基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法技术

本发明专利技术涉及一种基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法，其特征在于包括以下步骤：以超宽带定位系统采集到的已知位置上目标节点坐标信息为基础，对已知位置上采集到的多个坐标信息进行OPTICS密度聚类，筛选该已知位置点对应的多个可靠坐标；用该已知位置点与可靠坐标均值中心形成数据对；然后对多个已知位置点进行同样的聚类筛选，形成各自已知位置点对应的数据对；通过BP神经网络对所有已知位置点的数据对的集合进行训练，得出BP神经网络定位识别模型；最后利用BP神经网络定位识别模型对可靠待识别点进行位置识别以得出最终定位坐标。该方法减小了现有室内定位方法受环境的影响程度，从而提高了定位精度。

【技术实现步骤摘要】
基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法
本专利技术涉及一种基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法。
技术介绍
超宽带(UWB)无线通信时，根据锚节点与目标节点间传输数据的到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)或者信号强度(RSSI)，可计算锚节点与目标节点间几何距离，再利用锚节点与目标节点间平面或立体几何关系，得出目标节点位置。为了提高该定位方法的定位精度，现有的改进方案多采用聚类算法、卡尔曼滤波得到目标节点坐标数据。但现有方法存在受环境影响大、非视距情况下精度低的问题。
技术实现思路
本专利技术针对现有技术的不足，提供一种基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法，以减小现有室内定位方法受环境影响大和定位精度低的问题。为了达到上述目的，本专利技术一种基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法，主要包括以下步骤：首先，以超宽带定位系统采集到的已知位置上目标节点坐标信息为基础，对已知位置上采集到的多个坐标信息进行OPTICS密度聚类，筛选该已知位置点对应的多个可靠坐标；其次，用该已知位置点与可靠坐标均值中心形成数据对(已知位置，可靠训练样本)；第三，对复数个已知位置点进行同样的聚类筛选，形成各自已知位置点对应的数据对；第四，通过BP神经网络对所有已知位置点的数据对的集合进行训练，得出BP神经网络定位识别模型；最后，利用训练好的BP神经网络定位识别模型对可靠待识别点进行位置识别，得出的识别结果即为最终定位坐标。优选地，所述超宽带定位系统包括至少三个定位锚节点和一个移动目标节点，每个锚节点和移动目标节点上各配有一根天线；所述锚节点围成平面所投影地面按照相邻设定的距离取参考位置，则该参考位置称为已知位置。本专利技术采用超宽带定位系统包括四个定位锚节点(A1，A2，A3，A4)和一个移动目标节点(Tag)，锚节点和目标节点各配有一根天线。在实验室采用吸顶方式水平固定四个锚节点，形成一个600*400cm2的矩形，天线朝下与地面垂直；移动目标节点水平固定在遥控车上，天线朝上与地面垂直；通过超宽带定位系统相配套的配置软件，根据实际建立空间直角坐标系，设置各个定位锚节点的坐标A1(0，0，285)、A2(400，600，285)、A3(0，600，285)、A4(400，600，285)，启动超宽带定位系统即可通过串口接收该系统返回的融合定位数据。四个锚节点围成平面所投影地面按照相邻50cm取参考位置，称为已知位置。与现有技术相比，本专利技术利用OPTICS密度聚类算法对超宽带定位系统采集到的原始坐标数据进行优化过滤，再利用BP神经网络的非线性映射能力建立起定位识别模型，提高超宽带定位系统的环境适应性，从而得到相对基于聚类方法、卡尔曼滤波等方式更精确的定位结果。附图说明图1为本专利技术的流程示意图。具体实施方式以下结合附图和具体实施例对本专利技术进行详细描述，但不作为对本专利技术的限定。参照图1，本专利技术实施例一种基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法，主要包括以下步骤：首先，以超宽带定位系统采集到的已知位置上目标节点坐标信息为基础，对已知位置上采集到的多个坐标信息进行OPTICS密度聚类，筛选该已知位置点对应的多个可靠坐标；其次，用该已知位置点与可靠坐标均值中心形成数据对(已知位置，可靠训练样本)；第三，对复数个已知位置点进行同样的聚类筛选，形成各自已知位置点对应的数据对；第四，通过BP神经网络对所有已知位置点的数据对的集合进行训练，得出BP神经网络定位识别模型；最后，利用训练好的BP神经网络定位识别模型对可靠待识别点进行位置识别，得出的识别结果即为最终定位坐标。所述超宽带定位系统包括四个定位锚节点和一个移动目标节点，每个锚节点和移动目标节点上各配有一根天线；所述四个锚节点围成平面所投影地面按照相邻设定的距离取参考位置，则该参考位置称为已知位置。采用超宽带定位系统包括四个定位锚节点(A1，A2，A3，A4)和一个移动目标节点(Tag)，每一个锚节点和目标节点配有一根天线。在实验室采用吸顶方式水平按照位置固定四个锚节点，形成一个400*600cm2的矩形，天线朝下与地面垂直；移动目标节点水平固定在遥控车上，天线朝上与地面垂直；通过超宽带定位系统相配套的配置软件，根据A1为原点建立空间直角坐标系，根据实际距离设置各个定位锚节点的坐标：A1(0，0，285)、A2(400，600，285)、A3(0，600，285)、A4(400，600，285)，启动超宽带定位系统即可通过串口接收该系统返回的融合定位数据。所述中已知位置点为四个锚节点围成平面所投影地面按照相邻50cm取参考位置，共96个位置。下面说明采集数据和使用数据：1)将Tag放置在某一已知位置Si，按照超宽带定位系统串口通讯协议进行数据采集，每次读取n个坐标，构成集合(M1，M2，…，Mn)，n取经验值15。2)将取得的坐标集合Mi(i＝1，2，…，n)采用OPTICS密度聚类算法，将集合Mi中密度较大的多个数据中心作为已知位置Si可靠的训练样本点。3)在同一已知位置Si，重复步骤2)k次，取得Si可靠的样本训练点集合k的取值根据BP神经网络训练效果决定。4)重复步骤1)～3)，取得n(n≤96)个已知位置坐标及其可靠估计坐标构成训练样本集合使用该训练样本集合训练BP神经网络，从而获得BP神经网络定位识别模型。在定位阶段，将Tag放在某一待定位识别位置，按照步骤1)和步骤2)的做法，获得待定位识别位置的估计坐标将其输入到训练好的BP神经网络定位识别模型进行拟合，从而得到Tag所处位置坐标(x，y)。上述步骤中OPTICS密度聚类算法在本专利技术中的作用如下：对超宽带UWB定位系统产生的原始坐标数据进行排序，输出除掉噪声点之后的聚类数据。输入参数：超宽带UWB定位系统产生的原始坐标集合Mi(i＝1，2，…，n)、∈、MinPts。输出参数：除掉噪声点之后并且排序好的聚类数据集合Ei(i＝1，2，…，n)。领域半径∈与核心点时的阈值MinPts来源：由于该算法对输入参数不敏感，按照经验取值即可。算法描述如下：引入数据结构：Mi，i＝1，2，…，N：OPTICS算法的输入数组。Pi，i＝1，2，…，N：OPTICS算法的输出数组，Pi∈{1，2，…，N}表示排在第i个位置的坐标的编号。ri，i＝1，2，…，N：第i号坐标的可达距离。ci，i＝1，2，…，N：第i号坐标的核心距离。vi，i＝1，2，…，N：为辅助数组，标记坐标是否已经存在输出序数组中，0表示未在Pi中，1表示已在Pi中。初始化伪算法：1.给定参数∈和MinPts。2.赋值原始数据数组M。3.生成N∈(i)，i＝1，2，…，N。4.生成ci，i＝1，2，…，N。5.令vi＝0，i＝1，2，…，N。6.令ri＝UNDEFINED，i＝1，2，…，N。7.令k＝1。8.将数组seedlist初始化为空。主程序伪算法：算法可做如下文字描述：输入：超宽带UWB定位系统产生的原始坐标数据形成一个数组M，领域半径∈，定义核心点时的阈值MinPts。1、建立三个数组，有序数组(核心点及该核心点的直接密度可达点)，结果数组(存储样本输本文档来自技高网...

