CN112135248B - 一种基于K-means最优估计的WIFI指纹定位方法 - Google Patents
一种基于K-means最优估计的WIFI指纹定位方法 Download PDFInfo
- Publication number
- CN112135248B CN112135248B CN202011072328.6A CN202011072328A CN112135248B CN 112135248 B CN112135248 B CN 112135248B CN 202011072328 A CN202011072328 A CN 202011072328A CN 112135248 B CN112135248 B CN 112135248B
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- samples
- information
- detected
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000003064 k means clustering Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
一种基于K‑means最优估计的WIFI指纹定位方法,包括以下步骤;步骤1):采集RSSI数据;步骤2):数据预处理;步骤3):数据初始化,利用KNN算法将测试样本的位置信息进行近邻估计,补全样本信息;步骤4):利用K‑means聚类算法进行聚类;步骤5):输出聚类结果。本发明首先用待测指纹在离线指纹数据库中的近邻初始化其位置信息,其次利用K‑means算法对所有数据聚类,重新分配样本类别,在每次迭代过程中待测指纹在类内找近邻更新其位置信息,直到类中心偏移量小于设定的阈值时算法迭代终止,从而得到优化后的待测指纹的位置信息,最终实现较为精准的位置定位。
Description
技术领域
本发明涉及模式识别机器学习技术领域,特别涉及一种基于K-means最优估计的WIFI指纹定位方法。
背景技术
产业已经进入高速发展阶段。随着手机数量的爆发式增长和移动互联网的发展,在大型商场、超市、机场、办公室等室内环境中提供精确位置服务的要求越来越高。在开阔的室外环境中,GPS定位系统和蜂窝网定位系统可以满足各种精度的定位需求,但在室内环境建筑布局造成严重的信号衰减,导致在室内经常无法获得精准的位置信息。基于此,包括WiFi、蓝牙、RFID在内的无线信号定位方法已经成为近年来室内定位研究的热点。众多室内定位方法中,随着Wi-Fi技术的成熟与普及,基于Wi-Fi的室内定位研究已成为当下研究的热点。根据采用的算法不同,定位技术可以分为两类:基于信号传播模型的定位和基于位置指纹识别算法的定位。
WiFi位置指纹法首先通过信号强度与位置的映射关系建立指纹数据库,再使用匹配算法估计目标的位置。基于RSSI位置指纹定位方法,一般而言分为离线建库和在线匹配两个阶段。离线建库是指在待定位区域选择L个参考点,在每个参考点采集WiFi指纹数据,每条WiFi指纹数据包括强度信息和位置信息,构建离线指纹库;在线匹配是指待测目标实时采集当前位置的位置指纹,与指纹库中的参考点进行匹配,运用匹配算法计算最终的位置估计。在匹配算法中的确定性算法--K近邻(KNN)法,因其复杂度低,易于实现且定位精度较高而被广泛使用。传统的KNN算法计算所有参考点与目标之间的指纹距离,然后进行排序,选择出近邻点,当指纹规模过大时,会严重影响定位效率,如果在调用定位算法之前,对指纹进行粗略筛选,将会直接降低算法的时间复杂度。
发明内容
为了克服上述现有技术的不足,本发明的目的在于提供一种基于K-means最优估计的WIFI指纹定位方法,该方法首先用待测指纹在离线指纹数据库中的近邻初始化其位置信息,其次利用K-means算法对所有数据聚类,重新分配样本类别,在每次迭代过程中待测指纹在类内找近邻更新其位置信息,直到类中心偏移量小于设定的阈值时算法迭代终止,从而得到优化后的待测指纹的位置信息,最终实现较为精准的位置定位。
为了实现上述目的,本发明采用的技术方案是:
一种基于K-means最优估计的WIFI指纹定位方法,包括以下步骤;
步骤1):采集RSSI数据;
步骤2):数据预处理;
步骤3):数据初始化,利用KNN算法将测试样本的位置信息进行近邻估计,补全样本信息;
步骤4):利用K-means聚类算法进行聚类;
步骤5):输出聚类结果。
