一种基于MeanShift和加权k近邻算法的UWB指纹定位方法技术

本发明专利技术公开了一种一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，包括离线建立数据库阶段和在线数据匹配阶段，离线建立数据库阶段是利用MeanShift将UWB基站的测距值划分为不同的子类，获得聚类后的指纹数据库；在线数据匹配阶段是将待测指纹的测距值与指纹数据库进行匹配，并通过加权k近邻算法估算待测指纹位置。本发明专利技术方法采用UWB基站测距值作为指纹量，利用MeanShift算法构建指纹库，与传统指纹库相比可靠性更高，同时利用加权k近邻算法估算待测目标的物理位置，有效提高了指纹定位的精度和稳健性。

UWB fingerprint location method based on MeanShift and weighted k-nearest neighbor algorithm

The invention discloses a UWB fingerprint location method based on MeanShift and weighted k nearest neighbor algorithm, which includes off-line database establishment stage and on-line data matching stage. In off-line database establishment stage, UWB base station ranging values are divided into different subclasses by MeanShift to obtain clustered fingerprint databases; in on-line data matching stage, the ranging values and fingerprints of the fingerprints to be measured are obtained. The fingerprint database is matched, and the weighted k-nearest neighbor algorithm is used to estimate the location of the fingerprint to be measured. The method adopts UWB base station ranging value as fingerprint quantity and uses MeanShift algorithm to construct fingerprint database. Compared with traditional fingerprint database, the method has higher reliability. At the same time, the weighted k nearest neighbor algorithm is used to estimate the physical position of the target to be measured, which effectively improves the accuracy and robustness of fingerprint location.

【技术实现步骤摘要】
一种基于MeanShift和加权k近邻算法的UWB指纹定位方法
本专利技术涉及一种UWB指纹定位算法，特别是一种基于MeanShift和加权k近邻算法的UWB指纹定位方法。
技术介绍
近年来，随着信息技术的快速发展，基于位置的服务受到了广泛的关注。目前，基于全球定位系统(GlobalPositioningSystem,GPS)的室外定位精度已达米级，全球覆盖率高达98％以上，但在室内环境中，GPS信号受阻，定位精度急剧下降，GPS技术将不再适用。因此，室内定位技术的研究日益受到关注，目前常见的室内定位技术主要有超声波定位技术、红外线定位技术、RFID技术、WiFi技术、超宽带技术等。超宽带(Ultra-wideband,UWB)技术是利用窄带脉冲来进行数据传输的，该技术的时间分辨率高，可以获取高精度TOF(TimeofFight)数据，从而得到精确的测距信息，因此UWB技术已经成为大量室内定位研究者亲睐的对象。基于UWB的定位技术中，常见的定位方法有三角测量定位和位置指纹定位。三角测量定位方法需要获取准确的基站位置信息，当室内环境较为复杂时，信号传播多径效应以及非视距环境会导致三角测量定位精度下降；相比起来，位置指纹技术不需要获取基站位置信息，在非视距环境下依然可以取得较好的定位精度，是室内定位最为广泛的研究方法。
技术实现思路
本专利技术提供了一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，选用测距值作为指纹量，通过加权k近邻算法实现目标定位。为解决上述技术问题，本专利技术采用了如下技术手段：一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，包括离线建立数据库阶段和在线数据匹配阶段，离线建立数据库阶段是利用MeanShift算法将UWB基站的测距值划分为不同的子类，获得聚类后的指纹数据库；在线数据匹配阶段是将待测指纹的测距值与指纹数据库进行匹配，并通过加权k近邻算法估算待测指纹位置。进一步的，所述的离线建立数据库阶段具体步骤如下：S1、在实验区域中布置n个UWB基站，同时将实验区域划分为m个网格；S2、每个网格作为一个数据采集区域，在每个数据采集区域连续采集100组数据，每组数据包括一个UWB测距值和对应的数据采集点物理位置，建立位置指纹数据库LF；S3、对数据库LF中的100组数据进行均值滤波，得到m个指纹量；S4、利用MeanShift算法对S3获取的指纹量进行聚类处理，得到聚类后的指纹数据库。进一步的，上述的步骤S4的具体操作如下：S41、输入m个指纹数据，随机选择一个指纹数据点作为中心点center；S42、找出与center距离在bandwidth之内的所有数据点，将这些数据点记做集合M，同时认为这些数据点属于簇C1；S43、以center为中心，计算从center开始到集合M中每个元素的向量，并将这些向量相加得到总向量Shift；S44、令center＝center+Shift，即中心点center沿着向量Shift的方向移动||Shift||距离；S45、重复步骤S42、S43、S44，直到距离||Shift||小于规定阈值A1，记录此时的中心点center，并将过程中访问的所有的点都归类到簇C1；S46、在不属于簇C1的指纹数据点中随机选择一个新的中心点center，重复步骤S42、S43、S44、S45，直到所有数据点都被标记访问；S47、聚类过程中，如果当前簇Ck中心点与其他已经存在的簇Cl中心点的距离小于阈值A2，将簇Ck和Cl合并，否则，把Ck作为新的聚类，类别数目加1；S48、初始状态下，第i个指纹数据点属于簇Ck的概率簇Ck每访问一次数据点i，将数据点i属于簇Ck的概率加1，即比较每个指纹数据点属于每个簇的概率，取概率最大的那个簇作为该指纹数据点的所属类，获得聚类后的指纹数据库。进一步的，所述的在线数据匹配阶段具体步骤如下：S1、待测指纹实时获取UWB基站的测距值，将待测指纹的测距值与聚类后指纹数据库中的数据进行匹配，找到跟其欧式距离最接近的子类；S2、采用加权k近邻算法，根据步骤S1选定的子类中各个指纹点位置估算待测指纹位置。进一步的，上述的步骤S2的具体操作如下：S21、分别计算待测指纹点到子类中K个近邻指纹点的指纹间距离和子类中心点到子类中K个近邻指纹点的指纹间距离；S22、根据以上两种距离对待测指纹位置的影响设置权重系数：其中，li是子类中第i个指纹点到子类中心点的指纹间距离，di为子类中第i个指纹点指纹到待测指纹点的指纹间距离；S23、对子类中的指纹位置求加权平均，得到待测指纹位置坐标其中，(xi,yi)表示子类中第i个指纹点物理位置坐标。采用以上技术手段后可以获得以下优势：本专利技术提供了一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，与传统基于RSSI的指纹定位算法相比，传统算法RSSI值波动较大，指纹信息不可靠，容易导致定位精度不足的问题，本专利技术方法采用UWB基站测距值作为指纹量，利用MeanShift算法构建指纹库，与传统指纹库相比可靠性更高。通过实验发现利用加权k近邻算法估算待测目标的物理位置，在视距和非视距环境中均可以达到厘米级定位精度，有效提高了指纹定位的精度和稳健性，更适合用于非视距环境。附图说明图1是本专利技术一种基于MeanShift和加权k近邻算法的UWB指纹定位方法的流程示意图。图2是本专利技术一种基于MeanShift和加权k近邻算法的UWB指纹定位方法的室内指纹点分布示意图。图3是本专利技术一种基于MeanShift和加权k近邻算法UWB指纹定位方法的子类和测试点示意图。具体实施方式下面结合附图对本专利技术的技术方案作进一步说明：一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，如图1所示，包括离线建立数据库阶段和在线数据匹配阶段。在离线建立指纹数据库阶段,利用超宽带测距设备在每个指纹点连续获取100组数据，均值滤波后存入指纹库，指纹库建立完成后，利用MeanShift聚类算法将指纹库划分为若干子类。在线数据匹配阶段，将待定位目标处实时获取的测距值与聚类后的指纹进行匹配，找到与其最匹配的子类，然后运用加权k近邻算法，根据子类中指纹点位置估算待定位目标位置。如图2所示，本具体实施例将实验场景设置在徐州国家高新区大学创业园B座10楼走廊，在240*800cm区域内进行定位实验。离线建立数据库阶段具体步骤如下：S1、在实验区域中布置4个UWB基站，分别布置在区域的4个顶角处；同时将实验区域划分为30个网格，每个网格大小为80*80cm，取每个网格的中心点作为参考指纹点。S2、每个网格作为一个数据采集区域，在每个数据采集区域接受4个基站的测距值，连续采集100组数据，每组数据包括一个UWB测距值和对应的数据采集点物理位置，建立位置指纹数据库LF,其中，(xi,yi)表示第i个指纹点物理位置，表示第i个指纹点接收到第j个UWB基站的测距值，i＝1,2,...,30，j＝1,2,3,4。S3、对数据库LF中的100组数据进行均值滤波，得到30个指纹量，每个指纹量包含该指纹物理坐标和该指纹到4个UWB基站的测距值，指纹数据库LF如下表所示：表1纹数据库LFS4、利用MeanShift算法对S3获取的指纹量进行聚本文档来自技高网...

