CN111935818A - 一种基于最大信息系数的模糊聚类冗余接入点约简方法 - Google Patents
一种基于最大信息系数的模糊聚类冗余接入点约简方法 Download PDFInfo
- Publication number
- CN111935818A CN111935818A CN202010656808.0A CN202010656808A CN111935818A CN 111935818 A CN111935818 A CN 111935818A CN 202010656808 A CN202010656808 A CN 202010656808A CN 111935818 A CN111935818 A CN 111935818A
- Authority
- CN
- China
- Prior art keywords
- rss
- fuzzy
- aps
- matrix
- correlation
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于最大信息系数的模糊聚类冗余接入点(Access Point,AP)约简方法。首先,对离线阶段采集的接收信号强度(Received Signal Strength,RSS)数据进行标准化预处理,其次,基于标准化预处理后的多维RSS特征矩阵结合直方图估计法计算了测试环境中AP间最大信息系数,最后,基于最大信息系数矩阵构建了模糊等价矩阵并通过模糊聚类建立了相关AP集合,并从中筛选出了非冗余AP用于定位。实验结果表明,本发明方法在保证系统定位精度的同时降低了定位系统的存储与计算开销。
Description
技术领域
本发明属于室内定位技术,具体涉及一种基于最大信息系数的模糊聚类冗余接入点约简方法。
背景技术
随着信息网络技术的蓬勃发展,位置服务(Location-based Services,LBS)不断为人们带来越来越多的便利,如地下室内商场、仓库物流监控、室内停车场等场景中对导航与定位服务均有着急切的需求。但是,在绝大多数的室内环境中,通常存在许多不可避免的遮挡物和随机的人流干扰,从而导致信号在室内环境中传播时存在严重的波动、反射、衍射和绕射等现象,从而导致在室内环境中通常无法提供令人满意的位置服务。目前,被众多学者研究室内定位系统主要有基于超宽带(Ultra Wide Band,UWB)、超声波、蓝牙、红外(Infrared Ray,IR)、无线射频识别(Radio Frequency Identification,RFID)和ZigBee等技术的室内定位系统。但是,上述定位系统通常对硬件精度需求较高,而且覆盖范围有限,在推广时面临着许多的困难。相比之下,WLAN(Wireless Local Area Network,WLAN)无需额外部署大规模硬件设备,且具有通信范围较广且稳定性较高等优势,因此,基于RSS(Received Signal Strength,RSS)的WLAN定位方法在室内定位技术的发展中被大量推广和使用。
在WLAN室内环境下,通常部署了大量AP(Access Point,AP)用于为人们提供各种各样的位置服务。基于WLAN的室内定位方法包括传播模型法和位置指纹法。传播模型法首先通过构建信号传播模型来刻画RSS与传播距离的之间的几何关系,然后根据测试环境中已标定的WLAN接入点并结合如APIT(Approximate Point-in-triangulation Test,APIT)等几何定位算法对目标进行定位。位置指纹法分为离线阶段和在线阶段,在离线阶段通常预先标定若干位置已知的参考点(Reference Point,RP),然后分别在这些已标定的RPs处采集来自不同AP(Access Point,AP)的接收信号强度,基于这些RSS数据即可建立离线位置指纹库;在在线阶段,将研究人员在测试点处采集到的来自所有APs的RSS与离线阶段建立的位置指纹库中的RSS进行一一匹配,并最终获得测试点的估计位置。
随着互联网用户的爆发式增加,越来越多的AP被密集地部署在室内场景中,然而,在进行室内定位时许多AP是可以相互替代的,即存在许多冗余AP。针对指纹定位来说,庞大的AP数量极大地增加了离线阶段位置指纹数据库的存储开销以及在线阶段位置匹配的计算开销,不利于快速与即时定位。因此,针对室内环境中冗余AP大量存在的问题,本发明提出了一种基于最大信息系数的模糊聚类冗余接入点约简方法,将AP间的相关性计算为最大信息系数,并基于此构建关于AP相关性的模糊等价矩阵,最后通过模糊聚类建立AP相关性集合并从中筛选出可替代性较差的AP,进而完成冗余AP的约简,该方法有效地删除了测试环境中可替代性较高的AP,在保证系统定位精度的同时提高了定位效率。
发明内容
本发明的目的是提供一种基于最大信息系数的模糊聚类冗余接入点约简方法,它将AP间的相关性计算为最大信息系数并结合模糊聚类删除了测试环境中的冗余AP,该方法在保证系统定位精度的同时降低了定位系统的存储与计算开销。
