基于二分k均值的指纹室内定位方法技术

本发明专利技术公开了一种基于二分k均值聚类的室内定位技术，解决了初始聚类中心选取不合适导致定位性能较差的问题。技术方案为：1)离线阶段:采集所有参考点的指纹数据，保留来自较强分辨能力的接入点的指纹数据；采用二分k均值算法对参考点进行聚类划分；为每个聚类构造一个决策树；2)在线阶段:在观测点采集指纹数据；根据指纹数据匹配观测点所属的聚类；用聚类对应的决策树进行精细定位，得到观测点的物理位置。本发明专利技术基于指纹室内定位技术，考虑初始聚类中心的选取对定位效果的影响，选择二分k均值聚类算法进行聚类划分，提升了定位准确率。用于有wifi覆盖或者可以配置接入点的室内环境中，适于室内救援及大型场所中人员定位等场景。

Fingerprint indoor location method based on dichotomous k-means

The invention discloses an indoor positioning technology based on dichotomous K-means clustering, which solves the problem of poor positioning performance caused by inappropriate selection of initial clustering centers. The technical scheme is as follows: 1) Off-line phase: collecting fingerprint data of all reference points, retaining fingerprint data from access points with strong resolution; clustering reference points by using dichotomous K-means algorithm; constructing a decision tree for each cluster; 2) on-line phase: collecting fingerprint data at observation points; matching the clustering of observation points according to fingerprint data; and clustering corresponding solutions. Fine positioning of the tree is carried out to obtain the physical location of the observation points. Based on fingerprint indoor positioning technology, considering the influence of initial clustering center selection on positioning effect, the dichotomous K-means clustering algorithm is selected for clustering partition to improve positioning accuracy. Used in indoor environment with WiFi coverage or access points, suitable for indoor rescue and personnel location in large places.

