一种基于模糊knn的wifi室内定位方法
【技术领域】
[0001] 本发明涉及室内定位与导航技术领域，特别是一种基于模糊KNN的WIFI室内定 位方法。
【背景技术】
[0002] 近年来，随着智能移动终端、无线传感器网络和物联网的兴起和普及。基于位置 的服务和应用得到极大的发展，给人们出行带来很大的方便。比如，基于全球定位系统 (GlobalPositioningSystem,GPS)的手机电子地图，给人们提供了室外空间的定位和导 航服务。基于位置信息服务的LBS(LocationBasedServices)应用层出不穷。然而，人类 大部分的活动是在室内进行的，由于GPS卫星信号经过建筑物的遮挡，很的容易出现卫星 跟踪丢失导致定位精度下降，甚至出现不能定位的情况，因此GPS定位系统不能满足室内 定位的需求，需要为室内定位发展新技术。在这一需求的推动下，实现对室内人员或者物体 的精确定位和跟踪的研宄成为近十多年大家研宄的热点领域。
[0003] 随着近几年无线系统应用数量的迅速增长，无线技术已经进入几乎所有的消费电 子领域，如医疗，工业，公共安全，物流和交通运输等。同样无线自组网传感器网络、普适计 算、上下文相关的信息服务、信息跟踪和指导也成为无线通信技术的众多应用领域。正因 为无线网络的广泛使用，利用无线网络进行室内或者室外精确定位成为一种新的需求和研 宄方向。目前，定位系统常使用的无线网络包括全球无线通信网络（GlobalSystemfor MobileCommunications,GSM)或者通用移动通信系统（UniversalMobileTelecommuni -cationsSystem，UMTS)、无线局域网络（WirelessLocalAreaNetworks,WLANs)、超 宽带通信（Ultra-wideband,UWB)网络和一些短距离通信技术，例如无线传感器网络 (WirelessSensorNetworks,WSN)、无线射频技术（RadioFrequencyIdentification)、蓝 牙（Bluetooth)和红外通信等。这些无线已经有相应技术将其应用于定位技术，比如GSM网 络常用于室外定位，和GPS-起，满足日常生活中室外定位需求。除此之外，UWB网络，WSN 网络和RFID等可以用于室内定位技术。
[0004] 基于KNN的WIFI室内定位算法其主要原理是根据RSSI距离计算方法来估算待定 位节点和数据指纹中已知节点的距离，算法复杂度比较低，也易于理解，所以在实际中应用 广泛，但由于室内环境复杂，信号传播很少有无遮挡传播路径，常见的遮挡有墙体、家具、人 员等，这些因素会导致算法存在以下几个问题：
[0005] 首先，上述KNN算法中RSSI距离大的两个点，其实际的物理距离可能很小，比如两 个点之间存在一堵墙等，因此，按照RSSI的距离大小确定KNN算法中的权重会造成比较大 的定位误差。
[0006] 其次，经过实际测量，在同一地点检测到的同一个AP发射的信号的RSSI值波动比 较大，离线阶段和在线的信号波动，都会影响定位的精度，所以在使用RSSI值进行定位前， 必须对采集到的数据进行预处理，减少因为噪声对定位精度的影响。
[0007] 最后，RSSI值和检测设备有关系，同一个AP发射出的无线信号在同一点由不同的 接收设备检测，RSSI可能会不一样，因此，不能只根据RSSI距离的绝对数值，来确定KNN算 法中的权重值。
【发明内容】
[0008] 本发明所要解决的技术问题是，针对现有技术不足，提供一种基于模糊KNN的 WIFI室内定位方法。
[0009] 为解决上述技术问题，本发明所采用的技术方案是：一种基于模糊KNN的WIFI室 内定位方法，包括在线测量阶段和离线测量阶段；
[0010] 所述离线测量阶段包括以下步骤：
[0011] 1)预先选定场地中某些点为参考点，测量参考点的坐标，采集参考点离线数据并 进行数据预处理，滤除噪声；
[0012] 2)计算各参考点的RSSI平均值，并存入指纹数据库；
[0013] 3)将RSSI距离分为"很近"，"近，"远，"很远"四个模糊子集，将指纹数据库中的 数据作为样本，计算指纹数据库中每条数据所对应的点与其他点之间的RSSI距离D，以及 RSSI差分距离V，进行模糊C聚类，以确定四个模糊子集的隶属函数；
