CN115442887B - 一种基于蜂窝网络rssi的室内定位方法 - Google Patents

Abstract

本发明属于定位领域，具体涉及一种基于蜂窝网络RSSI的室内定位方法，包括：对采集的原始RSSI数据进行滤波处理；将处理后的RSSI数据映射为距离；判断以信号发射器为圆心，以上述计算的距离为半径，所得到的三个圆是否交于同一区域；若不交于同一区域则采用等比放大模型确定相交区域；将上述得到的区域作为人工蜂群算法的初始种群生成范围，利用人工蜂群算法求解目标节点坐标。本发明能够保证部署简单、易于实现，且对定位算法进行优化，降低对计算能力的要求，节约成本开销，同时能够有效降低环境干扰对定位的影响，提高定位精度。

Description

一种基于蜂窝网络RSSI的室内定位方法

技术领域

本发明属于定位领域，具体涉及一种基于蜂窝网络RSSI的室内定位方法。

背景技术

近年来，室内定位的需求日益增长，而卫星导航信号进行非视距传播时，由于房屋等掩体的遮挡，其在室内的定位表现不尽人意，因此室内定位技术逐渐成为研究的热门领域。其中基于RSSI的室内定位由于其定位精度较好、成本低廉、部署简单等优点成为室内定位技术中的研究重点。

基于RSSI的定位方法主要有质心定位法、指纹定位法和群体智能优化算法定位法。我们分别对三种定位方法加以分析。(1)质心定位法，它本质上是认为信号在传播中由于环境干扰，我们所测量到的信号强度会小于真实信号。因此以信号发射器为圆心，三个不同方向测量到的距离为半径所得到的三个圆会交于同一区域。取该区域的质心作为目标节点的位置坐标。这种方法部署简单、易于计算，但在实际应用中无法保证三个圆会交于同一区域，容错率低且误差较大。(2)指纹定位法，前期通过测量节点的RSSI值和对应坐标建立指纹库，再将采集到的目标节点的RSSI与指纹库中的参考数据进行对比，得到目标节点坐标估计值。这种方法定位精度较高，但前期需要采集大量数据建立指纹库，工作量大、成本极高。(3)群体智能优化算法定位法，它将目标节点坐标转化为目标方程式，再通过优化算法求解目标方程式的最大或最小值，得到目标节点的估计坐标。这种方法定位精度较高，但传统群体智能优化算法存在收敛速度慢且容易陷入局部最优等问题。综上所述，这三种室内定位法不具有普遍适用的特点，无法满足定位精度较高且成本低廉的需求。

发明内容

为了解决上述技术问题，本发明提出一种基于蜂窝网络RSSI的室内定位方法，包括：

S1：通过目标节点采集三个信号发射器发出的原始RSSI数据，并进行滤波处理；

S2：分别将滤波处理后的三个信号发射器发出的原始RSSI数转化为距离；

S3：以信号发射器为圆心和该信号发射器发出的原始RSSI数据转化的距离为半径建立三个圆形区域，并确定建立的三个圆形区域的相交区域，若没有相交区域，则采用等比放大的方法确定相交区域；

S4：在相交区域建立目标节点的距离和坐标之间的目标函数；

S5：采用基于莱维飞行改进的人工蜂群算法求解目标函数，确定出目标节点的位置。

优选的，对采集的原始RSSI数据进行滤波处理，具体包括：

S11：使用k-means算法将原始RSSI数据分为k个类簇，剔除其中聚类中心最大和最小的两个类簇；

S12：对k-means算法处理后的RSSI数据进行高斯滤波。

进一步的，对RSSI数据进行高斯滤波，表示为：

其中，f(RSSI_k)表示密度函数，exp()表示指数函数，μ表示该高斯分布的均值，σ²表示方差，σ表示标准差，/>RSSI_k为第k次采集到的信号强度，n表示采集的总次数。

优选的，

将原始RSSI数据转化为距离，表示为：

d'＝10^{(A-RSSI(d))/10m}

其中，d'表示对RSSI(d)值的估计距离，A表示距离信号发送端1m时的RSSI值，RSSI(d)表示距离信号发送端dm时的RSSI值，m表示路径损耗指数。

优选的，采用等比放大的方法确定相交区域，具体包括：

分别对三个圆进行等比例放大直至三个圆有共同的公共区域，根据等比例放大的三个圆的公共区域的交点作到各圆心的线段，将该线段与等比放大之前的圆的交点连接，得到六边形，在该六边形外作最小的矩形，得到三个圆形区域的相交区域。

