CN109041206A - 一种基于改进模糊核聚类的室内定位楼层判别方法 - Google Patents
一种基于改进模糊核聚类的室内定位楼层判别方法 Download PDFInfo
- Publication number
- CN109041206A CN109041206A CN201810710813.8A CN201810710813A CN109041206A CN 109041206 A CN109041206 A CN 109041206A CN 201810710813 A CN201810710813 A CN 201810710813A CN 109041206 A CN109041206 A CN 109041206A
- Authority
- CN
- China
- Prior art keywords
- floor
- cluster centre
- reference point
- rssi
- fingerprint database
- 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.)
- Pending
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开一种基于改进模糊核聚类的室内定位楼层判别方法，包括以下步骤：1、在定位区域的各个楼层中，采集仅该楼层内可见WiFi接入点(Access Point，AP)的接收信号强度(RSSI)，建立每个楼层对应的原始位置‑指纹数据库和所有AP在楼层间的信号强度分布范围数据库；2、采用改进的模糊核聚类算法，对原始位置‑指纹数据库进行聚类，得到带有分类标记的位置‑指纹数据库；3、根据实时采集的WiFi信号强度数据，利用粗分类和聚类中心判断待测点所在楼层。本发明基于粗分类和聚类的思想，能在室内定位中快速有效的判断待测点所在楼层。
Description
技术领域
本发明属于室内定位技术领域，特别涉及一种基于改进模糊核聚类的室内定位楼层判别方法。
背景技术
室内定位具有很好的应用前景，有大量学者对之进行探究，但在以往的相关研究中，多集中于同楼层的平面定位精度和性能，高度信息往往被忽略或者使用额外的硬件设备指示，甚至需要人为指定。而在大型多楼层室内场所中，高度信息是位置感知服务的重要组成部分，传统的基于二维平面的位置感知服务并不能满足用户需求。因此，多楼层的室内定位方案逐渐受到人们的关注。
WiFi信号因具有覆盖范围广，网络部署成本低，可用于通信等优点，在室内定位和跟踪领域中备受关注。目前基于WiFi信号的室内定位方法大多采用基于信号强度的位置指纹法，而WiFi信号每穿过一次楼层时，都会出现剧烈衰减，这导致不同楼层间同一AP的信号强度有明显的区别，可以利用这种现象进行楼层判别，实现多楼层室内定位。
但是，一般大型建筑物中为保证网络的无死角覆盖和通信质量，布置了足够数量的企业级AP，其信号穿透力较强，因此同一个AP的信号可能出现在多个楼层，且在相邻楼层间的差异不是特别明显。如果选用定位区域内的所有AP进行楼层判别，则会存在严重的信息冗余现象，并可能导致楼层判别结果不够准确。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供一种基于改进模糊核聚类的室内定位楼层判别方法，能够快速准确得实现室内定位中的楼层判别。
技术方案：为解决上述技术问题，本发明提供一种基于改进模糊核聚类的室内定位楼层判别方法，包括如下步骤：
(1)在p个楼层的室内定位区域中，分布有q个可见AP，在各楼层选取定位参考点，采集各楼层可见AP的RSSI后建立各楼层的原始位置-指纹数据库，采集完毕后，分析并建立各楼层间所有AP的分布范围数据库；
(2)对步骤(1)中建立的各楼层的原始位置-指纹数据库，利用优化的快速搜索和发现密度峰值即CFSFDP方法，确定各楼层的聚类数目和聚类中心，将所得各个楼层的聚类数目和聚类中心作为模糊核聚类算法的输入参数，并利用模糊核聚类的聚类结果，在各楼层的原始位置-指纹数据库中加入分类标记，形成带有分类标记的指纹数据库；
(3)在待测点上采集一组来自所有可见AP的RSSI值，先与楼层间所有AP的分布范围数据库进行比较，得到粗分类结果，若结果唯一，则直接确定待测点所在楼层，否则，利用聚类中心判定待测点所在楼层。
进一步的，所述步骤(1)中建立各楼层的原始位置-指纹数据库和各楼层间所有AP的分布范围数据库的具体步骤如下：
