一种改进的基于WLAN室内定位的PCA聚类方法技术

本发明专利技术公开了一种改进的基于WLAN室内定位的PCA聚类方法，其特征在于，所述方法包括如下步骤：在定位区进行离线阶段采集信号；采集信号RSSI的信号强度，获取目标指纹和参考指纹的对应位置坐标点的指纹信号强度；建立原始指纹数据库；利用PCA算法对原始RSSI信号数据降维提取主要定位特征提高定位效率；通过K‑means++聚类算法对降维后的主要定位特征聚类处理，得到聚类后的数据；利用PAC算法对目标指纹的信号强度进行降维；将降维后的目标指纹信号强度与聚类后的数据通过最近邻法进行分类；在线阶段通过改进加权K近邻加权匹配算法得到目标指纹的位置；使得定位精度更加准确，并通过改进的加权K近邻算法来提高定位精度。

An improved PCA clustering method based on WLAN Indoor Location

The invention discloses an improved PCA clustering method based on WLAN Indoor Positioning, which is characterized in that the method comprises the following steps: collecting signals in the offline stage of positioning area; collecting signal RSSI signal strength, obtaining fingerprint signal strength of corresponding position coordinate points of target fingerprint and reference fingerprint; establishing original fingerprint database; using PCA algorithm to original RSSI signal In order to improve the efficiency of location, K \u2011 means + + clustering algorithm is used to process the main location features after dimensionality reduction and get the data after clustering; PAC algorithm is used to reduce the signal strength of target fingerprint; the signal strength of target fingerprint after dimensionality reduction and the data after clustering are classified by nearest neighbor method; in online stage, weighted K is improved The nearest neighbor weighted matching algorithm can get the location of the target fingerprint, make the positioning accuracy more accurate, and improve the positioning accuracy through the improved weighted k-nearest neighbor algorithm.

【技术实现步骤摘要】
一种改进的基于WLAN室内定位的PCA聚类方法
本专利技术涉及一种改进的基于WLAN室内定位的PCA聚类方法，属于WLAN室内定位

技术介绍
早在2000年左右，国外的研究机构就已经开始了基于WiFi的室内定位技术的研究。数据使用某种匹配算法进行定位匹配。因此在离线阶段中构建的性能良好的指纹数据库以及在在线阶段选择合理有效的算法是影响定位性能的两个最主要因素。而因为室内环境的复杂多变、无线信号的时变性等的影响，怎样提高上述指纹数据库的性能以及如何选取合适的定位算法有待进一步的研究。数据使用某种匹配算法进行定位匹配。因此在离线阶段中构建的性能良好的指纹数据库以及在在线阶段选择合理有效的算法是影响定位性能的两个最主要因素；在离线指纹数据库的建立阶段，由于信号在传播过程中不可避免地会受到多径效应、阴影效应等因素的影响，在相同位置上接收到某个AP的RSSI值会随着时间的推移有不同程度的波动变化，在这种RSSI信号的统计下，很可能出现相邻几个指纹点之间的RSSI信号均值比较相近。传统的K-means聚类算法由于聚类中心的随机选取，可能导致出现局部最优的结果，传统的加权k近邻算法只考虑信号的欧式距离，不能很好的反映各位置点间物理距离的问题。
技术实现思路
本专利技术的目的在于提供一种改进的基于WLAN室内定位的PCA聚类方法，以解决现有技术中导致的由于聚类中心的随机选取，可能导致出现局部最优的结果，传统的加权k近邻算法只考虑信号的欧式距离，不能很好的反映各位置点间物理距离的缺陷。一种改进的基于WLAN室内定位的PCA聚类方法，所述方法包括如下步骤：在定位区进行离线阶段采集信号；采集信号RSSI的信号强度，获取目标指纹和参考指纹的对应位置坐标点的指纹信号强度；根据采集的参考指纹的对应位置坐标点AP的指纹信号强度及位置坐标，建立原始指纹数据库；利用PCA算法对原始RSSIX信号数据降维提取主要定位特征提高定位效率；通过K-means++聚类算法对降维后的主要定位特征聚类处理，得到聚类后的数据；利用PAC算法对目标指纹的信号强度进行降维；将降维后的目标指纹信号强度与聚类后的数据通过最近邻法进行分类；在线阶段通过改进加权K近邻加权匹配算法得到目标指纹的位置。进一步的，所述离线阶段信号采集包括如下步骤：根据室内分布特点以及AP点的覆盖范围在定位区设置AP点；在室内选取采样点；在采样点处采集一段时间的WiFi信号强度RSSI数据。进一步的，所述AP点在定位区域布置有7个，经过PCA变换并选取保留其99％主成分后得到新的定位特征数据维度为6。进一步的，所述K-means++聚类算法包括如下步骤：S1.从输入的数据点集合中随机选择一个点作为第一个聚类中心；S2.对于数据集中的每一个点x，计算它与最近聚类中心的距离D(x)；S3.选择一个D(x)较大的数据点作为新的聚类中心；S4.重复步骤S2和步骤S3直到选出k个初始的聚类中心；S5.利用k个初始的聚类中心来运行标准的k-means算法。进一步的，所述目标指纹对应位置指纹的信号强度在进行改进的加权K近邻算法之前先通过近邻分类算法，将目标指纹对应位置指纹的信号强度进行分类。进一步的，所述参考指纹是在离线采集阶段采集的若干采样点处的指纹数据。进一步的，所述目标指纹就是待定位点移动终端实时采集的用来确定其位置的指纹数据。进一步的，所述信号RSSI在传播时，通过主成分分析PCA提取定位特征，解决存在的多径效应和时延效应，提取主要的定位特征数据。与现有技术相比，本专利技术所达到的有益效果：使用PCA进行主成分分析，不仅解决了由于信号在传播过程中不可避免地会受到多径效应、阴影效应等因素的影响，在相同位置上接收到某个AP的RSSI值会随着时间的推移有不同程度的波动变化，在这种RSSI信号的统计下，很可能出现相邻几个指纹点之间的RSSI信号均值比较相近的问题，还压缩了数据维度，然后又通过K-means++聚类，来去对信号进行聚类，与传统的K-means相比，聚类中心选择相对比较合理，避免了局部最优的情况，使用最近邻分类更是将目标信号直接分到已经聚类好的某个类别中，使得定位精度更加准确，最后通过改进的加权K近邻算法该算法在信号距离的计算中引入了接收信号强度的方差，然后，根据接收信号强度和物理距离之间的非线性关系引入加权系数，设计了一种信号加权欧式距离，最后，利用信号加权欧式距离进行指纹匹配和位置估计，明显提高定位精度。附图说明图1为根据实施例的本专利技术所适用的简单网络拓扑示意图；图2为本专利技术实施降低维度时所对应的图；图3不同建立指纹数据库方法定位误差累积概率分布图；图4定位误差对比图。具体实施方式为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。如图1-4所示，公开了一种改进的基于WLAN室内定位的PCA聚类方法，所述方法包括如下步骤：步骤1，在定位区进行离线阶段采集信号，这个阶段主要是为了完成定位区域的指纹数据库构建工作。获取目标指纹和参考指纹的对应位置坐标点的指纹信号强度；步骤2，采集信号RSSI的信号强度，获取目标指纹和参考指纹的对应位置坐标点的指纹信号强度以及对应的物理坐标位置信息，位置指纹主要分为目标指纹和参考指纹；目标指纹就是待定位点移动终端实时采集的用来确定其位置的指纹数据，即AP的信号强度；参考指纹就是在离线采集阶段采集的若干采样点处的指纹数据如下分别表示目标指纹T和参考指纹R。这里的其中n表示移动终端通信范围内AP的个数，IDi表示第i个AP的ID，一般用AP的物理地址充当AP的ID，RSSIi表示第i个AP的信号强度。N表示离线采集阶段在采样点处移动终端检测到AP的个数，rssii表示采集阶段移动终端接受到第i个AP的信号强度。步骤3，根据采集的参考指纹的对应位置坐标点的AP点指纹信号强度及位置坐标，建立原始指纹数据库；步骤4，利用PCA算法对原始RSSI信号数据降维提取主要定位特征提高定位效率，通过PCA变换选取保留其99％信息的主成分，将定位特征的维数有7维变成了数据维数为6的新的定位特征数据；步骤5，通过K-means++聚类算法对降维后的主要定位特征聚类处理，得到聚类后的数据；步骤6，利用PAC算法对目标指纹的信号强度进行降维；步骤7，将降维后的目标指纹信号强度与聚类后的数据通过最近邻法进行分类；步骤8，在线阶段通过改进加权K近邻加权匹配算法得到目标指纹的位置；通过改进的加权K近邻算法可以有效的避免了只考虑信号距离带来的不足，该算法在信号距离的计算中引入接收信号强度的方差，传统的加权K近邻的信号距离为其中，当q＝1时，Di为曼哈顿距离；当q＝2时，Di为欧氏距离(本文档来自技高网...