【技术保护点】
1.一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，其特征在于，包括离线建立数据库阶段和在线数据匹配阶段，离线建立数据库阶段是利用MeanShift算法将UWB基站的测距值划分为不同的子类，获得聚类后的指纹数据库；在线数据匹配阶段是将待测指纹的测距值与指纹数据库进行匹配，并通过加权k近邻算法估算待测指纹位置。

【技术特征摘要】
1.一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，其特征在于，包括离线建立数据库阶段和在线数据匹配阶段，离线建立数据库阶段是利用MeanShift算法将UWB基站的测距值划分为不同的子类，获得聚类后的指纹数据库；在线数据匹配阶段是将待测指纹的测距值与指纹数据库进行匹配，并通过加权k近邻算法估算待测指纹位置。2.根据权利要求1所述的一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，其特征在于，所述的离线建立数据库阶段具体步骤如下：S1、在实验区域中布置n个UWB基站，同时将实验区域划分为m个网格；S2、每个网格作为一个数据采集区域，在每个数据采集区域连续采集100组数据，每组数据包括一个UWB测距值和对应的数据采集点物理位置，建立位置指纹数据库LF；S3、对数据库LF中的100组数据进行均值滤波，得到m个指纹量；S4、利用MeanShift算法对S3获取的指纹量进行聚类处理，得到聚类后的指纹数据库。3.根据权利要求2所述的一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，其特征在于，所述的步骤S4的具体操作如下：S41、输入m个指纹数据，随机选择一个指纹数据点作为中心点center；S42、找出与center距离在bandwidth之内的所有数据点，将这些数据点记做集合M，同时认为这些数据点属于簇C1；S43、以center为中心，计算从center开始到集合M中每个元素的向量，并将这些向量相加得到总向量Shift；S44、令center＝center+Shift，即中心点center沿着向量Shift的方向移动||Shift||距离；S45、重复步骤S42、S43、S44，直到距离||Shif...

【专利技术属性】
技术研发人员：李世银，杜钟祥，朱媛，李宗艳，王晓明，
申请(专利权)人：中国矿业大学，徐州市第一人民医院，
类型：发明
国别省市：江苏,32