(1.1)首先，对定位区域的q个可见AP按照MAC地址从1～q进行编号，然后，对每一楼层定义集合(f＝1,2,...,p)，Qf表示各个楼层可见AP的编号集合，其中p为总楼层数，f为楼层编号，qf为第f楼层内可见AP的个数，该集合元素nums的取值范围为1≦nums≦q，s为正整数；在每个参考点处采集k次WiFi的RSSI值，得到一个k×qf阶矩阵，矩阵的第t行第s列表示第t次接收到的来自编号为nums的可见AP的RSSI值；k，qf，t，s均为正整数，1≦t≦k,1≦s≦qf；
(1.2)将每个参考点处得到的k×qf阶矩阵的列向量的所有元素相加后取平均值，得到该参考点的指纹信息，该指纹信息为一个qf维行向量该行向量的第s列元素表示在参考点nf,i处进行k次采样之后来自第nums个AP的RSSI平均值；然后将该参考点的二维位置坐标lf,i(xf,i,yf,i)与指纹信息存入该参考点所在楼层的原始位置-指纹数据库中；全部参考点采集处理完毕后形成各楼层的原始位置-指纹数据库；若参考点上检测不到某些AP时，则用默认值-110dBm代替；
(1.3)对于定位区域的q个可见AP，根据各个楼层的原始位置-指纹数据库的信息，第f楼层第j个AP的RSSI范围为1≦j≦q，若该楼层某个AP不可见，将其RSSI范围设为(-110dBm，-110dBm)，由此构建所有AP在每个楼层的分布范围数据库DR，其中DR为一个p×2q的空间，奇数列存储每个AP RSSI范围的最小值，偶数列存储每个APRSSI范围的最大值。
进一步的，所述步骤(2)中对每个楼层的原始位置-指纹数据进行聚类，将原始位置-指纹数据库中加入分类标记的具体步骤如下：
(2.1)将第f楼层的原始位置-指纹数据库中的指纹数据作为CFSFDP算法的输入，从而确定聚类数目和聚类中心，其中，将参考点nf,i的K个近邻距离之和作为该参考点的局部密度ρi，即r∈KNN(i)表示参考点nf,iK个近邻的参考点序号，d(nf,i,nf,r)表示参考点nf,i和nf,r之间的欧式距离，具体计算公式为
，
利用此方式进行优化以适用于参考点选取不均匀的定位场景；
(2.2)将得到的聚类数目和聚类中心作为模糊核聚类算法的聚类数目和初始聚类中心，对隶属度和聚类中心更新迭代后得到最终的聚类中心，其中核函数选取为高斯核函数；
(2.3)对于第f楼层除聚类中心之外的其它参考点，计算出与各个聚类中心的欧式距离，并将其与距离最近的聚类中心归为同一类，并在该楼层的原始-位置指纹数据库中添加类别标记，生成带有分类标记的位置-指纹数据库。
进一步的，所述步骤(3)中利用粗分类和聚类中心确定待测点所在楼层的具体步骤如下：
(3.1)待测点采集一组来自所有AP的RSSI数据；
(3.2)与数据库DR做比较，通过判断每个AP信号强度的所属范围进行粗分类；
(3.3)判断分类结果是否唯一，如果结果唯一则将粗分类结果作为楼层判别结果，如果结果不唯一则进入步骤(3.4)；
(3.4)计算最近的聚类中心，将该聚类中心所在楼层号作为楼层判别结果。
进一步的，所述步骤(3)中利用粗分类和聚类中心确定待测点所在楼层的详细步骤如下：
(3.1)在待测点处实时采集一组来自所有AP的RSSI数据，构成在线指纹向量
(3.2)通过与数据库DR做比对，判断采集到的信号强度的所属范围，若属于该范围，即对于某一楼层f，则该楼层得分+1，将得分最高的楼层号作为楼层粗分类判别结果；
(3.3)若出现两个或多个楼层得分相同，则根据步骤(2)得到的聚类结果和欧式距离计算公式，计算与之最近的聚类中心，返回此聚类中心所在楼层号；在寻找最近的聚类中心时，实时采集的RSSI向量维数为q，各个楼层的子位置指纹数据库的维数为qf，两者不一致，根据步骤(1.1)定义的集合Qf，在指纹向量S中取相应下标的元素，将其降维到与要计算楼层一致的维数，再计算两者之间的欧式距离。
与现有技术相比，本发明的优点在于：本发明能够在室内定位中，利用现有硬件部署设施快速准确的判别楼层，实现多楼层室内定位中的楼层判别，并且提高了楼层判别的准确性。
附图说明
图1为本发明的总体流程图；
图2为具体实施例中室内定位区域1楼的平面示意图；
图3为具体实施例中室内定位区域2楼的平面示意图；
图4为具体实施例中室内定位区域3楼的平面示意图；
图5为图1中利用粗分类和聚类中心确定待测点所在楼层的流程图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。本发明描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的其他实施例，都属于本发明所保护的范围。
