CN110569892B - 一种泛在定位信号静态定位方法及系统 - Google Patents

一种泛在定位信号静态定位方法及系统 Download PDF

Info

Publication number
CN110569892B
CN110569892B CN201910800740.6A CN201910800740A CN110569892B CN 110569892 B CN110569892 B CN 110569892B CN 201910800740 A CN201910800740 A CN 201910800740A CN 110569892 B CN110569892 B CN 110569892B
Authority
CN
China
Prior art keywords
cluster
clusters
distance
inter
positioning
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
CN201910800740.6A
Other languages
English (en)
Other versions
CN110569892A (zh
Inventor
张振兵
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201910800740.6A priority Critical patent/CN110569892B/zh
Publication of CN110569892A publication Critical patent/CN110569892A/zh
Application granted granted Critical
Publication of CN110569892B publication Critical patent/CN110569892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种泛在定位信号静态定位方法及系统，首先，通过在静态情况下接收泛在定位信号的定位结果；然后，对所述接收到的所有定位结果进行聚类处理，接着，从聚类结果中选出包含近似准确定位结果的目标簇；最后，通过对所述目标簇中的所有定位结果进行加权平均处理，获得当前定位结果。从而解决了静态情况下泛在定位信号由于环境复杂性出现的定位结果跳变的问题，并达到提高泛在定位信号静态定位的精度和稳定性的效果。