所述步骤1)的采集RSSI数据过程中,采用UJIndoorLoc公开数据集,UJIndoorLoc数据集由2013年的20多个不同用户和25个Android设备创建。该数据库由19937个培训/参考记录(trainingData.csv文件)和1111个验证/测试记录(validationData.csv文件)组成。529属性包含WiFi指纹,获取指纹的坐标以及其他有用信息。每个WiFi指纹都可以通过检测到的无线接入点(WAP)和相应的接收信号强度强度(RSSI)来表征。强度值表示为-104dBm(极差信号)至0dbM的负整数值。正值100用于表示未检测到WAP的时间。在数据库创建期间,检测到520个不同的WAP。因此,WiFi指纹由520个强度值组成。
所述步骤二的数据预处理步骤:
(1)采用UJIndoorLoc数据集中的trainingData.csv文件,只选取强度信息和位置信息,其余信息进行删除操作;
(2)trainingData.csv文件数据集中总共包含5(0、1、2、3、4)层3栋(0、1、2)数据,选取的是第0栋第0层的数据;
(3)选取第0层第0栋的数据中,所有在参考点处未检测到的AP信号强度值为100,在本发明中均改为WiFi信号强度的最低值-127;
(4)对数据集中所有样本点的经纬度分别减去取值范围的左边界,其中,经度范围为负实际值从-7695.9387549299299000到-7299.786516730871000,纬度范围从4864745.7450159714到4865017.3646842018的正实际值,用新的坐标值来标定;
(5)对数据样本进行筛选,若某个AP中所有位置的信号强度均为-127,则将该AP整列删除;若某个位置中,所有AP的有效信号强度(即非-127的值)少于15个,则将该样本整行删,数据集预处理完成后,则得到一个289*121的矩阵,该矩阵表示共有289个样本,每个样本具有121维属性,其中1-119维为信号强度信息,120维和121维为位置信息,其中120维为经度信息,121维为纬度信息,将处理完成后所得数据矩阵前的150个样本作为训练集数据,剩余的139个样本作为测试数据。
所述步骤3)数据初始化的过程中,利用KNN算法将测试样本的位置信息进行近邻估计,补全样本信息,假设待测数据的位置信息不存在,计算每个测试样本与所有训练样本强度之间的欧式距离,其中KNN算法中所用到的欧式距离公式为
得到m-1个距离,将m-1个距离从大到小进行排列,取距离最小的k个样本,计算k个样本的平均值,将平均值所对应的已知样本的位置信息赋给待测样本,进而补全所有待测样本的位置估计信息,如下式
所述步骤4)利用K-means聚类算法进行聚类的过程中,K-means聚类算法是基于给定的聚类目标函数,算法采用迭代更新的方法,每一次迭代过程都是向目标函数减小的方向进行,最终聚类结果使得目标函数取得极小值,达到较好的分类效果,采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大。
所述步骤4)具体步骤为:
1、输入聚类个数,随机选取K个聚类中心;
2、分配各个样本到距离最近的类中,利用公式;
其中,RSSIij为第i个训练样本的第j个AP的信号强度值,RSSIsj为第s个测试样本的第j个AP的信号强度值,disti为测试样本s与训练样本i的第j个AP的强度之间的欧式距离;
计算出在每个类内待测样本与类内已知样本强度信息之间的欧氏距离;
3、利用KNN算法在类内更新待测样本的位置信息,进一步优化位置信息;
将所得的距离按照从大到小进行排序,选取距离最小的k个样本,计算k个样本的平均值,将平均值所对应的已知样本的位置信息再次赋给待测样本,进一步优化待测样本的位置信息,如下式:
4、更新各个类中心,根据优化位置信息后的样本信息,对于所有样本点,重新计算新的聚类中心,如下式:
其中,
5、根据所设定的阈值判断迭代是否收敛,收敛公式如下:
||μt+1-μt||<ε
其中,ε为设定的阈值,μt为第t次迭代的类中心,μt+1为第t+1次迭代的类中心,直到类中心偏移量小于设定的阈值ε时算法迭代终止,从而得到最终优化后的待测指纹的位置信息。
本发明的有益效果:
本发明在传统的K-means聚类算法步骤中,加入了在每次迭代过程中待测指纹KNN算法在类内找近邻更新其位置信息,不断优化待测样本位置信息,使定位精度在6米范围内达到89%,8米范围内达到了92%,相比其他定位方法,定位精度得到了很大程度的提高。
本发明所提出的方法,简单易操作,能够方便的在新环境中实现。
附图说明
图1为本发明的基于K-means定位算法流程图。
图2为实际位置与位置聚类定位位置对比图。
图3为定位精度累积概率分布对比分析图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
参照图1,对本发明的具体步骤进行详细描述。
步骤一:采集RSS数据。