【技术保护点】
1.一种改进的基于WLAN室内定位的PCA聚类方法，其特征在于，所述方法包括如下步骤：/n在定位区进行离线阶段采集信号；/n采集信号RSSI的信号强度，获取目标指纹和参考指纹的对应位置坐标点的指纹信号强度；/n根据采集的参考指纹的对应位置坐标点AP的指纹信号强度及位置坐标，建立原始指纹数据库；/n利用PCA算法对原始RSSI信号数据降维提取主要定位特征提高定位效率；/n通过K-means++聚类算法对降维后的主要定位特征聚类处理，得到聚类后的数据；/n利用PAC算法对目标指纹的信号强度进行降维；/n将降维后的目标指纹信号强度与聚类后的数据通过最近邻法进行分类；/n在线阶段通过改进加权K近邻算法得到目标指纹的位置。/n

【技术特征摘要】
1.一种改进的基于WLAN室内定位的PCA聚类方法，其特征在于，所述方法包括如下步骤：
在定位区进行离线阶段采集信号；
采集信号RSSI的信号强度，获取目标指纹和参考指纹的对应位置坐标点的指纹信号强度；
根据采集的参考指纹的对应位置坐标点AP的指纹信号强度及位置坐标，建立原始指纹数据库；
利用PCA算法对原始RSSI信号数据降维提取主要定位特征提高定位效率；
通过K-means++聚类算法对降维后的主要定位特征聚类处理，得到聚类后的数据；
利用PAC算法对目标指纹的信号强度进行降维；
将降维后的目标指纹信号强度与聚类后的数据通过最近邻法进行分类；
在线阶段通过改进加权K近邻算法得到目标指纹的位置。


2.根据权利要求1所述的改进的基于WLAN室内定位的PCA聚类方法，其特征在于，所述离线阶段信号采集包括如下步骤：
根据室内分布特点以及AP点的覆盖范围在定位区设置AP点；
在室内选取采样点；
在采样点处采集一段时间的WiFi信号强度RSSI数据。


3.根据权利要求2所述的改进的基于WLAN室内定位的PCA聚类方法，其特征在于，所述AP点在定位区域布置有7个，经过PCA变换并选取保留其99％主成分后得到新的定位特征数据维度为6。


4.根据权利要求1所述的改进的基于WLA...

【专利技术属性】
技术研发人员：胡楠，任逸颖，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32