CN105163385B - 一种基于扇形重叠区域聚类分析的定位方法 - Google Patents
一种基于扇形重叠区域聚类分析的定位方法 Download PDFInfo
- Publication number
- CN105163385B CN105163385B CN201510528044.6A CN201510528044A CN105163385B CN 105163385 B CN105163385 B CN 105163385B CN 201510528044 A CN201510528044 A CN 201510528044A CN 105163385 B CN105163385 B CN 105163385B
- Authority
- CN
- China
- Prior art keywords
- rssi
- distance
- region
- fan
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于扇形重叠区域聚类分析的定位方法,包括以下步骤:S1、拟合接收信号强度指示值RSSI的高斯测距曲线;S2、基于扇形重叠区域划分;S3、聚类分析;S4、距离修正;S5、动态加权质心定位。本发明方法根据RSSI在测量造成的误差,加入高斯筛选剔除影响较大的接收信号强度指示值(RSSI);再根据RSSI在定位分布的差异性,建立基于聚类分析的扇形重叠区域,在不同划分区域中利用参考节点间的几何位置加入修正系数进行距离修正。同时,利用动态加权质心定位算法进行定位,得到未知节点的位置。本发明的定位算法,具有定位精度高、计算复杂度低、硬件实现方便等优点。
Description
技术领域
本发明涉及无线传感器网络技术领域,特别涉及一种基于扇形重叠区域聚类分析的定位方法。
背景技术
无线传感器网络(WSN,Wireless sensor network)移动节点(MN,Mobile Node)的定位信息对人员定位、煤矿环境、军事侦察等方面具有重要的意义。WSN定位技术可分为基于测距与无需测距技术,然而基于测距的定位技术定位精度较高。基于测距定位算法的测距技术有基于RSSI(Received signal strength indicator,接收信号强度指示值)、基于到达时间、基于到达时间差与基于到达角度。其中,基于RSSI测距定位技术因具有无需额外的硬件优点广泛地被研究学者进行研究。基于RSSI定位技术通过已知基站(BS,BaseStation)与移动节点(MN,Mobile Node)建立传播损耗与距离之间的传播损耗模型,联合极大似然法、三边定位法、加权质心等定位算法确定MN的位置。
由于RSSI在WSN传输过程由于受到固定障碍物(地板、墙壁)与移动障碍物(动物、人体)等障碍物的阻拦,从而产生快衰落与慢衰落影响着其精确度。因此,基于RSSI的测距定位技术通过测距与定位方法提高MN位置的精确度。在室内减少测距误差从削弱非视距测距 (障碍物)带来的影响,而在室外减小测距误差则从削弱多径、散射、绕射引起的测距影响。定位方法削弱定位误差从区域划分相等的差异性区域进行定位。
根据上述削弱测距与定位误差方法,近年来提出的区域划分算法主要有:Indooradaptive RSSI localization algorithm based on graph theory and fuzzyclustering in wireless sensor networks(IAL-GT-FC),WSN Localization MethodUsing Interval Data Clustering(RSSI-D),基于几何聚类指纹库的约束KNN室内定位模型,一种利用K均值聚类的无线传感器网络节点定位算法等;专利文献中有《基于距离聚类遴选锚节点的无线传感器网络节点定位算法》(申请号CN201510070653.1),《基于信号接收强度指示相关性的室内定位方法》(申请号CN201410546502.4),《一种基于区域判定的多精度节点定位方法》(申请号 CN201410400684.4)。上述聚类分析定位算法的计算复杂性较大。因此,迫切需要一种计算简单,性能更佳的聚类分析定位算法。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于扇形重叠区域聚类分析的定位方法。
本发明的目的通过如下技术方案实现:一种基于扇形重叠区域聚类分析的定位方法 (Localization algorithm based on sector overlapping area of clusteringanalysis,缩写为LA-SOACA),具体包括以下步骤:
S1、拟合接收信号强度指示值RSSI的高斯测距曲线:计算当前环境中高斯分布拟合中信号传输1m时的信号强度损耗以及信号强度衰减指数n从而拟合所述RSSI高斯测距数学表达式;
S2、基于扇形重叠区域划分:根据RSSI分布具有区域差异性的特点,以正方形区域作为应用场景,在正方形四个顶点A、B、C、D各放置一个参考节点,分别为BS1、BS2、BS3、BS4,所述参考节点以所述正方形的边长R作为扇形的覆盖半径,根据被扇形覆盖的次数将正方形内的区域分为盲区、非集中区与集中区;
S3、聚类分析:选取盲区、非集中区与集中区中簇的质心,根据欧式距离准则将未知移动节点MN经高斯筛选的RSSI数据集分别与三个区域簇的质心RSSI数据集进行计算,计算得最小值者则可判断未知移动节点MN在该区域覆盖范围;
S4、距离修正:在选择参考节点定位之前,从参考节点中挑选第一参考节点和第二参考节点,使第一参考节点对第二参考节点进行测量距离修正,第一参考节点与未知节点MN的距离小余第二参考节点与未知节点MN的距离;
S5、动态加权质心定位:动态加权质心定位算法结合盲区、非集中区、集中区RSSI数据集分布差异特性以及加权质心定位WCL具有区域中心特性,加入动态因子提高加权质心定位 WCL定位精度,从而对未知节点MN位置进行求解。
所述步骤S1具体包括以下步骤:
S11、对当前环境采样样本每个距离点d的k组数据进行极大似然估计,分别估算高斯分布 Pr的均值与方差如下式所示:
S12、利用正态分布概率密度函数求解每个距离点d概率分别为α1的Pr1(d)与α2的Pr2(d),求解过程如下:
P[Pr(d)≤Pr1(d)]=F[Pr1(d)]=α1,
P[Pr(d)≥Pr2(d)]=1-F[Pr2(d)]=1-α2;
S13、筛选出每个距离点概率为[α1,α2]区间Pr值,即得在Pr1(d)与Pr2(d)之间的Pr值,将筛选的Pr值定义为高概率事件,把经高斯分布筛选得到的Pr存放到Beacon_val_gauss[m]中,各距离点RSSI均值由下式求得
其中m为经过高斯分布筛选Pr的个数;
S14、将求得的代入下式利用最小二乘法进行曲线拟合,得出拟合数学表达式
所述步骤S3具体包括以下步骤:
S31、选取盲区、非集中区与集中区3个区域中质心作各区域簇的质心;
S32、计算所述3个区域中质心到四个参考节点BS1、BS2、BS3、BS4的距离,代入所述步骤S14中的RSSI高斯测距模型拟合曲线能够得各区域簇的质心对应基站的RSSI数据集,将各区域簇的质心RSSI数据集从大到小排序,得到各区域簇的质心RSSI数据集RSSIx;
S33、未知节点MN接收四个参考节点BS1、BS2、BS3、BS4的RSSI数据集,通过高斯数据处理并从大到小排序,得未知节点MN的RSSI数据集RSSIMN;
S34、计算未知节点MN与各区域簇的质心相异度,选择相似性函数欧几里得距离函数作为相似程度的判断,欧几里得距离公式如下式所示,其中RSSIx为各区域簇的质心RSSI数据集,p为RSSI数据集中所含的个数
S35、比较未知节点MN的数据集RSSIMN与各区域簇的质心RSSI数据集D(RSSIMN,RSSIx)差值,差值最小者,即可判断未知节点MN属于RSSI数据集RSSIx该区域内点。
所述步骤S4具体包括以下步骤:
S41、分别测得AB,BC,CD,DA之间的RSSI值RSSIAB、RSSIBC、RSSICD、RSSIDA;
S42、在未知节点MN的数据集RSSIMN中,依据步骤S14求得拟合RSSI高斯测距曲线求出未知节点MN与四个参考节点BS1、BS2、BS3、BS4最近的距离dmin;
S43、选择RSSI测距校正模型,消除信号强度衰减指数n带来的影响:依据下式求得未知节点MN数据集RSSIMN最近点到参考节点的参考距离drefer_x,
其中,RSSIxy为测得AB,BC,CD,DA之间的RSSI参考测量值,RSSIMN_x与drefer_x中的x为根据各区域扇形覆盖区域个数进行的距离修正次数,在盲区距离修正次数为1,在距离修正次数为2,在集中区不需要进行距离修正;
S44、求最近距离dmin与参考距离drefer_x之间的误差绝对值derror_x;
S45、依据数据集RSSIMN最近点到参考节点BS对应的距离修正系数γ,根据式子
dmax_x=γ[Pr(1)-10nlog10(d)]
求数据集RSSIMN距离大于最近点的点的距离dmax_x;其中γ为距离修正系数,所述距离修正系数的计算公式为
γ=(1-β)τ,