优选的，在相交区域建立目标节点的距离和坐标之间的目标函数，表示为：

其中，F_i表示蜜源x_i到各个锚节点的实际距离与RSSI测距距离之差的和，(x_i1,x_i2)表示某个蜜源的坐标，(p_k,q_k)表示锚点k的坐标，d_i,k表示与蜜源x_i有关的锚点k到蜜源x_i的距离，n表示锚点数。

优选的，采用基于莱维飞行改进的人工蜂群算法求解目标函数，具体包括：

S51：在三个圆形区域的相交区域内初始化种群，并生成初始化蜜源；

S52：根据初始化蜜源采用莱维飞行改进后的蜂群算法搜索新的蜜源，并更新蜜源；

S53：通过蜜源的浓度或适应度计算跟随蜂选择新的蜜源的概率，选择概率最大的蜜源为最优的蜜源，即定位出的目标节点的位置。

进一步的，生成初始化蜜源，表示为：

X_i,j＝X_min,j+rand(0,1)(X_max,j-X_min,j)

其中，X_i,j表示第i个蜜源的第j维度的值，i∈{1,2,…,M}，j∈{1,2,…,D}；X_max,j、X_min,j分别表示第j维度的最大值和最小值，rand(0,1)表示开区间0到1之间的随机数。

进一步的，采用莱维飞行改进后的蜂群算法搜索新的蜜源，表示为：

其中，表示第i个蜜源X_i在第t+1次迭代中的第j维度的值，/>表示第i个蜜源在第t次迭代中的第j维度的值，rand[-1,1]表示-1到1之间的随机数，levy()表示经莱维飞行策略更新后的位置，/> 表示不同于X_i的蜜源在第t次迭代中的第j维度的值，α表示步长控制量，/>表示点对点乘法操作，L(λ)表示由Mantegna算法模拟的莱维飞行随机步长，/>Γ表示Gamma函数，λ表示常量，1＜λ≤3。

进一步的，通过蜜源的浓度或适应度计算跟随蜂选择新的蜜源的概率，表示为：

其中，P_i为选择第i个蜜源的概率，M表示蜜源数，fit_j表示第j个蜜源的浓度或者适应度，fit_i表示第i个蜜源的浓度或者适应度，F_i表示蜜源x_i到各个锚节点的实际距离与RSSI测距距离之差的和，||表示取绝对值操作。

本发明的有益效果是：

1.当信号采集环境干扰较大时，本发明能够有效降低误差，保证定位的稳定性；

2.对初始种群选择范围进行了优化，提高了人工蜂群算法的收敛速度；

3.对人工蜂群算法的蜜源搜索算法进行了改进优化，能够跳出局部寻优困境，提高全局寻优性能。

附图说明

图1为本发明的流程图；

图2为本发明中的k-means Gaussian滤波算法得到的滤波图；

图3(a)为三圆交于同一区域的情况；

图3(b)为三圆不交于同一区域的情况；

图3(c)、图3(d)为等比放大后的圆；

图3(e)为初始蜜源生成区域；

图4为三种定位方法的定位误差。

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。

一种基于蜂窝网络RSSI的室内定位方法，如图1所示，包括：

S1：通过目标节点采集三个信号发射器发出的原始RSSI数据，并进行滤波处理；

S2：分别将滤波处理后的三个信号发射器发出的原始RSSI数转化为距离；

S3：以信号发射器为圆心和该信号发射器发出的原始RSSI数据转化的距离为半径建立三个圆形区域，并确定建立的三个圆形区域的相交区域，若没有相交区域，则采用等比放大的方法确定相交区域；

S4：在相交区域建立目标节点的距离和坐标之间的目标函数；

S5：采用基于莱维飞行改进的人工蜂群算法求解目标函数，确定出目标节点的位置。

优选的，对采集的原始RSSI数据进行滤波处理，如图2所示，具体包括：

S11：使用k-means算法将原始RSSI数据分为k个类簇，剔除其中聚类中心最大和最小的两个类簇，减小k-means算法分类的误差过大和过小的影响；

S12：对k-means算法处理后的RSSI数据进行高斯滤波。

进一步的，k-means算法聚类的具体步骤为：

步骤1：从原始RSSI数据集X中随机选择k个点{a₁,a₂,...,a_k}作为初始聚类中心；

步骤2：计算数据集X中每个非聚类中心点到各聚类中心的欧式距离，即：

式中，d(x_i,a_j)为样本x_i到聚类中心a_j的欧式距离，x_i1表示样本x_i第一维度的值，x_i2表示样本x_i第二维度的值，a_j1表示聚类中心a_j第一维度的值，a_j2表示聚类中心a_j第二维度的值；