[0014] 4)初始化Takagi-Sugeno推理后件种群，种群大小NP设置为500,缩放因子F设置 成0.9;交叉控制参数CR的值设为0.9,种群中每个个体编码为（a。，％，％)，其中（a。，％，％) 为Takagi-Sugeno推理后件的多项式系数向量；
[0015] 5)利用目标函数J对上述初始化后的种群进行评价，J等于采样点的实际坐标与 计算坐标的欧氏距离，J越小说明计算坐标越接近实际坐标，J的计算公式如下：
[0016]J= (x-xT) 2+ (y-yT)2
[0017] 其中，（X，y)是样本的实际坐标，（xT,yT)为该样本的计算坐标，按下式计算：
[0020] (Xi，yi)为第i个与所述样本邻近的点的坐标，K为该样本的近邻点的个数；《i是 第i条模糊规则输出的权值，按下式计算：
[0021] ?j=aQ+a^+a,^；
[0022] 其中i表示第i条规则，D表示样本的RSSI距离，V表示样本的RSSI差分距离；
[0023] 6)采用DE/rand/1/bin变异和二项式交叉对每个个体进行进化操作，产生新的个 体；
[0024] 7)计算目标函数J的值，对个体进行评价，并采用高选择压的选择策略：一旦子 代个体比父代个体好，就进入下一代种群，否则父代个体留在种群中保持不变，选择新的子 代；
[0025]7)检验目标函数J是否发生变化，如果是，则输出最优多项式系数向量，否则返回 步骤6) ;8)将最优多项式系数向量作为模糊推理规则的后件多项式系数，生成模糊规则存 入规则库；
[0026] 所述在线测量阶段包括以下步骤：
[0027] 1)测量待定位点的RSSI值；
[0028] 2)计算待定位点与指纹数据库中各参考点的RSSI距离和差分距离；
[0029] 3)找出K个与待定位点的RSSI距离和差分距离最近的点，即K个最近邻点；
[0030] 4)使用规则库中的模糊推理规则计算所述K个最近邻点各自的权值；
[0031] 5)根据权值和参考点坐标计算待定位点坐标。
[0032] 由所有M条模糊规则计算权重《的计算公式如下：
[0033]
[0034]其中，M表示模糊规则的数目，A,表示第i条模糊规则的推理强度。
[0035] RSSI距离D(k)和RSSI差分距离V(k)分别按下式计算：
[0036]
[0037]V(k) = | |maxRSSIki-minRSSIki |-1maxRSSITi-minRSSITi | |；
[0038] 其中k表示第k个最近邻点；RSSIkl表示第k个最邻近点检测到的第1个AP，即接 入点的RSSI值，RSSIT1表示待定位点检测到的第1个AP的RSSI值，k= 1，2, ???!(，r为AP 的数量。
[0039] 与现有技术相比，本发明所具有的有益效果为：本发明在利用基于权值的KNN匹 配算法的基础上，增加RSSI差分数据量作为权值特征，把RSSI的特征作为模糊系统输入， 通过模糊推理输出KNN方法中的权值，定位误差作为目标函数，对模糊推理系统中隶属度 函数等参数进行辨识和优化，从而提高定位系统的精度。和传统的RSSI距离相比，不仅考 虑了RSSI值所组成的矢量的欧拉距离，还考虑到了不同位置接收到RSSI值之间的差值；同 时使用自适应模糊推理系统，利用了模糊系统能很好逼近非线性系统的特性，通过模糊聚 类和进化算法对权值进行优化，使其自适应不同的室内环境。
【附图说明】
[0040] 图1为本发明实施例实验区的布置图；
[0041] 图2为本发明实施例采样100次数据的示意图；
[0042] 图3为本发明实施例图3显示了滤波前和滤波后的数据对比情况；
[0043] 图4为本发明实施例RSSI距离D隶属度值分布曲线；
[0044] 图5为本发明实施例RSSI差分V的隶属度分布曲线；
[0045] 图6为本发明模糊推理KNN对10个测试点每个进行100次定位实验，定位误差的 平均值曲线与最邻近、标准KNN、WKNN(加权KNN)的比较图。
【具体实施方式】
[0046] 以下结合附图对本发明的【具体实施方式】做进一步的说明。
[0047] 实验区的布置如图1所示，使用笔记本电脑作为指纹数据采集设备和定位设备， 三台无线路由器作为接