CN110958583B - 一种基于位置与强度双重聚类的室内定位方法 - Google Patents

一种基于位置与强度双重聚类的室内定位方法 Download PDF

Info

Publication number
CN110958583B
CN110958583B CN201911055276.9A CN201911055276A CN110958583B CN 110958583 B CN110958583 B CN 110958583B CN 201911055276 A CN201911055276 A CN 201911055276A CN 110958583 B CN110958583 B CN 110958583B
Authority
CN
China
Prior art keywords
clustering
point
fingerprint
positioning
position coordinates
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
CN201911055276.9A
Other languages
English (en)
Other versions
CN110958583A (zh
Inventor
李强
田甜
邓淑桃
吴静
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.)
Southwest University of Science and Technology
Original Assignee
Southwest University of Science and Technology
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 Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN201911055276.9A priority Critical patent/CN110958583B/zh
Publication of CN110958583A publication Critical patent/CN110958583A/zh
Application granted granted Critical
Publication of CN110958583B publication Critical patent/CN110958583B/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
    • H04W4/30—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
    • 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
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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

Landscapes

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

Abstract

本发明提供了一种基于位置与强度双重聚类的室内定位方法，均匀划分待定位区域，确定每个参考节点的位置坐标以及锚节点的最佳位置坐标；采集RSSI值，建立指纹库；针对构建的指纹库，利用K‑means++聚类算法运用双重聚类，将待定位区域划分成K个子区域；根据WKNN算法，求出待定位点的位置坐标；根据待定位点的位置坐标得出定位结果。该方法运用双重聚类和动态自适应近邻机制来实现定位。此方法充分利用了参考点处的绝对位置数据，以及接收的锚节点的强度数据，与传统的基于强度的聚类方法相比，更加准确地实现了对定位区域的分簇，解决了室内指纹数据规模过大造成定位效率低的问题，同时也提高了定位的精度。