【技术保护点】
基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法，其特征在于，主要包括以下步骤：首先，以超宽带定位系统采集到的已知位置上目标节点坐标信息为基础，对已知位置上采集到的多个坐标信息进行OPTICS密度聚类，筛选该已知位置点对应的多个可靠坐标；其次，用该已知位置点与可靠坐标均值中心形成数据对；第三，对复数个已知位置点进行同样的聚类筛选，形成各自已知位置点对应的数据对；第四，通过BP神经网络对所有已知位置点的数据对的集合进行训练，得出BP神经网络定位识别模型；最后，利用训练好的BP神经网络定位识别模型对可靠待识别点进行位置识别，得出的识别结果即为最终定位坐标。

【技术特征摘要】
1.基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法，其特征在于，主要包括以下步骤：首先，以超宽带定位系统采集到的已知位置上目标节点坐标信息为基础，对已知位置上采集到的多个坐标信息进行OPTICS密度聚类，筛选该已知位置点对应的多个可靠坐标；其次，用该已知位置点与可靠坐标均值中心形成数据对；第三，对复数个已知位置点进行同样的聚类筛选，形成各自已知位置点对应的数据对；第四，通过BP神经网络对所有已知位置点的数据对的...

【专利技术属性】
技术研发人员：袁飞，连宗凯，刘军，康慧，卢旭，祁伟，
申请(专利权)人：广东技术师范学院，
类型：发明
国别省市：广东,44