CN114269006A - 一种基于信息增益率的室内ap聚类选取方法和设备 - Google Patents
一种基于信息增益率的室内ap聚类选取方法和设备 Download PDFInfo
- Publication number
- CN114269006A CN114269006A CN202111595824.4A CN202111595824A CN114269006A CN 114269006 A CN114269006 A CN 114269006A CN 202111595824 A CN202111595824 A CN 202111595824A CN 114269006 A CN114269006 A CN 114269006A
- Authority
- CN
- China
- Prior art keywords
- signal strength
- interval
- cluster
- fingerprint
- aps
- 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
-
- 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
- Position Fixing By Use Of Radio Waves (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于信息增益率的室内AP聚类选取方法和设备。所述方法包括:在预先设置的室内定位区域中的指纹点处采集信号强度信息,构建指纹数据库;根据信号强度信息对AP进行分层,计算各区间层对于指纹点的信息增益率,根据信息增益率的高低对各个分层区间进行排序;针对排序后的分层区间中的AP,根据AP的信号强度矩阵的相关性系数进行聚类;根据聚类结果,在相应的类别中选择对应比例的AP作为室内定位的AP接入点。本发明通过对各个指纹点观测到的AP进行分层后聚类实现各个AP相关性的区分,能够有效的去除冗余AP与观测质量较差的AP,减少在线位置估计阶段系统的计算量,提高定位速度和精度。
Description
技术领域
本发明涉及无线通信的室内定位技术,具体涉及一种室内AP聚类选取方法和设备。
背景技术
室内基于位置服务(location based service,LBS)的应用在近年来受到广泛关注,目前现有的室内定位方法主要分为三大类:基于特定设备的室内定位方法、基于无线信号的室内定位方法和基于传感器的室内定位方法。在基于无线信号的室内定位中,由于WIFI信号在个人家居、大型商场等室内环境中普遍存在,使得基于WIFI信号的室内定位方法被广泛应用。但是,由于WIFI信号在传播过程当中会出现信号衰减的现象,影响定位的精度。为了弱化信号衰减对室内定位精度造成的影响,可以通过在可探测到的接入点(AccessPoint,AP)的集合中选取一些分辨率较高的AP用于室内定位的位置估计,这样不仅可以去除一些观测质量较差的或冗余的AP,同时可以降低观测点观测的信息空间维度,从而减少位置估计过程中的计算量。目前,现有的AP选择方法主要存在计算过程复杂、计算量大、对WIFI信号多径效应抵抗能力不足等缺点,影响定位的速度和精度。
发明内容
本发明的目的是提出一种基于信息增益率的室内AP聚类选取方法和设备,解决现有技术中的问题。
为了实现上述发明目的,本发明采用如下的技术方案:
第一方面,一种基于信息增益率的室内AP聚类选取方法,包括以下步骤:
在预先设置的室内定位区域中的指纹点处采集信号强度信息,构建指纹数据库;
根据信号强度信息对AP进行分层,计算各区间层对于指纹点的信息增益率,根据信息增益率的高低对各个分层区间进行排序;
针对排序后的分层区间中的AP,根据AP的信号强度矩阵的相关性系数进行聚类;
根据聚类结果,在相应的类别中选择对应比例的AP作为室内定位的AP接入点。
进一步地,根据信号强度信息对AP进行分层包括:根据采集的信号强度,按区间长度k进行分层,分层后的分层区间结果为{T1,T2,T3,…Tn},其中Ti表示第i个分层区间,Ti中包含当前指纹点信号强度值在第i个分层区间的AP。
进一步地,计算各区间层对于指纹点的信息增益率包括:
根据公式(1)、公式(2)计算出每个分层区间Ti的条件熵H(G|Ti):
P(Gj|Ti=v)=P(Ti=v|Gj)P(Gj)/P(Ti=v) (2)
根据公式(3)计算出指纹数据库网格的信息熵:
基于Ti的条件熵和信息熵,根据公式(4)计算出Ti的信息增益:
g(Ti)=H(G)-H(G|Ti) (4)
根据公式(5)计算出Ti的信息增益率:
其中f为指纹数据库网格个数,指纹数据库网格个数表示对待定位区域进行网格划分后的个数,v表示当前指纹数据库网格Gj中所包含的信号强度值,Gj为第j个指纹数据库网格,P(Gj)表示G取Gj的离散概率密度,P(Gj|Ti=v)表示指纹数据库网格G在给定分层区间下Gj的条件概率密度,P(Ti=v)表示当前指纹数据库网格Gj中的信号强度值含有分层区间Ti中的RSS值的概率密度。
进一步地,根据AP的信号强度矩阵的相关性系数进行聚类包括:
计算当前待排序APi的信号强度矩阵RSS(APi)与已存在的簇中的质心Ci的信号强度矩阵之间的相关系数,并基于相关系数构建相关性指标值;
根据相关性指标值的取值情况,将待聚类APi加入对应的簇中;
进一步地,信号强度矩阵之间的相关系数根据下式计算:
相关性指标值为:corr(r)=r2。
进一步地,根据相关性指标值的取值情况,将待聚类APi加入对应的簇中包括:
当两个信号强度矩阵的相关性指标corr(r)∈(0.5,1]时,通过计算待聚类节点APi的接收信号强度矩阵与当前簇中的各个AP的接收信号强度矩阵的矩阵之差的Frobenius范数,作为两个AP之间的距离d,从簇中选取满足d<Dmax的AP,将待聚类APi加入当前质心所在的簇,Dmax为最大距离阈值;
当两个信号强度矩阵的相关性指标corr(r)∈(0,0.5]时,将待聚类节点APi归为新的一簇,APi为该簇的质心。
第二方面,一种基于信息增益率的室内AP聚类选取设备,包括
信号采集模块,用于在预先设置的室内定位区域中的指纹点处采集信号强度信息,构建指纹数据库;
分层模块,用于根据信号强度信息对AP进行分层,计算各区间层对于指纹点的信息增益率,根据信息增益率的高低对各个分层区间进行排序;
聚类模块,用于对排序后的分层区间中的AP,根据AP的信号强度矩阵的相关性系数进行聚类;
确定模块,用于根据聚类结果,在相应的类别中选择指定比例的AP作为室内定位的AP接入点。
进一步地,所述分层模块包括:
分层单元,用于根据采集的信号强度,按区间长度k进行分层,分层后的分层区间结果为{T1,T2,T3,…Tn},其中Ti表示第i个分层区间,Ti中包含当前指纹点信号强度值在第i个分层区间的AP;
信息增益率确定单元,用于根据下式计算分层区间Ti的信息增益率:
其中,g(Ti)为Ti的信息增益,g(Ti)=H(G)-H(G|Ti);H(G)为指纹数据库网格的信息熵,H(G|Ti)为Ti的条件熵, P(Gj|Ti=v)=P(Ti=v|Gj)P(Gj)/P(Ti=v);其中f为指纹数据库网格个数,指纹数据库网格个数表示对待定位区域进行网格划分后的个数,v表示当前指纹数据库网格Gj中所包含的信号强度值,Gj为第j个指纹数据库网格,P(Gj)表示G取Gj的离散概率密度,P(Gj|Ti=v)表示指纹数据库网格G在给定分层区间下Gj的条件概率密度,P(Ti=v)表示当前指纹数据库网格Gj中的信号强度值含有分层区间Ti中的RSS值的概率密度;
以及排序单元,用于根据信息增益率由高到低对各个分层区间进行排序。
进一步地,所述聚类模块包括:
信号强度矩阵获取单元,用于从经排序的分层区间T1中的AP序列里选取第一个AP即AP1作为第一簇的质心C1,从指纹数据库中获取AP1在各个指纹点的信号强度矩阵,记为以及用于从当前分层区间中的AP序列里选取下一个AP即APi作为待聚类节点,APi在各个指纹点的信号强度矩阵为rxy表示在坐标(x,y)处的信号强度;
相关性指标确定单元,用于计算当前待排序APi的信号强度矩阵RSS(APi)与已存在的簇中的质心Ci的信号强度矩阵之间的相关系数,并基于相关系数构建相关性指标值;
分簇单元,用于根据相关性指标值的取值情况,将待聚类APi加入对应的簇中;
进一步地,信号强度矩阵之间的相关系数根据下式计算:
相关性指标值为:corr(r)=r2。
进一步地,根据相关性指标值的取值情况,将待聚类APi加入对应的簇中包括:
当两个信号强度矩阵的相关性指标corr(r)∈(0.5,1]时,通过计算待聚类节点APi的接收信号强度矩阵与当前簇中的各个AP的接收信号强度矩阵的矩阵之差的Frobenius范数,作为两个AP之间的距离d,从簇中选取满足d<Dmax的AP,将待聚类APi加入当前质心所在的簇;
当两个信号强度矩阵的相关性指标corr(r)∈(0,0.5]时,将待聚类节点APi归为新的一簇,APi为该簇的质心。