Description

一种泛在定位信号静态定位方法及系统
技术领域
本发明涉及定位技术领域，具体涉及一种泛在定位信号静态定位方法及系统。
背景技术
基于位置的服务(location-based services)具有诸多的应用市场，包括智能反向寻车、紧急救援等，在室内外定位领域中非常普遍，越来越受到人们的关注。然而由于室内外定位环境的复杂性，容易导致静态定位结果的跳变，因此有关室内外静态定位方法的研究已成为一个迫切需要解决的科学问题，相关室内外静态定位方法和技术成果不断涌现。
目前，常用的室内外定位方法与系统，其中大多数采用基于信号的方法，因为它是开展定位的基础要素。基于信号的定位方法与系统利用信号所负载的信息或所构成的信息，在接收端通过相应的解算算法建立信号与位置依赖关系，进而获得定位结果。
本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：
现有技术中，由于环境的复杂性，静态定位结果发生巨大的跳变。
由此可知，现有技术中的方法存在由于环境复杂性导致的静态定位结果产生跳变的问题。
发明内容
有鉴于此，本发明提供了一种泛在定位信号静态定位方法及系统，用以解决或者至少部分解决现有技术中的方法存在由于环境复杂性导致的静态定位结果产生跳变的问题。
为了解决上述技术问题，本发明提供了一种泛在定位信号静态定位方法，包括：
步骤S1：获取一个或多个静态定位坐标，将每一个静态定位坐标作为一个初始簇；
步骤S2：判断簇的数量是否满足预设值，或者簇是否满足设定条件，当簇的数量满足预设值或者簇满足设定条件时，则执行步骤S4，否则执行步骤S3；
步骤S3：计算任意两个簇的簇间距离，根据计算出的簇间距离，合并簇间距离最小的两个簇，然后返回步骤S2；
步骤S4：筛选出聚类簇距离满足预设参数的簇，获得包含目标簇的集合S，其中，聚类簇距离为合并成当前簇的两个簇的簇间距离；
步骤S5：根据集合S中包含的簇中的样本数量，选择数量最多的簇作为目标簇；
步骤S6：对目标簇包含的所有样本的定位结果进行加权平均，获得最终静态定位结果。
在一种实施方式中，步骤S3具体包括：
步骤S3.1：根据公式(1)计算任意两个簇(Cm，Cn)包含的两个样本之间的距离，公式(1)的形式如下：
Figure BDA0002182230900000021
其中，(Xi，Yi，Zi)和(Xj，Yj，Zj)分别代表簇Cm中的样本i的特征和簇Cn中的样本j的特征；
步骤S3.2：根据任意两个样本之间的距离，基于公式(2)计算任意两个簇的簇间距离，公式(2)的形式如下：
Figure BDA0002182230900000022
其中，davg(Cm，Cn)代表Cm和Cn两个簇的簇间距离，Cm和Cn代表两个簇，|Cm|代表簇Cm中的样本数量，|Cn|代表簇Cn中的样本数量，i和j分别代表簇Cm和Cn中的一个样本，dij代表样本i和j之间的距离；
步骤S3.3：根据计算出的簇间距离，合并簇间距离最小的两个簇，然后返回步骤S2。
在一种实施方式中，步骤S4具体包括：根据公式(3)筛选出聚类簇距离满足预设参数的簇，获得包含目标簇的集合S，公式(3)的形式如下：
S＝{Ci|D(Ci)＜Threshold} (3)
其中，S代表一个包含目标簇的集合，Ci代表第i个簇，D(Ci)代表Ci的聚类簇距离，Threshold代表一个预设参数值。
在一种实施方式中，步骤S5具体包括：通过公式(4)选择数量最多的簇作为目标簇，其中，公式(4)的形式如下：
CObj＝Max(S)(4)
其中，CObj代表目标簇，Max(S)代表从集合S中寻找出具有最多样本数量的簇。
在一种实施方式中，步骤S6具体包括：通过公式(5)对目标簇包含的所有样本的定位结果进行加权平均，获得最终静态定位结果，其中，公式(5)的形式如下：
Figure BDA0002182230900000031
Figure BDA0002182230900000032
其中，(X，Y，Z)代表最终获得的当前定位结果，(Xi，Yi，Zi)代表目标簇CObj中第i个样本的坐标，Pi代表第i个样本的权重，n代表目标簇中的样本数量。
基于同样的发明构思，本发明第二方面提供了一种泛在定位信号静态定位系统，包括：
静态定位坐标获取模块，用于获取一个或多个静态定位坐标，将每一个静态定位坐标作为一个初始簇；
聚类条件判断模块，用于判断簇的数量是否满足预设值，或者簇是否满足设定条件，当簇的数量满足预设值或者簇满足设定条件时，则转至目标簇集合获得模块，否则转至簇间距离计算模块；
簇间距离计算模块，用于计算任意两个簇的簇间距离，根据计算出的簇间距离，合并簇间距离最小的两个簇，然后返回聚类条件判断模块；
