基于层次聚类的WiFi室内位置指纹定位算法

发布时间：2019-07-26 10:03

【摘要】：提出一种利用WiFi信号指纹实现对室内区域进行定位的CL-KNN(complete linkage K-nearest neighbor)算法.该算法先采用层次聚类方法对测试环境进行区域划分,再根据相应的WiFi信号指纹信息进行匹配,最后通过加权计算确定定位结果.实验结果表明,在WiFi热点数量足够多的情况下,与原始KNN算法和kmeans-KNN算法相比,CL-KNN算法可以获得更高的定位精度和准确率.
【图文】：

提取这K个点的位置信息(xi，yi)．若类P中的指纹点数目小于K，则提取类P中所有点的物理位置．在计算S的物理位置之前，根据S与K个点的指纹欧式距离来确定坐标权值的分配，权值的计算公式如下:w'sj=1(disj)2(4)wsj=w'sj∑Kj=1w'sj(5)其中:w'sj是一个权值的过度函数;wsj是样本j分配到的坐标权值;K表示类P中与S在欧氏距离上最近的K个点．5)最后，通过下式计算S的物理位置:(X，Y)=∑Ki=1wsi×(xi，yi)(6)3实验分析和评估3．1实验环境及数据采集图1办公区平面图Fig．1Officeareaplan为了显示CL－KNN算法的效果，在一个单层面积1427m2的办公区构建测试环境(不包含卫生间和楼梯的占地面积)，如图1所示．选用4款目前市场上较为流行的Android智能手机，型号分别是三星Note、小米3、华为荣耀6和LGnexus5，完成实验中的指纹采集与定位．在测试环境下可探测得28个较为稳定存在且具有不同SSID的WiFi热点．实验共采集255个样本用于构建指纹数据库，采集的样本点记录如图2所示(图中展示的是指纹数据库中前20个样本点)．为了尽量减小因单向采集和身体遮挡所带来的影响，在采集每一个样本点时站在同一个位置同一个方向采集5组信号特征向量，，再在相反方向进行相同操作，其中每一组信号特征向量的采集都是使手机保持扫描5s得到的数图2指纹数据库记录格式(前20个样本点)Fig．2Fingerprintdatabaserecordformat(thefirsttwentiessamplepoints)·11·

基于层次聚类的WiFi室内位置指纹定位算法

(X，Y)=∑Ki=1wsi×(xi，yi)(6)3实验分析和评估3．1实验环境及数据采集图1办公区平面图Fig．1Officeareaplan为了显示CL－KNN算法的效果，在一个单层面积1427m2的办公区构建测试环境(不包含卫生间和楼梯的占地面积)，如图1所示．选用4款目前市场上较为流行的Android智能手机，型号分别是三星Note、小米3、华为荣耀6和LGnexus5，完成实验中的指纹采集与定位．在测试环境下可探测得28个较为稳定存在且具有不同SSID的WiFi热点．实验共采集255个样本用于构建指纹数据库，采集的样本点记录如图2所示(图中展示的是指纹数据库中前20个样本点)．为了尽量减小因单向采集和身体遮挡所带来的影响，在采集每一个样本点时站在同一个位置同一个方向采集5组信号特征向量，再在相反方向进行相同操作，其中每一组信号特征向量的采集都是使手机保持扫描5s得到的数图2指纹数据库记录格式(前20个样本点)Fig．2Fingerprintdatabaserecordformat(thefirsttwentiessamplepoints)·11·
【作者单位】：福州大学数学与计算机科学学院;
【基金】：国家自然科学基金资助项目(61370210) 福建省自然科学基金资助项目(2011J01345)
【分类号】：TN92

【相似文献】