【技术实现步骤摘要】
基于二分k均值的指纹室内定位方法
本专利技术属于通信
，特别涉及指纹室内定位方法，具体是一种基于二分k均值的指纹室内定位方法。可用于各种覆盖有wifi的室内环境的定位，在无需额外安装设备的条件下，给用户提供精准的定位以及良好的用户体验。
技术介绍
随着通信技术的发展，基于位置的服务已经成为了一个新兴的移动互联网产业，并具有良好的发展前景。因此，快速并且准确地获得移动终端的位置信息的需求变得日益迫切。定位信息还可以用来支持基于位置的业务和改善网络管理，提高位置服务的质量和网络性能。所以，在无线网络中能够快速、准确、稳定地获取位置信息的定位技术及其相关的定位系统已经成为当前的研究热点。目前室外定位技术如卫星定位的精度已经可以达到厘米级，但在室内环境下，尚无较为经济且成熟的方案，主要是因为室内定位的环境复杂、干扰源多、直达波路径缺失、多径传播、环境易变等特点。由于建筑物的遮蔽，GPS信号穿透建筑物的损耗太大，定位能力大大降低，所以GPS不适合在室内环境中定位。除了对定位纯技术方面的要求，一些人为的制约因素，比如安全性，隐私保护性等，也对室内定位体系提出了新的挑战。目前常用的室内定位技术定位精度和准确度都还不够高，因此需要寻找新的方法或者优化现有的定位方法满足人们对定位的需求。从信号测量技术来划分，无线室内定位技术可以分为四种：基于到达时间测量、基于到达角度测量、基于到达时间差测量和基于信号强度测量定位技术。基于达到时间测量的定位：通过测量无线信号在发射端和接收端的传输时间t，即可计算出发射端和接收端的距离，得到多个距离即可确定位置。基于到达角度测量的定位：根据多个方位线，利用几何方法计算出交点，这个交点即为待测目标的位置。基于到达时间差测量的定位：从待定位置向几个距离不同的基站同时发射信号，计算不同基站接收信号的时间差，计算即得到待定位置。基于信号强度的定位：分为位置指纹定位法和信号传输损耗法。指纹定位法使用来自所有接入点AP的接收信号强度指示RSSI数据描述物理位置，将所有位置的接收信号强度指示RSSI汇总成指纹数据库，在在线匹配阶段，通过在某一点测量得到的接收信号强度指示RSSI值，根据匹配算法进行位置匹配，进而推断出测试点的具体位置。信号传输损耗法首先建立接收信号强度指示RSSI—距离模型，据此可将RSSI转化为相应的距离值，得到待测位置到各个接入点AP的距离，再用三边定位法求得待测点位置。现有的指纹定位方法仍存在一些待解决的问题：为了有较大的定位精度，往往需要往定位环境中铺设大量的接入点AP，会造成浪费；定位结果与初始聚类中心的选取密切相关，初始聚类中心选取不合适会导致定位结果较差；定位环境的变化以及人员的走动会导致定位不稳定。这些问题都会使得定位效果不理想。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提出一种能有效改善因为初始聚类中心选择不合理导致定位效果较差的基于二分k均值的指纹室内定位方法。本专利技术是一种基于二分k均值的指纹室内定位方法，其特征在于，定位分为离线阶段和在线阶段，离线阶段又分为数据采集及处理子阶段、参考点聚类划分子阶段、以及决策树构建子阶段；在线定位阶段分为匹配聚类子阶段和决策树定位观测点子阶段。包括有如下步骤：处于离线阶段有：数据采集及处理子阶段、参考点聚类划分子阶段以及决策树构建子阶段。具体过程如下：1)数据采集及处理子阶段：对所有的参考点进行数据采集，对采集的数据进行处理，生成精简指纹库；1a)离线阶段先进行定位区域所有参考点信息的采集；定位区域被均匀划分成n个小方格，即n个参考点。参考点的一条指纹由在同一时刻该参考点采集到的来自环境中所有接入点AP的接收信号强度指示RSSI数据组成的向量表示，所有参考点的所有指纹即构成原始指纹数据库。1b)根据原始指纹数据库中的接收信号强度指示RSSI数据；选择出m个使得定位区域的信息增益最大的接入点，并删除原始指纹数据库中来自其他接入点的指纹数据，生成精简指纹库。2)参考点聚类划分子阶段：采用二分k均值算法，将n个参考点划分为k个聚类；使用二分k均值聚类算法对所有的参考点进行聚类划分。二分k均值算法中，k是将要生成的聚类的个数。在对精简指纹库中的数据进行聚类划分时，先将所有的参考点看作属于同一个聚类，通过k均值聚类k-means算法将其划分为两个子聚类。计算得到各个子聚类的聚类中心以及各个子聚类的平方误差和SSE，再从所有的已生成的聚类中选取平方误差和最大的聚类，通过k均值聚类划分子聚类，直至聚类个数达到k，即得到k个聚类。每次划分的原则是所有聚类的平方误差和SSE之和降低，且新生成的聚类的平方误差和达到最小。将精简指纹库更新为由k个聚类及其中心构成的聚类指纹库，完成了定位区域内k个聚类的划分。3)决策树构建子阶段：为k个参考点聚类构造对应的k个决策树；生成k个聚类后，采用C4.5算法为每个聚类构建一个决策树。决策树的训练数据集为对应聚类中所有参考点的指纹数据，决策树的属性集合为m个接入点，决策树的叶子节点的标签为聚类中的参考点。将训练数据集和属性集合作为C4.5算法的输入，生成决策树。生成k个决策树后，将各个决策树的内部节点及其测试属性、分割点，以及叶子节点添加至聚类指纹库中，生成聚类-决策树指纹库。处于在线阶段有匹配聚类子阶段和决策树定位观测点子阶段，具体过程如下：4)匹配聚类子阶段：实现观测点与所属聚类的匹配；进入在线阶段后，首先在观测点采集数据，即观测点接收到的来自m个接入点接收信号强度指示数据，然后计算该数据与聚类-决策树指纹库中k个聚类中各个聚类中心的欧氏距离，选择欧氏距离最小的聚类为观测点所属的聚类。完成了观测点所属聚类的匹配；5)决策树定位观测点子阶段：实现观测点与决策树的数据匹配，得到观测点的物理位置；将观测点接收到的接收信号强度指示数据与该聚类对应的决策树进行匹配。从根节点开始，对内部节点对应的属性进行测试，根据测试结果，将观测点分配至其子节点，如此递归地对观测点进行测试并分配，直到到达叶子节点，观测点最终分配至的叶子节点对应的参考点即为根据此定位算法得到的位置。完成了观测点对应的物理位置的匹配；聚类匹配和决策树匹配均完成后，即得到了观测点的物理位置，观测点位置定位完成。本专利技术与现有技术相比具有以下优点：提升了定位精度：相比于普通的聚类算法，本专利技术中采用二分k均值算法将聚类数目从1增加至k，每次的聚类划分都旨在减少整体的平方误差和，且每次都选择出效果最好的聚类，因此是全局最优的聚类算法。与k均值聚类k-means算法相比，有效地解决了由于初始聚类中心选择不合适导致的聚类效果不好的问题，因此也极大地提升了室内定位的精度。具有鲁棒性：在室内定位方法中，定位区域中人员的走动以及环境的变化都会使得接收信号强度指示数据中含有噪声。在本专利技术中，离线采样阶段采集了大量的数据，选择了能显著提升定位精度的接入点，这使得存储至精简指纹库中的指纹数据都是受噪声影响较小的数据，消弱了噪声数据对定位的影响，因此本方法具有鲁棒性。更为经济实用：本专利技术中所使用的接入点均为环境中现有的接入点，无需往环境中安装新的接入点，因此较为经济实用。附图说明图1是本专利技术基于二分k均值的指纹室内定位方法的模型图；图2是本专利技术离线阶段的流程图；图本文档来自技高网...