目标簇集合获得模块，用于筛选出聚类簇距离满足预设参数的簇，获得包含目标簇的集合S，其中，聚类簇距离为合并为当前簇的两个簇的簇间距离；
目标簇选择模块，用于根据集合S中包含的簇中的样本数量，选择数量最多的簇作为目标簇；
定位模块，用于对目标簇包含的所有样本的定位结果进行加权平均，获得最终静态定位结果。
在一种实施方式中，簇间距离计算模块具体用于执行下述步骤：
步骤S3.1：根据公式(1)计算任意两个簇(Cm，Cn)包含的两个样本之间的距离，公式(1)的形式如下：
Figure BDA0002182230900000041
其中，(Xi，Yi，Zi)和(Xj，Yj，Zj)分别代表簇Cm中的样本i的特征和簇Cn中的样本j的特征；
步骤S3.2：根据任意两个样本之间的距离，基于公式(2)计算任意两个簇的簇间距离，公式(2)的形式如下：
Figure BDA0002182230900000042
其中，davg(Cm，Cn)代表Cm和Cn两个簇的簇间距离，Cm和Cn代表两个簇，|Cm|代表簇Cm中的样本数量，|Cn|代表簇Cn中的样本数量，i和j分别代表簇Cm和Cn中的一个样本，dij代表样本i和j之间的距离；
步骤S3.3：根据计算出的簇间距离，合并簇间距离最小的两个簇，然后返回步骤S2。
在一种实施方式中，目标簇集合获得模块具体用于：根据公式(3)筛选出聚类簇距离满足预设参数的簇，获得包含目标簇的集合S，公式(3)的形式如下：
S＝{Ci|D(Ci)＜Threshold} (3)
其中，S代表一个包含目标簇的集合，Ci代表第i个簇，D(Ci)代表Ci的聚类簇距离，Threshold代表一个预设参数值。
基于同样的发明构思，本发明第二方法提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现第一方面所述的方法。
基于同样的发明构思，本发明第二方法提供了一种计算机设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面所述的方法。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明提供的一种泛在定位信号静态定位方法，首先，获取一个或多个静态定位坐标，将每一个静态定位坐标作为一个初始簇；然后，判断簇的数量是否满足预设值，或者簇是否满足设定条件，当簇的数量满足预设值或者簇满足设定条件时，则筛选出聚类簇距离满足预设参数的簇，获得包含目标簇的集合S，否则，计算任意两个簇的簇间距离，根据计算出的簇间距离，合并簇间距离最小的两个簇；在获得包含目标簇的集合S之后，根据集合S中包含的簇中的样本数量，选择数量最多的簇作为目标簇；最后，对目标簇包含的所有样本的定位结果进行加权平均，获得最终静态定位结果。
由于本发明可以通过在静态情况下接收泛在定位信号的定位结果后，对所述接收到的所有定位结果进行聚类处理，接着可以从聚类结果中选出包含近似准确定位结果的簇的集合S，并根据集合S中包含的簇中的样本数量，选择数量最多的簇作为目标簇，即得到了包含近似准确定位结果的簇，最后通过对所述目标簇中的所有定位结果进行加权平均处理，获得当前定位结果，避免了由于环境复杂性导致的静态定位结果产生跳变的问题，故而可以得到精度高和稳定性好的定位结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种泛在定位信号静态定位方法的流程示意图；
图2为具体示例中本发明的方法的算法原理图；
图3为本发明实施例中一种泛在定位信号静态定位系统的结构框图；
图4为本发明实施例中一种计算机可读存储介质的结构框图；
图5为本发明实施例中计算机设备的结构图。
具体实施方式
本发明的目的在于针对现有技术中由于环境的复杂性，静态定位结果发生巨大的跳变的问题，提出一种泛在定位信号静态定位方法，从而达到提高定位精度和稳定性的技术效果。
为达到上述技术效果，本发明的主要构思如下：
首先通过在静态情况下接收泛在定位信号的定位结果；然后对所述接收到的所有定位结果进行聚类处理，接着从聚类结果中选出包含近似准确定位结果的目标簇；最后通过对所述目标簇中的所有定位结果进行加权平均处理，获得当前定位结果。从而解决了静态情况下泛在定位信号由于环境复杂性出现的定位结果跳变的问题，并达到提高泛在定位信号静态定位的精度和稳定性的效果。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明欲保护的范围。
实施例一
本实施例提供了一种泛在定位信号静态定位方法，请参见图1，该方法包括：
步骤S1：获取一个或多个静态定位坐标，将每一个静态定位坐标作为一个初始簇。
具体来说，本发明一个或多个静态定位坐标即为静态定位结果，并将每一个静态定位坐标作为一个初始簇，多个静态定位坐标即可以得到多个初始簇，初始簇的聚类簇距离为0。
