积分商城

最新搜索： 相位差磁调制 icn2027 电机 ATmega8U2 STM32H743 核心板 qcom
您现在的位置是：首页 > 技术资料 > 离散度WKNN位置指纹Wi-Fi定位算法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

离散度WKNN位置指纹Wi-Fi定位算法

更新时间：2019-12-25 12:31:34 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：Wi-Fi 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

为改善加权K近邻位置指纹定位算法在室内环境复杂时的定位性能,提出一种以位置指纹离散度作为权值参考的改进加权K近邻位置指纹定位算法.算法在离线位置指纹数据库建立阶段采用K-means聚类算法对位置指纹进行聚类,来降低搜索位置指纹库的计算量.从离线位置指纹库中选取K个与在线实测Wi-Fi信号强度信息最相似的位置指纹,比较其离散程度,将离散程度小的位置指纹赋予较高的加权系数,以减小原加权K近邻算法在室内复杂环境信号强度随距离变化较大情况下带来的位置估算误差.对离散度加权K近邻算法时间复杂度的分析表明,其计算量小于原加权K近邻算法;实际环境实验结果表明,离散度加权K近邻算法具有更高的定位精度,且定位误差波动较小.


部分文件列表

文件名 大小
离散度WKNN位置指纹Wi-Fi定位算法.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
Vol. 49 No. 5  
May 2017  
49  
5
期
第
卷
第
哈
尔
滨
工
业
大
学
学
报
2 0 1 7  
5
月
年
JOURNAL OF HARBIN INSTITUTE OF TECHNOLOGY  
j．issn．  
DOI: 10．11918/  
0367-6234．201610104  
WKNN  
Wi-Fi  
定位算法  
离散度  
位置指纹  
1，2  
1
1
3
1
， ， ， ，  
田洪亮 钱志鸿 梁 潇 王义君 王 雪  
( 1．  
，
吉林大学 通信工程学院 长春  
130012; 2．  
，
东北电力大学 信息工程学院 吉林 吉林  
132012;  
3．  
，
长春理工大学 电子信息工程学院 长春  
130022)  
:
K
，
为改善加权 近邻位置指纹定位算法在室内环境复杂时的定位性能 提出一种以位置指纹离散度作为权值参考的改  
摘
要
K
．
进加权 近邻位置指纹定位算法 算法在离线位置指纹数据库建立阶段采用  
K-means  
，
聚类算法对位置指纹进行聚类 来降低  
．
K
搜索位置指纹库的计算量 从离线位置指纹库中选取 个与在线实测  
Wi-Fi  
，
信号强度信息最相似的位置指纹 比较其离散程  
， ，  
K
度 将离散程度小的位置指纹赋予较高的加权系数 以减小原加权 近邻算法在室内复杂环境信号强度随距离变化较大情况  
． ， ;  
K K  
下带来的位置估算误差 对离散度加权 近邻算法时间复杂度的分析表明 其计算量小于原加权 近邻算法 实际环境实验  
， ，  
K
结果表明 离散度加权 近邻算法具有更高的定位精度 且定位误差波动较小  
．
: ;  
关键词 无线定位 位置指纹  
; Wi-Fi;  
;
接收信号强度指示 离散度  
－ － －  
: A : 0367 6234( 2017) 05 0094 06  
文章编号  
: TP393  
中图分类号  
文献标志码  
Discrete degree WKNN location fingerprinting algorithm based on Wi-Fi  
1，2  
1
1
3
1
TIAN Hongliang ，QIAN Zhihong ，LIANG Xiao ，WANG Yijun ，WANG Xue  
( 1． School of Communication Engineering，Jilin University，Changchun 130012，China;  
2． School of Information Engineering，Northeast Dianli University，Jilin 132012，Jilin，China;  
3． School of Electronic and Information Engineering，Changchun University of Science and Technology，Changchun 130022，China)  
Abstract: To improve the localization performance of the WKNN location fingerprinting algorithm when the indoor  
environment is complex， an improved WKNN location fingerprinting algorithm—Discrete Degree Weighted  
K-Nearest Neighbor ( DD-WKNN) is proposed，which takes the dispersion of location fingerprints as the weight  