τ为距离修正指数,β为距离修正百分比,所述距离修正百分比是指误差绝对值derror_x占最近距离dmin的百分比,计算公式为
所述步骤S2中,所述集中区以半径为R的扇形覆盖四次的区域,非集中区以半径为R的扇形覆盖三次并去掉集中区的区域,盲区以半径为R的扇形覆盖两次并去掉集中区与非集中区的区域。
所述步骤S5中,动态加权质心定位算法分别定义盲区、非集中区与集中区动态因子并使用加权质心定位WCL进行未知节点MN的位置求解,如下式所示。
其中,ωj为对应第j个参考节点的动态因子,MN(x,y)为未知节点MN坐标,BSj(x,y)为第j个参考节点的坐标,z为参考节点个数。
盲区动态因子选取:
RSSIMN(1),RSSIMN(2)→ω1=ω2=1
RSSIMN(3),RSSIMN(4)→ω3=ω4=2
非集中区动态因子选取:
RSSIMN(1),RSSIMN(2)→ω1=ω2=1
RSSIMN(3)→ω3=1
RSSIMN(4)→ω4=2
集中区动态因子选取:
RSSIMN(1),RSSIMN(2)→ω1=ω2=1
RSSIMN(3),RSSIMN(4)→ω3=ω4=1
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明根据实际环境,加入高斯筛选RSSI数据,即剔除低概率事件,使拟合RSSI测距曲线更加符合当前环境的要求,从而提高测距的精确度。
2、本发明基于扇形重叠区域划分为三个区域,即盲区、非集中区与盲区,划分区域较少,参考节点数量只需4个,定位精度较高,计算简单。
3、本发明根据不同环境加入了距离修正系数,通过实际选取最佳的距离修正系数使得测距精度更高。
4、本发明结合盲区、非集中区与集中区的特点,动态加权质心定位算法中的动态因子选取适应各区域的定位需求,提高了定位精度。
附图说明
图1为本发明所述的一种基于扇形重叠区域聚类分析的定位方法的流程图。
图2为图1所述定位算法的扇形重叠区域划分示意图。
图3为本发明实施例中接收信号强度指示值RSSI高斯测距拟合曲线示意图。
图4为本发明实施例中基于扇形重叠区域聚类分析的定位方法(LA-SOACA)定位误差绝对平均值与τ取值关系曲线示意图。
图5为本发明实施例中基于扇形重叠区域聚类分析的定位方法(LA-SOACA)与加权质心定位(WCL)定位误差对比示意图。
图6为本发明实施例中基于扇形重叠区域聚类分析的定位方法(LA-SOACA)、加权质心定位(WCL)与极大似然法(Maximum Likelihood Estimate,MLE)定位误差对比示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
一种基于扇形重叠区域聚类分析的定位方法(Localization algorithm basedon sector overlapping area of clustering analysis,LA-SOACA),如图1所示,具体包括以下步骤:
S1、拟合接收信号强度指示值RSSI的高斯测距曲线:计算当前环境中高斯分布拟合中信号传输1m时的信号强度损耗以及信号强度衰减指数n从而拟合所述RSSI高斯测距数学表达式;
S2、基于扇形重叠区域划分:根据RSSI分布具有区域差异性的特点,以正方形区域作为应用场景,在正方形四个顶点A、B、C、D各放置一个参考节点,分别为BS1、BS2、BS3、BS4,所述参考节点以所述正方形的边长R作为扇形的覆盖半径,根据被扇形覆盖的次数将正方形内的区域分为盲区、非集中区与集中区;
S3、聚类分析:选取盲区、非集中区与集中区中簇的质心,按照欧式距离准则把未知移动节点MN经高斯筛选的RSSI数据集归类为三个区域中的一个区域,使得RSSI数据集与各区域簇的质心相似性尽可能的大;
S4、距离修正:在选择参考节点定位之前,从参考节点中挑选第一参考节点和第二参考节点,使第一参考节点对第二参考节点进行测量距离修正,第一参考节点与未知节点MN的距离小余第二参考节点与未知节点MN的距离;
S5、动态加权质心定位:动态加权质心定位算法结合盲区、非集中区、集中区RSSI数据集分布差异特性以及加权质心定位(WCL)具有区域中心特性,加入动态因子提高WCL定位精度,从而对未知节点MN位置进行求解。
进一步地,步骤S1具体包括以下步骤:
步骤S11,对当前环境采样样本每个距离点d的k组数据进行极大似然估计,分别估算高斯分布Pr的均值与方差如下式所示:
步骤S12,利用正态分布概率密度函数求每个距离点d概率分别为α1的Pr1(d)与α2的Pr2(d),其过程如下所示:
P[Pr(d)≤Pr1(d)]=F[Pr1(d)]=α1
P[Pr(d)≥Pr2(d)]=1-F[Pr2(d)]=1-α2
步骤S13,可筛选出每个距离点概率为[α1,α2]区间Pr值,即得在Pr1(d)与Pr2(d)之间的Pr值,将筛选的Pr值定义为高概率事件,把经高斯分布筛选得到的Pr存放到Beacon_val_gauss[m] 中,各距离点RSSI均值由下式求得,其中m为经过高斯分布筛选Pr的个数。
步骤S14,将求得的代入下式利用最小二乘法进行曲线拟合,即可得出拟合数学表达式。
进一步地,步骤S2中A,B,C,D四个顶点以半径R作扇形,在正方形内分别交E,F,G,H四个交点。各区域分别以扇形覆盖个数定义盲区、非集中区与集中区三个区域。所述集中区以半径为R的扇形覆盖四次的区域,非集中区以半径为R的扇形覆盖三次并去掉集中区的区域,盲区以半径为R的扇形覆盖两次并去掉集中区与非集中区的区域。盲区定义为参考节点以半径R仅两个扇形覆盖区域,即指定A-E-B,B-H-C,C-G-D,D-F-A区域为盲区;非集中区定义为参考节点以半径R仅三个扇形覆盖区域,即指定A-F-E,B-E-H,C-H-G,D-G-F区域为非集中区;集中区定义为参考节点以半径R四扇形覆盖区域,即E-F-G-H,如图2所示。
进一步地,步骤S3具体包括以下步骤:
步骤S31,选取盲区、非集中区与集中区3个区域中质心作各区域簇的质心,即盲区中簇的质心为Blind_Centroid(x,y),非集中区中簇的质心为Decentralized_Centroid(x,y),集中区中簇的质心为Concentration_Centroid(x,y)。
步骤S32,计算盲区中簇的质心Blind_Centroid(x,y)、非集中区中簇的质心Decentralized_Centroid(x,y)与集中区中簇的质心Concentration_Centroid(x,y)到四个参考节点BS1、BS2、BS3、BS4的距离,代入步骤S13求得的RSSI高斯测距模型拟合曲线可得各区域簇的质心对应基站的RSSI数据集,将各区域簇的质心RSSI数据集从大到小排序,得盲区簇的质心RSSI数据集RSSIBlind,非集中区簇的质心RSSI数据集RSSIDecentralized,集中区簇的质心RSSI数据集RSSIConcentration。
步骤S33,未知节点MN接收四个参考节点BS1、BS2、BS3、BS4的RSSI数据集,通过高斯数据处理并从大到小排序,得未知节点MN的RSSI数据集RSSIMN。
步骤S34,为了判断未知节点MN的数据集RSSI属于哪一个簇,需要计算未知节点MN与各区域簇的质心相异度,选择相似性函数欧几里得距离函数作为相似程度的判断,欧几里得距离公式如下式所示,其中RSSIx为各区域簇的质心RSSI数据集,p为RSSI数据集中所含的个数。
步骤S35,比较未知节点MN的数据集RSSIMN与各区域簇的质心RSSI数据集 D(RSSIMN,RSSIx)差值,差值最小者,即可判断未知节点MN属于RSSI数据集RSSIx该区域内点。
进一步地,步骤S4具体包括以下步骤:
步骤S41,分别测得AB,BC,CD,DA之间的RSSI值RSSIAB、RSSIBC、RSSICD、RSSIDA。
步骤S42,在未知节点MN的数据集RSSIMN中,依据步骤S14求得拟合RSSI高斯测距曲线求出未知节点MN与四个参考节点BS1、BS2、BS3、BS4最近的距离dmin。
步骤S43,选择RSSI测距校正模型,消除信号强度衰减指数n带来的影响,依据下式求得未知节点MN数据集RSSIMN最近点到参考节点的参考距离drefer_x。其中,RSSIxy为测得AB,BC,CD,DA之间的RSSI参考测量值,RSSIMN_x与drefer_x中x为根据各区域扇形覆盖区域个数进行距离修正,在盲区距离修正次数为1,在距离修正次数为2,在集中区不需要进行距离修正。
步骤S44,求最近距离dmin与参考距离drefer_x之间的误差绝对值derror_x。
定义1:β为距离修正百分比,即误差绝对值derror_x占最近距离dmin的百分比,如下式所示,其中,x与步骤S43中x表达意思一致。
定义2:γ为距离修正系数,如下式所示,其中,τ为距离修正指数。
γ=(1-β)τ
步骤S45,依据数据集RSSIMN最近点到参考节点BS对应的距离修正系数γ,求数据集 RSSIMN距离大于最近点的点的距离dmax_x;如下式所示,其中,x与步骤S43中x表达意思一致。
dmax_x=γ[Pr(1)-10nlog10(d)]进一步地,步骤S5具体过程如下:
动态加权质心定位算法结合盲区、非集中区、集中区RSSI数据集分布差异特性以及加权质心定位(WCL)具有区域中心特性,加入动态因子提高WCL定位精度。根据上述思路,动态加权质心定位算法分别定义盲区、非集中区与集中区动态因子并使用WCL进行未知节点MN的位置求解,如下式所示。
其中,ωj为对应第j个参考节点的动态因子,MN(x,y)为未知节点MN坐标,BSj(x,y)为第j个参考节点的坐标,z为参考节点个数。
盲区动态因子选取:
RSSIMN(1),RSSIMN(2)→ω1=ω2=1
RSSIMN(3),RSSIMN(4)→ω3=ω4=2
非集中区动态因子选取:
RSSIMN(1),RSSIMN(2)→ω1=ω2=1
RSSIMN(3)→ω3=1
RSSIMN(4)→ω4=2
集中区动态因子选取:
RSSIMN(1),RSSIMN(2)→ω1=ω2=1
RSSIMN(3),RSSIMN(4)→ω3=ω4=1
二、关于本发明方法各相关参数的确定:
实验一:RSSI高斯测距拟合曲线
步骤一:选取德州仪器生产的蓝牙低功耗(Bluetooth Low Energy,BLE)芯片CC2541 作为节点,测距实验环境为一片空旷区域,测距实验节点均设定为统一高度(距离地面的高度1m),节点发射功率设定为0dbm。
步骤二:BS与MN之间的距离测量范围为0~20m,每间隔0.5m测量k=100组RSSI数据,数据采集周期为每秒1次。
步骤三:选取α1=0.3,α2=0.7作为高斯筛选集中概率,将实验采样的RSSI数据进行如步骤S11、S12、S13、S14处理既得RSSI高斯测距拟合曲线如图3所示,n=-1.9。
实验二:距离修正指数τ对LA-SOACA影响
步骤一:选取德州仪器生产的蓝牙低功耗(Bluetooth Low Energy,BLE)芯片CC2541 作为节点,定位实验环境面积为8m×8m空间区域(正方形边长R为8m),定位实验节点均设定为统一高度(距离地面的高度1m),节点发射功率设定为0dbm。
步骤二:选取R=8m,在A,B,C,D放置4个参考节点BS,如步骤S2扇形重叠区域划分为 3个区域,其中盲区与非集中区有4个小区域,集中区只有1个小区域,分别在3个区域中随机摆放未知节点MN进行定位实验测试。
步骤三:实验过程中,测试距离修正指数τ对盲区与非集中区算法定位性能的影响,以下式作为评价指标,式中,MN(x,y)real为实验未知节点的实际坐标,MN(x,y)为LA-SOACA定位估计坐标,num为实验坐标个数。erroraver为LA-SOACA多次定位的误差绝对平均值,erroraver反映LA-SOACA定位算法定位效果。erroraver越小,定位精度越高,定位误差绝对平均值与τ取值关系曲线如图4所示。
步骤四:由图4可知,当前环境测试距离修正指数τ存在最优化值,在τ=0.5时盲区与非集中区定位性能最佳。
步骤五:将本算法与WCL算法、极大似然算法(MLE)进行比较,根据对距离修正指数τ的分析,设定距离修正指数τ为0.5,未知节点MN在空间区域各位置的不同算法的实验定位误差如图5、6和表1所示。表1为本发明的实验验证表:LA-SOACA、WCL与MLE定位误差对比示意表。
表1
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种基于扇形重叠区域聚类分析的定位方法,其特征在于,具体包括以下步骤:
S1、拟合接收信号强度指示值RSSI的高斯测距曲线:计算当前环境中高斯分布拟合中信号传输1m时的信号强度损耗以及信号强度衰减指数n从而拟合所述RSSI高斯测距数学表达式;
S2、基于扇形重叠区域划分:根据接收信号强度指示值RSSI分布具有区域差异性的特点,以正方形区域作为应用场景,在正方形四个顶点A、B、C、D各放置一个参考节点,分别为BS1、BS2、BS3、BS4,所述参考节点以所述正方形的边长R作为扇形的覆盖半径,根据被扇形覆盖的次数将正方形内的区域分为盲区、非集中区与集中区;
S3、聚类分析:选取盲区、非集中区与集中区中簇的质心,根据欧式距离准则将未知移动节点MN经高斯筛选的RSSI数据集分别与三个区域簇的质心RSSI数据集进行计算,计算得最小值者则可判断未知移动节点MN在该区域覆盖范围;
S4、距离修正:在选择参考节点定位之前,从参考节点中挑选第一参考节点和第二参考节点,使第一参考节点对第二参考节点进行测量距离修正,第一参考节点与未知节点MN的距离小余第二参考节点与未知节点MN的距离;
S5、动态加权质心定位:动态加权质心定位算法结合盲区、非集中区、集中区RSSI数据集分布差异特性以及加权质心定位WCL具有区域中心特性,加入动态因子,从而对未知节点MN位置进行求解。
2.根据权利要求1所述的基于扇形重叠区域聚类分析的定位方法,其特征在于:所述步骤S1具体包括以下步骤:
S11、对当前环境采样样本每个距离点d的k组数据进行极大似然估计,分别估算高斯分布Pr的均值与方差如下式所示:
S12、利用正态分布概率密度函数求解每个距离点d概率分别为α1的Pr1(d)与α2的Pr2(d),求解过程如下:
P[Pr(d)≤Pr1(d)]=F[Pr1(d)]=α1,
P[Pr(d)≥Pr2(d)]=1-F[Pr2(d)]=1-α2;
S13、筛选出每个距离点概率为[α1,α2]区间Pr值,即得在Pr1(d)与Pr2(d)之间的Pr值,将筛选的Pr值定义为高概率事件,把经高斯分布筛选得到的Pr存放到Beacon_val_gauss[m]中,各距离点RSSI均值由下式求得
其中m为经过高斯分布筛选Pr的个数;
S14、将求得的代入下式利用最小二乘法进行曲线拟合,得出拟合数学表达式
3.根据权利要求2所述的基于扇形重叠区域聚类分析的定位方法,其特征在于:所述步骤S3具体包括以下步骤:
S31、选取盲区、非集中区与集中区3个区域中质心作各区域簇的质心;
S32、计算所述3个区域中质心到四个参考节点BS1、BS2、BS3、BS4的距离,代入所述步骤S14中的RSSI高斯测距模型拟合曲线能够得各区域簇的质心对应基站的RSSI数据集,将各区域簇的质心RSSI数据集从大到小排序,得到各区域簇的质心RSSI数据集RSSIx;
S33、未知节点MN接收四个参考节点BS1、BS2、BS3、BS4的RSSI数据集,通过高斯数据处理并从大到小排序,得未知节点MN的RSSI数据集RSSIMN;
S34、计算未知节点MN与各区域簇的质心相异度,选择相似性函数欧几里得距离函数作为相似程度的判断,欧几里得距离公式如下式所示,其中RSSIx为各区域簇的质心RSSI数据集,p为RSSI数据集中所含的个数
S35、比较未知节点MN的数据集RSSIMN与各区域簇的质心RSSI数据集D(RSSIMN,RSSIx)差值,差值最小者,即可判断未知节点MN属于RSSI数据集RSSIx该区域内点。
4.根据权利要求2所述的基于扇形重叠区域聚类分析的定位方法,其特征在于:所述步骤S4具体包括以下步骤:
S41、分别测得AB,BC,CD,DA之间的RSSI值RSSIAB、RSSIBC、RSSICD、RSSIDA;
S42、在未知节点MN的数据集RSSIMN中,依据步骤S14求得拟合RSSI高斯测距曲线求出未知节点MN与四个参考节点BS1、BS2、BS3、BS4最近的距离dmin;
S43、选择RSSI测距校正模型,消除信号强度衰减指数n带来的影响:依据下式求得未知节点MN数据集RSSIMN最近点到参考节点的参考距离drefer_x,
其中,RSSIxy为测得AB,BC,CD,DA之间的RSSI参考测量值,RSSIMN_x与drefer_x中的x为根据各区域扇形覆盖区域个数进行的距离修正次数,在盲区距离修正次数为1,在距离修正次数为2,在集中区不需要进行距离修正;
S44、求最近距离dmin与参考距离drefer_x之间的误差绝对值derror_x;
S45、依据数据集RSSIMN最近点到参考节点对应的距离修正系数γ,根据式子
dmax_x=γ[Pr(1)-10nlog10(d)]
求数据集RSSIMN距离大于最近点的点的距离dmax_x;其中γ为距离修正系数,所述距离修正系数的计算公式为
γ=(1-β)τ,
τ为距离修正指数,β为距离修正百分比,所述距离修正百分比是指误差绝对值derror_x占最近距离dmin的百分比,计算公式为
5.根据权利要求1所述的基于扇形重叠区域聚类分析的定位方法,其特征在于:所述步骤S2中,所述集中区以半径为R的扇形覆盖四次的区域,非集中区以半径为R的扇形覆盖三次并去掉集中区的区域,盲区以半径为R的扇形覆盖两次并去掉集中区与非集中区的区域。
6.根据权利要求1所述的基于扇形重叠区域聚类分析的定位方法,其特征在于:所述步骤S5中,动态加权质心定位算法分别定义盲区、非集中区与集中区动态因子并使用加权质心定位WCL进行未知节点MN的位置求解,所用公式为
其中,ωj为对应第j个参考节点的动态因子,MN(x,y)为未知节点MN坐标,BSj(x,y)为第j个参考节点的坐标,z为参考节点个数;所述参考节点的动态因子分为三种情况:
盲区动态因子选取:
RSSIMN(1),RSSIMN(2)→ω1=ω2=1,
RSSIMN(3),RSSIMN(4)→ω3=ω4=2;
非集中区动态因子选取:
RSSIMN(1),RSSIMN(2)→ω1=ω2=1,
RSSIMN(3)→ω3=1,