步骤S2：判断簇的数量是否满足预设值，或者簇是否满足设定条件，当簇的数量满足预设值或者簇满足设定条件时，则执行步骤S4，否则执行步骤S3。
具体来说，步骤S1中构成了一个或多个初始簇，步骤S2则是判断是否满足聚类条件，条件1：簇的数量是否满足预设值，是限定簇的个数，条件2：设定条件，是判断簇间距离最小的两个簇的簇间距离是否超过设定的阈值。两个条件为“或”关系，满足其中一个，则结束聚类，两个都未满足，则进行聚类。其中，预设值可以根据实际情况进行设置，例如1、2等等。设定的阈值也可以根据实际情况进行设置，例如2、3等等。
步骤S3：计算任意两个簇的簇间距离，根据计算出的簇间距离，合并簇间距离最小的两个簇，然后返回步骤S2。
具体来说，当簇的数量未满足预设值且簇未满足设定条件时，则进行聚类操作，本实施方式根据簇间距离来合并簇。其中，簇间距离可以是最小距离、最大距离、平均距离或者其他距离。样本间距离可以是欧氏距离、曼哈顿距离或者其他距离。
在一种实施方式中，步骤S3具体包括：
步骤S3.1：根据公式(1)计算任意两个簇(Cm，Cn)包含的两个样本之间的距离，公式(1)的形式如下：
Figure BDA0002182230900000071
其中，(Xi，Yi，Zi)和(Xj，Yj，Zj)分别代表簇Cm中的样本i的特征和簇Cn中的样本j的特征；
步骤S3.2：根据任意两个样本之间的距离，基于公式(2)计算任意两个簇的簇间距离，公式(2)的形式如下：
Figure BDA0002182230900000072
其中，davg(Cm，Cn)代表Cm和Cn两个簇的簇间距离，Cm和Cn代表两个簇，|Cm|代表簇Cm中的样本数量，|Cn|代表簇Cn中的样本数量，i和j分别代表簇Cm和Cn中的一个样本，dij代表样本i和j之间的距离；
步骤S3.3：根据计算出的簇间距离，合并簇间距离最小的两个簇，然后返回步骤S2。
具体来说，本实施方式采用的是欧式距离和平均距离的度量方式，通过公式(1)可以计算属于Cm和Cn两个簇中任意两个样本之间的距离，基于公式(1)的计算结果，通过公式(2)可以计算任意两个簇的簇间距离，在此基础上，合并簇间距离最近的两个簇。
步骤S4：筛选出聚类簇距离满足预设参数的簇，获得包含目标簇的集合S，其中，聚类簇距离为合并成当前簇的两个簇的簇间距离。
具体来说，预设参数可以根据情况预先设置，例如设置为2和3等等，初始簇的聚类簇距离为0。
其中，步骤S4具体包括：根据公式(3)筛选出聚类簇距离满足预设参数的簇，获得包含目标簇的集合S，公式(3)的形式如下：
S＝{Ci|D(Ci)＜Threshold} (3)
其中，S代表一个包含目标簇的集合，Ci代表第i个簇，D(Ci)代表Ci的聚类簇距离，Threshold代表一个预设参数值。
具体来说，通过公式(3)则可以根据所有簇的聚类簇距离，在满足预设参数值的条件下，获得包含目标簇的集合S。
步骤S5：根据集合S中包含的簇中的样本数量，选择数量最多的簇作为目标簇。
具体来说，集合S中可能包含多个簇，为了使得目标簇更符合实际情况，步骤S5中从集合S中选出包含样本数量最多的簇。
其中，步骤S5具体包括：通过公式(4)选择数量最多的簇作为目标簇，其中，公式(4)的形式如下：
CObj＝Max(S) (4)
其中，CObj代表目标簇，Max(S)代表从集合S中寻找出具有最多样本数量的簇。
步骤S6：对目标簇包含的所有样本的定位结果进行加权平均，获得最终静态定位结果。
具体地，通过公式(5)对目标簇包含的所有样本的定位结果进行加权平均，获得最终静态定位结果，其中，公式(5)的形式如下：
Figure BDA0002182230900000081
Figure BDA0002182230900000082
其中，(X，Y，Z)代表最终获得的当前定位结果，(Xi，Yi，Zi)代表目标簇CObj中第i个样本的坐标，Pi代表第i个样本的权重，n代表目标簇中的样本数量。
由于本发明可以通过在静态情况下接收泛在定位信号的定位结果后，对所述接收到的所有定位结果进行聚类处理，由于定位精度相似的定位结果相互间的欧式距离很小，从而可以将定位精度相似的定位结果聚到一个簇中，其中定位精度相似的定位结果包括定位精度近似准确的定位结果和粗差定位结果，此时定位精度近似准确的定位结果也会聚为一个簇，接着通过设定合适的预设参数值，可以从聚类结果中选出包含定位精度近似准确的定位结果的簇的集合S，并根据集合S中包含的簇中的样本数量，选择数量最多的簇作为目标簇，由于近似准确的定位结果必然多于粗差定位结果，从而可以得到包含近似准确定位结果的簇，最后，通过对所述目标簇中的所有定位结果进行加权平均处理，获得当前定位结果。避免了由于环境复杂性导致的静态定位结果产生跳变的问题，故而可以得到精度高和稳定性好的定位结果。
