信号强度与聚类后的数据通过最近邻法进行分类；
步骤8，在线阶段通过改进加权K近邻加权匹配算法得到目标指纹的位置；通过改进的加权K近邻算法可以有效的避免了只考虑信号距离带来的不足，该算法在信号距离的计算中引入接收信号强度的方差，传统的加权K近邻的信号距离为
其中，当q＝1时，Di为曼哈顿距离；当q＝2时，Di为欧氏距离(本文仿真采用欧氏距离)；Di越小，就表示待定位点与参考点间的信号强度距离越近，改进后的引入接收信号强度的方差，根据接收信号强度和物理距离之间的非线性关系引入加权系数。
具体的，离线阶段信号采集包括如下步骤：
根据室内分布特点以及AP点的覆盖范围在定位区设置AP点；
在室内选取采样点；
在采样点处采集一段时间的WiFi信号强度RSSI数据。
具体的，在步骤5中K-means++算法的基本思想，初始的聚类中心之间的相互距离要尽可能远。相对于传统的K-means算法的初始聚类中心选择的随机性，由于可能导致局部最优情况做出了合理的分配，该算法包括如下步骤：
S1.从输入的数据点集合中随机选择一个点作为第一个聚类中心；
S2.对于数据集中的每一个点x，计算它与最近聚类中心(指已选择的聚类中心)的距离D(x)；
S3.选择一个D(x)较大的数据点作为新的聚类中心，选择的原则是：D(x)较大的点，被选取作为聚类中心的概率较大；
S4.重复步骤S2和步骤S3直到选出k个初始的聚类中心；
S5.利用k个初始的聚类中心来运行标准的k-means算法。
具体的，在进行步骤6时，目标指纹对应位置指纹的信号强度在进行改进的加权K上近邻加权算法之前先通过近邻分类算法，将目标指纹对应位置指纹的信号强度进行分类。
在步骤2中，由于信号RSSI在传播时，不可避免地受到多径效应，阴影效应，在相同位置上接收某个AP的RSSI值会随着时间的推移有不同程度的波动变化，通过主成分分析PCA提取定位特征，解决可能存在的多径效应和时延效应，还压缩了数据维度。
在步骤1中，具体的包括离线指纹采集阶段：这个阶段主要是为了完成定位区域的指纹数据库构建工作。获取目标指纹和参考指纹的对应位置坐标点的指纹信号强度；首先在定位区域布置7个AP点，布置的AP点要考虑到定位区域的室内分布特点以及各个AP点的覆盖范围，AP点的布置也是影响定位精度的主要因素之一。然后在室内选取一定的采样点，在每个采样点处采集一段时间的WiFi信号强度RSSI数据，采样点的选取也要遵循室内的环境分布，尽量做到均匀采样。参考指纹采集的若干采样点处的指纹数据。目标指纹就是待定位点移动终端实时采集的用来确定其位置的指纹数据，即AP的信号强度
本方法通过如下实施进一步说明：通过主成分分析PCA来去降低采集信号的维度，如图2所示，是保留99％的主成分分析的主成分的直方图。PCA主成分分析同时可以避免了因为多径效应，多径时延可能存在的信号采集误差，然后又通过K-means++算法对目标指纹信号强度进行聚类，即将指纹数据库分为RM1，RM2……..RMk，又通过，最近邻算法来实现将目标指纹信号RSSI分别分类到RMc中，c包含1，2、、、k)，如图3所示，是四种融合定位方法的误差累积概率分布图。最后通过改进的K加权算法，该算法的特点在于不仅要知道信号间的欧式距离，引入接收信号强度的方差，根据接收信号强度和物理距离之间的非线性关系引入加权系数，如图4不同的融合定位算法下定位误差图。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种改进的基于WLAN室内定位的PCA聚类方法，其特征在于，所述方法包括如下步骤：
在定位区进行离线阶段采集信号；
采集信号RSSI的信号强度，获取目标指纹和参考指纹的对应位置坐标点的指纹信号强度；
根据采集的参考指纹的对应位置坐标点AP的指纹信号强度及位置坐标，建立原始指纹数据库；
利用PCA算法对原始RSSI信号数据降维提取主要定位特征提高定位效率；
通过K-means++聚类算法对降维后的主要定位特征聚类处理，得到聚类后的数据；
利用PAC算法对目标指纹的信号强度进行降维；
将降维后的目标指纹信号强度与聚类后的数据通过最近邻法进行分类；
在线阶段通过改进加权K近邻算法得到目标指纹的位置。
2.根据权利要求1所述的改进的基于WLAN室内定位的PCA聚类方法，其特征在于，所述离线阶段信号采集包括如下步骤：
根据室内分布特点以及AP点的覆盖范围在定位区设置AP点；
在室内选取采样点；
在采样点处采集一段时间的WiFi信号强度RSSI数据。
3.根据权利要求2所述的改进的基于WLAN室内定位的PCA聚类方法，其特征在于，所述AP点在定位区域布置有7个，经过PCA变换并选取保留其99％主成分后得到新的定位特征数据维度为6。
4.根据权利要求1所述的改进的基于WLAN室内定位的PCA聚类方法，其特征在于，所述K-means++聚类算法包括如下步骤：
S1.从输入的数据点集合中随机选择一个点作为第一个聚类中心；
S2.对于数据集中的每一个点x，计算它与最近聚类中心的距离D(x)；
S3.选择一个D(x)较大的数据点作为新的聚类中心；
S4.重复步骤S2和步骤S3直到选出k个聚类中心；
S5.利用k个初始的聚类中心来运行标准的k-means算法。
5.根据权利要求1所述的改进的基于WLAN室内定位的PCA聚类方法，其特征在于，所述目标指纹对应位置指纹的信号强度在进行改进的加权K近邻算法之前先通过近邻分类算法，将目标指纹对应位置指纹的信号强度进行分类。
6.根据权利要求1所述的改进的基于WLAN室内定位的PCA聚类方法，其特征在于，所述参考指纹是在离线采集阶段采集的若干采样点处的指纹数据。
7.根据权利要求1所述的改进的基于WLAN室内定位的PCA聚类方法，其特征在于，所述目标指纹就是待定位点移动终端实时采集的用来确定其位置的指纹数据，即AP点信号强度。
8.根据权利要求1所述的改进的基于WLAN室内定位的PCA聚类方法，其特征在于，所述信号RSSI在传播时，通过主成分分析PCA提取定位特征，解决存在的多径效应和时延效应，提取主要的定位特征数据。
CN201910665056.1A 2019-07-23 2019-07-23 一种改进的基于wlan室内定位的pca聚类方法 Withdrawn CN110458205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910665056.1A CN110458205A (zh) 2019-07-23 2019-07-23 一种改进的基于wlan室内定位的pca聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910665056.1A CN110458205A (zh) 2019-07-23 2019-07-23 一种改进的基于wlan室内定位的pca聚类方法

