KR20110116564A - Indoor location method using k- nearest neighbor/fuzzy c-mean hybrid algorithm - Google Patents

Indoor location method using k- nearest neighbor/fuzzy c-mean hybrid algorithm Download PDF

Info

Publication number
KR20110116564A
KR20110116564A KR1020100036047A KR20100036047A KR20110116564A KR 20110116564 A KR20110116564 A KR 20110116564A KR 1020100036047 A KR1020100036047 A KR 1020100036047A KR 20100036047 A KR20100036047 A KR 20100036047A KR 20110116564 A KR20110116564 A KR 20110116564A
Authority
KR
South Korea
Prior art keywords
knn
snr data
fuzzy
fcm
indoor
Prior art date
Application number
KR1020100036047A
Other languages
Korean (ko)
Inventor
이장재
장봉석
송병호
이성로
Original Assignee
목포대학교산학협력단
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 목포대학교산학협력단 filed Critical 목포대학교산학협력단
Priority to KR1020100036047A priority Critical patent/KR20110116564A/en
Publication of KR20110116564A publication Critical patent/KR20110116564A/en

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
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0252—Radio frequency fingerprinting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/10—Small scale networks; Flat hierarchical networks
    • H04W84/12—WLAN [Wireless Local Area Networks]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 발명은 KNN/FCM 혼합 알고리즘을 이용한 실내 측위 방법에 관한 것으로서, 발명에 따른 복수의 엑세스 포인트(Access Point)가 설치된 무선 환경에서 KNN과 Fuzzy C-Mean 군집화 기반의 혼합된 알고리즘을 이용한 실내 측위 방법은 위치 설정된 레퍼런스 포인트(RP : Reference Point)로부터 수집된 SNR 데이터를 핑거프린팅 방식으로 데이터베이스화하는 단계, 그리고 KNN과 Fuzzy C-Mean 군집화 기반의 혼합된 알고리즘을 사용하여 무선랜 실내 위치를 추정하고 결정하는 단계를 포함한다.The present invention relates to an indoor positioning method using a KNN / FCM hybrid algorithm, and to an indoor positioning method using a mixed algorithm based on KNN and Fuzzy C-Mean clustering in a wireless environment in which a plurality of access points are installed according to the present invention. Is a database of SNR data collected from a set reference point (RP) by fingerprinting method, and estimation and determination of WLAN indoor location using a mixed algorithm based on KNN and Fuzzy C-Mean clustering. It includes a step.

Description

ＫＮＮ／ＦＣＭ 혼합 알고리즘을 이용한 실내 측위 방법{Indoor Location Method Using K- Nearest Neighbor/Fuzzy C-Mean Hybrid Algorithm}Indoor Location Method Using K-Nearest Neighbor / Fuzzy C-Mean Hybrid Algorithm

본 발명은 KNN/FCM 혼합 알고리즘을 이용한 실내 측위 방법에 관한 것으로서, 보다 구체적으로는 무선환경에서 여러 개의 엑세스 포인트로부터 수신된 신호 잡음비(SNR)를 측정하고 이를 활용하여 실내 측위를 하는 방법에 관한 것이다.The present invention relates to an indoor positioning method using a KNN / FCM hybrid algorithm. More particularly, the present invention relates to a method of indoor positioning using a signal noise ratio (SNR) received from several access points in a wireless environment. .

최근 미국, 유럽 등 많은 국가에서 무선랜 실내 위치 측위에 대한 연구가 활발히 진행되고 있다. 대표적으로 인텔(Intel)사에서 진행 중인 플레이스랩(PlaceLab) 프로젝트는 기본적으로 무선랜 신호 값에 기반하여 위치를 측정한다. 그리고 한 단계 더 나아가 GSM, 블루투스, RFID 등과 같은 최신 네트워크 인프라를 구축하여 보다 정확한 위치 추적 방법을 연구 중에 있다. Recently, researches on indoor positioning of wireless LAN have been actively conducted in many countries such as the US and Europe. The PlaceLab project, which is typically under way at Intel, basically measures the location based on WLAN signal values. In addition, the company is researching more accurate location tracking method by building up the latest network infrastructure such as GSM, Bluetooth, RFID, etc.