为了进一步说明本发明提供的方法的有益效果，下面通过具体的示例予以介绍。
请参见图2，为本发明的方法的算法原理图，可以通过计算机流程来实现，首先，输入接收到的静态定位坐标，并将每一个坐标当成一个初始簇，然后判断簇的个数是否等于1或者簇是否满足设定条件，如果满足，则执行左分支：根据公式(3)获得包含目标簇的集合，并根据公式(4)获得目标簇，再根据公式(5)获得当前定位结果。如果不满足，则执行右分支：根据公式(1)和(2)计算任意两个簇的簇间距离，并合并簇间距离最近的两个簇，再返回。
通过本发明提供的静态定位方法对不同数量的定位点进行测试与验证，与现有方法(未采用本发明的方法，即没有进行聚类，直接获取定位结果的方法)进行了对比，采用RMSE均方根误差指标来进行衡量，对比结果如表1所示。
表1实验结果
样本数 不使用本发明(RMSE) 使用本发明(RMSE) RMSE指标提高比例
50 1.56m 0.54m 65.4％
100 1.81m 0.48m 73.5％
150 2.35m 0.41m 82.6％
从表1中可以看出，使用本发明的方法，在不同的样本数的情况下，RMSE指标得到了一定的提高，且随着样本数量的增加，效果更加显著。也就是说，采用本发明方法在提高定位精度的同时，还可以提高定位的稳定性。
基于同一发明构思，本申请还提供了与实施例一中泛在定位信号静态定位方法对应的系统，详见实施例二。
实施例二
本实施例提供了一种泛在定位信号静态定位系统，请参见图3，该系统包括：
静态定位坐标获取模块201，用于获取一个或多个静态定位坐标，将每一个静态定位坐标作为一个初始簇；
聚类条件判断模块202，用于判断簇的数量是否满足预设值，或者簇是否满足设定条件，当簇的数量满足预设值或者簇满足设定条件时，则转至目标簇集合获得模块，否则转至簇间距离计算模块；
簇间距离计算模块203，用于计算任意两个簇的簇间距离，根据计算出的簇间距离，合并簇间距离最小的两个簇，然后返回聚类条件判断模块；
目标簇集合获得模块204，用于筛选出聚类簇距离满足预设参数的簇，获得包含目标簇的集合S，其中，聚类簇距离为合并成当前簇的两个簇的簇间距离；
目标簇选择模块205，用于根据集合S中包含的簇中的样本数量，选择数量最多的簇作为目标簇；
定位模块206，用于对目标簇包含的所有样本的定位结果进行加权平均，获得最终静态定位结果。
在一种实施方式中，簇间距离计算模块203具体用于执行下述步骤：
步骤S3.1：根据公式(1)计算任意两个簇(Cm，Cn)包含的两个样本之间的距离，公式(1)的形式如下：
Figure BDA0002182230900000101
其中，(Xi，Yi，Zi)和(Xj，Yj，Zj)分别簇Cm中的样本i的特征和簇Cn中的样本j的特征；
步骤S3.2：根据任意两个样本之间的距离，基于公式(2)计算任意两个簇的簇间距离，公式(2)的形式如下：
Figure BDA0002182230900000102
其中，davg(Cm，Cn)代表Cm和Cn两个簇的簇间距离，Cm和Cn代表两个簇，|Cm|代表簇Cm中的样本数量，|Cn|代表簇Cn中的样本数量，i和j分别代表簇Cm和Cn中的一个样本，dij代表样本i和j之间的距离；
步骤S3.3：根据计算出的簇间距离，合并簇间距离最小的两个簇，然后返回步骤S2。
在一种实施方式中，目标簇集合获得模块204具体用于：根据公式(3)筛选出聚类簇距离满足预设参数的簇，获得包含目标簇的集合S，公式(3)的形式如下：
S＝{Ci|D(Ci)＜Threshold} (3)
其中，S代表一个包含目标簇的集合，Ci代表第i个簇，D(Ci)代表Ci的聚类簇距离，Threshold代表一个预设参数值。
在一种实施方式中，目标簇选择模块205具体用于：通过公式(4)选择数量最多的簇作为目标簇，其中，公式(4)的形式如下：
CObj＝Max(S) (4)
其中，CObj代表目标簇，Max(S)代表从集合S中寻找出具有最多样本数量的簇。
在一种实施方式中，目标簇选择模块206具体用于：通过公式(5)对目标簇包含的所有样本的定位结果进行加权平均，获得最终静态定位结果，其中，公式(5)的形式如下：
Figure BDA0002182230900000111
Figure BDA0002182230900000112
其中，(X，Y，Z)代表最终获得的当前定位结果，(Xi，Yi，Zi)代表目标簇CObj中第i个样本的坐标，Pi代表第i个样本的权重，n代表目标簇中的样本数量。