如图1所示：一种基于改进模糊核聚类的室内定位楼层判别方法，包括以下步骤：
步骤一：在p个楼层的室内定位区域中，分布有q个可见AP，其中第f楼层的可见AP个数为qf(1≤f≤p)，在该楼层内选取nf个参考点，病在每个参考点采集k次来自qf个AP的RSSI值，进行数据处理后建立该楼层的原始位置-指纹数据库，并建立各楼层间所有AP的分布范围数据库；该步骤的具体过程为：
步骤1.1：首先，对定位区域的q个可见AP按照MAC地址从1～q进行编号，然后，对每一楼层定义集合(f＝1,2,...,p)，Qf表示各个楼层可见AP的编号集合，其中p为总楼层数，f为楼层编号，qf为第f楼层内可见AP的个数，该集合元素nums的取值范围为1≦nums≦q，s为正整数。在每个参考点处采集k次WiFi的RSSI值，得到一个k×qf阶矩阵，矩阵的第t行第s列表示第t次接收到的来自编号为nums的可见AP的RSSI值；k，qf，t，s均为正整数,1≦t≦k,1≦s≦qf；
步骤1.2：将每个参考点处得到的k×qf阶矩阵的列向量的所有元素相加后取平均值，得到该参考点的指纹信息，该指纹信息为一个qf维行向量该行向量的第s列元素表示在参考点nf,i处进行k次采样之后来自第nums个AP的RSSI平均值。然后将该参考点的二维位置坐标lf,i(xf,i,yf,i)与指纹信息存入该参考点所在楼层的原始位置-指纹数据库中。全部参考点采集处理完毕后形成各楼层的原始位置-指纹数据库。若参考点上检测不到某些AP时，则用默认值-110dBm代替；
步骤1.3：对于定位区域的q个可见AP，根据各个楼层的原始位置-指纹数据库的信息，第f楼层第j个AP的RSSI范围为1≦j≦q，若该楼层某个AP不可见，将其RSSI范围设为(-110dBm，-110dBm)，由此构建所有AP在每个楼层的分布范围数据库DR，其中DR为一个p×2q的空间，奇数列存储每个AP RSSI范围的最小值，偶数列存储每个APRSSI范围的最大值。本实施步骤为后续聚类和定位匹配提供了位置指纹数据库样本，并建立了楼层判别方法中所需的楼层间所有AP的分布范围指纹库DR。
步骤二：对各楼层的原始位置-指纹数据库，利用CFSFDP方法，确定每个楼层的聚类数目和聚类中心，将所得各楼层的聚类数目和聚类中心作为模糊核聚类算法的输入参数，并利用模糊核聚类的聚类结果，在各楼层的原始位置-指纹数据库中加入分类标记；该步骤的具体过程为：
步骤2.1：将第f楼层的原始位置-指纹数据库中的指纹数据作为CFSFDP算法的输入，从而确定聚类数目和聚类中心，其中，将参考点nf,i的K个近邻距离之和作为该参考点的局部密度ρi，即r∈KNN(i)表示参考点nf,iK个近邻的参考点序号，d(nf,i,nf,r)表示参考点nf,i和nf,r之间的欧式距离，具体计算公式为
，
利用此方式进行优化以适用于参考点选取不均匀的定位场景；
步骤2.2：将得到的聚类数目和聚类中心作为模糊核聚类算法的聚类数目和初始聚类中心，对隶属度和聚类中心更新迭代后得到最终的聚类中心，其中核函数选取为高斯核函数。
步骤2.3：对于第f楼层除聚类中心之外的其它参考点，计算出与各个聚类中心的欧式距离，并将其与距离最近的聚类中心归为同一类，并在该楼层的原始-位置指纹数据库中添加类别标记，生成带有分类标记的位置-指纹数据库。
本实施步骤对定位区域的位置指纹数据进行有效准确的分类，并能适用于参考点选取密度不均匀的情况，能在一定程度上提高聚类结果的精度，为步骤三中待测点类别划分奠定基础。
步骤三：随机在定位场景中选取一测试点，在待测点上采集一组来自所有可见AP的RSSI值，先与楼层间所有AP的分布范围数据库进行比较，得到粗分类结果，若结果唯一，则直接确定待测点所在楼层，否则，利用聚类中心判定待测点所在楼层；该步骤的具体过程为：
步骤3.1：在待测点处实时采集一组来自所有AP的RSSI数据，构成在线指纹向量
步骤3.2：通过与数据库DR做比对，判断采集到的信号强度的所属范围，若属于该范围，即对于某一楼层f，则该楼层得分+1，将得分最高的楼层号作为楼层粗分类判别结果；
步骤3.3：若出现两个或多个楼层得分相同，则根据步骤二得到的聚类结果和欧式距离计算公式，计算与之最近的聚类中心，返回此聚类中心所在楼层号。在寻找最近的聚类中心时，实时采集的RSSI向量维数为q，各个楼层的子位置指纹数据库的维数为qf，两者不一致，根据步骤1.1定义的集合Qf，在指纹向量S中取相应下标的元素，将其降维到与要计算楼层一致的维数，再计算两者之间的欧式距离。