일예로 유럽의 교통 약자들을 위한 ASK-IT 프로젝트에서는 홈 서비스, 실내 안내 등을 제공할 때 무선랜 네트워크를 변형한 MOTE 센서 네트워크를 이용한 실내 위치 측정방법을 연구하고 있다.For example, the ASK-IT project for European traffic weakness is researching indoor location measurement method using MOTE sensor network modified from WLAN network when providing home service and indoor guidance.

이외에도 무선 신호의 전파 모델(Propagation model)과 계산된 지점과 가장 가까운 곳을 선택하는 최근접 이웃(Nearest Neighbor) 기법을 이용한 RADAR 시스템 등이 있다. In addition, there is a propagation model of a radio signal and a RADAR system using a nearest neighbor technique that selects the nearest point to a calculated point.

또한, 현재 상용화되어 판매 중인 시스템으로는 에카하우(Ekahau)의 RTLS(Real-Time Location System), 에로우스카우트(AeroScout) Visibility System 등이 있다.In addition, Ekahau's Real-Time Location System (RTLS) and AeroScout Visibility System are commercially available.

이러한 연구들에서 많은 구체적인 측위 방법들을 제시하였고, 제시된 측위 방법들은 크게 두 가지 방법으로 요약될 수 있는데, 그 중 하나가 GPS에서도 사용되고 있는 삼각 측량법이고, 나머지 하나는 Cellular 망과 같이 격자 형태로 지역을 분할하여 셀(Cell) 단위로 위치를 측정하는 핑거프린팅(Fingerprinting) 방식이다.In these studies, many detailed positioning methods are presented, and the proposed positioning methods can be summarized into two methods, one of which is triangulation which is also used in GPS, and the other is a grid-like area like a cellular network. Fingerprinting is a method of dividing and measuring a position in units of cells.

한편, 무선 네트워크 기반 실내 측위는 측위를 위한 특수 장비를 필요로 하지 않는다. 이러한 무선 네트워크 기반 측위 기술 중 정확도가 가장 높은 것은 핑거프린팅 방식이다.On the other hand, wireless network-based indoor positioning does not require special equipment for positioning. Fingerprinting is the most accurate of these wireless network-based positioning techniques.

핑거프린팅 방식에서 KNN(K-Nearest Neighbor)은 WLAN(Wireless Local Area Network) 기반 실내 측위에 가장 많이 적용되고 있다.In the fingerprinting method, K-Nearest Neighbor (KNN) is most often applied to indoor positioning based on a wireless local area network (WLAN).

그러나, KNN(K-Nearest Neighbor)은 광범위하고 복잡한 실내환경에서 계산량이 많기 때문에 실제 환경에서 최적인 위치를 찾기 어렵고, K개의 이웃 수와 RP(Reference Point)의 수에 민감한 문제점이 있다. However, since KNN (K-Nearest Neighbor) has a large amount of computation in a wide and complex indoor environment, it is difficult to find an optimal location in a real environment, and there is a problem of being sensitive to the number of K neighbors and the number of RPs (Reference Points).

본 발명은 특수장비를 사용하지 않고 기존에 설치된 엑세스 포인트로부터 수신된 신호 잡음비를 활용하여 실내 측위를 하는 방법에 관한 것으로서, 수신된 신호 잡음비를 측정하여 핑거프린트 방식의 데이터베이스를 만들고, 이를 활용하여 실내 측위를 하는 KNN/FCM 혼합 알고리즘을 이용한 실내 측위 방법을 제공하는 데 그 목적이 있다.The present invention relates to a method of indoor positioning using a signal noise ratio received from an existing access point without using special equipment, and to measuring a received signal noise ratio to create a fingerprint-based database, using the indoor The object of the present invention is to provide an indoor positioning method using a KNN / FCM hybrid algorithm for positioning.

전술한 목적을 달성하기 위하여, 본 발명의 일면에 따른 KNN/FCM 혼합 알고리즘을 이용한 실내 측위 방법은 위치 설정된 레퍼런스 포인트(RP : Reference Point)로부터 수집된 SNR 데이터를 핑거프린팅 방식으로 데이터베이스화하는 단계; 및 상기 KNN과 Fuzzy C-Mean 군집화 기반의 혼합된 알고리즘을 사용하여 무선랜 실내 위치를 추정하고 결정하는 단계를 포함한다.In order to achieve the above object, the indoor positioning method using the KNN / FCM mixing algorithm according to an aspect of the present invention comprises the steps of: database the SNR data collected from the positional reference point (RP) by fingerprinting method; And estimating and determining a WLAN indoor location using the mixed algorithm based on the KNN and Fuzzy C-Mean clustering.