由于本发明实施例二所介绍的系统，为实施本发明实施例一中泛在定位信号静态定位方法所采用的系统，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该系统的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的系统都属于本发明所欲保护的范围。
基于同一发明构思，本申请还提供了与实施例一中泛在定位信号静态定位方法对应的计算机可读存储介质，详见实施例三。
实施例三
请参见图4，本发明还提供了一种计算机可读存储介质400，其上存储有计算机程序411，该程序被执行时实现如实施例一中所述的方法。
例如包括：步骤S1：获取一个或多个静态定位坐标，将每一个静态定位坐标作为一个初始簇；步骤S2：判断簇的数量是否满足预设值，或者簇是否满足设定条件，当簇的数量满足预设值或者簇满足设定条件时，则执行步骤S4，否则执行步骤S3；步骤S3：计算任意两个簇的簇间距离，根据计算出的簇间距离，合并簇间距离最小的两个簇，然后返回步骤S2；步骤S4：筛选出聚类簇距离满足预设参数的簇，获得包含目标簇的集合S，其中，聚类簇距离为合并成当前簇的两个簇的簇间距离；步骤S5：根据集合S中包含的簇中的样本数量，选择数量最多的簇作为目标簇；步骤S6：对目标簇包含的所有样本的定位结果进行加权平均，获得最终静态定位结果。
由于本发明实施例三所介绍的计算机可读存储介质为实施本发明实施例一中泛在定位信号静态定位方法所采用的计算机可读存储介质，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机可读存储介质的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的计算机可读存储介质都属于本发明所欲保护的范围。
基于同一发明构思，本申请还提供了与实施例一中泛在定位信号静态定位方法对应的计算机设备，详见实施例四。
实施例四
基于同一发明构思，本申请还提供了一种计算机设备，请参见图5，该设备包括：至少一个处理器501；以及与所述处理器通信连接的至少一个存储器502，其中，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行实施例一所述的方法。
具体来说，处理器(processor)501、存储器(memory)502和总线503；其中，所述处理器501和存储器502通过所述总线503完成相互间的通信；所述处理器501用于调用所述存储器502中的程序指令，以执行上述各方法实施例所提供的方法。
由于本发明实施例四所介绍的计算机设备为实施本发明实施例一中泛在定位信号静态定位方法所采用的计算机设备，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机设备的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的计算机设备都属于本发明所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种泛在定位信号静态定位方法，其特征在于，包括：
步骤S1：获取一个或多个静态定位坐标，将每一个静态定位坐标作为一个初始簇；
步骤S2：判断簇的数量是否满足预设值，或者簇是否满足设定条件，当簇的数量满足预设值或者簇满足设定条件时，则执行步骤S4，否则执行步骤S3，其中，设定条件为簇间距离最小的两个簇的簇间距离是否超过设定的阈值；
步骤S3：计算任意两个簇的簇间距离，根据计算出的簇间距离，合并簇间距离最小的两个簇，然后返回步骤S2；
步骤S4：筛选出聚类簇距离满足预设参数的簇，获得包含目标簇的集合S，其中，聚类簇距离为合并成当前簇的两个簇的簇间距离；
步骤S5：根据集合S中包含的簇中的样本数量，选择数量最多的簇作为目标簇；
步骤S6：对目标簇包含的所有样本的定位结果进行加权平均，获得最终静态定位结果。
2.如权利要求1所述的方法，其特征在于，步骤S3具体包括：
步骤S3.1:根据公式(1)计算任意两个簇(Cm,Cn)包含的两个样本之间的距离，公式(1)的形式如下：
Figure FDA0003481304580000011
其中，(Xi,Yi,Zi)和(Xj,Yj,Zj)分别代表簇Cm中的样本i的特征和簇Cn中的样本j的特征；
步骤S3.2:根据任意两个样本之间的距离，基于公式(2)计算任意两个簇的簇间距离，公式(2)的形式如下：
Figure FDA0003481304580000012
其中，davg(Cm,Cn)代表Cm和Cn两个簇的簇间距离，Cm和Cn代表两个簇，|Cm|代表簇Cm中的样本数量，|Cn|代表簇Cn中的样本数量，i和j分别代表簇Cm和Cn中的一个样本，dij代表样本i和j之间的距离；
