一种改进型WiFi位置指纹室内定位的方法.docVIP

一种改进型WiFi位置指纹室内定位的方法 　　摘要：针对现有WiFi定位技术位置指纹匹配算法存在搜索空间大、WiFi信号不稳定分布导致定位误差大的问题，文章提出一种改进型位置指纹定位算法，该算法基于仿射传播聚类和改进型加权1：近邻实现。实验分析表明，该算法降低了参考点匹配数目，提升了室内定位精度。 　　关键词：室内定位；位置指纹：仿射传播聚类；改进型加权K近邻法 　　随着移动通信技术的不断发展，位置感知服务的需求日益增加，定位技术是实现位置感知的基础。GPS卫星导航定位系统无法应用于室内环境，因此需要借助其他技术手段实现室内定位。目前典型的用于室内定位的硬件设备有蓝牙、RFID、超宽带、ZigBee、传感器、LED可见光等，基于这类设备的定位系统定位成本高，在实际应用中难以普及[1-2]。由于WiFi信号广泛存在于各种建筑物中，无线接入点（AccessPoint，AP）覆盖范围广，基于WiFi的室内定位技术成为热点研究问题。 　　目前，在基于WiFi的室内定位技术中常用基于接收信号强度（Received Signal Strength Indication。RSSDI）的方法[3]，基于RSSI的方法又可分?榛?于RSSI测距定位和位置指纹法。测距定位的思想是根据RSS在空间的传播损耗模型估计智能终端与AP的距离，根据三边测量方法可以计算智能终端的位置。但是由于WiFi信号在室内传播存在折射、散射、多径衰落等问题，基于RSSI测距的方法难以满足实际应用中的定位精度。位置指纹法被国内外很多学者研究，微软在2000年最早进行位置指纹的研究工作[4]。目前，室内定位的主要目标是如何在改善定位精度的同时降低计算复杂度，现有研究表明，聚类处理位置指纹库可以达到降低计算复杂度的目的[5-7]。 　　1 定位原理 　　1.1算法基本流程 　　本文提出的基于仿射传播聚类和改进型WKNN位置指纹定位算法包括离线阶段和在线阶段。离线采样阶段，使用移动设备采集某一区域己知参考点（ RespectivePoint，RP）的RSS信息，经预处理得到原始指纹库，应用仿射传播聚类优化处理位置指纹库。在线定位阶段，移动终端在当前测试点接收到一组RSS信息，与指纹库RSS进行相似性匹配，匹配过程包括粗定位和精定位两个过程，粗定位过程确定测试点所在类指纹库，精定位过程估计出测试点最终位置。 　　1.2仿射传播聚类算法 　　室内环境下选择M个参考点，在所有参考点处离线采样并经预处理后获取原始指纹库，用Ψ表示。 　　其中： 　　M表示参考点个数： 　　N表示AP个数； 　　Rn表示移动终端在第i个参考点采样的来自第i个AP的平均信号强度； 　　Vij表示移动终端在第i个参考点采样获取到来自第j个AP的信号强度方差； 　　Ri=[Rn，R12，…，RiN]表示在参考点i处的平均信号强度向量； 　　Vi=[Vi1，Vi2，…，ViN]表示在参考点i处的信号方差； 　　向量R；和R，是任意两个参考点的平均信号强度向量，参考点i和参考点/之间的相似度函数表示为：（2） 　　仿射传播聚类（A伍nity Propagation Clustering，APC）是由Frey等[8]提出的一种聚类算法。聚类特征选择为M个参考点之间的相似度，M个参考点之间的相似度可以组成MXM的相似度矩阵s。APC算法中在参考点间传递归属度r（i，j）（ Responsibility）和吸引度a（i，j） （Availability）两种类型的消息，r（i，j）表示参考点j作为参考点i的聚类中心的可信程度，a（i，j）表示参考点；选择参考点j作为其聚类中心的可信程度。如果r（i，j）与a（i，j）的值越大，则表明参考点j就越有可能作为聚类中心。 　　APC算法的迭代过程如下： 　　输入相似度矩阵SM×M，由公式（2）算出参考点i和参考点j之间的相似度，s（i，j）=sim（i，j），i≠j； s（i，j）设置为矩阵SM×M的中值； 　　更新吸引度消息：r（i，j）=s（i，j）-max{a（i，j）+s（i，j）}j≠j（3） 更新归属度消息： a（i，j）=min{o，r（j，j）+∑i≠i，jmax{0，r（i，j）}}（4） 以上两种消息在参考点之间不断迭代完成聚类中心和归属点的划分，最终完成聚类。仿射传播聚类处理后的指纹库表示如下：（5） 　　其中Rab和Vab分别表示聚类中心参考点。接收到的来自第6个AP的信号强度均值和信号强度方差，1≤a≤P，1≤6≤N，聚类个数为P。 　　1.3粗定位策略 　　粗定位过程用于确定测试点所在类指纹库范围，为后面的精确定位过程所用。粗定位策略的实施可以缩小在线定位时精定位的匹配搜索范围，从而有效降低了计算的复