基于位置指纹WiFi室内定位算法研究.docVIP

基于位置指纹WiFi室内定位算法研究 　　摘 要：本文主要探讨分析基于位置指纹的WiFi室内定位算法，该算法主要是通过层次聚类方式划分测试环境区域，再匹配对应的WiFi信号指纹信息，之后利用加权计算确定定位位置。按照此次研究结果显示，在充足的WiFi热点数量之下，对比分析k-means-KNN算法以及原始KNN算法，位置指纹室内定位算法在地位给精准度以及准确率方面表现良好，此外，还分析加权最近邻算法和最近邻算法等相关内容，希望可以为位置指纹的WiFi室内定位算法研究提供参考性价值。 　　关键词：位置指纹 WiFi 室内定位算法 加权最近邻算法 最近邻算法 　　中图分类号：TP393 文献标识码：A 文章编号：1672-3791（2018）01（b）-0044-02 　　?S着全面普及的无线网络以及移动通信技术，相应提升了对定位服务的需求。需要实现实时位置跟踪以及路线导航等。基于以上发展现状，在人们日常生活当中已经逐渐凸显出定位计算和服务的重要性。针对室外定位技术，现阶段比较主流的技术就是全球定位技术，在户外活动方面被广泛应用。然而在室内区域，建筑物会遮挡或者屏蔽信号，在室内定位当中无法充分发挥全球定位系统的作用。所以，在室内怎样实现定位技术已经成为现阶段研究的热点话题之一。当前，有较多室内定位方式都是借助于基础设备具备的某些技术完成定位，广泛应用无线基础设施，无线信号可以全面覆盖到城市建筑当中，所以，通过无线网络实现室内定位技术得以快速发展。 　　1 聚类在定位算法当中的应用 　　常规的位置定位算法主要是能够计算所有邻居，全面估算较多邻居的位置。在实际计算期间可以筛选所有的邻居，这样能够获取更加准确的结果，降低估算时间。在空间当中，设备信号源与设备接受信号的强度呈正相关。所以，可以按照邻居的物理位置将其分为多个独立的簇，主要是通过聚类技术实现，自后选择其中一个簇作为代表，这样就可以过滤掉其他簇。 　　k-means聚类算法主要是划分空间数据实现的，有关学者对于k-means算法的定位方案，算法的思维主要是按照信号的强度进行聚类，之后将相似接收相似信号强度定位参考点分组情况，这样能够降低定位计算工作量。然而由于经典的k-means聚类算法是在空间数据集内部各个子类具有较大差异性时，为了缩小误差平方和，需要有效分割最大子类，这样就使得该种算法限度局部最优解，难度全部进行最优解。为了处理该种现象，需要使用优化的聚类准则函数来进行计算。 　　2 最近邻算法 　　该种方式是最基本的位置指纹定位算法。在定位时采用最近临算法时，存在m个WiFi热点，这样就使移动终端设备接收m个热点的信号强度值的集合为S=（RSSI1，RSSI1…RSSIm），之后将该离线收集的数据匹配具有历史指纹库的某一房间的位置数据指纹Ai，之后计算Ai与S之间的距离，在获取Ai与S的最小距离之后需要将该数据对应的房间号作为定位结果。其最小距离的计算公式如下所示： 　　…3 （1） 　　如果式（1）的q值为1时，Di表示的是曼哈顿距离，当q值为2时，Di表示的是欧几里得距离，此次研究将q值定为2，因此两者之间采用的是欧几里得距离。 　　首先需要计算在线实时数据和离线指纹数据库当中的历史数据距离，之后在对其进行比较计算最小距离对应的区域号。由于具有庞大的指纹数据库，因此，需要较长时间进行匹配，在此次期间还会出现较多个距离相同的值数，在产生该种情况时需要再进行比较和计算。首先需要统计每个房间数据最小值的数量，之后再将取得较多最小值数量的房间进行定位，之后需要将该房间号作为定位结构。 　　3 加权最近邻算法 　　3.1 加权最近邻算法的原理 　　由于在此次研究当中不适用K近邻算法，因此，需要提出加权最近邻法。加权最近邻算法是在最近邻算法基础之上进行改进。加权最近邻算法的实时采样信号强度值也是S=（RSSI1，RSSI1…RSSIm），并且该离线收集的数据匹配具有历史指纹库的某一房间的位置数据指纹Ai，其具有较低的定位准确率，因此，使用加权最近邻算法可以有效改善该种情况。 　　一般情况下，移动设备会接收的热点信号之间存在不相同的RSSI值，按照信号传播的运力，能够得知信号发射点经过的距离较短时，就会减慢信号衰落，降低衰减速度，这样就使得移动设备接收的信号强度比较大。因此，在实际定位期间，移动信号要距离较大RSSI值热点近，这样最近距离热点就会较大影响定位结果，具有较强的决定性。在对距离进行计算时，需要在离线指纹数据对应的RSSI值与热点实时采集的差值与加权系数的乘积，之后再将m个距离的最小值应对区域与加权和作为移动设备的定位结果。以下公式就是加权最近邻算法： 　　（2） 　　由式（2）可以看出，加权最近邻算法与最近邻法的最大差别在于加权系数