所述步骤一:本算法采用UJIndoorLoc公开数据集。UJIndoorLoc数据集由2013年的20多个不同用户和25个Android设备创建。该数据库由19937个培训/参考记录(trainingData.csv文件)和1111个验证/测试记录(validationData.csv文件)组成。529属性包含WiFi指纹,获取指纹的坐标以及其他有用信息。每个WiFi指纹都可以通过检测到的无线接入点(WAP)和相应的接收信号强度强度(RSSI)来表征。强度值表示为-104dBm(极差信号)至0dbM的负整数值。正值100用于表示未检测到WAP的时间。在数据库创建期间,检测到520个不同的WAP。因此,WiFi指纹由520个强度值组成。
步骤二:数据预处理。
所述步骤二的数据预处理步骤:(1)该数据集只选取强度信息和位置信息,其余信息进行删除操作;(2)选取UJIndoorLoc数据集中训练样本的第0栋第0层的数据;(3)该数据集所有在参考点处未检测到的AP信号强度设置为100,此处,均改WiFi信号强度的最低值-127,如此更符合实际情况;(4)对数据集中参考点的经纬度分别减去取值范围的左边界,用新的坐标值来标定。(5)对数据样本进行筛选,若某个AP中所有位置的信号强度均为-127,则将该AP整列删除;若某个位置中,所有AP的有效信号强度(即非-127的值)少于15个,则将该样本整行删除。数据集预处理完成后,则得到一个289*121的矩阵,该矩阵表示共有289个样本,每个样本具有121维属性,其中1-119维为信号强度信息,120维和121维为位置信息,其中120维为经度信息,121维为纬度信息。将处理完成后所得数据矩阵前的150个样本作为训练集数据,剩余的139个样本作为测试数据。所述数据集为下式:
其中R为样本数据集,m为样本个数,n为AP个数,RSSImn为第m个样本的第n个AP的强度信息,xm为经度信息,ym为纬度信息。
步骤三:数据初始化,利用KNN算法将测试样本的位置信息进行近邻估计,补全样本信息。
所述步骤三,假设待测数据的位置信息不存在,计算每个测试样本与所有训练样本强度之间的欧式距离。其中KNN算法中所用到的欧式距离公式为
其中,disti为欧式距离,将待测样本的各个强度属性与已知样本的各个强度属性相对应做减法,得到m-1个距离,将m-1个距离从大到小进行排列,取距离最小的k个样本,计算k个样本的平均值,将平均值所对应的已知样本的位置信息赋给待测样本,进而补全所有待测样本的位置估计信息,如下式
步骤四:输入聚类个数,随机选取K个聚类中心。
步骤五:分配各个样本到距离最近的类中。
所述步骤五利用k均值聚类算法(k-means clustering algorithm,K-means)将所有样本信息进行聚类,具体步骤为:从数据集R(式(1))中随机选取k个样本作为初始的k个类中心:{μ1,μ2,…,μC,},输出的类为{ω1,ω2,…,ωC};对于样本i从1至m,计算其应该属于的类,根据公式
ωg=arg min||x(i)-μj||2
计算每个样本到每个类中心的距离,将距离最近的所有样本归为一个类。
步骤六:利用KNN算法在类内更新待测样本的位置信息,进一步优化位置信息。
所述步骤六中,利用式(2)在每个类内计算出待测样本与类内已知样本强度信息之间的欧氏距离,将所得的距离按照从大到小进行排序,选取距离最小的k个样本,计算k个样本的平均值,将平均值所对应的已知样本的位置信息再次赋给待测样本,进一步优化待测样本的位置信息,如下式
步骤七:更新各个类中心。
所述步骤七,根据优化位置信息后的样本信息,对于所有样本点,重新计算新的聚类中心,如下式
其中t为迭代次数,μt为第t词迭代所得到新的聚类中心。
步骤八:根据所设定的阈值判断迭代是否收敛。
判断聚类中心是否满足以下公式,若满足,则认为算法收敛,停止迭代,输出最终聚类结果;若不满足,则继续进行步五骤至步骤七,直至满足以下公式。
||μt+1-μt||<ε
在每次迭代过程中待测指纹在类内找近邻更新其位置信息,直到类中心偏移量小于设定的阈值ε时算法迭代终止,从而得到最终优化后的待测指纹的位置信息。
步骤九:输出聚类结果。
参照图2和图3,本发明方法的实验结果展示为图2的实际位置与位置聚类定位位置的对比图,结果显示位置聚类定位位置与实际位置较为贴合,图3显示定位精度的累积概率分布图表示,定位精度在6米范围内达到89%,8米范围内达到了92%,相比其他定位方法,定位精度得到了很大程度的提高。
本专利所采用的算法在公开的WiFi指纹数据集UJIndoorLoc中进行试验,具体软硬件环境如下所示:
表1.软件硬件环境参数表
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种基于K-means最优估计的WIFI指纹定位方法,其特征在于,包括以下步骤;