【技术保护点】
1.一种基于二分k均值的指纹室内定位方法，其特征在于，定位分为离线阶段和在线阶段，离线阶段又分为数据采集及处理子阶段、参考点聚类划分子阶段、以及决策树构建子阶段；在线定位阶段分为匹配聚类子阶段和决策树定位观测点子阶段；包括有如下步骤：处于离线阶段有：数据采集及处理子阶段、参考点聚类划分子阶段、以及决策树构建子阶段；具体过程如下：1)数据采集及处理子阶段：对所有的参考点进行数据采集，对采集的数据进行处理，生成指纹数据库；1a)离线阶段先进行定位区域所有参考点信息的采集；定位区域被均匀划分成n个小方格，即n个参考点，参考点的一条指纹由在同一时刻该参考点采集到的来自环境中所有接入点的接收信号强度指示数据组成的向量表示，所有参考点的所有指纹即构成原始指纹数据库；1b)根据原始指纹数据库中的接收信号强度指示数据；选择出m个使得定位区域的信息增益最大的接入点，并删除原始指纹数据库中来自其他接入点的指纹数据，生成精简指纹库；2)参考点聚类划分子阶段：采用二分k均值算法，将n个参考点划分为k个聚类；使用二分k均值聚类算法对所有的参考点进行聚类划分；二分k均值算法中，k是将要生成的聚类的个数；在对精简指纹库中的数据进行聚类划分时，先将所有的参考点看作属于同一个聚类，通过k均值聚类算法将其划分为两个子聚类；计算得到各个子聚类的聚类中心以及各个子聚类的平方误差和SSE；再从所有的已生成的聚类中选取平方误差和最大的聚类，通过k均值聚类划分子聚类，直至聚类个数达到k，即得到k个聚类；每次划分的原则是所有聚类的平方误差和之和降低，且新生成的聚类的平方误差和达到最小；将精简指纹库更新为由k个聚类及其中心构成的聚类指纹库，完成了定位区域内k个聚类的划分；3)决策树构建子阶段：为k个参考点聚类构造对应的k个决策树；生成k个聚类后，采用C4.5算法为每个聚类构建一个决策树；决策树的训练数据集为对应聚类中所有参考点的指纹数据，决策树的属性集合为m个接入点，决策树的叶子节点的标签为聚类中的参考点；将训练数据集和属性集合作为C4.5算法的输入，生成决策树；生成k个决策树后，将各个决策树的内部节点及其测试属性、分割点，以及叶子节点添加至聚类指纹库中，生成聚类‑决策树指纹库；处于在线阶段有匹配聚类子阶段和决策树定位观测点子阶段，具体过程如下：4)匹配聚类子阶段：实现观测点与所属聚类的匹配；进入在线阶段后，首先在观测点采集指纹数据，即观测点接收到的来自m个接入点接收信号强度指示数据，然后计算该数据与聚类‑决策树指纹库中k个聚类中各个聚类中心的欧氏距离，选择欧氏距离最小的聚类为观测点所属的聚类；完成了观测点所属聚类的匹配；5)决策树定位观测点子阶段：实现观测点与决策树的数据匹配，得到观测点的物理位置；将观测点接收到的指纹数据与该聚类对应的决策树进行匹配；从根节点开始，对内部节点对应的属性进行测试，根据测试结果，将观测点分配至其子节点，如此递归地对观测点进行测试并分配，直到到达叶子节点，观测点最终分配至的叶子节点对应的参考点即为根据此定位算法得到的位置；完成了观测点对应的物理位置的匹配；聚类匹配和决策树匹配均完成后，即得到了观测点的物理位置，观测点位置定位完成。...