本发明所述的一种基于信息增益比的多特征模糊映射接入点优化方法,包括以下步骤:
步骤一、在测试环境中放置n个位置已知的AP并标定m个RP。
步骤二、在每个RP处采集来自不同AP的接收信号强度,并基于此构建RSS特征矩阵R;具体包括以下步骤:
步骤二(一)、对于n个APs发射信号,在RPs处采集RSS序列RSS={rss1,…,rssm},其中,rssj表示在第j(j=1,…,m)个RP处采集的来自测试环境中APs的RSS;其中,rssj={rss1j,…,rssnj},rssij表示在第j个RP处接收到的来自第i(i=1,…,n)个AP的RSS,从而可建立接收信号强度集合为:
步骤二(二)、基于接收信号强度集合RSS,分别选取这些RSS数据的RSS均值、RSS方差、RSS最大值、RSS最小值、RSS最值差、RSS中值、最大概率RSS和RSS过均值概率作为标记RPs的信号特征,并将信号特征的数目记为ξ;
步骤二(三)、基于步骤二(二),建立RSS特征集合R={r1,…,rξ},其中,rg=(rg1,…,rgn)表示测试环境中AP的第g(g=1,…,ξ)个RSS特征,rgi(i=1,…,n)表示第i个AP在所有RPs处的第g个RSS特征的均值,即基于此,建立RSS特征矩阵:
其中,r″′si表示第i个AP关于第g个标准化RSS特征的期望。
步骤四(一)、对于测试环境中任意两个APs,记RSSp=(r″′1p,…,r″′ξp)(p=1,…,n),RSSq=(r″′1p,…,r″′ξq)(q=1,…,n),分别表示第p个AP(即APp)和第q个AP(即APq)的标准化RSS特征的期望。
步骤四(二)、将由RSSp和RSSq组成的数据散点集合记为Dpq,Dpq={(r″′gp,r″′gq),p,q=1,…,n}。此时,对于任意尺度f×c下的某一个划分Gf×c,可将Dpq对应的散点图划分为f×c个区域,其中,f和c分别表示划分的行数和列数;
步骤四(三)、基于步骤四(二),计算关于Dpq的互信息:
I(APp,APq)=H(APp)+H(APq)-H(APp,APq)
步骤四(三)、对于p(r″′gp,r″′gq),根据划分Gf×c下的Dpq,基于二维直方图估计可得:
其中,card(Δη)表示集合{(r″′1p,…,r″′ξp)}中位于Δη内的元素个数。
步骤五、根据Dpq的互信息I(APp,APq),计算APp和APq的最大信息系数mpq;具体包括以下步骤:
步骤五(一)、遍历在当前尺度(即f×c)下的所有划分并计算相应的关于Dpq的互信息,将所得互信息的最大值定义为尺度f×c下关于Dpq的互信息If×c(APp,APq)=max I(APp,APq)。
步骤五(二)、为了比较不同尺度下互信息的差异,将If×c(APp,APq)进行归一化处理以得到:
mf×c=If×c(APp,APq)/log2min{f,c}
基于此,构建关于Dpq的互信息特征矩阵M(APp,APq)=(mf×c);
步骤五(三)、基于步骤五(二),定义M(APp,APq)中最大元素值为APp和APq的最大信息系数,表示为其中,B(m)=m0.6。此时,mpq值越大,表明APp和APq的相关程度越高,从而在用于目标位置估计时的相互替代性越高。
步骤六、根据APp和APq的最大信息系数mpq,遍历所有APs可得关于AP相关性的最大信息系数矩阵,定义该矩阵为关于AP相关性的模糊相似矩阵,记为M:
其中,mpq表示APp和APq对应的最大信息系数。
步骤七、根据关于AP相关性的模糊相似矩阵M,获取关于AP相关性的模糊等价矩阵M*并利用模糊聚类获取相关AP集合C1,…,CK;具体包括以下步骤:
步骤七(一)、根据模糊相似矩阵的等价理论,从M出发,依次计算其二次方,即:
步骤七(三)、基于步骤七(二),通过模糊聚类可得到测试环境中不同APs关于相关性的集合C1,…,CK,其中,Ck(k=1,…,K)表示第k个具有相关性的AP的集合。
步骤八、基于步骤七,从不同的相关AP集合中随机选择一个AP即可构建非冗余的AP集合Cnun-redundant,并将集合Cnun-redundant中的APs用于在线阶段的目标位置估计。
有益效果
本发明首先对离线阶段提取的多维RSS特征进行了预处理,其次,基于预处理后的RSS特征矩阵结合直方图估计将测试环境中APs间的相关性计算为最大信息系数,然后,基于此构建了关于AP相关性的模糊等价矩阵,基于此通过模糊聚类建立了相关AP集合,并从中筛选出了非冗余AP用于定位,与传统WLAN室内定位技术相比,本发明从AP间的相关性出发,结合模糊聚类删除了测试环境中的冗余AP,在保证系统定位精度的同时降低了定位系统的存储与计算开销。
附图说明
图1为本发明流程图;
图2为本专利方法与其他定位方法计算开销比较图;
图3为本专利方法与其他定位方法定位累积误差对比图。
具体实施方案
下面结合附图对本发明作进一步说明:
如图1所示的一种基于最大信息系数的模糊聚类冗余接入点约简方法,具体包含以下步骤:步骤一、在测试环境中放置n个位置已知的AP并标定m个RP。