步骤1):采集RSSI数据;
步骤2):数据预处理;
步骤3):数据初始化,利用KNN算法将测试样本的位置信息进行近邻估计,补全样本信息;
步骤4):利用K-means聚类算法进行聚类;
步骤5):输出聚类结果;
所述步骤3)数据初始化的过程中,利用KNN算法将测试样本的位置信息进行近邻估计,补全样本信息,假设待测数据的位置信息不存在,计算每个测试样本与所有训练样本强度之间的欧式距离,其中KNN算法中所用到的欧式距离公式为
其中,RSSIij为第i个样本的第j个AP的信号强度值,RSSIsj为第s个样本的第j个AP的信号强度值,disti为测试样本s与训练样本i的第j个AP的强度之间的欧式距离;
最终得到m-1个距离,将m-1个距离从大到小进行排列,取距离最小的k个样本,计算k个样本的平均值,将平均值所对应的第i个样本的位置信息赋给待测样本,进而补全所有待测样本的位置估计信息,如下式
所述步骤4)具体步骤为:
1、输入聚类个数,随机选取K个聚类中心;
2、分配各个样本到距离最近的类中,利用公式;
其中,RSSIij为第i个训练样本的第j个AP的信号强度值,RSSIsj为第s个测试样本的第j个AP的信号强度值,disti为测试样本s与训练样本i的第j个AP的强度之间的欧式距离;
计算出在每个类内待测样本与类内已知样本强度信息之间的欧氏距离;
3、利用KNN算法在类内更新待测样本的位置信息,进一步优化位置信息;
将所得的距离按照从大到小进行排序,选取距离最小的k个样本,计算k个样本的平均值,将平均值所对应的已知样本的位置信息再次赋给待测样本,进一步优化待测样本的位置信息,如下式:
4、更新各个类中心,根据优化位置信息后的样本信息,对于所有样本点,重新计算新的聚类中心,如下式:
其中,
5、根据所设定的阈值判断迭代是否收敛,收敛公式如下:
||μt+1-μt||<ε
其中,ε为设定的阈值,μt为第t次迭代的类中心,μt+1为第t+1次迭代的类中心,直到类中心偏移量小于设定的阈值ε时算法迭代终止,从而得到最终优化后的待测指纹的位置信息。
2.根据权利要求1所述的一种基于K-means最优估计的WIFI指纹定位方法,其特征在于,所述步骤1)的采集RSSI数据过程中,采用UJIndoorLoc公开数据集,529属性包含WiFi指纹,获取指纹的坐标以及其他有用信息,每个WiFi指纹都可以通过检测到的无线接入点和相应的接收信号强度强度来表征,强度值表示为-104dBm至0dbM的负整数值,正值100用于表示未检测到WAP的时间,在数据库创建期间,检测到520个不同的WAP,WiFi指纹由520个强度值组成。
3.根据权利要求2所述的一种基于K-means最优估计的WIFI指纹定位方法,其特征在于,所述步骤2)的数据预处理步骤:
(1)采用UJIndoorLoc数据集中的trainingData.csv文件,只选取强度信息和位置信息,其余信息进行删除操作;
(2)trainingData.csv文件数据集中总共包含5(0、1、2、3、4)层3栋(0、1、2)数据,选取的是第0栋第0层的数据;
(3)选取第0层第0栋的数据中,将所有在参考点处未检测到的AP信号强度值为100改为WiFi信号强度的最低值-127;
(4)对数据集中所有样本点的经纬度分别减去取值范围的左边界,其中,经度范围为负实际值从-7695.9387549299299000到-7299.786516730871000,纬度范围从4864745.7450159714到4865017.3646842018的正实际值,用新的坐标值来标定;
(5)对数据样本进行筛选,若某个AP中所有位置的信号强度均为-127,则将该AP整列删除;若某个位置中,所有AP的有效信号强度((即非-127)的值)少于15个,则将该样本整行删,数据集预处理完成后,则得到一个289*121的矩阵,该矩阵表示共有289个样本,每个样本具有121维属性,其中1-119维为信号强度信息,120维和121维为位置信息,其中120维为经度信息,121维为纬度信息,将处理完成后所得数据矩阵的前150个样本作为训练集数据,剩余的139个样本作为测试数据。
4.根据权利要求1所述的一种基于K-means最优估计的WIFI指纹定位方法,其特征在于,所述步骤4)利用K-means聚类算法进行聚类的过程中,K-means聚类算法是基于给定的聚类目标函数,算法采用迭代更新的方法,每一次迭代过程都是向目标函数减小的方向进行,最终聚类结果使得目标函数取得极小值,达到较好的分类效果,采用距离作为相似性的评价指标,两个对象的距离越近,其相似度就越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072328.6A CN112135248B (zh) | 2020-10-09 | 2020-10-09 | 一种基于K-means最优估计的WIFI指纹定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072328.6A CN112135248B (zh) | 2020-10-09 | 2020-10-09 | 一种基于K-means最优估计的WIFI指纹定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112135248A CN112135248A (zh) | 2020-12-25 |
CN112135248B true CN112135248B (zh) | 2022-08-26 |
Family
ID=73843928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011072328.6A Active CN112135248B (zh) | 2020-10-09 | 2020-10-09 | 一种基于K-means最优估计的WIFI指纹定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112135248B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112752339B (zh) * | 2020-12-30 | 2022-05-10 | 东南大学 | 一种基于大规模mimo单站系统的指纹库更新方法 |
CN112333820B (zh) * | 2021-01-06 | 2021-04-30 | 上海迹寻科技有限公司 | 一种基于频谱图层的定位方法及系统 |
CN115460687A (zh) * | 2021-06-07 | 2022-12-09 | 中移物联网有限公司 | 定位方法、装置及相关设备 |
CN113095446B (zh) * | 2021-06-09 | 2021-09-03 | 中南大学 | 异常行为样本生成方法及系统 |
CN113347661B (zh) * | 2021-08-05 | 2021-11-02 | 浙江口碑网络技术有限公司 | 无线信号的特征提取方法及基于无线信号的定位方法 |
CN114443876A (zh) * | 2022-01-14 | 2022-05-06 | 广州市玄武无线科技股份有限公司 | 一种快销行业中商品指纹快速匹配方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093852A (zh) * | 2016-05-27 | 2016-11-09 | 东华大学 | 一种提高WiFi指纹定位精度与效率的方法 |
CN107222851A (zh) * | 2017-04-07 | 2017-09-29 | 南京邮电大学 | 一种利用差分隐私保护Wifi Fingerprint室内定位系统隐私的方法 |
CN108882363A (zh) * | 2018-06-14 | 2018-11-23 | 贵州大学 | 一种多方向采集结合聚类的WiFi指纹室内定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201704216D0 (en) * | 2017-03-16 | 2017-05-03 | Ranplan Wireless Network Design Ltd | WIFI multi-band fingerprint-based indoor positioning |
-
2020
- 2020-10-09 CN CN202011072328.6A patent/CN112135248B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093852A (zh) * | 2016-05-27 | 2016-11-09 | 东华大学 | 一种提高WiFi指纹定位精度与效率的方法 |
CN107222851A (zh) * | 2017-04-07 | 2017-09-29 | 南京邮电大学 | 一种利用差分隐私保护Wifi Fingerprint室内定位系统隐私的方法 |
CN108882363A (zh) * | 2018-06-14 | 2018-11-23 | 贵州大学 | 一种多方向采集结合聚类的WiFi指纹室内定位方法 |
Non-Patent Citations (7)
Title |
---|
Bulut Altintas等.Improving RSS-Based Indoor Positioning Algorithm via K-Means Clustering.《17th European Wireless 2011 - Sustainable Wireless Technologies》.2011, * |
ChoRong Park等.Indoor positioning using Wi-Fi fingerprint with signal clustering.《2017 International Conference on Information and Communication Technology Convergence (ICTC)》.2017, * |
张力仁等.基于近邻传播算法的动态自适应室内指纹定位算法.《计算机应用研究》.2017,(第10期), * |
李金涛等.基于K-means聚类算法的改进.《国外电子测量技术》.2017,(第06期), * |
莫树培等.基于聚类和K近邻算法的井下人员定位算法.《工矿自动化》.2019, * |
郭昕刚等.基于k-means及改进k近邻的WiFi指纹定位算法.《长春工业大学学报》.2018,(第01期), * |
陈骁等.基于核K-means与RVM分类回归的Wi-Fi指纹室内定位算法.《现代计算机(专业版)》.2018,(第26期), * |
Also Published As
Publication number | Publication date |
---|---|
CN112135248A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112135248B (zh) | 一种基于K-means最优估计的WIFI指纹定位方法 | |
CN110012428B (zh) | 一种基于WiFi的室内定位方法 | |
CN108696932B (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
Kaemarungsi | Efficient design of indoor positioning systems based on location fingerprinting | |
CN106851571B (zh) | 一种基于决策树的快速KNN室内WiFi定位方法 | |
CN106851573B (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
CN104703143B (zh) | 一种基于wifi信号强度的室内定位方法 | |
CN101639527B (zh) | 基于rss-p的k近邻模糊聚类wlan室内定位方法 | |
CN104185275B (zh) | 一种基于wlan的室内定位方法 | |
CN106646338A (zh) | 一种快速精确的室内定位方法 | |
CN107703480B (zh) | 基于机器学习的混合核函数室内定位方法 | |
CN107948930A (zh) | 基于位置指纹算法的室内定位优化方法 | |
CN105636201B (zh) | 基于稀疏信号指纹数据库的室内定位方法 | |
CN105960021A (zh) | 一种改进的位置指纹室内定位方法 | |
CN107182036A (zh) | 基于多维特征融合的自适应位置指纹定位方法 | |
CN109348416B (zh) | 基于二分k均值的指纹室内定位方法 | |
CN112801268B (zh) | 基于图卷积和多层感知机混合网络的定位方法 | |
CN108650626A (zh) | 一种基于泰森多边形的指纹定位算法 | |
CN102695272A (zh) | 一种匹配定位的方法和移动终端 | |
CN110401977A (zh) | 一种基于Softmax回归多分类识别器的多楼层室内定位方法 | |
CN110636437A (zh) | 一种基于指纹对的辅助定位方法 | |
CN109121081B (zh) | 一种基于位置候选集与em算法的室内定位方法 | |
CN108445443B (zh) | 一种基于knn的指纹点聚类方法 | |
CN107820202B (zh) | 一种基于空间特征的室内定位分区方法 | |
CN111669702A (zh) | 基于wifi地址与场强的粗精匹配定位方法 |
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 |