The invention discloses a two K Means indoor location fingerprint positioning method based on clustering, a clustering of means K location fingerprint database, determining the cluster center after the completion of the final clustering; two K means to cluster the location fingerprint database, determine the cluster after the final clustering centers after calculation; the positioning point to a k means clustering the final clustering centers after the completion of the Euclidean distance, the absolute value of the difference between the 22 Euclidean distance calculation, if the absolute value is less than or equal to 0, the location to be two K means clustering method to achieve positioning based on a K or based on means clustering method the positioning method of the invention; matching method based on income two times K location fingerprint clustering Means clustering results, clustering algorithm is not affected by the boundary point of reference similarity is high, with high accuracy The method is simple, easy to implement, and has good applicability.
【技术实现步骤摘要】
基于二次K-Means聚类的室内位置指纹定位方法
本专利技术涉及一种室内位置指纹定位方法,具体是涉及一种基于二次K-Means聚类的室内位置指纹定位方法。
技术介绍
如今人们绝大部分时间是在室内度过,人们对室内基于位置的服务要求越来越高,因此对室内定位的研究成为当下研究热点之一。利用指纹库中存储的信号值与当前扫描到的信号值进行匹配定位是目前室内定位算法的主要思路之一。在基于位置指纹的室内定位过程中,通常需要在离线阶段去建立一个数据量庞大的数据库,该数据库存储了用于实际定位的参考信息,相应的在线匹配阶段就需要和数据库中的参考信息逐一比较。庞大的数据量导致定位的复杂度高,因此聚类的思想开始被运用在基于位置指纹的室内定位技术中。聚类思想是指将一组特征数据分为一个一个的类,每一个类中的数据具有较高的相似度,类与类之间的数据相似性则较低。目前较受欢迎的聚类算法是由Chen等人提出的k均值(k-means)算法。k-means算法最大的优点是训练速度快,易实现,且可以实现参考点聚类和定位子区域的自动划分。但其缺点也很明显,首先算法中的k是事先给定的,而这个k值的选定是非常难估计的,事先并不知道数据集合该划分为多少类才合适;其次,初始聚类中心的选择对类的划分有很大的影响,如果初值选择不合理,可能无法得到有效的聚类结果;最后,对于相邻两个类边缘的数据,在选取参考数据点时存在不合理性,聚类边缘数据相似度较高,这是由在线阶段的匹配过程决定的,在匹配阶段不能选取最优参考点。公布号为CN105960021的中国专利申请,公开了一种改进的位置指纹室内定位方法,该方法包括离线阶段和在 ...
【技术保护点】
基于二次K‑Means聚类的室内位置指纹定位方法,其特征在于:该方法包括以下步骤:S1对位置指纹数据库进行一次k‑means聚类,确定一次k‑means聚类完成后最终的聚类中心;S2对位置指纹数据库进行二次k‑means聚类,确定二次k‑means聚类完成后最终的聚类中心;S3计算待定位点到一次k‑means聚类完成后最终的聚类中心的欧氏距离,计算两两欧式距离之间的差值的绝对值,若绝对值≤θ,则该待定位点基于二次k‑means聚类方法实现定位,否则基于一次k‑means聚类方法实现定位;S4计算待定位点与一次k‑means聚类得到的k个聚类或二次k‑means聚类得到的k个聚类中各数据点的欧氏距离,得到各聚类中与待定位点距离最近的数据点,将该数据点作为参考点,计算得到k个参考点;S5通过公式一计算待定位点的位置坐标(x,y):
【技术特征摘要】
1.基于二次K-Means聚类的室内位置指纹定位方法,其特征在于:该方法包括以下步骤:S1对位置指纹数据库进行一次k-means聚类,确定一次k-means聚类完成后最终的聚类中心;S2对位置指纹数据库进行二次k-means聚类,确定二次k-means聚类完成后最终的聚类中心;S3计算待定位点到一次k-means聚类完成后最终的聚类中心的欧氏距离,计算两两欧式距离之间的差值的绝对值,若绝对值≤θ,则该待定位点基于二次k-means聚类方法实现定位,否则基于一次k-means聚类方法实现定位;S4计算待定位点与一次k-means聚类得到的k个聚类或二次k-means聚类得到的k个聚类中各数据点的欧氏距离,得到各聚类中与待定位点距离最近的数据点,将该数据点作为参考点,计算得到k个参考点;S5通过公式一计算待定位点的位置坐标(x,y):其中,(xi,yi)是指所述k个参考点中第i个参考点的位置坐标。2.根据权利要求1所述的基于二次K-Means聚类的室内位置指纹定位方法,其特征在于:所述一次k-means聚类方法包括以下步骤:S11确定聚类中心个数k,在位置指纹数据库中随机选择k个初始...
【专利技术属性】
技术研发人员:解培中,陶育仁,李汀,
申请(专利权)人:南京邮电大学,
类型:发明
国别省市:江苏,32
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。