본 발명에 따르면, 무선 환경 하에서 패턴 매칭 알고리짐을 위해 트레이닝 단계에서 여려 개의 엑세스 포인트로부터 수신된 신호 잡음비를 측정하여 핑거프린트 방식의 데이터베이스를 만들어 활용함으로써, 측위를 위한 특수 장비의 사용 없이 기존에 설치된 엑세스 포인트를 사용하여 무선 랜을 위한 KNN과 FCM 군집화 기반의 혼합된 수선 실내 측위를 할 수 있는 효과가 있다.According to the present invention, by measuring the signal noise ratio received from several access points in a training step in a wireless environment to create a pattern matching algorithm in a wireless environment by creating a fingerprint-based database, the existing installation without the use of special equipment for positioning Using access point, it is possible to perform mixed repair indoor positioning based on KNN and FCM clustering for WLAN.

특히 KNN/FCM 혼합 알고리즘을 적용하여 실내 측위를 할 수 있어서 보다 향상된 측위 결정을 할 수 있는 이점이 있다.In particular, it is possible to perform indoor positioning by applying the KNN / FCM mixing algorithm, and thus there is an advantage of making an improved positioning decision.

도 1은 본 발명의 일실시예에 따른 KNN/FCM 혼합 알고리즘을 이용한 실내 측위 방법을 설명한 흐름도.1 is a flowchart illustrating an indoor positioning method using a KNN / FCM mixing algorithm according to an embodiment of the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 용이하게 이해할 수 있도록 제공되는 것이며, 본 발명은 청구항의 기재에 의해 정의된다. 한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자 이외의 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.Advantages and features of the present invention and methods for achieving them will be apparent with reference to the embodiments described below in detail with the accompanying drawings. The present invention may, however, be embodied in many different forms and should not be construed as being limited to the embodiments set forth herein. Rather, these embodiments are provided so that this disclosure will be thorough and complete, and will fully convey the scope of the invention to those skilled in the art. And is intended to enable a person skilled in the art to readily understand the scope of the invention, and the invention is defined by the claims. It is to be understood that the terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the invention. In the present specification, the singular form includes plural forms unless otherwise specified in the specification. It is noted that " comprises, " or "comprising," as used herein, means the presence or absence of one or more other components, steps, operations, and / Do not exclude the addition.

이하, 도 1을 참조하여 본 발명의 일실시예에 따른 KNN/FCM 혼합 알고리즘을 이용한 실내 측위 방법을 설명한다. 도 1은 본 발명의 일실시예에 따른 KNN/FCM 혼합 알고리즘을 이용한 실내 측위 방법을 설명하기 위한 흐름도이다.Hereinafter, an indoor positioning method using a KNN / FCM mixing algorithm according to an embodiment of the present invention will be described with reference to FIG. 1. 1 is a flowchart illustrating an indoor positioning method using a KNN / FCM mixing algorithm according to an embodiment of the present invention.

KNN/FCM 혼합 알고리즘을 설명하기에 앞서 KNN과 FCM을 개별적으로 설명하면, KNN(k-Nearest Neighbor : k 최근접 이웃)은 기억 기반 추론기법 중에 하나로 패턴 인식에 많이 활용된다. k 최근접 이웃 방법은 측정(Estimation) 단계에서 측정된 SNR 데이터가 주어졌을 때, 유사도 함수에 기반하여 트레이닝(Training) 단계에서 핑거프린팅(fingerprinting) 방식으로 미리 저장되어있는 레퍼런스 포인트(RP : Reference Point)의 SNR 데이터들의 집합에서 측정된 SNR(Signal To Noise Ratio) 데이터와 가장 유사한 k개의 RP의 SNR 데이터를 선택한다.Prior to describing the KNN / FCM hybrid algorithm, KNN and FCM are described separately. KNN (k-Nearest Neighbor) is one of the memory-based reasoning techniques and is widely used for pattern recognition. k The nearest neighbor method is a reference point (RP: Reference Point) previously stored by a fingerprinting method in a training step based on a similarity function, given SNR data measured in a measurement step. Select the SNR data of k RPs most similar to the SNR (Signal To Noise Ratio) data measured in the set of SNR data.