实例：
在本发明的一个较佳实例中，在图2-4所示的室内定位场景中进行实验，图中虚线表示参考点采集路径，每个参考点间隔距离为1m；该场景总共有3个楼层，每层楼的面积50m×20m，主要有办公室、会议室、洗手间、楼梯几种布局，无线接入点采用学校在走廊统一部署的SSID为“seu-wlan”的接入点，布设位置未知，1、2、3楼可见AP个数分别为48、51、42，三层楼总共有82个可见AP。红色虚线表示参考点采集路径，相邻参考点之间间隔为1m，共采集171个参考点，其中1、2、3楼参考点个数分别为50、31、90。
使用华为荣耀8(青春版)智能手机，编写LIPS软件，在每个楼层的参考点上采集来自仅该楼层的可见AP的RSSI值，采样周期为1s，每个参考点采集60组RSSI值以及相关AP的信息。将所有参考点的指纹信息按照步骤1.2取平均值后，与位置坐标共同存储入该楼层的位置-指纹数据库，如表1所示，其中，APs表示第s个AP，通过MAC信息对定位场景中所有AP进行编号。根据各楼层参考点的RSSI信息，按照步骤1.3建立所有AP在各楼层间的分布范围数据库，如表2所示。将各楼层的原始位置-指纹数据库的数据作为改进模糊核聚类算法的输入数据，进行数据聚类，建立各楼层带分类标记的位置指纹数据库。
在本发明的实验环境中，随机选取不同楼层的45个测试点进行测试，每个测试点采集来自82个AP的RSSI值30次，总共得到45×30＝1350个待测点的RSSI在线指纹向量，按照步骤三进行楼层判别。经过统计，楼层判别准确率可以达到97.8％。本发明将粗分类和改进模糊核聚类的聚类中心用作室内定位中的楼层判别，楼层判别准确率较高，并且能够适用于参考点选取不均匀的定位场景。
以上所述仅为本发明的较佳实施例，对发明而言仅仅是说明性的，而非限制性的。凡在本发明权利要求所限定的原则之内对其进行修改，改变或等同替换，均应包含在本发明的保护范围之内。本发明未作详细阐述的内容属于本专业领域技术人员公知的已有技术。
表1为每个参考点进行60次采集平均后的位置指纹数据(RSSI信号单位：dBm)
Floor1：
Floor2：
| x | y | AP1 | AP49 | AP3 | AP4 | AP5 | … | AP44 | AP45 | AP46 | AP47 | AP48 |
| 10 | 20 | -95 | -66 | -72 | -49 | -110 | … | -75 | -110 | -81 | -110 | -110 |
| 10 | 21 | -90 | -70 | -110 | -44 | -110 | … | -74 | -110 | -110 | -110 | -110 |
| 10 | 22 | -93 | -61 | -70 | -56 | -110 | … | -74 | -110 | -110 | -110 | -81 |
| … | … | … | … | … | … | … | … | … | … | … | … | … |
Floor3：
| x | y | AP49 | AP7 | AP65 | AP66 | AP67 | … | AP42 | AP81 | AP44 | AP46 | AP82 |
| 18 | 17 | -65 | -83 | -110 | -110 | -110 | … | -110 | -68 | -70 | -110 | -110 |
| 17 | 17 | -71 | -85 | -110 | -110 | -110 | … | -110 | -67 | -65 | -110 | -110 |
| 16 | 17 | -61 | -88 | -110 | -110 | -110 | … | -110 | -64 | -68 | -110 | -110 |
| … | … | … | … | … | … | … | … | … | … | … | … | .. |
表2为楼层间所有AP的分布范围数据(RSSI信号单位：dBm)
| Floor | rssiminAP1 | rssimaxAP1 | rssiminAP2 | rssimaxAP2 | … | rssiminAP82 | rssimaxAP82 |
| 1 | -110 | -90 | -79 | -63.73 | … | -110 | -110 |
| 2 | -110 | -79 | -110 | -110 | … | -110 | -110 |
| 3 | -110 | -110 | -110 | -110 | … | -110 | -39.27 |
Claims (5)
1.一种基于改进模糊核聚类的室内定位楼层判别方法，其特征在于，包括如下步骤：
(1)在p个楼层的室内定位区域中，分布有q个可见AP，在各楼层选取定位参考点，采集各楼层可见AP的RSSI后建立各楼层的原始位置-指纹数据库，采集完毕后，分析并建立各楼层间所有AP的分布范围数据库；
(2)对步骤(1)中建立的各楼层的原始位置-指纹数据库，利用优化的快速搜索和发现密度峰值即CFSFDP方法，确定各楼层的聚类数目和聚类中心，将所得各个楼层的聚类数目和聚类中心作为模糊核聚类算法的输入参数，并利用模糊核聚类的聚类结果，在各楼层的原始位置-指纹数据库中加入分类标记，形成带有分类标记的指纹数据库；
(3)在待测点上采集一组来自所有可见AP的RSSI值，先与楼层间所有AP的分布范围数据库进行比较，得到粗分类结果，若结果唯一，则直接确定待测点所在楼层，否则，利用聚类中心判定待测点所在楼层。
2.根据权利要求1所述的一种基于改进模糊核聚类的室内定位楼层判别方法，其特征在于，所述步骤(1)中建立各楼层的原始位置-指纹数据库和各楼层间所有AP的分布范围数据库的具体步骤如下：
(1.1)首先，对定位区域的q个可见AP按照MAC地址从1～q进行编号，然后，对每一楼层定义集合Qf表示各个楼层可见AP的编号集合，其中p为总楼层数，f为楼层编号，qf为第f楼层内可见AP的个数，该集合元素nums的取值范围为1≦nums≦q，s为正整数；在每个参考点处采集k次WiFi的RSSI值，得到一个k×qf阶矩阵，矩阵的第t行第s列表示第t次接收到的来自编号为nums的可见AP的RSSI值；k，qf，t，s均为正整数，1≦t≦k,1≦s≦qf；
(1.2)将每个参考点处得到的k×qf阶矩阵的列向量的所有元素相加后取平均值，得到该参考点的指纹信息，该指纹信息为一个qf维行向量该行向量的第s列元素表示在参考点nf,i处进行k次采样之后来自第nums个AP的RSSI平均值；然后将该参考点的二维位置坐标lf,i(xf,i,yf,i)与指纹信息存入该参考点所在楼层的原始位置-指纹数据库中；全部参考点采集处理完毕后形成各楼层的原始位置-指纹数据库；若参考点上检测不到某些AP时，则用默认值-110dBm代替；
(1.3)对于定位区域的q个可见AP，根据各个楼层的原始位置-指纹数据库的信息，第f楼层第j个AP的RSSI范围为 若该楼层某个AP不可见，将其RSSI范围设为(-110dBm，-110dBm)，由此构建所有AP在每个楼层的分布范围数据库DR，其中DR为一个p×2q的空间，奇数列存储每个AP RSSI范围的最小值，偶数列存储每个APRSSI范围的最大值。
3.根据权利要求1所述的一种基于改进模糊核聚类的室内定位楼层判别方法，其特征在于，所述步骤(2)中对每个楼层的原始位置-指纹数据进行聚类，将原始位置-指纹数据库中加入分类标记的具体步骤如下：
(2.1)将第f楼层的原始位置-指纹数据库中的指纹数据作为CFSFDP算法的输入，从而确定聚类数目和聚类中心，其中，将参考点nf,i的K个近邻距离之和作为该参考点的局部密度ρi，即r∈KNN(i)表示参考点nf,iK个近邻的参考点序号，d(nf,i,nf,r)表示参考点nf,i和nf,r之间的欧式距离，具体计算公式为
，
利用此方式进行优化以适用于参考点选取不均匀的定位场景；
(2.2)将得到的聚类数目和聚类中心作为模糊核聚类算法的聚类数目和初始聚类中心，对隶属度和聚类中心更新迭代后得到最终的聚类中心，其中核函数选取为高斯核函数；
(2.3)对于第f楼层除聚类中心之外的其它参考点，计算出与各个聚类中心的欧式距离，并将其与距离最近的聚类中心归为同一类，并在该楼层的原始-位置指纹数据库中添加类别标记，生成带有分类标记的位置-指纹数据库。
4.根据权利要求1所述的一种基于改进模糊核聚类的室内定位楼层判别方法，其特征在于，所述步骤(3)中利用粗分类和聚类中心确定待测点所在楼层的具体步骤如下：
(3.1)待测点采集一组来自所有AP的RSSI数据；
(3.2)与数据库DR做比较，通过判断每个AP信号强度的所属范围进行粗分类；
(3.3)判断分类结果是否唯一，如果结果唯一则将粗分类结果作为楼层判别结果，如果结果不唯一则进入步骤(3.4)；
(3.4)计算最近的聚类中心，将该聚类中心所在楼层号作为楼层判别结果。
5.根据权利要求1所述的一种基于改进模糊核聚类的室内定位楼层判别方法，其特征在于，所述步骤(3)中利用粗分类和聚类中心确定待测点所在楼层的详细步骤如下：