【技术特征摘要】
1.一种基于二分k均值的指纹室内定位方法，其特征在于，定位分为离线阶段和在线阶段，离线阶段又分为数据采集及处理子阶段、参考点聚类划分子阶段、以及决策树构建子阶段；在线定位阶段分为匹配聚类子阶段和决策树定位观测点子阶段；包括有如下步骤：处于离线阶段有：数据采集及处理子阶段、参考点聚类划分子阶段、以及决策树构建子阶段；具体过程如下：1)数据采集及处理子阶段：对所有的参考点进行数据采集，对采集的数据进行处理，生成指纹数据库；1a)离线阶段先进行定位区域所有参考点信息的采集；定位区域被均匀划分成n个小方格，即n个参考点，参考点的一条指纹由在同一时刻该参考点采集到的来自环境中所有接入点的接收信号强度指示数据组成的向量表示，所有参考点的所有指纹即构成原始指纹数据库；1b)根据原始指纹数据库中的接收信号强度指示数据；选择出m个使得定位区域的信息增益最大的接入点，并删除原始指纹数据库中来自其他接入点的指纹数据，生成精简指纹库；2)参考点聚类划分子阶段：采用二分k均值算法，将n个参考点划分为k个聚类；使用二分k均值聚类算法对所有的参考点进行聚类划分；二分k均值算法中，k是将要生成的聚类的个数；在对精简指纹库中的数据进行聚类划分时，先将所有的参考点看作属于同一个聚类，通过k均值聚类算法将其划分为两个子聚类；计算得到各个子聚类的聚类中心以及各个子聚类的平方误差和SSE；再从所有的已生成的聚类中选取平方误差和最大的聚类，通过k均值聚类划分子聚类，直至聚类个数达到k，即得到k个聚类；每次划分的原则是所有聚类的平方误差和之和降低，且新生成的聚类的平方误差和达到最小；将精简指纹库更新为由k个聚类及其中心构成的聚类指纹库，完成了定位区域内k个聚类的划分；3)决策树构建子阶段：为k个参考点聚类构造对应的k个决策树；生成k个聚类后，采用C4.5算法为每个聚类构建一个决策树；决策树的训练数据集为对应聚类中所有参考点的指纹数据，决策树的属性集合为m个接入点，决策树的叶子节点的标签为聚类中的参考点；将训练数据集和属性集合作为C4.5算法的输入，生成决策树；生成k个决策树后，将各个决策树的内部节点及其测试属性、分割点，以及叶子节点添加至聚类指纹库中，生成聚类-决策树指纹库；处于在线阶段有匹配聚类子阶段和决策树定位观测点子阶段，具体过程如下：4)匹配聚类子阶段：实现观测点与所属聚类的匹配；进入在线阶段后，首先在观测点采集指纹数据，即观测点接收到的来自m个接入点接收信号强度指示数据，然后计算该数据与聚类-决策树指纹库中k个聚类中各个聚类中心的欧氏距离，选择欧氏距离最小的聚类为观测点所属的聚类；完成了观测点所属聚类的匹配；5)决策树定位观测点子阶段：实现观测点与决策树的数据匹配，得到观测点的物理位置；将观测点接收到的指纹数据与该聚类对应的决策树进行匹配；从根节点开始，对内部节点对应的属性进行测试，根据测试结果，将观测点分配至其子节点，如此递归地对观测点进行测试并分配，直到到达叶子节点，观测点最终分配至的叶子节点对应的参考点即为根据此定位算法得到的位置；完成了观测点对应的物理位置的匹配；聚类匹配和决策树匹配均完成后，即得到了观测点的物理位置，观测点位置定位完成。2.根据权利要求1所述的基于二分k均值的指纹室内定位方法，其特征在于，步骤1b)中所述的选择出对定位结果影响最大的m个接入点AP，并生成精简指纹库，具体包括有如下步骤：1b1)定位区域中n个参考点表示为(G1,G2,...,Gn)，使用信息理论选择出m个信息增益最大的接入点；在未采集接收信号强度指示数据时，所有参考点的不确定度为：上式中，Gj表示第j个参考点，P(G...

【专利技术属性】
技术研发人员：刘伟，陈玉星，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61