步骤二、在每个RP处采集来自不同AP的接收信号强度,并基于此构建RSS特征矩阵R;具体包括以下步骤:
步骤二(一)、对于n个APs发射信号,在RPs处采集RSS序列RSS={rss1,…,rssm},其中,rssj表示在第j(j=1,…,m)个RP处采集的来自测试环境中APs的RSS;其中,rssj={rss1j,…,rssnj},rssij表示在第j个RP处接收到的来自第i(i=1,…,n)个AP的RSS,从而可建立接收信号强度集合为:
步骤二(二)、基于接收信号强度集合RSS,分别选取这些RSS数据的RSS均值、RSS方差、RSS最大值、RSS最小值、RSS最值差、RSS中值、最大概率RSS和RSS过均值概率作为标记RPs的信号特征,并将信号特征的数目记为ξ;
步骤二(三)、基于步骤二(二),建立RSS特征集合R={r1,…,rξ},其中,rg=(rg1,…,rgn)表示测试环境中AP的第g(g=1,…,ξ)个RSS特征,rgi(i=1,…,n)表示第i个AP在所有RPs处的第g个RSS特征的均值,即基于此,建立RSS特征矩阵:
其中,r″′si表示第i个AP关于第g个标准化RSS特征的期望。
步骤四(一)、对于测试环境中任意两个APs,记RSSp=(r″′1p,…,r″′ξp)(p=1,…,n),RSSq=(r″′1p,…,r″′ξq)(q=1,…,n),分别表示第p个AP(即APp)和第q个AP(即APq)的标准化RSS特征的期望。
步骤四(二)、将由RSSp和RSSq组成的数据散点集合记为Dpq,Dpq={(r″′gp,r″′gq),p,q=1,…,n}。此时,对于任意尺度f×c下的某一个划分Gf×c,可将Dpq对应的散点图划分为f×c个区域,其中,f和c分别表示划分的行数和列数;
步骤四(三)、基于步骤四(二),计算关于Dpq的互信息:
I(APp,APq)=H(APp)+H(APq)-H(APp,APq)
步骤四(三)、对于p(r″′gp,r″′gq),根据划分Gf×c下的Dpq,基于二维直方图估计可得:
其中,card(Δη)表示集合{(r″′1p,…,r″′ξp)}中位于Δη内的元素个数。
步骤五、根据Dpq的互信息I(APp,APq),计算APp和APq的最大信息系数mpq;具体包括以下步骤:
步骤五(一)、遍历在当前尺度(即f×c)下的所有划分并计算相应的关于Dpq的互信息,将所得互信息的最大值定义为尺度f×c下关于Dpq的互信息If×c(APp,APq)=max I(APp,APq)。
步骤五(二)、为了比较不同尺度下互信息的差异,将If×c(APp,APq)进行归一化处理以得到:
mf×c=If×c(APp,APq)/log2min{f,c}
基于此,构建关于Dpq的互信息特征矩阵M(APp,APq)=(mf×c);
步骤五(三)、基于步骤五(二),定义M(APp,APq)中最大元素值为APp和APq的最大信息系数,表示为其中,B(m)=m0.6。此时,mpq值越大,表明APp和APq的相关程度越高,从而在用于目标位置估计时的相互替代性越高。
步骤六、根据APp和APq的最大信息系数mpq,遍历所有APs可得关于AP相关性的最大信息系数矩阵,定义该矩阵为关于AP相关性的模糊相似矩阵,记为M:
其中,mpq表示APp和APq对应的最大信息系数。
步骤七、根据关于AP相关性的模糊相似矩阵M,获取关于AP相关性的模糊等价矩阵M*并利用模糊聚类获取相关AP集合C1,…,CK;具体包括以下步骤:
步骤七(一)、根据模糊相似矩阵的等价理论,从M出发,依次计算其二次方,即:
步骤七(三)、基于步骤七(二),通过模糊聚类可得到测试环境中不同APs关于相关性的集合C1,…,CK,其中,Ck(k=1,…,K)表示第k个具有相关性的AP的集合。
步骤八、基于步骤七,从不同的相关AP集合中随机选择一个AP即可构建非冗余的AP集合Cnun-redundant,并将集合Cnun-redundant中的APs用于在线阶段的目标位置估计。
Claims (2)
1.一种基于最大信息系数的模糊聚类冗余接入点约简方法,其特征在于包括以下步骤:
步骤一、在测试环境中放置n个位置已知的AP(Access Point,AP)并标定m个RP(Reference Point,RP);
步骤二、在每个RP处采集来自不同AP的接收信号强度(Received Signal Strength,RSS),构建RSS特征矩阵R;
步骤五、根据I(APp,APq),计算APp和APq的最大信息系数mpq;
步骤六、根据mpq,遍历测试环境中所有APs,构建关于AP相关性的模糊相似矩阵M;
步骤七、根据M,获取关于AP相关性的模糊等价矩阵M*并利用模糊聚类获取相关AP集合C1,…,CK;
步骤八、不同的相关AP集合中随机选择一个AP即可构建非冗余的AP集合Cnun-redundant,并将集合Cnun-redundant中的APs用于在线阶段的目标位置估计。
2.根据权利要求1所述的一种基于最大信息系数的模糊聚类冗余接入点约简方法,其特征在于,所述步骤七包括以下步骤:
步骤七、根据关于AP相关性的模糊相似矩阵M,获取关于AP相关性的模糊等价矩阵M*并利用模糊聚类获取相关AP集合C1,…,CK;具体包括以下步骤:
步骤七(一)、根据模糊相似矩阵的等价理论,从M出发,依次计算其二次方,即:
步骤七(三)、基于步骤七(二),通过模糊聚类可得到测试环境中不同APs关于相关性的集合C1,…,CK,其中,Ck(k=1,…,K)表示第k个具有相关性的AP的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656808.0A CN111935818B (zh) | 2020-07-09 | 2020-07-09 | 一种基于最大信息系数的模糊聚类冗余接入点约简方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656808.0A CN111935818B (zh) | 2020-07-09 | 2020-07-09 | 一种基于最大信息系数的模糊聚类冗余接入点约简方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111935818A true CN111935818A (zh) | 2020-11-13 |
CN111935818B CN111935818B (zh) | 2022-05-03 |
Family
ID=73314086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010656808.0A Active CN111935818B (zh) | 2020-07-09 | 2020-07-09 | 一种基于最大信息系数的模糊聚类冗余接入点约简方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111935818B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639527A (zh) * | 2009-09-03 | 2010-02-03 | 哈尔滨工业大学 | 基于rss-p的k近邻模糊聚类wlan室内定位方法 |
CN101873607A (zh) * | 2010-06-25 | 2010-10-27 | 哈尔滨工业大学 | Wlan室内分步式rd-anfis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 |
CN104968002A (zh) * | 2015-05-21 | 2015-10-07 | 哈尔滨工业大学 | 基于模糊聚类的室内定位ap选择方法 |
CN108495258A (zh) * | 2018-03-20 | 2018-09-04 | 重庆邮电大学 | 基于样本容量优化与方差分析的wlan室内定位方法 |
CN108882192A (zh) * | 2018-07-19 | 2018-11-23 | 重庆邮电大学 | 一种基于邻域粗糙集约简的室内区域定位方法 |
CN110646760A (zh) * | 2019-09-25 | 2020-01-03 | 无锡壹佳环球科技有限公司 | 一种基于时空特性的动态分类信息指纹模型及算法 |
CN111182447A (zh) * | 2019-12-31 | 2020-05-19 | 上海剑创信息技术(集团)有限公司 | 一种指纹法室内定位技术 |
-
2020
- 2020-07-09 CN CN202010656808.0A patent/CN111935818B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639527A (zh) * | 2009-09-03 | 2010-02-03 | 哈尔滨工业大学 | 基于rss-p的k近邻模糊聚类wlan室内定位方法 |
CN101873607A (zh) * | 2010-06-25 | 2010-10-27 | 哈尔滨工业大学 | Wlan室内分步式rd-anfis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 |
CN104968002A (zh) * | 2015-05-21 | 2015-10-07 | 哈尔滨工业大学 | 基于模糊聚类的室内定位ap选择方法 |
CN108495258A (zh) * | 2018-03-20 | 2018-09-04 | 重庆邮电大学 | 基于样本容量优化与方差分析的wlan室内定位方法 |
CN108882192A (zh) * | 2018-07-19 | 2018-11-23 | 重庆邮电大学 | 一种基于邻域粗糙集约简的室内区域定位方法 |
CN110646760A (zh) * | 2019-09-25 | 2020-01-03 | 无锡壹佳环球科技有限公司 | 一种基于时空特性的动态分类信息指纹模型及算法 |