RP와 엑세스 포인트(AP:Access Point)의 수를 각각 m과 n으로 가정하고 측정된 SNR 데이터와 RP의 SNR 데이터들의 집합과의 유사도는 수학식 1과 같이 거리를 이용한다.Assume the number of RP and Access Points (AP) as m and n, respectively, and the similarity between the measured SNR data and the set of SNR data of the RP uses distance as shown in Equation (1).

Figure pat00001
Figure pat00001

여기서

Figure pat00002
는 트레이닝 단계에서 저장된 i번째 RP에서 j번째 AP의 SNR 데이터,
Figure pat00003
는 측정단계에서 측정된 j번째 AP의 SNR 데이터이다.here
Figure pat00002
Is the SNR data of the j th AP in the i th RP stored in the training phase,
Figure pat00003
Is the SNR data of the j th AP measured in the measurement step.

수학식 1을 이용하여 계산된 거리 값들 중에서 가장 가까운 거리값 k개 만큼 선정할 수 있고, 하기와 같은 수학식 2를 이용하여 위치를 추정할 수 있다.
From the distance values calculated using Equation 1, the nearest k values may be selected, and the position may be estimated using Equation 2 as follows.

Figure pat00004
Figure pat00004

여기서,

Figure pat00005
는 i번째 RP의 좌표이고,
Figure pat00006
는 추정된 위치 좌표이다.here,
Figure pat00005
Is the coordinate of the i th RP,
Figure pat00006
Is the estimated position coordinate.

KNN 알고리즘은 수학식 1에서 모수 k와 q에 따라 다양한 패턴 결과가 나타난다. 모수 k는 추정할 좌표에 대한 RP의 수이고, 모수 q는 거리 타입이다. 일반적으로 모수 q가 1일 때는 맨하탄 거리이고, 모수 q가 2일 때는 유클리드 거리이다. 알고리즘의 복잡성과 위치 예측을 고려했을 때, 일반적으로 모수 q는 1과 2일 때 거리를 사용한다.The KNN algorithm produces various patterns according to the parameters k and q in Equation 1. The parameter k is the number of RPs for the coordinates to be estimated and the parameter q is the distance type. In general, when parameter q is 1, it is Manhattan distance, and when parameter q is 2, it is Euclidean distance. Considering the complexity of the algorithm and the position prediction, the parameter q generally uses distance when 1 and 2.

또한, Bezdek에 의해 제안된 FCM(Fuzzy C-Mean) 군집화 방법은 하나의 클러스터에 속해져 있는 각각의 데이터들을 클러스터에 대한 데이터의 소속 정도에 따라 분류하는 데이터 분류 알고리즘이다. FCM 군집화는 n의 벡터의 집합을 c개의 퍼지 그룹으로 분할하고 소속 정도 측정 비용함수가 최소가 되는 것과 같은 각각의 그룹 안에서 클러스터의 중심을 찾는다.In addition, the Fuzzy C-Mean (FCM) clustering method proposed by Bezdek is a data classification algorithm that classifies each data belonging to one cluster according to the degree of belonging of the data in the cluster. FCM clustering divides the set of n vectors into c fuzzy groups and finds the center of the cluster within each group, such that the membership degree cost function is minimal.

FCM 군집화 방법은 0과 1 사이의 소속 정도에 의해서 나타난 소속감 정도를 가지고 주어진 데이터 점이 몇 개의 그룹에 속할 수 있다는 퍼지분할을 사용한다. 즉, 퍼지 분할을 적용하기 위해서 소속 함수 U는 0과 1 사이 값을 가지는 요소들을 가지며 데이터 집합에 대한 소속감 정도의 합은 수학식 3과 같이 항상 1이다.The FCM clustering method uses fuzzy partitioning with a sense of belonging represented by the degree of belonging between 0 and 1, and that a given data point can belong to several groups. That is, in order to apply the fuzzy partition, the membership function U has elements having a value between 0 and 1, and the sum of the degree of belonging to the data set is always 1, as shown in Equation 3.