(3.1)在待测点处实时采集一组来自所有AP的RSSI数据，构成在线指纹向量
(3.2)通过与数据库DR做比对，判断采集到的信号强度的所属范围，若属于该范围，即对于某一楼层f，则该楼层得分+1，将得分最高的楼层号作为楼层粗分类判别结果；
(3.3)若出现两个或多个楼层得分相同，则根据步骤(2)得到的聚类结果和欧式距离计算公式，计算与之最近的聚类中心，返回此聚类中心所在楼层号；在寻找最近的聚类中心时，实时采集的RSSI向量维数为q，各个楼层的子位置指纹数据库的维数为qf，两者不一致，根据步骤(1.1)定义的集合Qf，在指纹向量S中取相应下标的元素，将其降维到与要计算楼层一致的维数，再计算两者之间的欧式距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810710813.8A CN109041206A (zh) | 2018-07-03 | 2018-07-03 | 一种基于改进模糊核聚类的室内定位楼层判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810710813.8A CN109041206A (zh) | 2018-07-03 | 2018-07-03 | 一种基于改进模糊核聚类的室内定位楼层判别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109041206A true CN109041206A (zh) | 2018-12-18 |
Family
ID=65522315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810710813.8A Pending CN109041206A (zh) | 2018-07-03 | 2018-07-03 | 一种基于改进模糊核聚类的室内定位楼层判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109041206A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110231593A (zh) * | 2019-04-11 | 2019-09-13 | 深圳市城市交通规划设计研究中心有限公司 | 室内定位方法、装置、计算机可读存储介质及终端设备 |
| CN110958584A (zh) * | 2019-12-05 | 2020-04-03 | 江南大学 | 一种基于接收信号强度的层次分类室内定位方法 |
| CN111639712A (zh) * | 2020-05-29 | 2020-09-08 | 北斗数睿(北京)科技有限公司 | 一种基于密度峰值聚类和梯度提升算法的定位方法及*** |
| WO2020232869A1 (zh) * | 2019-05-21 | 2020-11-26 | 平安科技（深圳）有限公司 | 室内定位方法、装置、***、设备及存储介质 |
| CN112738714A (zh) * | 2020-12-29 | 2021-04-30 | 北京邮电大学 | 楼宇的楼层识别方法、电子设备及计算机可读存储介质 |
| CN113079468A (zh) * | 2021-03-23 | 2021-07-06 | 西安交通大学 | 一种基于Wifi信号RSSI特征的室内定位方法、*** |
| CN113075648A (zh) * | 2021-03-19 | 2021-07-06 | 中国舰船研究设计中心 | 一种无人集群目标定位信息的聚类与滤波方法 |
| CN113905326A (zh) * | 2021-11-15 | 2022-01-07 | 广州瀚信通信科技股份有限公司 | 基于5g网络的室内用户位置定位方法及装置 |
| CN114286282A (zh) * | 2021-11-18 | 2022-04-05 | 中国科学院空天信息创新研究院 | 基于手机WiFi RSS数据和降维算法的指纹定位方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102056293A (zh) * | 2010-12-10 | 2011-05-11 | 北京星网锐捷网络技术有限公司 | 射频指纹定位方法、***、无线控制器及定位服务器 |
| CN102135429A (zh) * | 2010-12-29 | 2011-07-27 | 东南大学 | 一种基于视觉的机器人室内定位导航方法 |