RSSIMN(4)→ω4=2;
集中区动态因子选取:
RSSIMN(1),RSSIMN(2)→ω1=ω2=1,
RSSIMN(3),RSSIMN(4)→ω3=ω4=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510528044.6A CN105163385B (zh) | 2015-08-25 | 2015-08-25 | 一种基于扇形重叠区域聚类分析的定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510528044.6A CN105163385B (zh) | 2015-08-25 | 2015-08-25 | 一种基于扇形重叠区域聚类分析的定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105163385A CN105163385A (zh) | 2015-12-16 |
CN105163385B true CN105163385B (zh) | 2019-01-29 |
Family
ID=54804113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510528044.6A Expired - Fee Related CN105163385B (zh) | 2015-08-25 | 2015-08-25 | 一种基于扇形重叠区域聚类分析的定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105163385B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105652239B (zh) * | 2015-12-23 | 2017-11-28 | 深圳市国华光电研究院 | 一种自适应的高精度室内定位方法和*** |
CN107040890B (zh) * | 2017-03-22 | 2023-05-12 | 杭州冉驰科技有限公司 | 基于ar技术的社交方法、***及空间位置信息计算方法 |
CN108414975B (zh) * | 2018-02-05 | 2020-12-11 | 武汉理工大学 | 基于rssi序列匹配的船载节点定位方法 |
CN108882190B (zh) * | 2018-06-26 | 2020-07-10 | 北京永安信通科技股份有限公司 | 对象定位***、对象定位方法、对象定位装置和电子设备 |
CN109375168B (zh) * | 2018-11-16 | 2023-06-16 | 华南理工大学 | 一种基于rssi的低速移动车辆定位方法 |
CN109640254B (zh) * | 2019-01-04 | 2021-03-09 | 南京邮电大学 | 一种基于改进高斯滤波的加权质心定位算法 |
CN112305638A (zh) * | 2019-07-26 | 2021-02-02 | 西安光启未来技术研究院 | 一种有效感知范围识别方法及相关设备 |
CN111107495B (zh) * | 2019-12-02 | 2021-07-09 | 南京中科晶上通信技术有限公司 | 基于5g的用户终端、导航定位***及导航定位方法 |
CN113225664B (zh) * | 2020-01-19 | 2022-11-08 | 北京机械设备研究所 | 一种自身反定位方法与*** |
KR20220108317A (ko) * | 2021-01-27 | 2022-08-03 | 현대자동차주식회사 | 퍼스널 모빌리티, 그와 통신하는 서버 및 그 제어 방법 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101860959A (zh) * | 2010-06-04 | 2010-10-13 | 上海交通大学 | 基于rssi的无线传感器网络的定位方法 |
CN102938875A (zh) * | 2012-11-23 | 2013-02-20 | 重庆大学 | 基于rssi概率质心的无线传感网络定位方法 |
CN103533647A (zh) * | 2013-10-24 | 2014-01-22 | 福建师范大学 | 一种基于分簇机制及稳健回归的射频地图自适应定位方法 |
