基于RSS指纹数据库的二次模糊聚类室内定位方法

摘要

本发明涉及基于RSS指纹数据库的二次模糊聚类室内定位方法。包括如下步骤：步骤一：设置室内信标节点位置，组成室内定位系统；步骤二：选择参考点位置，测量参考点接受的RSS向量，建立RSS指纹数据库；步骤三：第一次聚类，得到与待定位点同类的点；步骤四：得到与待定位点最相似的一半的参考点，求出全局最近点；步骤五：第二次聚类，得到与全局最近点同类的点；步骤六：依照相似度对各点加权，计算待定位点坐标；本发明的有益效果是：基于RSS指纹数据库的定位方法，可有效避免多径和非视距等对定位精度的影响，并且无需额外设施支持，降低了定位算法复杂度和定位系统成本。

说明书

技术领域

本发明是模糊识别领域内的一种室内定位方法，具体涉及到基于RSS（Received  Signal Strength）数据库的二次模糊聚类室内定位方法。

背景技术

定位技术是现今最重要的信息技术之一，大到关乎国家安全的国防军事，小到平常百 姓的日常生活，都需要很多位置信息的辅助。传统的定位技术都是一些大型的定位系统， 一般用于室外环境，例如美国的GPS和中国的北斗卫星导航系统。然而对于很多结构复杂 的室内环境，这些定位系统信号被墙体等障碍物阻隔，无法对室内提供定位，所以室内定 位技术很好的补充了大型室外定位系统的不足。

室内定位技术在商业、公共安全等方面的应用前景非常广阔。在商业应用上，室内定 位系统可以用来跟踪定位有特殊需求的人、远离视线监管的小孩，给盲人导航，在医院内 定位需要用到的仪器设备，大型仓库中的调度等；在公共安全方面，室内定位系统可以用 来跟踪监狱犯人，导航警察、消防员等以完成他们在室内的任务。

现阶段常用的室内定位方法一般分为基于基础设施和无基础设施。基于基础设施的方法有的是在通 信节点上安装红外或超声波传感器，例如Active Badge和Cricket系统。但由于传输距离和视距的限制， 这种系统使用范围很有限，而且定位精度依赖节点密集度。另外还有的基于基础设施的使用测角度的传 感器阵列和高精度的定时器，例如到达角度定位（Angle of Arrival，AOA），到达时间定位（Time of Arrival， TOA）等方法，这类方法的定位系统造价昂贵，而且定位精度往往不理想。无基础设施的方法就是直 接使用定位节点通信使用的射频信号强度RSS定位。传统的传统的RSS室内定位方法一般使用距离-损 耗模型，在多径传播效应，以及信号衰减规律异常复杂的室内环境下，精度很不稳定。

发明内容

本发明的目的是为了克服传统的RSS室内定位方法的不足，提出了基于RSS指纹数据库的 二次模糊聚类室内定位方法。

本发明的技术方案是：基于RSS指纹数据库的二次模糊聚类室内定位方法，包括如下 步骤：

步骤一：设置室内信标节点位置，组成室内定位系统；

步骤二：选择参考点位置，测量参考点接受的RSS向量，建立RSS指纹数据库；

步骤三：第一次聚类，得到与待定位点同类的点；

步骤四：得到与待定位点最相似的一半的参考点，求出全局最近点；

步骤五：第二次聚类，得到与全局最近点同类的点；

步骤六：依照相似度对各点加权，计算待定位点坐标；

本发明的有益效果是：基于RSS指纹数据库的定位方法，可有效避免多径和非视距等 对定位精度的影响，并且无需额外设施支持，降低了定位算法复杂度和定位系统成本。

附图说明

图1为本发明的主流程图。

图2为本发明具体实施例中的信标节点和参考点布局图；图中六角星点为信标节点， 空心圆点为参考点。

图3为本发明具体实施例中的步骤二处理后的结果；其中实心黑点（2-6编号）为聚类 后与待定位节点（1编号）同类的参考点。

图4为本发明具体实施例中的步骤三处理后的结果；其中菱形符点（3,5编号）和叉形 符点（4编号）为选出的与待定位点最相似的一半的点，叉形符点（4编号）是这些点的全 局最近点。

图5为本发明具体实施例中的步骤四和步骤五处理的结果；其中星形符点（5,6编号） 为全局最近点（4编号）的同类点，十字符点（7编号）为本发明计算出的待定位点的位置， 方形符点（8编号）为CC2431计算出的待定位点位置。

具体实施方式

下面结合附图和具体实施例对本发明具体实施方案做进一步的说明。本发明的实验过 程采用TI公司的射频芯片CC2431作为节点平台，该款芯片内部自带定位引擎，本发明的 实验结果将与该款芯片自定位数据进行比较，但是本领域的普通计算人员应该意识到，此 处选择何种具体射频芯片并不意味着本发明的方法只能适用于该芯片，本发明的方法是可 以脱离具体型号的芯片而独立存在的。

基于RSS指纹数据库的二次模糊聚类室内定位方法（以下简称本发明方法）主要分为 RSS指纹数据库建立阶段和定位阶段。RSS指纹数据库建立阶段，首先选择定位系统覆盖 范围内参考点的位置，然后记录各参考点位置处接收到的各信标节点的RSS值，将这些值 组成该参考点特有的RSS向量（也就是RSS指纹），存入数据库。定位阶段，将待定位点 处测得的RSS向量与RSS指纹数据库中的进行匹配，根据匹配结果，估算出待定位点的 位置。常用的匹配方法，例如最近邻法、K近邻法、概率法等，它们只是简单的求取RSS 向量距离或者做一些概率分析，精度受到参考点密度高低的影响；另外，由于多径效应， 有可能两个位置差异较大的参考点其RSS向量距离却较近，这是传统的匹配方法无法克服 的。而该RSS指纹数据库定位方法有效解决了这些问题。

本发明方法使用的模糊聚类方法可针对不同待定位点的RSS向量和待定位点所在室内 区域内信号分布特点进行动态聚类，每次聚类的分类数和各类中的元素个数不定，使算法 更智能、自主，分类也更客观、合理。同时，该方法使用全局最近点，以位置坐标聚类求 出与全局最近点同类的参考点，有效滤除了一些仅仅与待定位点RSS向量相似但物理距离 却较远的噪音点。最后，该方法提出以相似度的不同给参考点加权求和来计算待定位点坐 标，进一步提高了定位精度。此外，该方法也有效避免了由于非视距传输效应、多径传播 效应和RSS衰减规律异常的情况下对定位精度的影响。

本发明方法需先建立RSS指纹数据库，在定位过程中将进行两次模糊聚类。其步骤是： 一、记录各信标节点到达待定位点的RSS值，组成该待定位点的RSS向量；二、将待定 位点的RSS向量与RSS指纹数据库中的是相同信标节点到达的RSS向量进行模糊聚类， 得到与待定位点同类的n个参考点；三、用向量相似度公式计算待定位点与步骤二得到的n 个参考点的RSS向量间相似度，选出最相似的n/2个参考点，求出这些点的全局最近点； 四、将该全局最近点和步骤二得到的其他n-1个参考点一起对它们的坐标进行模糊聚类， 得到与全局最近点同类的点；五、从步骤三计算的待定位点与参考点的相似度中选出全局 最近点和其同类的点与待定位点的相似度，按相似度的不同对各点加权，计算待定位点坐 标。

下面结合具体实施例对本发明方法做进一步详细的描述。

如图1所示，基于RSS指纹数据库的二次模糊聚类室内定位方法，包括如下步骤：

步骤一：设置室内信标节点位置，组成室内定位系统；

如图2，本实施例的实验场地为一个5×13.5m的长方形室内，共设置了8个信标节点， 它们的坐标分别为（0,0），（4.5，0），（9，0），（13.5，0），（13.5,5），（9，5），（4.5,5）， （0,5）。

步骤二：选择参考点位置，测量参考点接受的RSS向量，建立RSS指纹数据库；

多次重复采集了8个参考点处的信标节点到达的RSS值，求平均RSS值。对采集到的 数据建立一个RSS指纹数据库。信标节点和参考点分布如图2所示，其中六角星点为信标 节点，空心圆点为参考点；由于此步骤被视为本领域的现有技术，因此不再详细描述。

步骤三：第一次聚类，得到与待定位点同类的点；

选择一个坐标为（9,2.25）的待定位点位置，测得8个信标节点到达它的RSS向量， 如图3中五角星（1编号）处是待定位点位置。

使用基于模糊等价矩阵聚类的模糊等价矩阵动态聚类分析法（以下简称模糊聚类方法） 对待定位点的RSS向量和参考点的RSS向量进行模糊聚类。图3中实心黑点（2-6编号）是 与待定位点（1编号）同类的点。

本步骤中的模糊聚类方法的具体实现过程为：

本步骤使用的模糊聚类方法是基于模糊等价矩阵聚类的模糊等价矩阵动态聚类分析 法，它是模糊聚类理论中的一种模糊聚类算法，该算法可统筹全局信息，根据事物间的内 在联系，将事物分类，该方法每次聚类的分类数和各类中的元素个数不定，算法更智能、 自主，分类也更客观、合理。

本步骤使用的模糊聚类算法步骤如下：

步骤31：组成特性矩阵

U={u₁,u₂,...,u_n}

U的每一个对象u_i有m个特性指标（反应对象特征的主要指标），即u_i可由如下m维特 性指标向量

u_i=(u_i1,u_i2,...,u_im),i=1,2,...,n

表示，其中u_ij表示第i个对象的第j个特性指标，则n个对象的所有特性指标构成一个 矩阵，记作

$U^{*}=\left(\begin{array}{cccc}{u}_{11}& u_{12}& ···& u_{1m}\\ u_{21}& u_{22}& ···& u_{2m}\\ ·& ·& & ·\\ ·& ·& & ·\\ ·& ·& & ·\\ u_{n1}& u_{n2}& ···& u_{\mathrm{nm}}\end{array}\right)$

U^*是U的特性矩阵。

步骤32：归一化

由于m个特性指标的量纲和数量级不一定相同，必须对各指标值施行数据规格化的处 理，本算法采用极差规格化。

首先，对特性指标矩阵U^*的第j列，通过式（1）和式（2）计算M_j及和m_j：

M_j=max(u_1j,u_2j，...,u_nj),j=1,2,...,m                       (1)

m_j=min(u_1j,u_2j，...,u_nj),j=1,2,...,m                       (2)

然后用式（3）做变换：

$u_{\mathrm{ij}}^{\prime }=\frac{u_{\mathrm{ij}}-m_j}{M_j-m_j},$i＝1,2,...,n;j=1,2,...,m                                       (3)

步骤33：构造模糊相似矩阵

用多元分析的方法来确定对象u_i=(u_i1，u_i2，...,u_im)和u_j=(u_j1，u_j2，...,u_jm)之间的相似程 度：

r_ij=R(u_i,u_j)∈[0,1]，i，j=1,2,...,n

从而构造出一个对象与对象之间的模糊相似矩阵

$R=\left(\begin{array}{cccc}{r}_{11}& r_{12}& ···& r_{1n}\\ r_{21}& r_{22}& ···& r_{2n}\\ ·& ·& & ·\\ ·& ·& & ·\\ ·& ·& & ·\\ r_{n1}& r_{n2}& ···& r_{\mathrm{nn}}\end{array}\right)$

步骤34：聚类

本文使用模糊传递闭包法构造模糊相似矩阵的等价矩阵，然后再进行动态模糊聚类。

首先，用式（4）平方自合成方法求出模糊相似矩阵R的传递闭包t(R)，即

$R^2\Rightarrow R^4\Rightarrow ···R^{2^k}=t\left(R\right)---\left(4\right)$

其中k≤[log₂n]+1。

然后，适当选取置信水平λ∈[0,1]，求出t(R)的λ截矩阵t(R)_λ，具体聚类原则如式（5）：

$t\left(R\right)={\left(\overline{r_{\mathrm{ij}}}\right)}_{n\times n},t{\left(R\right)}_{\lambda }={\left(\overline{r_{\mathrm{ij}}}\left(\lambda \right)\right)}_{n\times n},$

$\overline{r_{\mathrm{ij}}}\left(\lambda \right)=\begin{array}{c}\left(\begin{array}{cc}1,& \overline{r_{\mathrm{ij}}}\ge \lambda \\ 0,& \overline{r_{\mathrm{ij}}}<\lambda \end{array}\right)---\left(5\right)\end{array}$

对于u_i,u_j∈U，若则在λ水平上将对象u_i和对象u_j对位同一类。

当λ在[0,1]中取不同的值时，相应的分类随之改变，从而得到的模糊分类具有动态性， 人们可以根据不同的要求进行分类。

步骤四：得到与待定位点最相似的一半的参考点，求出全局最近点；

用Jffreys&Matusita距离公式（公式6）计算待定位点与步骤三得到的参考点（2-6 编号）的RSS向量间相似度，选出数量一半的最相似的参考点，求出这些点的全局最近点 （4编号）。图4中菱形符点（3,5编号）和叉字符点（4编号）为选出的数量一半的与待定 位点最相似参考点，其中叉字符点（4编号）为全局最近点。

$d(x,y)={\left[\underset{i=1}{\overset{N}{\Sigma }}{(\sqrt{x_i}-\sqrt{y_i})}^2\right]}^{1/2}---\left(6\right)$

式（6）为Jffreys&Matusita距离公式，d(x,y)为向量间相似度。该公式是在欧式距 离(Euclidean)的基础上，放大了较小元素的误差的作用，对欧式距离有所修正。

全局最近点是图论中的一个概念，就是在一个点集中距离其他点最近的那个点，其计 算方法如式（7）和式（8）。

$D_i=\underset{j=1}{\overset{m}{\Sigma }}{d}_{\mathrm{ij}}---\left(7\right)$

min(D₁,D₂,…,D_m)                          （8）

其中，式（7）计算出点i与点集中m个点的距离和D_i，式（8）计算出距离其他点最 近的那个点，也就是D_i最小的点。这个点就是该点集中的全局最近点。

步骤五：第二次聚类，得到与全局最近点同类的点；

如图5，将全局最近点（4编号）和步骤三得到的与待定位点同类的其他参考点（2,3,5,6 编号）一起对它们的坐标进行模糊聚类，得到与全局最近点（4编号）同类的点。星形符点 （5,6编号）为与全局最近点（4编号）同类的参考点。这样可选取最靠近全局最近点的参 考点，有效滤除噪音点。

步骤六：依照相似度对各点加权，计算待定位点坐标；

从步骤四计算的待定位点（1编号）与参考点（2-6编号）的相似度中选出全局最近点 （4编号）和其同类的点（5,6编号）与待定位点（1编号）的相似度，按式（9）对各点（4,5,6 编号）加权，用式（10）计算待定位点坐标。其中式（9）中d_i为i点与待定位点（1编号） 的RSS向量相似度，w_i为所求的权值。式（10）中为算法估算出的坐标。式（9）和 式（10）中m为最终与全局最近点（4编号）的个数，本例中为值3。

图5中的十字符点（7编号）为本发明计算出的待定位点的位置，方块符的点（8编号） 为CC2431定位引擎计算出的待定位点位置。

$w_i=\frac{\frac{1}{{d_i}^2}}{\underset{i=1}{\overset{m}{\Sigma }}\frac{1}{{d_i}^2}}---\left(9\right)$

$(\bar{x},\bar{y})=\underset{i=1}{\overset{m}{\Sigma }}{w}_i\times (x_i,y_i)---\left(10\right)$

由以上实验，可以看出由步骤三得到的与待定位点（1编号）同类的点较多，通过步骤四 得到全局最近点（4编号），然后步骤五进行第二次聚类，得到了紧紧围绕待定位点（1编号） 的三个点（4,5,6编号），最后步骤六对三个点坐标进行加权求和，估算出待定位点位置，如 图5十字符点（7编号）位置就是估算出的待定位点位置，方块符点（8编号）为CC2431定位引 擎计算出的待定位点位置。通过图5可明显看出本发明的方法相较于CC2431自定位的结果精度 有明显提高，具有显著的优势。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任 何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都 应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为 准。