井下WLAN位置指纹定位中改进区域划分方法研究

发布时间：2021-09-28 00:54

　　井下WLAN位置指纹人员定位系统主要是通过聚类算法来实现位置指纹样本的整体性划分,但现有的聚类算法只是针对接收信号强度的统计分布特性进行聚类划分,并没有充分考虑奇点问题。针对该问题,提出了一种基于类关系的K-Means（CRK-Means）算法,该算法以类内离散度和类间离散度的比值为目标函数,通过使该比值最小的聚类的聚合、分离过程即可得到避免了奇点问题的最优聚类,完成定位区域的合理划分。针对采用随机森林（RF）算法对聚类划分后的定位区域进行粗定位存在误判的问题,提出了遗传算法与随机森林相结合的（GA-RF）算法,该算法以GA中的选择、交叉和变异优化过程确保了RF算法的选择树总数和位置指纹参考点特征数的最优取值。实验结果表明:CRK-Meams算法有效解决了奇点问题,且在一定程度上提升了系统定位精度;采用CRK-Meams算法和GA-RF算法后,子区域粗定位的准确率相比RF算法提升了4%,达到98%;置信概率大于90%的最小定位误差达到了3m,优于传统的聚类算法。 

【文章来源】：工矿自动化. 2020,46(03)北大核心

【文章页数】：7 页

【部分图文】：

井下子区域粗定位实验巷道平面图

实验1分别使用K-Means算法、FCM算法和CRK-Means算法对井下定位区域进行聚类划分，并根据定位区域的结构特征，设置聚类总数为5。图2—图4分别给出了使用K-Means算法、FCM算法和CRK-Means算法时井下区域的划分结果，其中T1-T5表示划分后的5个子区域。3种算法在5个子区域的划分上区别很小，但K-Means算法和FCM算法的区域划分结果中都存在奇点，使用CRK-Means算法则有效解决了奇点问题。图3 FCM算法聚类划分结果

图2 K-Means算法聚类划分结果实验2在实验1的基础上，对CRK-Means算法聚类划分后的区域分别使用RF算法和GA-RF算法进行在线子区域粗定位，每组定位实验中在5个子区域中分别进行200次子区域粗定位。为了保证粗定位的实验效率，每个子区域中的粗定位位置都尽量靠近划分区域的区分处。子区域粗定位只对用户所在子区域进行判定，不对具体的位置进行估计。表1给出了子区域粗定位结果。RF算法子区域粗定位的平均正确率为94.7%，而将GA算法与RF算法结合后，RF算法中的决策树总数D和参考点特征选择数Re经过GA算法的自适应调整机制与当前的聚类划分更匹配，子区域粗定位的平均正确率为97.9%，因此，GA-RF算法在用户所处区域的实时判断上有着更好的决策机制。


本文编号：3410935