CN111182447A (zh) * | 2019-12-31 | 2020-05-19 | 上海剑创信息技术(集团)有限公司 | 一种指纹法室内定位技术 |
Non-Patent Citations (5)
Title |
---|
ABDELKARIM BEN AYED等: "Adaptive fuzzy exponent cluster ensemble system based feature selection and spectral clustering", 《2017 IEEE INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS (FUZZ-IEEE)》 * |
XINYUE LI等: "Research on torque ramp current limit starting of induction motor based on dsPIC30F6014", 《2017 IEEE 2ND INFORMATION TECHNOLOGY, NETWORKING, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (ITNEC)》 * |
周牧等: "室内WLAN定位中位置指纹优化的接入点部署方法", 《通信学报》 * |
毛红文: "基于模糊聚类的位置指纹室内定位优化技术研究", 《中国优秀硕士学位论全文数据库》 * |
都伊林: "一种模糊聚类KNN位置指纹定位算法", 《微型机与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111935818B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110012428B (zh) | 一种基于WiFi的室内定位方法 | |
JP4421287B2 (ja) | 選択的合成法による無線通信装置の位置決定方法 | |
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 | |
CN104602342B (zh) | 一种基于iBeacon设备的高效室内定位方法 | |
CN106851571B (zh) | 一种基于决策树的快速KNN室内WiFi定位方法 | |
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 | |
CN111726765B (zh) | 一种面向大规模复杂场景的wifi室内定位方法及系统 | |
CN110082716B (zh) | 一种医院复杂环境室内定位系统及定位方法 | |
CN110049549B (zh) | 基于WiFi指纹的多融合室内定位方法及其系统 | |
CN109348416B (zh) | 基于二分k均值的指纹室内定位方法 | |
CN114189809A (zh) | 基于卷积神经网络与高维5g观测特征的室内定位方法 | |
CN108225332B (zh) | 基于监督的室内定位指纹地图降维方法 | |
CN113518307A (zh) | 基于csi与众包迁移自校准更新的位置指纹定位方法 | |
WO2022242018A1 (zh) | 一种基于改进的cnn模型的室内目标定位方法 | |
CN112801268B (zh) | 基于图卷积和多层感知机混合网络的定位方法 | |
Subakti et al. | Indoor Localization with Fingerprint Feature Extraction | |
CN111935818B (zh) | 一种基于最大信息系数的模糊聚类冗余接入点约简方法 | |
Pandey et al. | Residual neural networks for heterogeneous smart device localization in IoT networks | |
Chen et al. | Deep neural network based on feature fusion for indoor wireless localization | |
CN111918211B (zh) | 一种基于kd树和改进加权knn的室内指纹定位方法 | |
CN113194401B (zh) | 一种基于生成式对抗网络的毫米波室内定位方法及系统 | |
CN113645565B (zh) | 一种基于六方最密堆积结构的室内定位方法 | |
CN115567871A (zh) | 一种WiFi指纹室内楼层识别与位置估计方法 | |
CN111757249B (zh) | 一种基于信息增益比的多特征模糊映射接入点优化方法 |
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 |