一种基于RSSI加权近邻定位方法技术

本发明专利技术公开了一种基于RSSI加权近邻定位方法，包括以下步骤：S1：测试区域内部署参考节点，S2：采集参考节点的信息，S3：将S2采集到的信息汇总为指纹数据库，步骤S4：部署一个未知节点，并采集未知节点的信息，步骤S5：S3和S4的数据整合、处理后作为定位数据集，S6：将指纹数据库中的所有RSSI数据转化为距离，步骤S7：求导函数数值，导函数数值汇总到定位数据集中，作为参考点权重素材，S8：求得未知节点的定位坐标，S9：通过S8和采集的坐标值，计算出未知节点定位误差；本发明专利技术以信号强度的传播函数为研究对象，解决了RSSI值在传播过程中因非线性变化而引起定位精度不准的问题，减少了定位误差，提高了定位精度。提高了定位精度。提高了定位精度。

【技术实现步骤摘要】
一种基于RSSI加权近邻定位方法


[0001]本专利技术属于网络定位
，尤其是一种基于RSSI加权近邻定位方法。

技术介绍

[0002]自行小车输送系统是一种常用的智能输送装备，已经广泛应用于汽车、工程机械、机械制造、轻工、烟草、化工、自动化仓库等行业和领域。传统的自行小车采用有线通信方式实现控制，通过滑触线进行数据通讯，这种方式存在信息交换量有限、电气安装复杂、故障率高等缺点，已经不能满足日益增长的工艺和性能需求。
[0003]车间的数字化和智能化是企业信息化发展的必然趋势。目前，生产过程中普遍存在生产过程难以全面监控、在制品和制造资源难以精确跟踪定位等问题。由于建筑物对于卫星信号的遮挡，导致GNSS难以在室内提供定位服务，使得室内成为定位的盲区。随着互联网的深入发展，物联网、5G等技术的逐渐成熟，通过室内定位技术实现制造资源和执行状态的主动感知和全方位监控，从而实现制造过程与资源的智能调度与优化决策。可见，基于位置的服务在未来将扮演越来越重要的角色。
[0004]现有技术（王博远,刘学林,蔚保国,贾瑞才,甘兴利,黄璐.WiFi指纹定位中改进的加权k近邻算法[J].西安电子科技大学学报,2019,46(05):41
‑
47.）采用指纹数据与测试数据的信号强度均值作为加权k近邻算法权重分配的依据，一定程度上改善了RSSI
‑
d非线性的问题，但是其最近邻参考点个数的选取为定值，在计算过程中各测试点的特征无法完全表达，造成定位精度同样无法达到较高的水平。
[0005]现有技术（苟新.基于WiFi信号特征的室内定位技术研究[D].西安电子科技大学,2020.）在邻近指纹的选择阶段提出了一种基于概率分布区间的匹配算法，以RSSI强度和概率分布区间来选取邻近指纹点，相较于传统匹配指纹定位算法而言有效提高了定位精度，但任然存在RSSI
‑
d非线性的问题，且此种方案对指纹数据的质量要求较高。
[0006]现有技术（王欢.基于位置指纹的WiFi室内定位算法研究[D].辽宁工程技术大学,2019.）在离线指纹库的构建阶段采用了智能算法，对较少的指纹数据进行训练后得到密集指纹库并采用AP加权的方法计算权重，实现了定位精度11%以上的提高。但是由于训练过程中同样采用对数递减函数模型，依旧在权重分配阶段存在非线性的问题。