Publications (1)

Publication Number Publication Date
CN110458205A true CN110458205A (zh) 2019-11-15

Family

ID=68483111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910665056.1A Withdrawn CN110458205A (zh) 2019-07-23 2019-07-23 一种改进的基于wlan室内定位的pca聚类方法

Country Status (1)

Country Link
CN (1) CN110458205A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191703A (zh) * 2019-12-24 2020-05-22 北京百卓网络技术有限公司 一种无线局域网络流量分析的方法和系统
CN111225146A (zh) * 2020-01-16 2020-06-02 深圳市广道高新技术股份有限公司 基于无线感知的安防辅助监控方法、系统及存储介质
CN112966567A (zh) * 2021-02-05 2021-06-15 深圳市品致信息科技有限公司 一种基于pca和聚类和k近邻的坐标定位方法、系统、存储介质、终端
CN113259847A (zh) * 2021-07-01 2021-08-13 南京邮电大学 一种基于特征优化和LightGBM的室内定位方法
CN113645562A (zh) * 2021-06-30 2021-11-12 南京邮电大学 一种基于5g信号的室内大型商场智能指纹定位方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191703A (zh) * 2019-12-24 2020-05-22 北京百卓网络技术有限公司 一种无线局域网络流量分析的方法和系统
CN111225146A (zh) * 2020-01-16 2020-06-02 深圳市广道高新技术股份有限公司 基于无线感知的安防辅助监控方法、系统及存储介质
CN111225146B (zh) * 2020-01-16 2021-07-09 深圳市广道高新技术股份有限公司 基于无线感知的安防辅助监控方法、系统及存储介质
CN112966567A (zh) * 2021-02-05 2021-06-15 深圳市品致信息科技有限公司 一种基于pca和聚类和k近邻的坐标定位方法、系统、存储介质、终端
CN112966567B (zh) * 2021-02-05 2021-12-10 深圳市品致信息科技有限公司 一种基于pca和聚类和k近邻的坐标定位方法、系统
CN113645562A (zh) * 2021-06-30 2021-11-12 南京邮电大学 一种基于5g信号的室内大型商场智能指纹定位方法
CN113645562B (zh) * 2021-06-30 2022-11-15 南京邮电大学 一种基于5g信号的室内大型商场智能指纹定位方法
CN113259847A (zh) * 2021-07-01 2021-08-13 南京邮电大学 一种基于特征优化和LightGBM的室内定位方法

Similar Documents

Publication Publication Date Title
CN110458205A (zh) 一种改进的基于wlan室内定位的pca聚类方法
CN108540929B (zh) 基于rssi信号强度排序的室内指纹定位方法
CN109672973B (zh) 一种基于最强ap的室内定位融合方法
CN106131959B (zh) 一种基于Wi-Fi信号空间划分的两级定位方法
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
CN105338498A (zh) 一种WiFi室内定位系统中指纹库的构建方法
CN106851571B (zh) 一种基于决策树的快速KNN室内WiFi定位方法
CN107182036A (zh) 基于多维特征融合的自适应位置指纹定位方法
CN111479231A (zh) 一种用于毫米波大规模mimo系统的室内指纹定位方法
CN107071743A (zh) 一种基于随机森林的快速KNN室内WiFi定位方法
CN107807346A (zh) 基于ott与mr数据的自适应wknn室外定位方法
CN103796305A (zh) 一种基于Wi-Fi位置指纹的室内定位方法
CN104602342A (zh) 一种基于iBeacon设备的高效室内定位方法
CN110351660B (zh) 一种基于双步指纹匹配架构的蓝牙室内定位方法
CN103916820A (zh) 基于接入点稳定度的无线室内定位方法
CN106646339A (zh) 一种无线位置指纹室内定位中在线匹配定位方法
CN105472733A (zh) 一种应用于室内定位中的基于ap选择定位方法
CN112163636B (zh) 基于孪生神经网络的电磁信号辐射源的未知模式识别方法
CN105916202A (zh) 一种概率性的WiFi室内定位指纹库构建方法
CN109803274A (zh) 一种天线方位角优化方法和系统
CN111050282A (zh) 一种多次模糊推理加权knn定位方法
Huang et al. MAPS: Indoor localization algorithm based on multiple AP selection
Zhong et al. WiFi indoor localization based on K-means
CN108632763A (zh) 一种基于WiFi指纹的室内定位加权K近邻方法
CN111757257B (zh) 一种克服设备差异的动态模糊匹配室内定位方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20191115