reference． The K-means clustering algorithm is used to cluster the location fingerprints when the offline location  
fingerprint database is established，which reduces the computational complexity of searching the location fingerprint  
database． K location fingerprints which are most similar to online measured RSSIs are selected from the offline  
location fingerprint database，and the discrepancy degrees are compared． A higher weighting coefficient is assigned  
to the position fingerprint with a small degree of dispersion，which reduces the error of position estimation caused by  
the original WKNN algorithm when the signal strength of the indoor environment changes greatly with distance． The  
analysis of the time complexity of DD-WKNN algorithm shows that its computational complexity is less than that of  
the original WKNN algorithm． The experimental results show that the DD-WKNN algorithm has a higher positioning  
accuracy and the positioning error fluctuates less．  
Keywords: wireless localization; location fingerprint; Wi-Fi; received signal strength indicator ( RSSI) ; discrete  
degree  
，
随着网络技术的发展 无数智能节点通过无线  
，
然而卫星信号穿透能力弱 受到建筑物外墙的阻挡  
，
［1］  
，
通信技术连接在一起 形成了无所不能的物联网  
．
．
无法为室内设备提供定位服务 室内无线信号环境  
－
［1 2］  
其中位置服务  
是物联网面向用户的关键需求之  
． ，  
相对于室外要复杂得多 相对于室外环境 室内环境  
， ．  
一 而位置服务主要依赖于无线定位技术 无线定  
、
有建筑物墙体 房间布局等带来的无线信号多径效应  
位技术从地理位置上可分为室内定位以及室外定  
． AGPS  
位 室外定位一般通过卫星导航系统辅助以  
影响以及多种室内无线设备对定位信号带来的干扰  
，
．
等 这与室外定位具有很大的不同  
随着智能手机等内置无线接入的设备普及率的  
，Wi-Fi  
， 、  
进行定位 具有定位精度适中 定位速度快等优点  
．
，
提高  
信号已经广泛分布在大多数室内环境  
－ －  
: 2016 10 24  
收稿日期  
Wi-Fi  
学者们提出了多种利用  
信号进行室内定位的  
:
基金项目 国家自然科学基金  
( 61371092，61401175，61540022) ;  
－
［3 4］  
( 2016091)  
吉林大学研究生创新基金  
，
( AOA) 、  
定 位 到 达 时 间  
技术  
包 括 到 达 角 度  
:
作者简介 田洪亮  
( 1981—) ， ， ， ;  
男 博士研究生 讲师  
( TOA)  
、
定位 到达时间差  
( TDOA)  
、
定位 信号强度  
( 1957—) ， ， ，  
男 教授 博士生导师  
钱志鸿  
［5］  
:
通信作者 钱志鸿  
，dr．qzh@ 163．com  
( RSSI)  
、 ．  
定位 位置指纹定位 等 上述室内定位方  
5
，
等
:
WKNN  
Wi-Fi  
位置指纹 定位算法  
第
期
田洪亮  
离散度  
·95·  
，AOA  
．
和信号参数的离线位置指纹数据库 本文所采用的  
法中  
定位需要硬件额外增加精确测量角度的  
— ， ; TOA  
硬件 天线 设备的广泛适用性受到了限制  
离线指纹数据是定位区域内已知位置上设备能够获  
TDOA  
，
得的环境中各个无线接入点的信号强度采样值 即  
和
定位方法需要精准测量信号在空间中传播  
， ，  
的时间 这对设备硬件提出了很高的要求 成本受限  
RSSI．  
，
然而指纹数据若选取不当 会增大在线匹配  
－
K means  
;
的设备往往不适用 利用  
RSSI  
．
测距定位不需要额外  
位置时的误差 利用  
聚类算法将离线指纹  
数据进行聚类 实测采样值只与聚类后的聚类中心  
RSSI  
， ， ，  
的硬件 成本较低 但受到环境影响较大 在复杂的  
，
．
室内环境中定位精度较差 基于  
Wi-Fi  
技术的位置  
欧氏距离最短的一些离线指纹数据进行  
值近  
指纹定位利用多个无线接入点在室内不同位置的信  
， ．  
似匹配 可减小估计误差 假设各个无线接入点无  
，
号强度值差异 预先建立位置坐标与离线信号强度  
，
线信号发射功率不变但位置未知 假设定位空间为  
， ．  
的指纹数据库 作为在线定位的依据 采用  
RSSI  
信
．
二维平面  
，
息作为指纹数据库的在线定位技术 定位时不需要  
1．1  
初始位置指纹数据库的建立  
，
额外增加硬件 在综合应用场景下具有成本和广泛  
设某一定位区域离线位置指纹数据库的建立需  
［6］  
．
适用性的优势  
D
，
个采样点数据 每个采样点的二维空间位置可  
要
=
( x ，y ) ，i 1，… ，D．  
i
位置指纹定位方法包括离线建立位置指纹数据  
以表示为  
在每个采样点能够  
i
．
库和在线位置指纹数据匹配估算位置两个阶段 典  
N ，  
获得 个无线接入点的信号强度值 可以用向量形  
( Nearest  
型的位置指纹数据匹配算法包括最近邻法  
，
式表示 如式  
( 1)  
:
所示  
［7］  
［8］  
－
( K NN)  
Neighbor，NN) 、K  
K
和加权 近  
近邻法  
=
=
( f ，f ，… ，f ) ，i 1，… ，D．( 1)  
i 2  
F
RSSN  
i 1  
i N  
i
－
［9 12］  
( Weighted KNN，WKNN)  
．
等 在以上典型  
邻法  
该组信号强度值的组合对应的二维空间坐标如  
( 2)  
，
位置指纹定位的方法中 学者们针对优化离线指纹  
数据库和改进在线定位匹配算法两方面同时展开研  
:
所示  
式
=
=
( x ，y ) ，i 1，… ，D．  
i
S
( 2)  
( 3)  
i
i
: ［13］ 、 ［14］ Kalman  
究 文献 利用核函数 文献 利用 滤  
因此每组指纹信息的数据结构可以表示为如式  
，
波等对离线数据进行分析及优化 从位置指纹数据  
:
所示的形式  
;
来源上使定位所需匹配数据更加精确 文献  
［15］  
利
=
=
( x ，y ，f ，f ，… ，f ) ，  
i1  
G
RSSN  
( S F  
i， RSSN  
)
i
i
i2  
iN  
i
i
，
用多高斯混合模型构建离线指纹数据库 并用期望  
=
i
1，2 ，… ，D ．  
( 3)  
，
最大值作为估计模型参数的算法 增加了系统定位  
，
将采集到的位置指纹数据以行形式存储 得到  
; ［16］  
的精度 文献 利用最小二乘法对位置指纹信息  
，
全部离线位置指纹的数据库 如式  
( 4)  
:
所示  
，
拟合成高斯多项式连续分布曲线 对于信号强度分  
f
…
f
x
y
f
12  
1N  
1
1
11  
．
布较为平滑的室内空间具有较高的定位精度 以上  
f
…
f
x
y
f
22  
2N  
2
2
21  
=
G
．
( 4)  
，
位置指纹定位算法的改进和优化 在对离线位置指  
纹数据库的分析优化和提高采样值精度方面作了相  
f
…
f
x
y
f
D2  
DN  
D
D
D1  
，
应的改进 提高了定位精度  
．
．
这是位置指纹数据库的初始状态  
1．2 K-means  
、 ，  
由于室内墙壁 门及其他物体的隔挡 室内各  
基于  
算法的离线位置指纹数据聚类  
Wi-Fi RSSI  
信号  
，
衰落分布并不一定都很平滑 基于  
为了降低从位置指纹数据库中查找匹配指纹的  
K
欧氏距离的加权 近邻算法会因此带来一定误差  
．
－
K means  
，
计算量 采用基于  
，
的聚类算法进行聚类  
，
本文从位置指纹数据与实际采样值的相关性入手  
．
得到聚类后的位置指纹数据库 具体的聚类过程  
，
首先通过聚类算法对离线位置指纹数据进行分类  
．
如下  
，
排除与实测采样值差别较大的数据 增大位置指纹  
1)  
1．1  
D
节中离线位置指纹数据库中的 个指  
在
，
数据与采样值的相关性 降低位置匹配算法的计算  
F
，
作为待聚类的原始指纹信息 其维度为  
纹信息  
检测到无线接入点  
K ( K  
RSSN  
; ，  
量 然后通过数据相关性对指纹数据进行分析 根据  
i
RSSI  
N．  
值的个数  
同时指定需要  
，
与实测采样值位置指纹数据的离散程度 对离散程  
D) ;  
D
从
聚类的数目  
≤
个指纹信息中任意选  
，
度不同的位置指纹数据赋予不同的权值 利用加权  
K
C， ( 5)  
如式  
取
个指纹为初始的聚类中心集合  
K
．
近邻法估计待定位位置  
:
所示  
－
K means  
算法的离线位置指  
1
基于  
=
C
( F  
，F  
，… ，F  
) ．  
( 5)  
RSSN 1  
RSSN 2  
RSSN k  
纹库建立及聚类  
－
2)  
D
K
C
个指纹与 中各个聚类中  
计算剩余的  
= － =  
E ( i 1，2，…，D K，j 1，2，…，K) ，  
ij  
心的欧氏距离  
位置指纹定位方法首先要做的是建立基于位置  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号