一种基于模糊KNN的WIFI室内定位方法技术

本发明专利技术公开了一种基于模糊KNN的WIFI室内定位方法，利用基于权值的KNN匹配算法，增加RSSI差分数据量作为权值特征，把RSSI的特征作为模糊系统输入，通过模糊推理输出KNN方法中的权值，定位误差作为目标函数，对模糊推理系统中隶属度函数等参数进行辨识和优化，从而提高定位系统的精度。和传统的RSSI距离相比，不仅考虑了RSSI值所组成的矢量的欧拉距离，还考虑到了不同位置接收到RSSI值之间的差值；同时使用自适应模糊推理系统，利用了模糊系统能很好逼近非线性系统的特性，通过模糊聚类和进化算法对权值进行优化，使其自适应不同的室内环境。

【技术实现步骤摘要】

本专利技术涉及室内定位与导航
，特别是一种基于模糊KNN的WIFI室内定 位方法。
技术介绍
近年来，随着智能移动终端、无线传感器网络和物联网的兴起和普及。基于位置 的服务和应用得到极大的发展，给人们出行带来很大的方便。比如，基于全球定位系统 (GlobalPositioningSystem,GPS)的手机电子地图，给人们提供了室外空间的定位和导 航服务。基于位置信息服务的LBS(LocationBasedServices)应用层出不穷。然而，人类 大部分的活动是在室内进行的，由于GPS卫星信号经过建筑物的遮挡，很的容易出现卫星 跟踪丢失导致定位精度下降，甚至出现不能定位的情况，因此GPS定位系统不能满足室内 定位的需求，需要为室内定位发展新技术。在这一需求的推动下，实现对室内人员或者物体 的精确定位和跟踪的研宄成为近十多年大家研宄的热点领域。 随着近几年无线系统应用数量的迅速增长，无线技术已经进入几乎所有的消费电 子领域，如医疗，工业，公共安全，物流和交通运输等。同样无线自组网传感器网络、普适计 算、上下文相关的信息服务、信息跟踪和指导也成为无线通信技术的众多应用领域。正因 为无线网络的广泛使用，利用无线网络进行室内或者室外精确定位成为一种新的需求和研 宄方向。目前，定位系统常使用的无线网络包括全球无线通信网络（GlobalSystemfor MobileCommunications,GSM)或者通用移动通信系统（UniversalMobileTelecommuni -cationsSystem，UMTS)、无线局域网络（WirelessLocalAreaNetworks,WLANs)、超 宽带通信（Ultra-wideband,UWB)网络和一些短距离通信技术，例如无线传感器网络 (WirelessSensorNetworks,WSN)、无线射频技术（RadioFrequencyIdentification)、蓝 牙（Bluetooth)和红外通信等。这些无线已经有相应技术将其应用于定位技术，比如GSM网 络常用于室外定位，和GPS-起，满足日常生活中室外定位需求。除此之外，UWB网络，WSN 网络和RFID等可以用于室内定位技术。 基于KNN的WIFI室内定位算法其主要原理是根据RSSI距离计算方法来估算待定 位节点和数据指纹中已知节点的距离，算法复杂度比较低，也易于理解，所以在实际中应用 广泛，但由于室内环境复杂，信号传播很少有无遮挡传播路径，常见的遮挡有墙体、家具、人 员等，这些因素会导致算法存在以下几个问题： 首先，上述KNN算法中RSSI距离大的两个点，其实际的物理距离可能很小，比如两 个点之间存在一堵墙等，因此，按照RSSI的距离大小确定KNN算法中的权重会造成比较大 的定位误差。 其次，经过实际测量，在同一地点检测到的同一个AP发射的信号的RSSI值波动比 较大，离线阶段和在线的信号波动，都会影响定位的精度，所以在使用RSSI值进行定位前， 必须对采集到的数据进行预处理，减少因为噪声对定位精度的影响。 最后，RSSI值和检测设备有关系，同一个AP发射出的无线信号在同一点由不同的 接收设备检测，RSSI可能会不一样，因此，不能只根据RSSI距离的绝对数值，来确定KNN算 法中的权重值。
技术实现思路
本专利技术所要解决的技术问题是，针对现有技术不足，提供一种基于模糊KNN的 WIFI室内定位方法。 为解决上述技术问题，本专利技术所采用的技术方案是：一种基于模糊KNN的WIFI室 内定位方法，包括在线测量阶段和离线测量阶段； 所述离线测量阶段包括以下步骤： 1)预先选定场地中某些点为参考点，测量参考点的坐标，采集参考点离线数据并 进行数据预处理，滤除噪声； 2)计算各参考点的RSSI平均值，并存入指纹数据库； 3)将RSSI距离分为"很近"，"近，"远，"很远"四个模糊子集，将指纹数据库中的 数据作为样本，计算指纹数据库中每条数据所对应的点与其他点之间的RSSI距离D，以及 RSSI差分距离V，进行模糊C聚类，以确定四个模糊子集的隶属函数； 4)初始化Takagi-Sugeno推理后件种群，种群大小NP设置为500,缩放因子F设置 成0.9;交叉控制参数CR的值设为0.9,种群中每个个体编码为（a。，％，％)，其中（a。，％，％) 为Takagi-Sugeno推理后件的多项式系数向量； 5)利用目标函数J对上述初始化后的种群进行评价，J等于采样点的实际坐标与 计算坐标的欧氏距离，J越小说明计算坐标越接近实际坐标，J的计算公式如下：J= (x-xT) 2+ (y-yT)2 其中，（X，y)是样本的实际坐标，（xT,yT)为该样本的计算坐标，按下式计算： (Xi，yi)为第i个与所述样本邻近的点的坐标，K为该样本的近邻点的个数；《i是 第i条模糊规则输出的权值，按下式计算： ?j=aQ+a^+a,^； 其中i表示第i条规则，D表示样本的RSSI距离，V表示样本的RSSI差分距离； 6)采用DE/rand/1/bin变异和二项式交叉对每个个体进行进化操作，产生新的个 体； 7)计算目标函数J的值，对个体进行评价，并采用高选择压的选择策略：一旦子 代个体比父代个体好，就进入下一代种群，否则父代个体留在种群中保持不变，选择新的子 代；7)检验目标函数J是否发生变化，如果是，则输出最优多项式系数向量，否则返回 步骤6) ;8)将最优多项式系数向量作为模糊推理规则的后件多项式系数，生成模糊规则存 入规则库； 所述在线测量阶段包括以下步骤： 1)测量待定位点的RSSI值； 2)计算待定位点与指纹数据库中各参考点的RSSI距离和差分距离； 3)找出K个与待定位点的RSSI距离和差分距离最近的点，即K个最近邻点； 4)使用规则库中的模糊推理规则计算所述K个最近邻点各自的权值； 5)根据权值和参考点坐标计算待定位点坐标。 由所有M条模糊规则计算权重《的计算公式如下：其中，M表示模糊规则的数目，A,表示第i条模糊规则的推理强度。 RSSI距离D(k)和RSSI差分距离V(k)分别按下式计算：V(k) = | |maxRSSIki-minRSSIki |-1maxRSSITi-minRSSITi | |； 其中k表示第k个最近邻点；RSSIkl表示第k个最邻近点检测到的第1个AP，即接 入点的RSSI值，RSSIT1表示待定位点检测到的第1个AP的RSSI值，k= 1，2, ???!(，r为AP 的数量。 与现有技术相比，本专利技术所具有的有益效果为：本专利技术在利用基于权值的KNN匹 配算法的基础上，增加RSSI差分数据量作为权值特征，把RSSI的特征作为模糊系统输入， 通过模糊推理输出KNN方法中的权值，定位误差作为目标函数，对模糊推理系统中隶属度 函数等参数进行辨识和优化，从而提高定位系统的精度。和传统的RSSI距离相比，不仅考 虑了RSSI值所组成的矢量的欧拉距离，还考虑到了不同位置接收到RSSI值之间的差值；同 时使用自适应模糊推理系统，利用了模糊系统能很好逼近非线性系统的特性，通过模糊聚 类和进化算法对权值进行优化，使其自适应不同的室内环境。【附图说明】 图1为本专利技术实施例实验区的布置本文档来自技高网...

【技术保护点】
一种基于模糊KNN的WIFI室内定位方法，其特征在于，包括在线测量阶段和离线测量阶段；所述离线测量阶段包括以下步骤：1)预先选定场地中某些点为参考点，测量参考点的坐标，采集参考点离线数据并进行数据预处理，滤除噪声；2)计算各参考点的RSSI平均值，并存入指纹数据库；3)将RSSI距离分为“很近”，“近，“远，“很远”四个模糊子集，将指纹数据库中的数据作为样本，计算指纹数据库中每条数据所对应的点与其他点之间的RSSI距离D，以及RSSI差分距离V，进行模糊C聚类，以确定四个模糊子集的隶属函数；4)初始化Takagi‑Sugeno推理后件种群，种群大小NP设置为500，缩放因子F设置成0.9；交叉控制参数CR的值设为0.9，种群中每个个体编码为(a0,a1,a2)，其中(a0,a1,a2)为Takagi‑Sugeno推理后件的多项式系数向量；5)利用目标函数J对上述初始化后的种群进行评价，J等于采样点的实际坐标与计算坐标的欧氏距离，J越小说明计算坐标越接近实际坐标，J的计算公式如下：J＝(x‑xT)2+(y‑yT)2其中，(x,y)是样本的实际坐标，(xT,yT)为该样本的计算坐标，按下式计算：xT=Σi=0KωixiΣi=0Kωi]]>yT=Σi=0KωiyiΣi=0Kωi]]>(xi,yi)为第i个与所述样本邻近的点的坐标，K为该样本的近邻点的个数；ωi是第i条模糊规则输出的权值，按下式计算：ωi＝a0+a1D+a2V；其中i表示第i条规则，D表示样本的RSSI距离，V表示样本的RSSI差分距离；6)采用DE/rand/1/bin变异和二项式交叉对每个个体进行进化操作，产生新的个体；7)计算目标函数J的值，对个体进行评价，并采用高选择压的选择策略：一旦子代个体比父代个体好，就进入下一代种群，否则父代个体留在种群中保持不变，选择新的子代；7)检验目标函数J是否发生变化，如果是，则输出最优多项式系数向量，否则返回步骤6)；8)将最优多项式系数向量作为模糊推理规则的后件多项式系数，生成模糊规则存入规则库；所述在线测量阶段包括以下步骤：1)测量待定位点的RSSI值；2)计算待定位点与指纹数据库中各参考点的RSSI距离和差分距离；3)找出K个与待定位点的RSSI距离和差分距离最近的点，即K个最近邻点；4)使用规则库中的模糊推理规则计算所述K个最近邻点各自的权值；5)根据权值和参考点坐标计算待定位点坐标。...

【技术特征摘要】

【专利技术属性】
技术研发人员：刘丽珏，龙承辉，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43