步骤S3.3:根据计算出的簇间距离，合并簇间距离最小的两个簇，然后返回步骤S2。
3.如权利要求1所述的方法，其特征在于，步骤S4具体包括：根据公式(3)筛选出聚类簇距离满足预设参数的簇，获得包含目标簇的集合S，公式(3)的形式如下：
S＝{Ci|D(Ci)<Threshold} (3)
其中，S代表一个包含目标簇的集合,Ci代表第i个簇,D(Ci)代表Ci的聚类簇距离,Threshold代表一个预设参数值。
4.如权利要求1所述的方法，其特征在于，步骤S5具体包括：通过公式(4)选择数量最多的簇作为目标簇，其中，公式(4)的形式如下：
CObj＝Max(S) (4)
其中，CObj代表目标簇,Max(S)代表从集合S中寻找出具有最多样本数量的簇。
5.如权利要求2所述的方法，其特征在于，步骤S6具体包括：通过公式(5)对目标簇包含的所有样本的定位结果进行加权平均，获得最终静态定位结果，其中，公式(5)的形式如下：
Figure FDA0003481304580000021
Figure FDA0003481304580000022
其中，(X,Y,Z)代表最终获得的当前定位结果，(Xi,Yi,Zi)代表目标簇CObj中第i个样本的坐标,Pi代表第i个样本的权重，n代表目标簇中的样本数量。
6.一种泛在定位信号静态定位系统，其特征在于，包括：
静态定位坐标获取模块，用于获取一个或多个静态定位坐标，将每一个静态定位坐标作为一个初始簇；
聚类条件判断模块，用于判断簇的数量是否满足预设值，或者簇是否满足设定条件，当簇的数量满足预设值或者簇满足设定条件时，则转至目标簇集合获得模块，否则转至簇间距离计算模块，其中，设定条件为簇间距离最小的两个簇的簇间距离是否超过设定的阈值；
簇间距离计算模块，用于计算任意两个簇的簇间距离，根据计算出的簇间距离，合并簇间距离最小的两个簇，然后返回聚类条件判断模块；
目标簇集合获得模块，用于筛选出聚类簇距离满足预设参数的簇，获得包含目标簇的集合S，其中，聚类簇距离为合并成当前簇的两个簇的簇间距离；
目标簇选择模块，用于根据集合S中包含的簇中的样本数量，选择数量最多的簇作为目标簇；
定位模块，用于对目标簇包含的所有样本的定位结果进行加权平均，获得最终静态定位结果。
7.如权利要求6所述的系统，其特征在于，簇间距离计算模块具体用于执行下述步骤：
步骤S3.1:根据公式(1)计算任意两个簇(Cm,Cn)包含的两个样本之间的距离，公式(1)的形式如下：
Figure FDA0003481304580000031
其中，(Xi,Yi,Zi)和(Xj,Yj,Zj)分别代表簇Cm中的样本i的特征和簇Cn中的样本j的特征；
步骤S3.2:根据任意两个样本之间的距离，基于公式(2)计算任意两个簇的簇间距离，公式(2)的形式如下：
Figure FDA0003481304580000032
其中，davg(Cm,Cn)代表Cm和Cn两个簇的簇间距离，Cm和Cn代表两个簇，|Cm|代表簇Cm中的样本数量，|Cn|代表簇Cn中的样本数量，i和j分别代表簇Cm和Cn中的一个样本，dij代表样本i和j之间的距离；
步骤S3.3:根据计算出的簇间距离，合并簇间距离最小的两个簇，然后返回步骤S2。
8.如权利要求6所述的系统，其特征在于，目标簇集合获得模块具体用于：根据公式(3)筛选出聚类簇距离满足预设参数的簇，获得包含目标簇的集合S，公式(3)的形式如下：
S＝{Ci|D(Ci)<Threshold} (3)
其中，S代表一个包含目标簇的集合,Ci代表第i个簇,D(Ci)代表Ci的聚类簇距离,Threshold代表一个预设参数值。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被执行时实现如权利要求1至5中任一项权利要求所述的方法。
10.一种计算机设备，其特征在于，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至5中任一项权利要求所述的方法。
CN201910800740.6A 2019-08-28 2019-08-28 一种泛在定位信号静态定位方法及系统 Active CN110569892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910800740.6A CN110569892B (zh) 2019-08-28 2019-08-28 一种泛在定位信号静态定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910800740.6A CN110569892B (zh) 2019-08-28 2019-08-28 一种泛在定位信号静态定位方法及系统