技术实现思路

[0007]本专利技术提供了一种基于RSSI加权近邻定位方法，目的是为了解决RSSI值在传播过程中因非线性变化而引起定位精度不准的问题。
[0008]为了解决上述技术问题，本专利技术的技术方案是：一种基于RSSI加权近邻定位方法，包括以下步骤：步骤S1：在测试区域边界处部署四个锚节点，在测试区域内放置一节点作为参考节点，参考节点周期性的向四个锚节点发送自身位置信息，四个锚节点将所接收到的信息提取后转发给计算机；步骤S2：采集参考节点在测试区域内165个测试位上发送的信息，信息内容如下：
信息源编号、RSSI数值、物理坐标；步骤S3：将步骤S2采集到的信息汇总为指纹数据库，指纹数据库作为在线定位阶段的依据；步骤S4：在测试区域内随机测试位上部署一个未知节点，未知节点向四个锚节点发送信息，四个锚节点将所接收到的信息提取后转发给计算机，汇总为测试集，测试集数据内容如下；未知节点的信息源编号、RSSI数值、真实坐标值；步骤S5：将步骤S4测试集数据与步骤S3指纹数据库中的信息源编号、RSSI数值整合为全体数据集；利用模糊C均值聚类对全体数据集中的数据进行处理，并从全体数据集中提取出与测试集数据属于相同类别的指纹数据后，作为定位数据集；步骤S6：利用下列公式将步骤S3指纹数据库中的所有RSSI数据转化为距离；公式为：；A是信号值，A为锚节点与参考节点相距0.8～1.2m处的信号RSSI值，A的单位为dB，d为锚节点与参考节点之间的间距，d的单位是米，n为环境损耗因子；步骤S7：将步骤S6计算出的函数值进行拟合，利用导函数算法计算出导函数数值，提取对应的导函数数值汇总到定位数据集中，作为参考点权重素材；步骤S8：利用WKNN定位算法，根据步骤S7权重素材的数据求得未知节点的定位坐标 (x,y)；步骤S9：通过绝对距离来表征未知节点的定位误差，如下列公式式所示，其中(x,y)为未知节点的计算坐标，(X,Y)为未知节点的真实坐标；将绝对距离作为评判定位精度的标准，且该值越接近于0说明定位效果越理想；定位误差公式为：。
[0009]对上述技术方案进一步地限定，所述步骤S1中，采集锚节点发送信息的时间为60s。
[0010]对上述技术方案进一步地限定，所述步骤S2中，相邻测试位的间距为0.5m。
[0011]对上述技术方案进一步地限定，所述步骤S5中，全体数据集中的数据随机乱序3次。
[0012]对上述技术方案进一步地限定，所述步骤S6中，A为锚节点与参考节点相距1m。
[0013]对上述技术方案进一步地限定，所述步骤S7中，参考点权重W计算方法如下：导函数的数值为K，对加权K近邻算法的权重进行重新分配，分配公式为：；其中为定位数据集中各指纹节点所对应的RSSI
‑
d函数的导数值，为同类指纹节点指纹RSSI数据与未知节点RSSI值的欧氏距离。
[0014]对上述技术方案进一步地限定，所述步骤S8中，定位坐标计算公式为：；利用权重计算未知节点的计算坐标（x,y），其中（x
i
,y
i
）为指纹节点的真实坐标值。
[0015]本专利技术有益效果：在测距阶段，本专利技术以信号强度的传播函数为研究对象，解决了RSSI值在传播过程中因非线性变化而引起定位精度不准的问题；并引入RSSI
‑
d的曲线斜率作为邻近指纹节点的权重依据，利用对应锚节点的距离倒数与曲线斜率计算权重，使得RSSI值相同的锚节点具备权重的区分依据，减少了定位误差，提高了定位精度。
附图说明
[0016]图1是本专利技术的流程图。
[0017]图2是本专利技术中锚节点和参考节点的部署图。
[0018]图3是本专利技术中测试位部署图。
[0019]图4是本专利技术中信号传播曲线。
[0020]图5是本专利技术中RSSI数据转化为距离的公式。
[0021]图6是本专利技术中参考点权重公式。
[0022]图7是本专利技术中未知节点坐标公式。
[0023]图8是本专利技术中定位误差公式。
具体实施方式
[0024]如图1所示，一种基于RSSI加权近邻定位方法，包括以下步骤：步骤S1：如图2所示，在测试区域1边界处部署四个锚节点2，在测试区域内放置一节点作为参考节点3，参考节点周期性的向四个锚节点发送自身位置信息，四个锚节点将所接收到的信息提取后转发给计算机；采集过程中参考节点以0.5s的时间间隔周期性发送自身消息，并设置采集时长为60s，有利于排除因测试环境而造成的信号波动、确保信号的准确性；步骤S2：如图3所示，采集参考节点在测试本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RSSI加权近邻定位方法，包括以下步骤：步骤S1：在测试区域边界处部署四个锚节点，在测试区域内放置一节点作为参考节点，参考节点周期性的向四个锚节点发送自身位置信息，四个锚节点将所接收到的信息提取后转发给计算机；步骤S2：采集参考节点在测试区域内165个测试位上发送的信息，信息内容如下：信息源编号、RSSI数值、物理坐标；步骤S3：将步骤S2采集到的信息汇总为指纹数据库，指纹数据库作为在线定位阶段的依据；步骤S4：在测试区域内随机测试位上部署一个未知节点，未知节点向四个锚节点发送信息，四个锚节点将所接收到的信息提取后转发给计算机，汇总为测试集，测试集数据内容如下；未知节点的信息源编号、RSSI数值、真实坐标值；步骤S5：将步骤S4测试集数据与步骤S3指纹数据库中的信息源编号、RSSI数值整合为全体数据集；利用模糊C均值聚类对全体数据集中的数据进行处理，并从全体数据集中提取出与测试集数据属于相同类别的指纹数据后，作为定位数据集；步骤S6：利用下列公式将步骤S3指纹数据库中的所有RSSI数据转化为距离；公式为：；A是信号值，A为锚节点与参考节点相距0.8～1.2m处的信号RSSI值，A的单位为dB，d为锚节点与参考节点之间的间距，d的单位是米，n为环境损耗因子；步骤S7：将步骤S6计算出的函数值进行拟合，利用导函数算法计算出导函数数值，提取对应的导函数数值汇总到定位数据集中，作为参考点权重素材；步骤S8：利用WKNN定位算法，根据步骤S7权重素材的数据求得未知节点的定位坐标 (x,y)；...

【专利技术属性】
技术研发人员：金宏平，金政，
申请(专利权)人：湖北汽车工业学院，
类型：发明
国别省市：