文档介绍：该【基于K-Means和FCM的增强型Wi-Fi指纹定位策略① 】是由【科技星球】上传分享，文档一共【20】页，该文档可以免费在线阅读，需要了解更多关于【基于K-Means和FCM的增强型Wi-Fi指纹定位策略① 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。基于K-Means和FCM的增强型Wi-Fi指纹定位策略①
 
 
陈 英,单文杰,杨丰玉
1(南昌航空大学 软件学院,南昌 330063)
2(南昌航空大学 物联网技术研究所,南昌 330063)
基于K-Means和FCM的增强型Wi-Fi指纹定位策略①
陈 英1,2,单文杰1,杨丰玉1
1(南昌航空大学 软件学院,南昌 330063)
2(南昌航空大学 物联网技术研究所,南昌 330063)
研究了通过数据处理算法以提高Wi--Fi指纹样本,将其放入MySQL数据库中和R工程;其次将Wi-Fi指纹库分成若干个簇,使用K-均值聚类(K-Means)和模糊C-均值聚类(FCM)对待定位的Wi-Fi指纹进行聚类分析;最后,提出增强型的聚类策略(ECS)应用于Wi-,ECS较仅使用FCM算法,其定位耗时缩短约50%-80%,且
定位精度上有所改善;ECS较仅使用K-Means算法,其定位精度提高约20%-40%,且定位稳定性较强并自动更新Wi-Fi指纹库.
Wi-Fi指纹;K-均值聚类;模糊C-均值聚类;增强型定位策略
随着物联网技术的发展和移动互联网的普及,,人们87%-90%,无论在定位精度、速度、-Fi指纹匹配的无线室内定位技术[1]一定程度上解决了定位精度问题,且基础设备应用广泛,成本较低,-Fi无线设备大多应用于人类活动最为频繁的室内环境,无线室内定位易受室内布局变动、无线信号的多径效应等因素影响,其无线信号具有较强的波动性,-Fi指纹匹配的定位方法首先通过不同位置上多次采集Wi-Fi RSSI信号建立指纹模型,然后利用匹配算法估计待定位点的具体位置,此方法避免了有信号特征转化为距离带来的误差,故基于Wi-Fi指纹匹配的定位算法成为近年来室内定位的研究热点.
1 国内外研究现状
基于指纹匹配的无线室内定位技术[2]是利用物理空间内不同位置具有不同RSSI的特征,作为唯一识别此位置的方法,(reference points,RP)的不同接入点的信号强度值,形成关于位置的指纹数据库(RSSI与位置的映射关系).在线定位阶段,采集待定位点信息,利用相关匹配算法与指纹库中指纹进行匹配计算,来估计待定位点的最佳位置的坐标点.
然而,室内环境的复杂且多变导致了信号的非视距传播,研究发现基于传播模型的定位算法精度,一般情况为10米以上,而基于指纹匹配的定位方法通过获取更多的样本信息,在80%-90%的可信区间内,其定位精度可到5--Fi网络的RADAR定位系统[3],此系统利用Wi-Fi指纹匹配的方法,使用K-NN算法,取最近k个邻居的坐标平均值为位置估计值,并基于RSSI信号的统计特性,采用贝叶斯原理,-Fi指纹匹配定位,研究表明增加接入点,可提高定位的精度[4].王凤使用聚类的方法对射频的接收信号强度进行时间、位置、设备异构等因素进行聚类分析,并使用朴素贝叶斯模型,定位精度达4m,准确率达80%,定位速度提高50%[5].张勇提出一种SVM和加权质心相结合的算法,定位精度和准确度较高,但定位时间较长[6].王超使用KNN方法实现基于指纹匹配的室内定位,[7].周瑞提出将支持向量机(SVM)分类与回归分析相结合的Wi-Fi指纹定位算法,以提高定位精度[8].田增山采用径向基函数插值的方法,利用一部分 RSS被重新测量的参考点,拟合出接收信号强度曲面,估计出邻近未知参考点 RSS值,从而更新指纹数据库[9].Joaquín针对基于距离函数、RSS值的数据表现方式以及阈值策略的Wi-Fi指纹的机器学习和专家系统进行了探讨[10].
综上所述,目前国内外学者的持续关注和深入研究运用机器学习方法来提高室内定位精度、鲁棒性、,基于Wi-Fi指纹的定位技术还需解决的核心问题包括数据的采集和数据的预处理,所以本文的主要研究内容将包括:采集和搭建基于Wi-Fi RSSI
的室内定位指纹库以及设计增强型的聚类算法对Wi-Fi指纹定位库进行聚类分析,旨在使定位精度和定位速度达到平衡.
2 基于Wi-Fi指纹库的定位算法研究
研究架构
本文研究分为三个阶段,分别是Wi-Fi指纹样本采集并存储、.
图1 架构流程图
其中Wi-Fi指纹样本采集存储阶段主要功能为Wi-Fi RSSI信息的采集,其他因素的采集和与真实物理点建立映射关系,-Means、FCM 对Wi-Fi指纹定位库进行聚类分析,并使用自定义的匹配算法RSSMatch,对经过K-Means的待定位点进行指纹匹
配,,得到定位性能各类指标,并自动更新wifi_location数据库.
样本采集及搭建数据库
(AP)覆盖广且密集,AP信号易受其他信号干扰(zigbee、蓝牙等),网络环境复杂.
如图2所示,黄色方格为Wi-Fi的AP, Wi-Fi Inspector对实验场地内Wi-Fi信号的进行抓包处理,每个采样位置点进行约10-20次采样,其中每个方向按早中晚三个时间段进行3次采样,得到如表1所示数据.
图2 数据采集的实际场景的部分平面图
表1 部分Wi-Fi信息
其中“连接”为是否连接AP;SSID为AP的名称;“强度”为接收信号值,其单位为dbm.
从采集后的数据分析可知,Wi-Fi RSSI在单个位置上存在约-,-Fi RSSI进行保存,生成Wi-Fi -,得较完整的原始数据.
、方向、运动速率、是否遮蔽和是否为热点路径的数据接口,并使用MySQL数据库对数据进行存储,-,将数据库wifi_location中数据导入到R工程中,数据库数据导入R工程.
基于K-Means的定位过程
由于Wi-Fi指纹库中数据量庞大,直接使用指纹匹配算法会导致计算量激增,耗时严重,-Means方法对Wi-Fi指纹库进行聚类分析,具体实现步骤为:
(1)对当前Wi-Fi指纹库提取指纹信息,包括RSSI、位置、AP名称、AP的MAC、方向、是否遮蔽等信息,加载于矩阵wifio中;
(2)使用R中K-Means算法,以欧式距离作为距离函数模型,分别选取不同的聚类数对RSSI、位置、AP名称、AP的MAC等进行聚类分析处理;
(3)比较得到不同的聚类中心,选择最优的聚类中心保存于wifidata中;
(4)使用RSSMatch算法将聚类中心与待定位点的指纹进行匹配,得到位置的估计值;
(5)与真实的位置点进行比较,,对当前待测点的Wi-Fi RSSI和其他因素使用K-Means方法,进一步减少计算量,加快定位时间,并在聚类后,剔除部分异常数据,:
(1),采集2s,共4次样本;
(2)将样本导入R工程中,进行K-Means聚类;
(3)提取各聚类中心中子集数最多的2个簇中心,作为当前此位置Wi-Fi指纹;
(4)使用自定义匹配算法RSSMatch,与Wi-Fi指纹库中的已完成的聚类中心进行匹配,估计当前位置坐标值;
(5)与该地点的真实坐标值进行比较,得出定位结果、精度误差和定位时间.
其中RSSMatch算法主要流程为:
(1)将wifidata中的RSSI进行归一化处理;
(2)将指纹库中的聚类中心、当前Wi-Fi指纹和递归步长输入,;
(3)通过阈值计算,分别用Wi-Fi指纹的各因素与聚类中心进行比较;
(4)得到5个及以上的位置估计点,则转(6);
(5)以步长进行递归操作,直到得到5个及以上的位置估计点;
(6)得到的位置估计点,再次进行数据过滤,得到真正的位置估计点,输出.
基于FCM的定位过程
由于K-Means存在不能发现大小差别很大的簇或非凸形状的簇,对离群点和噪声比较敏感等缺点,本文接着基于FCM算法对Wi-:
(1)对当前Wi-Fi指纹库提取指纹信息,包括RSSI、位置、AP名称、AP的MAC、方向、是否遮蔽等信息,加载于矩阵wifio中;
(2)使用FCM算法,选择欧式距离作为距离模型,设置单一簇最大子集数,一般为100,、位置、AP名称、AP的MAC、方向等进行聚类分析处理;
(3)分别得到不同的聚类中心,并进行比较,选择最优的聚类中心保存于wifidata中;
(4)使用RSSMatch算法将聚类中心与待定位点的指纹进行匹配,得到位置的估计值;
(5)与真实的位置点进行比较,评估定位性能.
基于ECS的定位过程
实验结果表明,由于FCM在定位精度优于K-Means,但在消耗时间方面,却明显劣于K--Means各自的优势,提出增强型的聚类算法(ECS)应用于Wi-Fi指纹匹配定位中,:
(1)对Wi-Fi指纹定位库进行K-Means分析,其中簇数Nk为300-5000,得簇中心点{Rk1,Rk2...Rkn},其中kn=Nk;
(2)对簇中心{Rk1,Rk2...Rkn}使用FCM 分析,其中簇数Nf为20-100,得簇中心{Rf1,Rf2...Rfn},其中fn=Nf;
(3)使用自定义匹配算法RSSMatch与簇中心{Rf1, Rf2...Rfn},其中fn=Nf,进行匹配,得到定位估计值,并评估定位性能.
3 实验结果分析
, FCM的聚类效果要好于K-Means的聚类效果,ECS的聚类效果最佳.