Publications (2)

Publication Number Publication Date
CN110569892A CN110569892A (zh) 2019-12-13
CN110569892B true CN110569892B (zh) 2022-04-01

Family

ID=68776520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910800740.6A Active CN110569892B (zh) 2019-08-28 2019-08-28 一种泛在定位信号静态定位方法及系统

Country Status (1)

Country Link
CN (1) CN110569892B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113075648B (zh) * 2021-03-19 2024-05-17 中国舰船研究设计中心 一种无人集群目标定位信息的聚类与滤波方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6049797A (en) * 1998-04-07 2000-04-11 Lucent Technologies, Inc. Method, apparatus and programmed medium for clustering databases with categorical attributes
CN103220781A (zh) * 2013-04-24 2013-07-24 哈尔滨工业大学深圳研究生院 无线传感器网络静止目标定位方法及系统
CN104359484A (zh) * 2014-11-13 2015-02-18 广东好帮手电子科技股份有限公司 一种具有泛定位功能的北斗导航车载终端及系统
CN105120433A (zh) * 2015-08-19 2015-12-02 上海交通大学 基于连续采样及模糊聚类处理的wlan室内定位方法
CN107360547A (zh) * 2017-08-02 2017-11-17 电子科技大学 一种室内定位中静止状态下防止定位抖动的聚类处理方法
CN107727095A (zh) * 2017-09-08 2018-02-23 西安电子科技大学 基于谱聚类和加权反向传播神经网络的3d室内定位方法
EP3382341A1 (en) * 2017-03-29 2018-10-03 Honeywell International Inc. Integrity monitoring method for navigation systems with heterogeneous measurements

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6049797A (en) * 1998-04-07 2000-04-11 Lucent Technologies, Inc. Method, apparatus and programmed medium for clustering databases with categorical attributes
CN103220781A (zh) * 2013-04-24 2013-07-24 哈尔滨工业大学深圳研究生院 无线传感器网络静止目标定位方法及系统
CN104359484A (zh) * 2014-11-13 2015-02-18 广东好帮手电子科技股份有限公司 一种具有泛定位功能的北斗导航车载终端及系统
CN105120433A (zh) * 2015-08-19 2015-12-02 上海交通大学 基于连续采样及模糊聚类处理的wlan室内定位方法
EP3382341A1 (en) * 2017-03-29 2018-10-03 Honeywell International Inc. Integrity monitoring method for navigation systems with heterogeneous measurements
CN107360547A (zh) * 2017-08-02 2017-11-17 电子科技大学 一种室内定位中静止状态下防止定位抖动的聚类处理方法
CN107727095A (zh) * 2017-09-08 2018-02-23 西安电子科技大学 基于谱聚类和加权反向传播神经网络的3d室内定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Anomaly Detection Using Agglomerative Hierarchical Clustering Algorithm;Mazarbhuiya F.A.et al;《In Proceedings of the Information Science and Applications 2018》;20181231;全文 *
基于位置指纹识别的WiFi室内定位算法研究与实现;陈思敏;《中国优秀硕士学位论文全文数据库信息科技辑》;20170215;第2017年卷(第2期);I136-1401 *

Also Published As

Publication number Publication date
CN110569892A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN107808122B (zh) 目标跟踪方法及装置
CN110686633B (zh) 一种滑坡位移预测方法、装置及电子设备
CN106919957B (zh) 处理数据的方法及装置
CN110348412B (zh) 一种关键点定位方法、装置、电子设备及存储介质
CN110210564B (zh) 相似户型检测方法及装置
CN112203324B (zh) 一种基于位置指纹库的mr定位方法及装置
CN110580325B (zh) 一种泛在定位信号多源融合方法及系统
US20230401691A1 (en) Image defect detection method, electronic device and readable storage medium
CN115082920A (zh) 深度学习模型的训练方法、图像处理方法和装置
CN112526470A (zh) 标定雷达参数的方法和装置、电子设备、存储介质
CN112328880A (zh) 地理区域聚类方法、装置、存储介质和电子设备
CN110569892B (zh) 一种泛在定位信号静态定位方法及系统
CN111581586A (zh) 基于套合模型的湖库水质各向异性插值方法和装置
CN110557829A (zh) 一种融合指纹库的定位方法及定位装置
CN113689526B (zh) 地图中无效区域的划分方法及装置、电子设备
CN113283821B (zh) 虚拟场景处理方法、装置、电子设备及计算机存储介质
CN115468565A (zh) 一种航道路径确定方法、装置、设备及存储介质
CN115049590A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN108122002A (zh) 训练样本获取方法和装置
CN112528500B (zh) 一种场景图构造模型的评估方法及评估设备
CN114812576A (zh) 地图匹配方法、装置及电子设备
CN109831737B (zh) 一种基于置信度的蓝牙定位方法、装置、设备和系统
CN115878989A (zh) 模型训练方法、装置及存储介质
CN114299043B (zh) 点云质量评估方法、装置、电子设备和存储介质
CN109753633A (zh) 一种基于非平稳gev分布模型的结构抗风失效风险评估方法

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
GR01 Patent grant
GR01 Patent grant