离散度WKNN位置指纹Wi.docx

离散度WKNN位置指纹Wi-Fi定位算法

田洪亮1,2，钱志鸿1,梁潇1,王义君3，王雪1

【摘要】为改善加权K近邻位置指纹定位算法在室内环境复杂时的定位性能，提出一种以位置指纹离散度作为权值参考的改进加权K近邻位置指纹定位算法.算法在离线位置指纹数据库建立阶段采用K-means聚类算法对位置指纹进行聚类，来降低搜索位置指纹库的计算量.从离线位置指纹库中选取K个与在线实测Wi-Fi信号强度信息最相似的位置指纹，比较其离散程度，将离散程度小的位置指纹赋予较高的加权系数，以减小原加权K近邻算法在室内复杂环境信号强度随距离变化较大情况下带来的位置估算误差.对离散度加权K近邻算法时间复杂度的分析表明，其计算量小于原加权K近邻算法；实际环境实验结果表明，离散度加权K近邻算法具有更高的定位精度，且定位误差波动较小.

【期刊名称】哈尔滨工业大学学报

【年(卷)，期】2017(049)005

【关键词】无线定位；位置指纹；Wi-Fi；接收信号强度指示；离散度

随着网络技术的发展，无数智能节点通过无线通信技术连接在一起，形成了无所不能的物联网［1］.其中位置服务［1-2］是物联网面向用户的关键需求之一，而位置服务主要依赖于无线定位技术.无线定位技术从地理位置上可分为室内定位以及室外定位.室外定位一般通过卫星导航系统辅助以AGPS进行定位，具有定位精度适中、定位速度快等优点.然而卫星信号穿透能力弱，受到建筑物外墙的阻挡，无法为室内设备提供定位服务.室内无线信号环境相对于室外要复杂得多相对于室外环境，室内环境有建筑物墙体、房间布局等带来的无线信号多径效应影响以及多种室内无线设备对定位信号带来的干扰等，这与室外定位具有彳艮大的不同.

随着智能手机等内置无线接入的设备普及率的提高，Wi-Fi信号已经广泛分布在大多数室内环境，学者们提出了多种利用Wi-Fi信号进行室内定位的技术［3-4］,包括到达角度(AOA)定位、到达时间(TOA淀位、到达时间差(TDOA)定位、信号强度(RSSI)定位、位置指纹定位［5］等.上述室内定位方法中，AOA定位需要硬件额外增加精确测量角度的硬件一天线，设备的广泛适用性受到了限制；TOA和TDOA定位方法需要精准测量信号在空间中传播的时间，这对设备硬件提出了很高的要求，成本受限的设备往往不适用；利用RSSI测距定位不需要额外的硬件，成本较低，但受到环境影响较大，在复杂的室内环境中定位精度较差.基于Wi-Fi技术的位置指纹定位利用多个无线接入点在室内不同位置的信号强度值差异，预先建立位置坐标与离线信号强度的指纹数据库，作为在线定位的依据.采用RSSI信息作为指纹数据库的在线定位技术，定位时不需要额外增加硬件，在综合应用场景下具有成本和广泛适用性的优势［6］.

位置指纹定位方法包括离线建立位置指纹数据库和在线位置指纹数据匹配估算位置两个阶段.典型的位置指纹数据匹配算法包括最近邻法(NearestNeighbor,NN)［7］、K近邻法(K-NN)［8］和加权K近邻法(WeightedKNN,WKNN)［9-12］等.在以上典型位置指纹定位的方法中，学者们针对优化离线指纹数据库和改进在线定位匹配算法两方面同时展开研究：文献［13］利用核函数、文献［14］利用Kalman滤波等对离线数据进行分析及优化，从位置指纹数据来源上使定位所需匹配数据更加精确；文献［15］利用多高斯混合模型构建离线指纹数据库，并用期望最大值作为估计模型参数的算法，增加了系统定位的精度；文献［16］利用最小二乘法对位置指纹信息拟合成高斯多项式连续分布曲线，对于信号强度分布较为平滑的室内空间具有较高的定位精度.以上位置指纹定位算法的改进和优化，在对离线位置指纹数据库的分析优化和提高采样值精度方面作了相应的改进，提高了定位精度.

由于室内墙壁、门及其他物体的隔挡，室内各Wi-Fi信号RSSI衰落分布并不一定都很平滑，基于欧氏距离的加权K近邻算法会因此带来一定误差.本文从位置指纹数据与实际采样值的相关性入手，首先通过聚类算法对离线位置指纹数据进行分类，排除与实测采样值差别较大的数据，增大位置指纹数据与采样值的相关性，降低位置匹配算法的计算量；然后通过数据相关性对指纹数据进行分析，根据与实测采样值位置指纹数据的离散程度，对离散程度不同的位置指纹数据赋予不同的权值，利用加权K近邻法估计待定位位置.

1基于K-means算法的离线位置指纹库建立及聚类

位置指纹定位方法首先要做的是建立基于位置和信号参数的离线位置指纹数据库.本文所采用的离线指纹数据是定位区域内已知位置上设备能够获得的环境中各个无线接入点的信号强度采样值，即RSSI.然而指纹数据若选取不当，会增大在线匹配位