Description

一种基于位置与强度双重聚类的室内定位方法
技术领域
本发明涉及室内定位技术领域，特别是涉及一种基于位置与强度双重聚类的室内定位方法。
背景技术
随着互联网和传感网络技术的迅速发展，智慧工厂、智慧医疗、智慧城市等都需要用到室内定位技术。利用传感网络来实现室内定位是目前室内定位的趋势所在，它正一点点的影响着人们的生活。目前，国内外很多学者采用迅速发展的无线传感网络来作为室内定位的技术，常用的室内定位技术有：WIFI,RFID,蓝，ZigBee，超宽带等。
常用的定位方法主要有两种，第一种基于距离定位；第二种基于RSSI指纹定位。基于RSSI指纹定位的方法，主要依据是距离相近的点之间的指纹强度具有相似性，通过找寻强相似性的参考点指纹来求出待定位点的位置坐标。定位过程分为两个阶段，一是离线阶段建立指纹库；二是在线阶段的匹配定位。但是随着定位区间的增大，指纹库内指纹数目会增多，增加了在线匹配的时间。因此，开始出现离线阶段将指纹库聚类分成不同簇，在线匹配阶段只需确定待定位点所在的簇，并在簇内寻找近邻点，缩短定位时间。但是，受室内的多径传输和室内复杂环境的影响，相近的参考点间的RRSI指纹向量也可能出现大的差别，从而导致聚类中心选取不当，降低了传统的只依靠强度向量的聚类的效果，聚类结果相对较差；有学者提出通过对参考节点的位置坐标完成对指纹库的聚类，位置坐标是绝对的，不会受环境的影响，完成聚类之后再通过KNN将待定位点分类，但是此分类过程是基于整个指纹库，虽然比传统的基于强度的聚类提高了定位精度，但是定位时间明显增加了很多；并且传统多使用K-means来聚类，初始聚类中心随机选取，造成聚类效果时好时差。
指纹定位在线匹配算法一般采用KNN(WKNN),使用固定的k值，选出与待定位点指纹向量最相似的k个参考点，求平均值即为最后待定位点的坐标。这种方法是对所有待定位点定位精度的平均估计，不能很好的选出每个待定位点的近邻个数k,从而增大了定位误差。
发明内容
本发明提供一种基于位置与强度双重聚类的室内定位方法，以提高定位精度。
为实现上述目的，本发明提供了如下方案：一种基于位置与强度双重聚类的室内定位方法，包括如下步骤：
步骤S1、划分待定位区域，确定待定位区域中每个参考节点的位置坐标以及锚节点的位置坐标；
步骤S2、参考节点接收来自同一锚节点的信号强度RSSI值，信号强度RSSI值与参考节点的位置坐标构成指纹，多个参考节点的指纹构建成指纹数据库；
步骤S3、针对构建的指纹数据库，利用K-means++聚类算法运用双重聚类，将待定位区域划分成K个子区域；
S31、运用K-means++算法，对参考节点位置坐标组成的样本点做聚类，将其分成K个簇；
S32、求出第一次聚类后对应簇中指纹强度的平均值，作为第二次强度聚类的初始聚类中心；
S33、对参考点的指纹强度样本做聚类，求出最终的K个聚类中心；
步骤S4、根据动态权值和DWS方法，确定待定位点的近邻点个数k；
步骤S5、根据WKNN算法，求出待定位点的位置坐标；
步骤S6、根据待定位点的位置坐标得出定位结果。
优选地，步骤S1具体为：将待定位区域划均分为网格，选取网格的中心点作为参考节点的位置；确定待定位区域应布置的锚节点的个数N以及锚节点应在的最恰当的位置。
优选地，步骤S2具体过程为：
步骤S21、每个参考点连续接收若干次来自同一个锚节点的信号强度RSSI值，对信号强度RSSI值进行阈值滤波处理；
步骤S22、将处理后的信号强度RSSI值与参考节点的位置坐标写在一起构成一条指纹，多个参考节点的指纹最终构成指纹数据库。
优选地，步骤S4具体为：
S41、求出待定位点到每个聚类中心间的欧式距离，确定待定位点所在的簇；
S42、运用动态权值和DWS的方法，求出待定位点所在簇中样本点成为其近邻点的可能性，求各项权值的累加和；
S43、通过实验，设定权值和的阈值；
S44、根据权值累加和、阈值，求出待定位点的近邻数k。
优选地，步骤S5具体为：根据动态求出的待定位点近邻数k，运用加权近邻方法，求出待定位点的坐标。
本发明公开了以下技术效果：
1、本发明采用双重聚类方法，先利用位置坐标聚类，再根据第一次聚类的结果，求出每个簇中指纹强度的均值，作为第二次聚类的初始聚类中心，然后再次对强度做聚类，此方法很好的避免了将位置坐标较远，但指纹较相似的参考点划分到不恰当的簇中，比只用强度聚类或者只用位置坐标聚类效果要好，提高了在线定位的精度；
2、采用的K-means++聚类方法，初始点选取比传统的K-means好，优化了聚类效果，使在线匹配时更准确；只需将待定位点与所有的聚类中心做相似性比较就可缩小定位区域，相比基于整个指纹库的KNN分类方法，节省了大量定位时间，对于智慧工厂采用ZigBee节点来实现定位而言，将降低节点的能耗，延长网络的生命周期；
3、在线定位阶段采用DWS方法动态求每个待定位点的近邻个数，更可能的接近待定位点的最佳近邻点k，比传统的固定近邻个数的方法提高了定位精度。
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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明定位方法的流程示意图；
图2为本发明室内定位方法中双重聚类方法的流程示意图；
图3为本发明室内定位方法中在线定位的DWS+WKNN算法流程图。
具体实施方式
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，所描述的实施例仅仅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，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1-3，本发明提供了一种基于位置与强度双重聚类的室内定位方法，包括如下步骤：
离线阶段：
步骤S1、均匀划分待定位区域，确定待定位区域中每个参考节点的位置坐标以及锚节点的最佳位置坐标；
具体为：将待定位区域划分成大小合适的网格，选取网格的中心点作为参考节点的位置；确定待定位区域应布置的锚节点的个数N及其应在的最恰当的位置。
步骤S2、参考节点接收来自同一锚节点的信号强度RSSI值，信号强度RSSI值与参考节点的位置坐标构成指纹，多个参考节点的指纹最后构建成指纹数据库，包括：
S21步骤：每个参考点连续接收10次来自同一个锚节点的RSSI值，通过阈值滤波，对合格的RSSI值取均值，作为最终的强度值；
S22步骤：以10次强度值的中值为标准，选取在波动范围内的RSSI值。将接收到的各个锚节点的RSSI值与参考节点的位置坐标写在一起，构成一条指纹RSSIij，多个参考节点的指纹最终构成一个指纹数据库，通过下面公式对接收的10次RSSI值滤波：
Figure BDA0002256391680000061
Figure BDA0002256391680000062
其中，t＝1,2,…,10，表示在同一个参考点处获得同一个锚节点的信号强度值的次数，i＝1,2,…,m，表示参考节点个数，j＝1,2,…,N，表示锚节点个数，RSSIij表示在参考点i处接收的来自第j个锚节点处的t次强度值，rssi表示t次强度值中的中值，其中ε是设置的阈值，选取在所限定的范围内的信号强度值，对最后选取的强度值取平均值，经过阈值滤波之后，第i个采样点接收到信号强度值RSSIi如下式所示：
RSSIi＝(rssii1,rssi12,...,rssiiN)
待定位区域的离线指纹库用式RSSI表示：
Figure BDA0002256391680000063
Figure BDA0002256391680000071
在指纹库中，m为参考点的个数，N为锚节点的个数，rssimN表示第m个参考点接收到第N个锚节点的rssi的均值，RSSI中的每一个行向量代表一个参考节点接收到的N个锚节点的RSSI值，L中是每个参考节点的位置坐标。
步骤S3、为了更准确地将指纹库分簇，针对构建的指纹库，运用双重聚类，将待定位区域划分成K个子区域，所述双重聚类为第一次以参考节点位置坐标为聚类对象，第二次在第一次聚类的基础上求出每个簇中指纹强度的均值，当作第二次强度聚类的初始中心，很好的避免了将位置坐标较远，但指纹较相似的参考点划分到不恰当的簇中，比只用强度聚类或者只用位置坐标聚类效果要好，提高了在线定位的精度。具体的实施过程如下：
步骤S31、利用K-means++聚类算法，对位置坐标进行聚类，优化聚类效果，使在线匹配时更准确，节省定位时间，具体的算法步骤如下：
(1)从参考点位置坐标构成的样本点中，随机选取一个样本点作为初始聚类中心，记为C1；
(2)计算出每个样本与当前已有聚类中心之间的欧式距离dj，距离用dj的公式如下：
Figure BDA0002256391680000081
计算每个样本点被选为下一个聚类中心的概率P的公式如下：
Figure BDA0002256391680000082
其中(xi,yi)为选中的簇中心点，(xj,yj)为其它样本点；
(3)用轮盘法，取[0,1]区间的随机数，用权重和的方式来计算下一个聚类中心点。算法的实现过程是，先取一个能落在Sum(P)中的随机值p，然后用p-＝Sum(P)，直到其<＝0，此时的点就是下一个“簇中心点”；
(4)重复步骤(2)和步骤(3)直到选出所有的簇中心；
(5)运用经典K-means聚类方法将参考点位置坐标聚成K个簇，聚类中心为CL＝{C,L1,CL2,…,CLK},CL表示对位置坐标的聚类的聚类中心。
S32步骤：在第一次聚类的基础上，求出每个簇中指纹强度的均值CRK，作为第二次强度聚类的初始聚类中心，对整个指纹强度样本点做聚类，最终的聚类结果记为CR＝{CR1,CR2,…,CRK}，再对最终聚类结果CR进行优化。通过两次K-means++聚类方法，更好地将指纹库聚成K个簇。
在线阶段：
步骤S4、根据动态权值和DWS方法，确定待定位点的近邻点个数k，具体实施方式如下：
步骤S41、双重聚类后，每个簇的强度聚类中心记为CR＝{CR1,CR2,…,CRK}在线定位阶段，待定位点获取每个锚节点传来的信号强度值，形成一条指纹，计算出待定位点距离每个强度聚类中心的欧式距离。
步骤S42、求出待测点与其所在簇中的第i个参考节点处的指纹向量之间的欧式距离di的公式如下：
Figure BDA0002256391680000091
其中，i＝1,…,m，j＝1,…,N；RSSIi,j表示参考点i接收到来自第j个锚节点处的信号强度值，rssit,j表示待定位点接收来自第j个锚节点处的信号强度值。计算出待定位点与其所在簇中其它样本点间的欧式距离，并计算出每一个样本点成为待定位点近邻点的权值(可能性)，根据权值和确定每个待定位点的近邻个数k。
步骤S43、根据不同的指纹库，进行多次仿真实验，每次实验至少保证数据集中60％的定位结果优于WKNN的定位结果，根据上述要求选定一个阈值记为γth，其中γth代表权值和的阈值，计算出待定位点与其所在簇中所有指纹点间的欧式距离，记为di，将di按照升序的顺序排序，求出每个指纹样本点的权重γi的公式如下：
Figure BDA0002256391680000092
Sum(γi-1)≤γth≤Sum(γi)
用Sum(γi)表示权值的累加和，针对提出的动态自适应匹配算法，通过下列公式，确定近邻个数k的值，当前(i-1)个权值和小于阈值，前i个权值和大于阈值，则i即为此定位点的近邻个数。
步骤S5、根据WKNN算法，求出待定位点的位置坐标
步骤S51、选出的k个紧邻点的位置坐标分别为：{(x1,y1),(x2,y2)...,(xk,yk)}，对应的k个欧式距离分别为{d1,d2,...,dk}，每个近邻点对应的权重Wi的公式如下：
Figure BDA0002256391680000101
Figure BDA0002256391680000102
其中，(x,y)表示待测点最终定位结果，Wi为每个近邻点对应的权值，(xi,yi)为每个近邻点的横纵坐标。
步骤S6、根据待定位点的位置坐标得出定位结果。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种基于位置与强度双重聚类的室内定位方法，其特征在于：包括如下步骤：
步骤S1、划分待定位区域，确定待定位区域中每个参考节点的位置坐标、锚节点的位置坐标；
步骤S2、参考节点接收来自同一锚节点的信号强度RSSI值，信号强度RSSI值与参考节点的位置坐标构成指纹，多个参考节点的指纹构建成指纹数据库；
步骤S3、针对构建的指纹数据库，利用K-means++聚类算法运用双重聚类，将待定位区域划分成K个子区域；
S31、运用K-means++算法，对参考节点位置坐标组成的样本点做聚类，将其分成K个簇；
S32、求出第一次聚类后对应簇中指纹强度的平均值，作为第二次强度聚类的初始聚类中心；
S33、对参考点的指纹强度样本做聚类，求出最终的K个聚类中心；
步骤S4、根据动态权值和DWS方法，确定待定位点的近邻点个数k；
S41、求出待定位点到每个聚类中心间的欧式距离，确定待定位点所在的簇；
S42、运用动态权值和DWS的方法，求出待定位点所在簇中样本点成为其近邻点的可能性，求各项权值的累加和；
S43、通过实验，设定权值和的阈值；
S44、根据权值累加和、阈值，求出待定位点的近邻数k；
步骤S5、根据WKNN算法，求出待定位点的位置坐标；
步骤S6、根据待定位点的位置坐标得出定位结果。
2.根据权利要求1所述的基于位置与强度双重聚类的室内定位方法，其特征在于：步骤S1具体为：将待定位区域划均分为网格，选取网格的中心点作为参考节点的位置；确定待定位区域应布置的锚节点的个数N以及锚节点应在的最恰当的位置。
3.根据权利要求1所述的基于位置与强度双重聚类的室内定位方法，其特征在于：步骤S2具体过程为：
步骤S21、每个参考点连续接收若干次来自同一个锚节点的信号强度RSSI值，对信号强度RSSI值进行阈值滤波处理；
步骤S22、将处理后的信号强度RSSI值与参考节点的位置坐标写在一起构成一条指纹，多个参考节点的指纹最终构成指纹数据库。
4.根据权利要求1所述的基于位置与强度双重聚类的室内定位方法，其特征在于：步骤S5具体为：根据动态求出的待定位点近邻数k，运用加权近邻方法，求出待定位点的坐标。
CN201911055276.9A 2019-10-31 2019-10-31 一种基于位置与强度双重聚类的室内定位方法 Active CN110958583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911055276.9A CN110958583B (zh) 2019-10-31 2019-10-31 一种基于位置与强度双重聚类的室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911055276.9A CN110958583B (zh) 2019-10-31 2019-10-31 一种基于位置与强度双重聚类的室内定位方法