将x_i归类到欧式距离最小的聚类a_j中；

步骤3：重新计算每个聚类簇的聚类中心，有：

式中，c_j为第j个聚类,a_j为簇c_j的新聚类中心，即该类样本的质心，x∈c_j表示x属于c_j,x表示取c_j的值；||表示取绝对值操作；

步骤4：判断当前聚类是否满足终止条件，若满足，则当前聚类为最终聚类；否则，重复步骤2和步骤3，直至满足终止条件。

进一步的，对RSSI数据进行高斯滤波，表示为：

其中，f(RSSI_k)表示密度函数，exp()表示指数函数，μ表示该高斯分布的均值，σ²表示方差，σ表示标准差，/>RSSI_k为第k次采集到的信号强度，n表示采集的总次数。

优选的，将原始RSSI数据转化为距离，表示为：

d'＝10^{(A-RSSI(d))/10m}

其中，d'表示对RSSI(d)值的估计距离，A表示距离信号发送端1m时的RSSI值，RSSI(d)表示距离信号发送端dm时的RSSI值，m表示路径损耗指数。

当三圆不交于一点或同一区域时，如图3(b)所示，首先分别对三圆的半径进行等比例放大直至三圆相交于一点或同一区域，如图3(a)所示，其次对放大后的三圆所交公共区域与各圆环的交点作到各圆心的线段分别交圆A、B、C于点A1、A2、B1、B2、C1、C2，如图3(c)和(d)所示，最后依次连接点A1、B1、B2、C2、C1、A2，得到六边形H，作包含六边形H的最小矩形S，将该矩形区域作为初始蜜源的生成区域，如图3(e)所示。

优选的，在相交区域建立目标节点的距离和坐标之间的目标函数，表示为：

其中，F_i表示蜜源x_i到各个锚节点的实际距离与RSSI测距距离之差的和，(x_i1,x_i2)表示某个蜜源的坐标，(p_k,q_k)表示锚点k的坐标，d_i,k表示与蜜源x_i有关的锚点k到蜜源x_i的距离，n表示锚点数。

优选的，采用基于莱维飞行改进的人工蜂群算法求解目标函数，具体包括：

S51：在三个圆形区域的相交区域内初始化种群，并生成初始化蜜源；

S52：采用莱维飞行策略搜索新的蜜源，并更新蜜源；

S53：通过比较新蜜源和旧蜜源的浓度或适应度，选择最优的蜜源，即定位出的目标节点的位置。

进一步的，生成初始化蜜源，表示为：

X_i,j＝X_min,j+rand(0,1)(X_max,j-X_min,j)

其中，X_i,j表示第i个蜜源的第j维度的值，i∈{1,2,…,M}，j∈{1,2,…,D}；X_max,j、X_min,j分别表示第j维度的最大值和最小值，rand(0,1)表示开区间0到1之间的随机数。

进一步的，采用莱维飞行改进后的蜂群算法搜索新的蜜源，表示为：

其中，表示第i个蜜源X_i在第t+1次迭代中的第j维度的值，/>表示第i个蜜源在第t次迭代中的第j维度的值，rand[-1,1]表示-1到1之间的随机数，levy()表示经莱维飞行策略更新后的位置，/> 表示不同于X_i的蜜源在第t次迭代中的第j维度的值，α表示步长控制量，/>表示点对点乘法操作，L(λ)表示由Mantegna算法模拟的莱维飞行随机步长，/>Γ表示Gamma函数，λ表示常量，1＜λ≤3。

进一步的，通过蜜源的浓度或适应度计算跟随蜂选择新的蜜源的概率，表示为：

其中，P_i为选择第i个蜜源的概率，M表示蜜源数，fit_j表示第j个蜜源的浓度或者适应度，fit_i表示第i个蜜源的浓度或者适应度。

进一步的，蜜源的浓度或者适应度，表示为：

其中，F_i表示蜜源x_i到各个锚节点的实际距离与RSSI测距距离之差的和，||表示取绝对值操作。

为了验证本实施例所公开的方法在基于蜂窝网络RSSI的室内定位方面的优越性能，选取20个节点进行定位，每个节点由三个锚节点锚定，每个锚节点进行20次测距，分别使用三角质心定位算法、传统人工蜂群算法以及本实施例所公开的方法对其进行定位，其定位误差如图4所示，从图4可以看出本实施例所公开的定位方法相比于三角质心定位算法，其平均定位精度提高了47.23％；相比于传统人工蜂群定位算法，其平均定位精度提高了46.47％。且三种算法中，三角质心定位算法和传统人工蜂群算法的标准差分别为0.0722m和0.0749m，而本实施例所公开的方法标准差为0.0466m，明显小于三角质心定位算法传统人工蜂群算法的标准差，证明本实施例所公开的方法具有较好的鲁棒性。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种基于蜂窝网络RSSI的室内定位方法，其特征在于，包括如下步骤：

