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: ...
【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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。