第三方面,一种计算设备,包括:
一个或多个处理器;存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如本发明第一方面所述的室内AP聚类选取方法。
有益效果:相比于现有技术中的AP选择方法,本发明通过对各个指纹点观测到的AP进行分层后聚类实现各个AP相关性的区分,能够有效的去除冗余AP与观测质量较差的AP,减少在线位置估计阶段系统的计算量,有效的降低了终端的计算能耗。具体体现在:第一,通过信息论,基于信息增益率来挑选室内环境中的一部分AP子集来实现位置估计,降低了定位点的有效信息空间维度,从而减少位置估计过程中的计算量,加快定位速度;第二,通过对AP的聚类,考虑了物理空间位置上的AP的相关性,有效的为在线位置估计过程中去除不必要的冗余AP和观测质量较差的AP,提高定位精度;第三,通过有效的从AP聚类簇中按比例选取信息增益率较高的AP从而充分利用各个AP的信息增益,有效减少WIFI信号的多径效应和其他信号对在线位置估计的影响。
附图说明
图1为本发明实例提供的实验场地区域划分示意图,其中包括AP的位置信息与房间位置布局信息;
图2为本发明实施例提供的基于信息增益率的室内AP聚类选取方法流程示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
本发明提出一种基于信息增益率的室内AP聚类选取方法,主要通过在指纹点离线采集WIFI信号强度构建指纹数据库阶段完成AP的选取工作。首先通过在各个指纹点对所能采集到的AP接收信号强度(Received Signal Strength,RSS)根据分层区间将AP进行分层,然后计算各区间层对于指纹点的信息增益率,根据信息增益率从高到低对各个分层区间进行排序,获得各个位置的指纹信息构建指纹数据库后,再通过各个指纹点所探测到AP按照有序分层区间的顺序,根据AP的信号强度矩阵的相关性系数进行聚类,依照聚类后的AP结果,在相应的类别中选择对应比例的AP作为室内定位的AP接入点,最后完成在线阶段的室内位置估计。通过对室内AP的分层后聚类,类中按比例选择AP,降低在线位置估计的计算量,同时可以优化室内位置估计的精度。
在本发明实施例中,结合图1所示的实验场地区域,对方法的具体步骤进行如下说明。如图1所示,该实验场地为40m*50m的区域,一共设置了5个WIFI热点,用Android设备采集各个指纹点的RSSI(Received Signal Strength Indication)值。参照图2,基于信息增益率的室内AP聚类选取方法具体包括以下步骤:
步骤1:离线采集指纹阶段,设置实验场地的二维坐标系,坐标系原点设置在实验场地最左下角的墙壁交点,将实验场地区域按照相邻指纹点在两个坐标轴上的距离为1m的等间距设置指纹点,总共设置了200个指纹点,每一个指纹点采集各个AP的接收信号强度信息,进入步骤2。
步骤2:指纹信息采集终端通过在各个指纹点处采集WIFI信号强度信息和坐标信息,采用6部不同型号的Android设备在200个指纹点一次采集接收信号强度信息,每个指纹点采集时间为5分钟,取平均值作为该指纹点的信号强度指纹信息,然后通过无线网络传输至中心服务器存储,构建指纹数据库Φ,进入步骤3。
步骤3:完成构建指纹数据库Φ,指纹点总数为200,可检测到AP总数为5,指纹数据库其中M表示指纹点总数,N表示AP总数,RSSIm,n(m=1,2,3…M,n=1,2,3…N)表示第m个指纹点接收到的第n个AP的RSSI平均值,Φ中的每一个行向量表示一个指纹点中接收到的各个AP的接收信号强度。设定k=5为RSS分层区间间隔参数,首先对所有指纹点可检测到的AP信号强度按区间长度k=5进行分层,分层后的结果为{T1,T2,T3},其中T1={AP1,AP2},T2={AP3,AP4},T3={AP5},进入步骤4。
步骤4:首先使用公式(1)、公式(2)计算出每个RSS分层区间的条件熵,Ti的条件熵记为H(G|Ti),Ti表示第i个RSS分层区间,然后根据公式(3)计算出指纹数据库网格的信息熵,记为H(G),然后根据公式(4)计算出Ti的信息增益,记为g(Ti),最后根据公式(5)计算出Ti的信息增益率,记为gr(Ti),进入步骤5。
P(Gj|Ti=v)=P(Ti=v|Gj)P(Gj)/P(Ti=v) (2)
g(Ti)=H(G)-H(G|Ti) (4)
其中f为指纹数据库网格个数,指纹数据库网格个数表示对待定位区域进行网格划分后的个数,若网格划分的粒度等于指纹点划分的粒度,则f=M,v表示当前指纹数据库网格Gj中所包含的RSS值,Gj为第j个指纹数据库网格,P(Gj)表示G取Gj的离散概率密度,一般情况下为1/f,P(Gj|Ti=v)表示指纹数据库网格G在给定分层区间下Gj的条件概率密度,P(Ti=v)表示当前指纹数据库网格Gj中的RSS值含有分层区间Ti中的RSS值的概率密度;
此外,条件熵H(G|Ti)表示在给定分层区间中的RSS值的条件下,指纹数据库网格G的数学期望,信息熵H(G)表示指纹数据库网格G的数学期望,信息增益g(Ti)表示分层区间Ti使得信息熵H(G)减少的程度,本场景下,信息增益越大,表示该分层区间对定位精度增益越大,信息增益率是在信息增益的基础上乘上一个惩罚项。
步骤5:根据各个RSS分层区间Ti的信息增益率从高至低的顺序将Ti进行排序为{T1,T3,T2},进入步骤6。
步骤6:对排序后的RSS分层区间中的AP进行聚类,从有序的RSS分层区间T1中的AP序列选出第一个AP即AP1作为第一簇的质心C1,从指纹数据库中获取AP1在各个指纹点的信号强度矩阵,记为其中,rxy表示在坐标(x,y)处的信号强度,所以,质心的接收信号强度为进入步骤7。
步骤7:从当前分层区间中的AP序列中选取下一个AP即AP2作为待聚类节点,AP2在各个指纹点的信号强度矩阵为通过公式(6)计算当前待聚类AP2的信号强度矩阵RSS(AP2)与已存在的簇中的质心Ci的信号强度矩阵之间的相关系数r1,2,然后计算即cor(r1,2)=r1,2 2,若计算信号强度矩阵的相关性指标结果cor(r1,2)∈(0.5,1],则进入情况1。
情况1:两个信号强度矩阵的相关性指标cor(r)∈(0.5,1]
两个信号强度矩阵强相关,根据公式(7)计算出将当前待聚类节点APi与当前簇中的各个AP如APj接收信号强度矩阵的矩阵之差的Frobenius范数,即AP之间的距离d(APi,APj),设定簇内AP之间距离最大阈值为Dmax,计算AP2与当前簇内各个AP之间的距离d(AP2,APj)<Dmax,则将待聚类AP2加入当前质心所在的簇,进入步骤8。
当两个信号强度矩阵的相关性指标corr(r)∈(0,0.5]时,属于情况2,即两个信号强度矩阵非强相关,此时将APi归为新的一簇,APi为该簇的质心,进入步骤9。
步骤9:继续依次从有序RSS分层区间Ti中选取待聚类AP节点,重复步骤7至步骤8,完成所有AP的聚类工作,生成三个AP簇,分别是C1={AP1,AP2},C2={AP3,AP4},C3={AP5}进入步骤10。
步骤10:在其他指纹点重复AP分层后聚类的计算,各个指纹点完成AP的分层后聚类的工作后,进入步骤11。
步骤11:在线定位阶段,客户端向服务端发起定位请求,将定位请求中的位置信息输入到服务端,服务端根据输入的位置信息确定所在子区域,设定c=0.3,选取0.3*s个AP作为室内定位AP,从各个簇中按AP数所占AP总数的比例选取对应数量的AP用于位置估计。
根据和方法实施例相同的技术构思,在另一实施例中,提供一种基于信息增益率的室内AP聚类选取设备,包括
信号采集模块,用于在预先设置的室内定位区域中的指纹点处采集信号强度信息,构建指纹数据库;
分层模块,用于根据信号强度信息对AP进行分层,计算各区间层对于指纹点的信息增益率,根据信息增益率的高低对各个分层区间进行排序;
聚类模块,用于对排序后的分层区间中的AP,根据AP的信号强度矩阵的相关性系数进行聚类;
确定模块,用于根据聚类结果,在相应的类别中选择指定比例的AP作为室内定位的AP接入点。
进一步地,所述分层模块包括:
分层单元,用于根据采集的信号强度,按区间长度k进行分层,分层后的分层区间结果为{T1,T2,T3,…Tn},其中Ti表示第i个分层区间,Ti中包含当前指纹点信号强度值在第i个分层区间的AP;
信息增益率确定单元,用于根据下式计算分层区间Ti的信息增益率:
其中,g(Ti)为Ti的信息增益,g(Ti)=H(G)-H(G|Ti);H(G)为指纹数据库网格的信息熵,H(G|Ti)为Ti的条件熵, P(Gj|Ti=v)=P(Ti=v|Gj)P(Gj)/P(Ti=v);其中f为指纹数据库网格个数,指纹数据库网格个数表示对待定位区域进行网格划分后的个数,v表示当前指纹数据库网格Gj中所包含的信号强度值,Gj为第j个指纹数据库网格,P(Gj)表示G取Gj的离散概率密度,P(Gj|Ti=v)表示指纹数据库网格G在给定分层区间下Gj的条件概率密度,P(Ti=v)表示当前指纹数据库网格Gj中的信号强度值含有分层区间Ti中的RSS值的概率密度;
以及排序单元,用于根据信息增益率由高到低对各个分层区间进行排序。
进一步地,所述聚类模块包括:
信号强度矩阵获取单元,用于从经排序的分层区间T1中的AP序列里选取第一个AP即AP1作为第一簇的质心C1,从指纹数据库中获取AP1在各个指纹点的信号强度矩阵,记为以及用于从当前分层区间中的AP序列里选取下一个AP即APi作为待聚类节点,APi在各个指纹点的信号强度矩阵为rxy表示在坐标(x,y)处的信号强度;
相关性指标确定单元,用于计算当前待排序APi的信号强度矩阵RSS(APi)与已存在的簇中的质心Ci的信号强度矩阵之间的相关系数,并基于相关系数构建相关性指标值;
分簇单元,用于根据相关性指标值的取值情况,将待聚类APi加入对应的簇中;
进一步地,信号强度矩阵之间的相关系数根据下式计算:
相关性指标值为:corr(r)=r2。
进一步地,根据相关性指标值的取值情况,将待聚类APi加入对应的簇中包括:
当两个信号强度矩阵的相关性指标corr(r)∈(0.5,1]时,通过计算待聚类节点APi的接收信号强度矩阵与当前簇中的各个AP的接收信号强度矩阵的矩阵之差的Frobenius范数,作为两个AP之间的距离d,从簇中选取满足d<Dmax的AP,将待聚类APi加入当前质心所在的簇;
当两个信号强度矩阵的相关性指标corr(r)∈(0,0.5]时,将待聚类节点APi归为新的一簇,APi为该簇的质心。
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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供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步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解,依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于信息增益率的室内AP聚类选取方法,其特征在于,包括以下步骤:
在预先设置的室内定位区域中的指纹点处采集信号强度信息,构建指纹数据库;
根据信号强度信息对AP进行分层,计算各区间层对于指纹点的信息增益率,根据信息增益率的高低对各个分层区间进行排序;
针对排序后的分层区间中的AP,根据AP的信号强度矩阵的相关性系数进行聚类;
根据聚类结果,在相应的类别中选择对应比例的AP作为室内定位的AP接入点。
2.根据权利要求1所述的基于信息增益率的室内AP聚类选取方法,其特征在于,根据信号强度信息对AP进行分层包括:根据采集的信号强度,按区间长度k进行分层,分层后的分层区间结果为{T1,T2,T3,...Tn},其中Ti表示第i个分层区间,Ti中包含当前指纹点信号强度值在第i个分层区间的AP。
3.根据权利要求2所述的基于信息增益率的室内AP聚类选取方法,其特征在于,计算各区间层对于指纹点的信息增益率包括:
根据公式(1)、公式(2)计算出每个分层区间Ti的条件熵H(G|Ti):
P(Gj|Ti=v)=P(Ti=v|Gj)P(Gj)/P(Ti=v) (2)
根据公式(3)计算出指纹数据库网格的信息熵:
基于Ti的条件熵和信息熵,根据公式(4)计算出Ti的信息增益:
g(Ti)=H(G)-H(G|Ti) (4)
根据公式(5)计算出Ti的信息增益率:
其中f为指纹数据库网格个数,指纹数据库网格个数表示对待定位区域进行网格划分后的个数,v表示当前指纹数据库网格Gj中所包含的信号强度值,Gj为第j个指纹数据库网格,P(Gj)表示G取Gj的离散概率密度,P(Gj|Ti=v)表示指纹数据库网格G在给定分层区间下Gj的条件概率密度,P(Ti=v)表示当前指纹数据库网格Gj中的信号强度值含有分层区间Ti中的RSS值的概率密度。
4.根据权利要求2所述的基于信息增益率的室内AP聚类选取方法,其特征在于,根据AP的信号强度矩阵的相关性系数进行聚类包括:
计算当前待排序APi的信号强度矩阵RSS(APi)与已存在的簇中的质心Ci的信号强度矩阵之间的相关系数,并基于相关系数构建相关性指标值;
根据相关性指标值的取值情况,将待聚类APi加入对应的簇中;
6.根据权利要求1所述的基于信息增益率的室内AP聚类选取方法,其特征在于,根据相关性指标值的取值情况,将待聚类APi加入对应的簇中包括:
当两个信号强度矩阵的相关性指标corr(r)∈(0.5,1]时,通过计算待聚类节点APi的接收信号强度矩阵与当前簇中的各个AP的接收信号强度矩阵的矩阵之差的Frobenius范数,作为两个AP之间的距离d,从簇中选取满足d<Dmax的AP,将待聚类APi加入当前质心所在的簇,Dmax为最大距离阈值;
当两个信号强度矩阵的相关性指标corr(r)∈(0,0.5]时,将待聚类节点APi归为新的一簇,APi为该簇的质心。
7.一种基于信息增益率的室内AP聚类选取设备,其特征在于,包括
信号采集模块,用于在预先设置的室内定位区域中的指纹点处采集信号强度信息,构建指纹数据库;
分层模块,用于根据信号强度信息对AP进行分层,计算各区间层对于指纹点的信息增益率,根据信息增益率的高低对各个分层区间进行排序;
聚类模块,用于对排序后的分层区间中的AP,根据AP的信号强度矩阵的相关性系数进行聚类;
确定模块,用于根据聚类结果,在相应的类别中选择指定比例的AP作为室内定位的AP接入点。
8.根据权利要求7所述的基于信息增益率的室内AP聚类选取设备,其特征在于,所述分层模块包括:
分层单元,用于根据采集的信号强度,按区间长度k进行分层,分层后的分层区间结果为{T1,T2,T3,...Tn},其中Ti表示第i个分层区间,Ti中包含当前指纹点信号强度值在第i个分层区间的AP;
信息增益率确定单元,用于根据下式计算分层区间Ti的信息增益率:
其中,g(Ti)为Ti的信息增益,g(Ti)=H(G)-H(G|Ti);H(G)为指纹数据库网格的信息熵,H(G|Ti)为Ti的条件熵, P(Gj|Ti=v)=P(Ti=v|Gj)P(Gj)/P(Ti=v);其中f为指纹数据库网格个数,指纹数据库网格个数表示对待定位区域进行网格划分后的个数,v表示当前指纹数据库网格Gj中所包含的信号强度值,Gj为第j个指纹数据库网格,P(Gj)表示G取Gj的离散概率密度,P(Gj|Ti=v)表示指纹数据库网格G在给定分层区间下Gj的条件概率密度,P(Ti=v)表示当前指纹数据库网格Gj中的信号强度值含有分层区间Ti中的RSS值的概率密度;
以及排序单元,用于根据信息增益率由高到低对各个分层区间进行排序。
9.根据权利要求7所述的基于信息增益率的室内AP聚类选取设备,其特征在于,所述聚类模块包括:
信号强度矩阵获取单元,用于从经排序的分层区间T1中的AP序列里选取第一个AP即AP1作为第一簇的质心C1,从指纹数据库中获取AP1在各个指纹点的信号强度矩阵,记为以及用于从当前分层区间中的AP序列里选取下一个AP即APi作为待聚类节点,APi在各个指纹点的信号强度矩阵为rxy表示在坐标(x,y)处的信号强度;
相关性指标确定单元,用于计算当前待排序APi的信号强度矩阵RSS(APi)与已存在的簇中的质心Ci的信号强度矩阵之间的相关系数,并基于相关系数构建相关性指标值;
分簇单元,用于根据相关性指标值的取值情况,将待聚类APi加入对应的簇中;
10.一种计算设备,其特征在于,包括:
一个或多个处理器;存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如权利要求1-6中任一项所述的室内AP聚类选取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595824.4A CN114269006B (zh) | 2021-12-24 | 2021-12-24 | 一种基于信息增益率的室内ap聚类选取方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595824.4A CN114269006B (zh) | 2021-12-24 | 2021-12-24 | 一种基于信息增益率的室内ap聚类选取方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114269006A true CN114269006A (zh) | 2022-04-01 |
CN114269006B CN114269006B (zh) | 2023-04-14 |
Family
ID=80829512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111595824.4A Active CN114269006B (zh) | 2021-12-24 | 2021-12-24 | 一种基于信息增益率的室内ap聚类选取方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114269006B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115905787A (zh) * | 2022-10-21 | 2023-04-04 | 盐城师范学院 | 一种基于模糊迁移学习模型的高精度室内定位方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102821465A (zh) * | 2012-09-07 | 2012-12-12 | 哈尔滨工业大学 | 基于分区信息熵增益的wlan室内定位方法 |
CN105101408A (zh) * | 2015-07-23 | 2015-11-25 | 常熟理工学院 | 基于分布式ap选择策略的室内定位方法 |
CN107087256A (zh) * | 2017-03-17 | 2017-08-22 | 上海斐讯数据通信技术有限公司 | 一种基于WiFi室内定位的指纹聚类方法及装置 |
CN109413575A (zh) * | 2018-12-04 | 2019-03-01 | 重庆邮电大学 | 一种室内定位的自适应ap布局方法 |
CN111417066A (zh) * | 2020-03-05 | 2020-07-14 | 滴图(北京)科技有限公司 | 定位方法、装置、电子设备和计算机可读存储介质 |
CN111460326A (zh) * | 2020-03-02 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 智能推送环境监测数据的方法、装置、设备及存储介质 |
US20210274496A1 (en) * | 2020-02-27 | 2021-09-02 | Psj International Ltd. | Positioning system and positioning method based on wi-fi fingerprints |
-
2021
- 2021-12-24 CN CN202111595824.4A patent/CN114269006B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102821465A (zh) * | 2012-09-07 | 2012-12-12 | 哈尔滨工业大学 | 基于分区信息熵增益的wlan室内定位方法 |
CN105101408A (zh) * | 2015-07-23 | 2015-11-25 | 常熟理工学院 | 基于分布式ap选择策略的室内定位方法 |
CN107087256A (zh) * | 2017-03-17 | 2017-08-22 | 上海斐讯数据通信技术有限公司 | 一种基于WiFi室内定位的指纹聚类方法及装置 |
CN109413575A (zh) * | 2018-12-04 | 2019-03-01 | 重庆邮电大学 | 一种室内定位的自适应ap布局方法 |
US20210274496A1 (en) * | 2020-02-27 | 2021-09-02 | Psj International Ltd. | Positioning system and positioning method based on wi-fi fingerprints |
CN111460326A (zh) * | 2020-03-02 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 智能推送环境监测数据的方法、装置、设备及存储介质 |
CN111417066A (zh) * | 2020-03-05 | 2020-07-14 | 滴图(北京)科技有限公司 | 定位方法、装置、电子设备和计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
GUI ZOU等: "An indoor positioning algorithm using joint information entropy based on WLAN fingerprint", 《FIFTH INTERNATIONAL CONFERENCE ON COMPUTING, COMMUNICATIONS AND NETWORKING TECHNOLOGIES (ICCCNT)》 * |
霍欢等: "一种改进的RSSI指纹库定位算法", 《计算机应用研究》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115905787A (zh) * | 2022-10-21 | 2023-04-04 | 盐城师范学院 | 一种基于模糊迁移学习模型的高精度室内定位方法 |
CN115905787B (zh) * | 2022-10-21 | 2023-09-29 | 盐城师范学院 | 一种基于模糊迁移学习模型的高精度室内定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114269006B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082716B (zh) | 一种医院复杂环境室内定位系统及定位方法 | |
CN108896962B (zh) | 基于声音位置指纹的迭代定位方法 | |
CN108632764B (zh) | 一种多传感器选择性量测数据融合估计方法 | |
CN110083910B (zh) | 一种基于nsga-ⅱ的混沌时间序列预测样本获取方法 | |
CN112308961B (zh) | 基于分层高斯混合模型的机器人快速鲁棒三维重建方法 | |
CN114269006B (zh) | 一种基于信息增益率的室内ap聚类选取方法和设备 | |
CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
CN109116300B (zh) | 一种基于非充分指纹信息的极限学习定位方法 | |
CN111263295B (zh) | 一种wlan室内定位方法和装置 | |
CN111310072B (zh) | 关键词提取方法、装置和计算机可读存储介质 | |
CN109840558A (zh) | 基于密度峰值-核心融合的自适应聚类方法 | |
CN114912627A (zh) | 推荐模型训练方法、系统、计算机设备及存储介质 | |
CN114298245A (zh) | 异常检测方法、装置、存储介质和计算机设备 | |
CN108614889B (zh) | 基于混合高斯模型的移动对象连续k近邻查询方法及系统 | |
CN116187895B (zh) | 一种智能仓储货流规划方法、系统及电子设备 | |
CN111460051B (zh) | 一种基于树形结构与逐层次节点删减的数据关联方法 | |
CN117255088B (zh) | 基于奇异值检测的网关边缘计算方法及装置 | |
CN108898272B (zh) | 一种基于数据挖掘的火灾扑救任务指派辅助方法及系统 | |
JP2020035042A (ja) | データ判定装置、方法、及びプログラム | |
CN112597193B (zh) | 一种数据处理方法和数据处理系统 | |
CN114063012B (zh) | 应用于机场场面监视多点定位系统的目标定位方法及系统 | |
CN116520281B (zh) | 一种基于ddpg的扩展目标跟踪优化方法和装置 | |
Yang et al. | A review of uncertain data stream clustering algorithms | |
CN111741430B (zh) | 一种基于最优参考点和接入点选取的指纹定位方法和系统 | |
CN115659123A (zh) | 定位轨迹的平滑处理方法、装置、电子设备及存储介质 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Yang Hao Inventor after: Ding Yang Inventor after: Ye Baoliu Inventor after: Xie Zaipeng Inventor before: Ding Yang Inventor before: Yang Hao Inventor before: Ye Baoliu Inventor before: Xie Zaipeng |
|
GR01 | Patent grant | ||
GR01 | Patent grant |