| CN103916821A (zh) * | 2014-04-11 | 2014-07-09 | 北京工业大学 | 一种基于楼层间rssi差异的楼层判别方法 |
| CN108151744A (zh) * | 2017-12-20 | 2018-06-12 | 四川长虹电器股份有限公司 | 基于a-star算法的室内导航*** |
| CN108156580A (zh) * | 2017-12-19 | 2018-06-12 | 江西师范大学 | 一种基于智能手机的室内楼层定位方法 |
-
2018
- 2018-07-03 CN CN201810710813.8A patent/CN109041206A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102056293A (zh) * | 2010-12-10 | 2011-05-11 | 北京星网锐捷网络技术有限公司 | 射频指纹定位方法、***、无线控制器及定位服务器 |
| CN102135429A (zh) * | 2010-12-29 | 2011-07-27 | 东南大学 | 一种基于视觉的机器人室内定位导航方法 |
| CN103916821A (zh) * | 2014-04-11 | 2014-07-09 | 北京工业大学 | 一种基于楼层间rssi差异的楼层判别方法 |
| CN108156580A (zh) * | 2017-12-19 | 2018-06-12 | 江西师范大学 | 一种基于智能手机的室内楼层定位方法 |
| CN108151744A (zh) * | 2017-12-20 | 2018-06-12 | 四川长虹电器股份有限公司 | 基于a-star算法的室内导航*** |
Non-Patent Citations (2)
| Title |
|---|
| 杜凯颖 等: "基于改进模糊核聚类的室内定位方法研究", 《测控技术》 * |
| 邓中亮 等: "一种基于K-means算法的WLAN室内定位楼层判别方法", 《软件》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110231593A (zh) * | 2019-04-11 | 2019-09-13 | 深圳市城市交通规划设计研究中心有限公司 | 室内定位方法、装置、计算机可读存储介质及终端设备 |
| WO2020232869A1 (zh) * | 2019-05-21 | 2020-11-26 | 平安科技（深圳）有限公司 | 室内定位方法、装置、***、设备及存储介质 |
| CN110958584A (zh) * | 2019-12-05 | 2020-04-03 | 江南大学 | 一种基于接收信号强度的层次分类室内定位方法 |
| CN110958584B (zh) * | 2019-12-05 | 2021-06-25 | 江南大学 | 一种基于接收信号强度的层次分类室内定位方法 |
| CN111639712A (zh) * | 2020-05-29 | 2020-09-08 | 北斗数睿(北京)科技有限公司 | 一种基于密度峰值聚类和梯度提升算法的定位方法及*** |
| CN112738714A (zh) * | 2020-12-29 | 2021-04-30 | 北京邮电大学 | 楼宇的楼层识别方法、电子设备及计算机可读存储介质 |
| CN112738714B (zh) * | 2020-12-29 | 2021-11-30 | 北京邮电大学 | 楼宇的楼层识别方法、电子设备及计算机可读存储介质 |
| CN113075648B (zh) * | 2021-03-19 | 2024-05-17 | 中国舰船研究设计中心 | 一种无人集群目标定位信息的聚类与滤波方法 |
| CN113075648A (zh) * | 2021-03-19 | 2021-07-06 | 中国舰船研究设计中心 | 一种无人集群目标定位信息的聚类与滤波方法 |
| CN113079468A (zh) * | 2021-03-23 | 2021-07-06 | 西安交通大学 | 一种基于Wifi信号RSSI特征的室内定位方法、*** |
| CN113079468B (zh) * | 2021-03-23 | 2022-12-09 | 西安交通大学 | 一种基于Wifi信号RSSI特征的室内定位方法、*** |