Publications (2)

Publication Number Publication Date
CN110958583A CN110958583A (zh) 2020-04-03
CN110958583B true CN110958583B (zh) 2021-02-09

Family

ID=69976046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911055276.9A Active CN110958583B (zh) 2019-10-31 2019-10-31 一种基于位置与强度双重聚类的室内定位方法

Country Status (1)

Country Link
CN (1) CN110958583B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112020137A (zh) * 2020-08-10 2020-12-01 广州杰赛科技股份有限公司 一种面向室内终端的智能工厂定位方法及装置
CN113163484B (zh) * 2021-01-08 2022-11-18 广东工业大学 一种室内定位方法
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
CN113810842B (zh) * 2021-09-16 2024-10-29 桂林电子科技大学 一种基于用户位置与距离优化的排序聚类定位方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101778399A (zh) * 2010-01-18 2010-07-14 哈尔滨工业大学 基于fcm和最小二乘曲面拟合法的wlan室内优化ann定位方法
CN102711239A (zh) * 2012-05-10 2012-10-03 电子科技大学 基于rss指纹数据库的二次模糊聚类室内定位方法
CN103157200A (zh) * 2011-12-14 2013-06-19 宝星电器（上海）有限公司 一种利用室内无线定位技术的消防救援方法
CN103197280A (zh) * 2013-04-02 2013-07-10 中国科学院计算技术研究所 一种基于射频信号强度的ap位置估计方法
CN104678358A (zh) * 2013-11-28 2015-06-03 国民技术股份有限公司 一种定位方法、定位装置及定位系统
CN105223546A (zh) * 2015-09-30 2016-01-06 西安电子科技大学 基于接收信号强度和参考点位置双聚类的室内定位方法
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
CN106840166A (zh) * 2017-02-15 2017-06-13 北京大学深圳研究生院 一种基于词袋树群模型的机器人定位和导航方法
CN107976184A (zh) * 2017-02-15 2018-05-01 北京金坤科创技术有限公司 一种基于地磁信号极值检测与特征匹配的定位方法
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8838151B2 (en) * 2012-03-30 2014-09-16 Cambridge Silicon Radio Limited Method and apparatus for positioning using quasi-fingerprinting
GB2551196B (en) * 2016-06-10 2021-01-20 Here Global Bv Improving location estimates

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101778399A (zh) * 2010-01-18 2010-07-14 哈尔滨工业大学 基于fcm和最小二乘曲面拟合法的wlan室内优化ann定位方法
CN103157200A (zh) * 2011-12-14 2013-06-19 宝星电器（上海）有限公司 一种利用室内无线定位技术的消防救援方法
CN102711239A (zh) * 2012-05-10 2012-10-03 电子科技大学 基于rss指纹数据库的二次模糊聚类室内定位方法
CN103197280A (zh) * 2013-04-02 2013-07-10 中国科学院计算技术研究所 一种基于射频信号强度的ap位置估计方法
CN104678358A (zh) * 2013-11-28 2015-06-03 国民技术股份有限公司 一种定位方法、定位装置及定位系统
CN105223546A (zh) * 2015-09-30 2016-01-06 西安电子科技大学 基于接收信号强度和参考点位置双聚类的室内定位方法
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
CN106840166A (zh) * 2017-02-15 2017-06-13 北京大学深圳研究生院 一种基于词袋树群模型的机器人定位和导航方法
CN107976184A (zh) * 2017-02-15 2018-05-01 北京金坤科创技术有限公司 一种基于地磁信号极值检测与特征匹配的定位方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Indoor visible light localization algorithm based on received signal strength ratio with multi-directional LED array;qiang li等;《IEEE》;20170603;全文 *
Performance Analysis of Wi-Fi Indoor Localization with Channel State Information;tian tian等;《IEEE》;20180903;全文 *

Also Published As

Publication number Publication date
CN110958583A (zh) 2020-04-03

Similar Documents

Publication Publication Date Title
CN110958583B (zh) 一种基于位置与强度双重聚类的室内定位方法
US10884112B2 (en) Fingerprint positioning method and system in smart classroom
CN107247961B (zh) 一种应用模糊轨迹序列的轨迹预测方法
CN108540929B (zh) 基于rssi信号强度排序的室内指纹定位方法
CN104185275B (zh) 一种基于wlan的室内定位方法
CN106658422B (zh) 针对高度稀疏WiFi数据的网络侧定位方法与系统
CN103747419B (zh) 一种基于信号强度差值与动态线性插值的室内定位方法
CN107241700B (zh) 基于csi空频特性和参考点位置聚类算法的室内定位方法
CN112887902B (zh) 一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法
CN105472733B (zh) 一种应用于室内定位中的基于ap选择定位方法
CN106412839A (zh) 基于二级分区与指纹梯度匹配的室内定位与跟踪方法
CN102695272B (zh) 一种匹配定位的方法和移动终端
CN109756842B (zh) 基于注意力机制的无线室内定位方法及系统
US20120225678A1 (en) Apparatus and method for constructing wireless ap map
CN110426671B (zh) Wsn中基于模型概率实时修正的imm目标跟踪方法及装置
CN106646339A (zh) 一种无线位置指纹室内定位中在线匹配定位方法
CN109640255B (zh) 位置指纹室内定位系统及方法
CN112653991A (zh) 一种基于深度学习的TebNet神经网络模型的WLAN室内定位方法
Siyang et al. WKNN indoor Wi-Fi localization method using k-means clustering based radio mapping
CN115278520B (zh) 一种基于指纹库迁移重构的5g室内定位方法
CN112203324A (zh) 一种基于位置指纹库的mr定位方法及装置
CN111194000B (zh) 基于蓝牙融合混合滤波与神经网络的测距方法与系统
CN109541537B (zh) 一种基于测距的普适室内定位方法
CN111757257B (zh) 一种克服设备差异的动态模糊匹配室内定位方法
CN110493867B (zh) 一种信号选择及位置校正的无线室内定位方法

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
GR01 Patent grant
GR01 Patent grant