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 ...
【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...
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。