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