CN104363649A (zh) * | 2014-07-30 | 2015-02-18 | 浙江工业大学 | 带有约束条件的ukf的wsn节点定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100884544B1 (ko) * | 2007-03-29 | 2009-02-18 | 강릉대학교산학협력단 | 무선 센서 네트워크 구성을 위한 통신품질 측정방법 및휴대용 통신품질 측정 디바이스 |
-
2015
- 2015-08-25 CN CN201510528044.6A patent/CN105163385B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101860959A (zh) * | 2010-06-04 | 2010-10-13 | 上海交通大学 | 基于rssi的无线传感器网络的定位方法 |
CN102938875A (zh) * | 2012-11-23 | 2013-02-20 | 重庆大学 | 基于rssi概率质心的无线传感网络定位方法 |
CN103533647A (zh) * | 2013-10-24 | 2014-01-22 | 福建师范大学 | 一种基于分簇机制及稳健回归的射频地图自适应定位方法 |
CN104363649A (zh) * | 2014-07-30 | 2015-02-18 | 浙江工业大学 | 带有约束条件的ukf的wsn节点定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105163385A (zh) | 2015-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105163385B (zh) | 一种基于扇形重叠区域聚类分析的定位方法 | |
CN106102161B (zh) | 基于聚类算法分析数据优化的室内定位方法 | |
CN106131797B (zh) | 一种基于rssi测距的节水灌溉监测网络定位方法 | |
CN104635203B (zh) | 一种基于粒子滤波算法的无线电干扰源测向定位方法 | |
CN106125045B (zh) | 一种基于Wi-Fi的自适应混合室内定位方法 | |
CN105717483B (zh) | 一种基于多源定位方式的位置确定方法及装置 | |
CN106211194B (zh) | 一种基于统计模型的mr数据室内外分离方法 | |
CN103561463B (zh) | 一种基于样本聚类的rbf神经网络室内定位方法 | |
CN105142216B (zh) | 基于特征信号指纹库的室内外定位切换方法 | |
CN105472621B (zh) | 一种基于rssi的伪ap检测方法 | |
CN105491661B (zh) | 基于改进的Kalman滤波算法的室内定位***及方法 | |
CN106093852A (zh) | 一种提高WiFi指纹定位精度与效率的方法 | |
CN106908821A (zh) | 一种室内外无缝定位切换方法 | |
CN105898692B (zh) | 一种室内定位方法及装置 | |
CN106851573A (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
CN108919177B (zh) | 一种基于虚拟信源估计与轨迹校正的定位地图构建方法 | |
CN103747419B (zh) | 一种基于信号强度差值与动态线性插值的室内定位方法 | |
CN109996175B (zh) | 室内定位***和方法 | |
CN103905992A (zh) | 一种基于指纹数据的无线传感器网络的室内定位方法 | |
CN105338498A (zh) | 一种WiFi室内定位***中指纹库的构建方法 | |
CN102123495A (zh) | 基于rssi校正的无线传感器网络质心定位算法 | |
CN108882363A (zh) | 一种多方向采集结合聚类的WiFi指纹室内定位方法 | |
CN106970379B (zh) | 基于泰勒级数展开对室内目标的测距定位方法 | |
CN105635964A (zh) | 基于k中心点聚类的无线传感器网络节点定位方法 | |
CN102253426A (zh) | 采用空间密度聚类进行雷电运动预测的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190129 Termination date: 20210825 |