| CN113905326B (zh) * | 2021-11-15 | 2023-07-14 | 广州瀚信通信科技股份有限公司 | 基于5g网络的室内用户位置定位方法及装置 |
| CN113905326A (zh) * | 2021-11-15 | 2022-01-07 | 广州瀚信通信科技股份有限公司 | 基于5g网络的室内用户位置定位方法及装置 |
| CN114286282A (zh) * | 2021-11-18 | 2022-04-05 | 中国科学院空天信息创新研究院 | 基于手机WiFi RSS数据和降维算法的指纹定位方法 |
| CN114286282B (zh) * | 2021-11-18 | 2023-12-26 | 中国科学院空天信息创新研究院 | 基于手机WiFi RSS数据和降维算法的指纹定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109041206A (zh) | 一种基于改进模糊核聚类的室内定位楼层判别方法 | |
| CN107948930A (zh) | 基于位置指纹算法的室内定位优化方法 | |
| CN106131959B (zh) | 一种基于Wi-Fi信号空间划分的两级定位方法 | |
| CN107241700B (zh) | 基于csi空频特性和参考点位置聚类算法的室内定位方法 | |
| CN103747524B (zh) | 一种基于云平台的Android终端室内定位方法 | |
| CN105223546B (zh) | 基于接收信号强度和参考点位置双聚类的室内定位方法 | |
| CN110557716B (zh) | 一种基于对数正态模型的室内定位方法 | |
| He et al. | Tilejunction: Mitigating signal noise for fingerprint-based indoor localization | |
| CN104302000B (zh) | 基于信号接收强度指示相关性的室内定位方法 | |
| CN108696932A (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
| CN106093852A (zh) | 一种提高WiFi指纹定位精度与效率的方法 | |
| CN104540221B (zh) | 基于半监督sde算法的wlan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 | |
| CN104038901B (zh) | 一种减少指纹数据采集工作量的室内定位方法 | |
| Liu et al. | Localization algorithm of indoor Wi-Fi access points based on signal strength relative relationship and region division. | |
| Ding et al. | Efficient indoor fingerprinting localization technique using regional propagation model | |
| CN107182036A (zh) | 基于多维特征融合的自适应位置指纹定位方法 | |
| CN102695272B (zh) | 一种匹配定位的方法和移动终端 | |
| CN107367277B (zh) | 基于二次K-Means聚类的室内位置指纹定位方法 | |
| CN109511085B (zh) | 一种基于MeanShift和加权k近邻算法的UWB指纹定位方法 | |
| CN107677989B (zh) | 一种基于rssi最大值进行rssi去除噪声的室内位置定位方法 | |
| CN108882363A (zh) | 一种多方向采集结合聚类的WiFi指纹室内定位方法 | |
| CN104581945B (zh) | 基于距离约束的半监督apc聚类算法的wlan室内定位方法 | |
| CN109059919B (zh) | 一种基于众包样本加权曲面拟合的室内定位方法 | |
| CN109945865A (zh) | 基于WiFi与地磁融合的室内定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |