一种基于仿射传播聚类的指纹定位算法制造技术

本发明专利技术涉及一种基于仿射传播聚类的指纹定位算法，包括：采集指纹数据，包括接收到的各个无线信号发射器发射的信号的强度和采集数据所处的位置。2)定义每两条指纹之间的相似度，包括信号值和位置的相似度。3)使用基于仿射传播的聚类方法对采集的数据进行聚类，指纹库中每一条指纹的内容为一个聚类的中心以及该聚类对应高斯模型的均值、方差及权重值。4)在线定位。

A fingerprint localization algorithm based on affine propagation clustering

The invention relates to a fingerprint location algorithm based on affine propagation clustering, which includes collecting fingerprint data, including the intensity of signal received by each radio signal transmitter and location of the collected data. 2) define the similarity between each two fingerprints, including the similarity between the signal value and the location. 3) clustering data based on affine propagation. The content of every fingerprint in fingerprint library is the center of a cluster, and the clustering corresponds to the mean, variance and weight value of Gauss model. 4) online positioning.

【技术实现步骤摘要】
一种基于仿射传播聚类的指纹定位算法
本专利技术属于基于指纹法的室内定位领域，对采集到的大量指纹数据使用仿射传播聚类算法将相似度较高的指纹聚类，再对聚类后的指纹建立混合高斯模型，使用混合高斯模型进行室内定位。
技术介绍
近些年，位置信息的获取越来越受到重视，与定位技术相关的新业务不断出现。，基于位置的服务(LBS)已成为研究的热点之一，且具有广泛的市场空间。定位技术的应用领域十分广泛，包含商业、救灾、军用、民用等各个方面，目前世界上最为著名的定位系统为美国的全球定位系统(GPS)，GPS通过卫星可覆盖全球范围，其基本原理为采用信号时间差进行定位，定位精度可以达到10米以内，目前已在许多国家和地区得到广泛应用。但是在室内环境下，由于建筑物墙壁对电波信号的遮挡，电波只能以折射或反射等非视距传播方式进行传播，导致GPS定位效果变差。在室内定位的研究中使用无线信号进行定位是当前的主流。室内定位技术主要分为测距法和非测距法，常用的测距方法为到达时间(TOA)、到达时间差(TDOA)、接收信号强度(RSS)、到达相位差(PDOA)等。常用的非测距方法为指纹定位法，指纹法中常用的算法包括最近邻法(NN)、K最近邻法(KNN)、加权K最近邻法(WKNN)等。由于RSS容易获得且成本较低，因此基于RSS的位置指纹定位法是当前最流行的室内定位应用之一。RSS方法可分为两种思路，一种为传播模型法，通过已采集的信号特征估计信号的传播模型，此方法受室内多径及环境噪声影响较强。第二种为指纹定位法。指纹定位法主要分为两个阶段即离线指纹采集阶段和在线实时定位阶段。离线指纹采集阶段通过人工在各个事先确定好的指纹点处测得每个发射源到该指纹点的接收信号强度RSS并构建一个位置与RSS的位置指纹数据库。在线实时定位阶段通过用户接收到的每个发射源的RSS序列并将其与离线阶段所建立的位置指纹数据库进行匹配处理得到当前待定位目标的位置坐标。指纹法的定位精度收指纹采集数量的影响，指纹采集点越密集，定位精度就会越高。但是大量采集指纹会增加存储指纹的成本。在在线匹配阶段，由于需要匹配的指纹数量增多，计算量加大，定位用时增多。
技术实现思路
本专利技术的目的是提供一种存储成本较低，计算量较小的指纹定位算法。技术方案如下：一种基于仿射传播聚类的指纹定位算法，包括下列步骤：1)采集指纹数据，包括接收到的各个无线信号发射器发射的信号的强度和采集数据所处的位置。2)定义每两条指纹之间的相似度，此相似度由两部分组成，第一部分为信号值的相似度，定义为两条指纹中所有相同的信号源的信号强度的欧式距离之和；第二部分为指纹位置的相似度，定义为两条指纹采集位置的欧式距离；这两部分各自乘以一个预先设置的系数后相加的和，作为两条指纹之间的相似度。3)使用基于仿射传播的聚类方法对采集的数据进行聚类，使用最大期望算法对放射传播聚类算法的吸引矩阵和归属矩阵进行迭代计算直到收敛或达到一定的迭代次数，完成对指纹数据的聚类。3)当聚类完成后，计算每一类指纹的中心位置，使用该聚类中所有指纹坐标的重心作为聚类的重心位置，再计算指纹的混合高斯模型，每一类指纹对应一个高斯模型，需计算此模型的均值和方差及权重，使用最大期望算法计算以上三个值，最后的指纹库中每一条指纹的内容为一个聚类的中心以及该聚类对应高斯模型的均值、方差及权重值。4)在线定位阶段采集到一组信号强度，将信号强度代入每一组高斯模型计算出一个概率值，每一个模型得到的概率依次再乘以该模型的权重及模型的中心坐标，将每个模型得到的值相加即为最后的定位位置。本专利技术使用基于仿射传播的聚类方法对采集的数据进行聚类，对聚类后的指纹数据计算其混合高斯模型，以混合高斯模型的参数作为新的指纹存入指纹库，减少指纹的存储量。对目标定位时，将实时采集的数据代入混合高斯模型生成的各个子高斯模型，得到各个子高斯模型的权重，再用此权重分别乘以各个子高斯模型对应指纹聚类的中心，所有子模型的结果的和为最后定位的目标位置。附图说明图1示出了本专利技术整体方法的流程框图。具体实施方式1)采集大量地指纹数据，数据包括接收到的各个无线信号发射器发射的信号的强度和采集数据所处的位置。2)使用基于仿射传播的聚类方法对采集的数据进行聚类，采用仿射传播聚类算法需要定义聚类中每个指纹之间的相似度，此相似度由两部分组成，第一部分为信号值的相似度，定义为两条指纹中所有相同的信号源的信号强度的欧式距离之和；第二部分为指纹位置的相似度，定义为两条指纹采集位置的欧式距离。这两部分各自乘以一个预先设置的系数后相加的和，作为两条指纹之间的相似度。使用最大期望算法对放射传播聚类算法的吸引矩阵和归属矩阵进行迭代计算直到收敛或达到一定的迭代次数，完成对指纹数据的聚类。3)当聚类完成后，计算每一类指纹的中心位置，使用该聚类中所有指纹坐标的重心作为聚类的重心位置。再计算指纹的混合高斯模型，每一类指纹对应一个高斯模型，需计算此模型的均值和方差及权重，使用最大期望算法计算以上三个值，最后的指纹库中每一条指纹的内容为一个聚类的中心以及该聚类对应高斯模型的均值、方差及权重值。4)在线定位阶段采集到一组信号强度，将信号强度代入每一组高斯模型计算出一个概率值，每一个模型得到的概率依次再乘以该模型的权重及模型的中心坐标，将每个模型得到的值相加即为最后的定位位置。本文档来自技高网...

【技术保护点】
一种基于仿射传播聚类的指纹定位算法，包括下列步骤：1)采集指纹数据，包括接收到的各个无线信号发射器发射的信号的强度和采集数据所处的位置。2)定义每两条指纹之间的相似度，此相似度由两部分组成，第一部分为信号值的相似度，定义为两条指纹中所有相同的信号源的信号强度的欧式距离之和；第二部分为指纹位置的相似度，定义为两条指纹采集位置的欧式距离；这两部分各自乘以一个预先设置的系数后相加的和，作为两条指纹之间的相似度；3)使用基于仿射传播的聚类方法对采集的数据进行聚类，使用最大期望算法对放射传播聚类算法的吸引矩阵和归属矩阵进行迭代计算直到收敛或达到一定的迭代次数，完成对指纹数据的聚类；3)当聚类完成后，计算每一类指纹的中心位置，使用该聚类中所有指纹坐标的重心作为聚类的重心位置，再计算指纹的混合高斯模型，每一类指纹对应一个高斯模型，需计算此模型的均值和方差及权重，使用最大期望算法计算以上三个值，最后的指纹库中每一条指纹的内容为一个聚类的中心以及该聚类对应高斯模型的均值、方差及权重值；4)在线定位阶段采集到一组信号强度，将信号强度代入每一组高斯模型计算出一个概率值，每一个模型得到的概率依次再乘以该模型的权重及模型的中心坐标，将每个模型得到的值相加即为最后的定位位置。...

【技术特征摘要】
1.一种基于仿射传播聚类的指纹定位算法，包括下列步骤：1)采集指纹数据，包括接收到的各个无线信号发射器发射的信号的强度和采集数据所处的位置。2)定义每两条指纹之间的相似度，此相似度由两部分组成，第一部分为信号值的相似度，定义为两条指纹中所有相同的信号源的信号强度的欧式距离之和；第二部分为指纹位置的相似度，定义为两条指纹采集位置的欧式距离；这两部分各自乘以一个预先设置的系数后相加的和，作为两条指纹之间的相似度；3)使用基于仿射传播的聚类方法对采集的数据进行聚类，使用最大期望算法对放射传播聚类算法的吸引矩阵和归属矩阵进行迭代计算直到...

【专利技术属性】
技术研发人员：马永涛，成意，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12