S1：通过目标节点采集三个信号发射器发出的原始RSSI数据，并进行滤波处理；

S2：分别将滤波处理后的三个信号发射器发出的原始RSSI数转化为距离；

S3：以信号发射器为圆心和该信号发射器发出的RSSI数据转化的距离为半径建立三个圆形区域，并确定建立的三个圆形区域的相交区域，若没有相交区域，则采用等比放大的方法确定相交区域；

S4：在相交区域建立目标节点的距离和坐标之间的目标函数；

在相交区域建立目标节点的距离和坐标之间的目标函数，表示为：

其中，F_i表示蜜源x_i到各个锚节点的实际距离与RSSI测距距离之差的和，(x_i1,x_i2)表示某个蜜源的坐标，(p_k,q_k)表示锚点k的坐标，d_i,k表示与蜜源x_i有关的锚点k到蜜源x_i的距离，n表示锚点数；

S5：采用基于莱维飞行改进的人工蜂群算法求解目标函数，确定出目标节点的位置；

S51：在三个圆形区域的相交区域内初始化种群，并生成初始化蜜源；

生成初始化蜜源，表示为：

X_i,j＝X_min,j+rand(0,1)(X_max,j-X_min,j)

其中，X_i,j表示第i个蜜源的第j维度的值，i∈{1,2,…,M}，j∈{1,2,…,D}；X_max,j、X_min,j分别表示第j维度的最大值和最小值，rand(0,1)表示开区间0到1之间的随机数；

S52：根据初始化蜜源采用莱维飞行改进后的蜂群算法搜索新的蜜源，并更新蜜源；

采用莱维飞行改进后的蜂群算法搜索新的蜜源，表示为：

其中，表示第i个蜜源X_i在第t+1次迭代中的第j维度的值，/>表示第i个蜜源在第t次迭代中的第j维度的值，rand[-1,1]表示-1到1之间的随机数，levy()表示经莱维飞行策略更新后的位置，/> 表示不同于Xi的蜜源在第t次迭代中的第j维度的值，α表示步长控制量，/>表示点对点乘法操作，L(λ)表示由Mantegna算法模拟的莱维飞行随机步长，/>Γ表示Gamma函数，λ表示常量，1＜λ≤3；

S53：通过蜜源的浓度或适应度计算跟随蜂选择新的蜜源的概率，选择概率最大的蜜源为最优的蜜源，即定位出的目标节点的位置；

通过蜜源的浓度或适应度计算跟随蜂选择新的蜜源的概率，表示为：

其中，P_i为选择第i个蜜源的概率，M表示蜜源数，fit_j表示第j个蜜源的浓度或者适应度，fit_i表示第i个蜜源的浓度或者适应度，||表示取绝对值操作。

2.根据权利要求1所述的一种基于蜂窝网络RSSI的室内定位方法，其特征在于，对采集的原始RSSI数据进行滤波处理，具体包括：

S11：使用k-means算法将原始RSSI数据分为k个类簇，剔除其中聚类中心最大和最小的两个类簇；

S12：对k-means算法处理后的RSSI数据进行高斯滤波。

3.根据权利要求2所述的一种基于蜂窝网络RSSI的室内定位方法，其特征在于，对RSSI数据进行高斯滤波，表示为：

其中，f(RSSI_k)表示密度函数，exp()表示指数函数，μ表示该高斯分布的均值，σ²表示方差，σ表示标准差，/>RSSI_k为第k次采集到的信号强度，n表示采集的总次数。

4.根据权利要求1所述的一种基于蜂窝网络RSSI的室内定位方法，其特征在于，将原始RSSI数据转化为距离，表示为：

d'＝10^{(A-RSSI(d))/10m}

其中，d'表示对RSSI(d)值的估计距离，A表示距离信号发送端1m时的RSSI值，RSSI(d)表示距离信号发送端dm时的RSSI值，m表示路径损耗指数。

5.根据权利要求1所述的一种基于蜂窝网络RSSI的室内定位方法，其特征在于，采用等比放大的方法确定相交区域，具体包括：

分别对三个圆进行等比例放大直至三个圆有共同的公共区域，根据等比例放大的三个圆的公共区域的交点作到各圆心的线段，将该线段与等比放大之前的圆的交点连接，得到六边形，在该六边形外作最小的矩形，得到三个圆形区域的相交区域。