Figure pat00007
Figure pat00007

Figure pat00008
Figure pat00008

Figure pat00009
Figure pat00009

FCM 군집화에 대한 목적함수는 수학식 4와 같은 형태를 갖는다.The objective function for FCM clustering has the form as shown in Equation 4.

Figure pat00010
Figure pat00010

Figure pat00011
Figure pat00011

여기서,

Figure pat00012
는 0과 1 사이의 수적인 값으로, i번째 클러스터에 속해져 있는
Figure pat00013
의 k번째 데이터의 소속 정도를 나타낸다.
Figure pat00014
는 i번째 클러스터의 중심 벡터이다.
Figure pat00015
는 특성 공간상의 변수이다. m은 소속 함수의 퍼지성의 정도에 대한 영향을 나타내는 지수의 가중치이다. 이값은
Figure pat00016
와 같은 범위를 갖으며 분류 과정에서 퍼지성의 양을 제어하는 파라미터이다. 보통 m을 2로 설정한다.here,
Figure pat00012
Is a number between 0 and 1, belonging to the i th cluster
Figure pat00013
Indicates the degree of belonging to the k-th data in.
Figure pat00014
Is the center vector of the i th cluster.
Figure pat00015
Is a variable in the property space. m is the weight of the exponent indicating the effect on the degree of fuzzyness of the membership function. This value is
Figure pat00016
This parameter has the same range as and controls the amount of fuzzy property in the classification process. Usually m is set to 2.

FCM 군집화 알고리즘은 아래와 같다.The FCM clustering algorithm is as follows.

1단계, 초기화 단계로 클러스터 개수

Figure pat00017
을 정하고 지수의 가중치
Figure pat00018
을 선택한다. 초기 소속 함수
Figure pat00019
을 초기화한다. 알고리즘 반복횟수를
Figure pat00020
로 표시한다.Number of clusters in stage 1, initialization
Figure pat00017
And the weight of the exponent
Figure pat00018
Select. Initial membership function
Figure pat00019
Initialize Algorithm iteration count
Figure pat00020
To be displayed.

2단계, 수학식 5를 이용해 퍼지 클러스터의 중심

Figure pat00021
을 구한다.Step 2, Center of Fuzzy Cluster Using Equation 5
Figure pat00021
.

Figure pat00022
Figure pat00022

3단계, 아래와 같이 새로운 소속 함수

Figure pat00023
을 계산한다.Step 3, new membership function as shown below
Figure pat00023
.

Figure pat00024
Figure pat00024

여기서,

Figure pat00025
,
Figure pat00026
이고,
Figure pat00027
이다. 또한,
Figure pat00028
이다.here,
Figure pat00025
,
Figure pat00026
ego,
Figure pat00027
to be. Also,
Figure pat00028
to be.

4단계, 수학식 6을 계산해서

Figure pat00029
이면 r=r+1로 정의하고, 2단계로 가서 다시 알고리즘을 반복 수행하고, 그렇지 않을 경우 종료한다. (
Figure pat00030
: 임계값)Step 4, calculate Equation 6
Figure pat00029
If r = r + 1, go to step 2 and repeat the algorithm again, otherwise exit. (
Figure pat00030
: Threshold)

Figure pat00031
Figure pat00031

이상의 KNN 및 FCM 알고리즘을 바탕으로 한 본 발명의 일실시예에 따른 KNN/FCM 혼합 알고리즘을 이용한 실내 측위 방법은 도 1에 도시된 바와 같이, 무선 랜 실내 측위 결정을 위해 트레이닝 단계(S100, Training Phase)와 측정 단계(S200, Estimation Phase)로 구분된다. Indoor positioning method using the KNN / FCM mixed algorithm according to an embodiment of the present invention based on the above KNN and FCM algorithm is shown in Figure 1, the training phase for the WLAN indoor positioning determination (S100, Training Phase) ) And the measurement phase (S200, Estimation Phase).

트레이닝 단계(S100)에서는 각 레퍼런스 포인트(Reference Point : RP)에서 수집된 SNR 데이터를 핑거프린트 방식으로 데이터베이스화한다. In the training step S100, the SNR data collected at each reference point (RP) is databased by a fingerprint method.

예컨대, 레퍼런스 포인트(Reference Point : RP) 위치를 설정하고(S110), 각 레퍼런스 포인트(Reference Point : RP)로부터 SNR을 측정한다(S120).For example, a reference point (RP) position is set (S110), and the SNR is measured from each reference point (RP) (S120).

각 레퍼런스 포인트(Reference Point : RP)로부터 측정된 SNR 데이터를 핑거프린트 방식으로 데이터베이스화한다(S130). The SNR data measured from each reference point (RP) is databased using a fingerprint method (S130).

측정단계(S200)에서는 KNN/FCM 혼합 알고리즘을 사용하여 무선랜 실내 위치를 추정하고 결정한다.In the measuring step S200, the indoor location of the WLAN is estimated and determined using the KNN / FCM mixing algorithm.

먼저 단말기(Mobile Unit :MU)로부터 SNR을 측정한다(S210).First, the SNR is measured from the mobile unit (MU) (S210).

KNN 방법을 사용하여 단말기(Mobile Unit :MU)에서 측정된 SNR 데이터와 가장 근접한 K 개의 RP를 선택한다(S220).The KNN method selects the K RPs closest to the SNR data measured by the mobile unit (MU) (S220).

선택된 k개의 RP의 SNR 데이터와 단말기의 SNR 데이터를 FCM 방법으로 사용하여 군집화한다(S230). 클러스터는 클러스터 중심과 각 AP로부터 측정된 SNR 데이터에 대한 거리 제곱합에 이용하여 군집화한다. 즉, FCM 방법에서 적절한 레퍼런스 포인트를 선택한다. The SNR data of the selected k RPs and the SNR data of the terminal are clustered using the FCM method (S230). Clusters are clustered using the cluster center and the sum of squared distances for SNR data measured from each AP. That is, the appropriate reference point is selected in the FCM method.

SNR 데이터에 대한 거리 제곱합이 최소인 클러스터는 단말기에서 측정된 SNR 데이터와 가장 유사한 SNR 데이터를 갖는 레퍼런스 포인트라고 가정하면, 선택된 레퍼런스 포인트를 사용하여 단말기의 실내 위치를 추정한다(S240).Assuming that the cluster having the smallest sum of squares of distances for the SNR data is a reference point having the SNR data most similar to the SNR data measured by the terminal, the indoor position of the terminal is estimated using the selected reference point (S240).

이렇게 무선 환경 하에서 패턴 매칭 알고리짐을 위해 트레이닝 단계에서 여러 개의 엑세스 포인트로부터 수신된 신호 잡음비를 측정하여 핑거프린트 방식의 데이터베이스를 만들어 활용함으로써, 측위를 위한 특수 장비의 사용 없이 기존에 설치된 엑세스 포인트를 사용하여 무선 랜을 위한 KNN과 FCM 군집화 기반의 혼합된 무선 실내 측위를 할 수 있고, 특히 KNN/FCM 혼합 알고리즘을 적용하여 실내 측위를 할 수 있어서 보다 향상된 측위 결정을 할 수 있는 이점이 있다.In this way, for the pattern matching algorithm in the wireless environment, by measuring the signal noise ratio received from the multiple access points in the training phase, a fingerprint-based database is created and utilized to use the existing access points without using special equipment for positioning. Therefore, it is possible to perform mixed wireless indoor positioning based on KNN and FCM clustering for wireless LAN, and in particular, indoor positioning can be performed by applying KNN / FCM mixing algorithm.

이상 바람직한 실시예와 첨부도면을 참조하여 본 발명의 구성에 관해 구체적으로 설명하였으나, 이는 예시에 불과한 것으로 본 발명의 기술적 사상을 벗어나지 않는 범주내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 안되며 후술하는 특허청구의 범위뿐만 아니라 이 특허청구의 범위와 균등한 것들에 의해 정해져야 한다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed embodiments, but, on the contrary, is intended to cover various modifications and equivalent arrangements included within the spirit and scope of the appended claims. Therefore, the scope of the present invention should not be limited to the described embodiments, but should be defined not only by the scope of the following claims, but also by the equivalents of the claims.

Claims (2)

복수의 엑세스 포인트(Access Point)가 설치된 무선 환경에서 KNN과 Fuzzy C-Mean 군집화 기반의 혼합된 알고리즘을 이용한 실내 측위 방법에 있어서,
위치 설정된 레퍼런스 포인트(RP : Reference Point)로부터 수집된 SNR 데이터를 핑거프린팅 방식으로 데이터베이스화하는 단계; 및
상기 KNN과 Fuzzy C-Mean 군집화 기반의 혼합된 알고리즘을 사용하여 무선랜 실내 위치를 추정하고 결정하는 단계
를 포함하는 KNN/FCM 혼합 알고리즘을 이용한 실내 측위 방법.In the indoor positioning method using a mixed algorithm based on KNN and Fuzzy C-Mean clustering in a wireless environment with a plurality of access points,
Database the SNR data collected from the positioned reference point (RP) in a fingerprinting manner; And
Estimating and determining a wireless LAN indoor location using the mixed algorithm based on the KNN and Fuzzy C-Mean clustering
Indoor positioning method using a KNN / FCC mixed algorithm comprising a. 제1항에 있어서,
상기 무선랜 실내 위치를 추정하고 결정하는 단계는,
상기 KNN 방법을 사용하여 단말기에서 측정된 SNR 데이터와 가장 근접한 k개의 레퍼런스 포인트를 선택하는 단계;
선택된 상기 k개 레퍼런스 포인트의 SNR 데이터와 상기 단말기의 SNR 데이터를 사용하여 FCM 방법으로 군집화하는 단계; 및
클러스터는 클러스터 중심과 각 엑세스 포인트로부터 측정된 SNR 데이터에 대한 거리 제곱합에 이용하여 군집화하고, 상기 SNR 데이터에 대한 거리 제곱합이 최소인 클러스터는 상기 단말기에서 측정된 SNR 데이터와 가장 유사한 SNR 데이터를 갖는 레퍼런스 포인트일 경우, 선택된 레퍼런스 포인트를 사용하여 실내 위치를 추정하는 단계
를 포함하는 것
인 KNN/FCM 혼합 알고리즘을 이용한 실내 측위 방법.The method of claim 1,
The estimating and determining the indoor location of the WLAN,
Selecting k reference points closest to the SNR data measured at the terminal using the KNN method;
Clustering by the FCM method using the selected SNR data of the k reference points and the SNR data of the terminal; And
The clusters are clustered using the sum of squared distances of the SNR data measured from the center of the cluster and each access point, and the cluster having the smallest sum of squared distances of the SNR data has a reference having the SNR data most similar to the SNR data measured at the terminal. Estimating a room location using the selected reference point, if it is a point
Comprising
Indoor positioning method using KNN / FCM hybrid algorithm.
KR1020100036047A 2010-04-19 2010-04-19 Indoor location method using k- nearest neighbor/fuzzy c-mean hybrid algorithm KR20110116564A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100036047A KR20110116564A (en) 2010-04-19 2010-04-19 Indoor location method using k- nearest neighbor/fuzzy c-mean hybrid algorithm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100036047A KR20110116564A (en) 2010-04-19 2010-04-19 Indoor location method using k- nearest neighbor/fuzzy c-mean hybrid algorithm

Publications (1)

Publication Number Publication Date
KR20110116564A true KR20110116564A (en) 2011-10-26

Family

ID=45030818

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100036047A KR20110116564A (en) 2010-04-19 2010-04-19 Indoor location method using k- nearest neighbor/fuzzy c-mean hybrid algorithm

Country Status (1)

Country Link
KR (1) KR20110116564A (en)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101288949B1 (en) * 2012-06-20 2013-07-24 동국대학교 산학협력단 Method for recognizing user by using shoe footprint image and apparatus thereof
KR101293195B1 (en) * 2011-12-29 2013-08-05 세종대학교산학협력단 Device and method for searching indoor position
CN103297924A (en) * 2013-05-24 2013-09-11 上海交通大学 Novel positioning fingerprint design method and indoor positioning system based on channel estimation
CN103634902A (en) * 2013-11-06 2014-03-12 上海交通大学 Novel indoor positioning method based on fingerprint cluster
US9344855B2 (en) 2013-12-18 2016-05-17 Foundation Of Soongsil University-Industry Cooperation Indoor wireless positioning system and indoor wireless positioning method
CN107181543A (en) * 2017-05-23 2017-09-19 张嘉 A kind of three-dimensional indoor passive localization method based on propagation model and location fingerprint
CN109239655A (en) * 2018-09-21 2019-01-18 上海中兴易联通讯股份有限公司 A kind of wireless signal acquiring for indoor positioning and processing method and system
US10849205B2 (en) 2015-10-14 2020-11-24 Current Lighting Solutions, Llc Luminaire having a beacon and a directional antenna

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101293195B1 (en) * 2011-12-29 2013-08-05 세종대학교산학협력단 Device and method for searching indoor position
KR101288949B1 (en) * 2012-06-20 2013-07-24 동국대학교 산학협력단 Method for recognizing user by using shoe footprint image and apparatus thereof
CN103297924A (en) * 2013-05-24 2013-09-11 上海交通大学 Novel positioning fingerprint design method and indoor positioning system based on channel estimation
CN103297924B (en) * 2013-05-24 2016-03-02 上海交通大学 Based on novel location fingerprint method for designing and the indoor locating system of channel estimating
CN103634902A (en) * 2013-11-06 2014-03-12 上海交通大学 Novel indoor positioning method based on fingerprint cluster
US9344855B2 (en) 2013-12-18 2016-05-17 Foundation Of Soongsil University-Industry Cooperation Indoor wireless positioning system and indoor wireless positioning method
US10849205B2 (en) 2015-10-14 2020-11-24 Current Lighting Solutions, Llc Luminaire having a beacon and a directional antenna
CN107181543A (en) * 2017-05-23 2017-09-19 张嘉 A kind of three-dimensional indoor passive localization method based on propagation model and location fingerprint
CN107181543B (en) * 2017-05-23 2020-10-27 张一嘉 Three-dimensional indoor passive positioning method based on propagation model and position fingerprint
CN109239655A (en) * 2018-09-21 2019-01-18 上海中兴易联通讯股份有限公司 A kind of wireless signal acquiring for indoor positioning and processing method and system

Similar Documents

Publication Publication Date Title
KR20110116564A (en) Indoor location method using k- nearest neighbor/fuzzy c-mean hybrid algorithm
Talvitie et al. Distance-based interpolation and extrapolation methods for RSS-based localization with indoor wireless signals
Shin et al. Enhanced weighted K-nearest neighbor algorithm for indoor Wi-Fi positioning systems
Xiao et al. Non-line-of-sight identification and mitigation using received signal strength
Khodayari et al. A RSS-based fingerprinting method for positioning based on historical data
Elbakly et al. A robust zero-calibration RF-based localization system for realistic environments
CN101639527B (en) K nearest fuzzy clustering WLAN indoor locating method based on REE-P
Bagosi et al. Indoor localization by WiFi
KR20110116565A (en) Method determining indoor location using bayesian algorithm
CN113596989B (en) Indoor positioning method and system for intelligent workshop
CN105491661A (en) Improved Kalman filtering algorithm-based indoor positioning system and method
Xuanmin et al. An improved dynamic prediction fingerprint localization algorithm based on KNN
Lembo et al. Indoor positioning based on RSS fingerprinting in a LTE network: method based on genetic algorithms
Tsang et al. A bluetooth-based indoor positioning system: a simple and rapid approach
Saha et al. A novel clustering strategy for fingerprinting-based localization system to reduce the searching time
Eyng et al. Kalman filtering-aided hybrid indoor positioning system with fingerprinting and multilateration
CN101977436A (en) WLAN indoor positioning-based mobile subscriber position coordinate correction method
Dong et al. Neural network based radio fingerprint similarity measure
Maneerat et al. Floor estimation algorithm for wireless indoor multi-story positioning systems
KR20120048375A (en) Knn/pcm hybrid mehod using gath-geva method for indoor location determination in waln
Li et al. Outdoor location estimation using received signal strength feedback
KR20120048376A (en) Knn/pfcm hybrid mehod using gath-geva method for indoor location determination in waln
Khattak et al. Empirical performance evaluation of WiFi fingerprinting algorithms for indoor localization
KR20120047671A (en) A guidance system for docking of ship using knn/fcm hybrid algorithm
Li et al. Validation of a probabilistic approach to outdoor localization

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid