基于余弦相似度的指纹匹配算法的室内定位方法
发布时间：2020-02-21 19:54
【摘要】：介绍了基于位置指纹匹配的Wi Fi室内定位常用方法,提出了一种基于余弦相似度的指纹匹配算法的室内Wi Fi定位方法。该方法匹配算法复杂度低,降低了手机终端定位应用的功耗。本文也给出了Wi Fi定位系统的具体实现方法,通过在某室内环境将余弦相似度算法与常用方法进行对比测试,误差范围1.5 m,准确度较高,满足室内定位精度需求。
【图文】：
-nearestneighbor，KNN）是一种确定性方法[9]，该方法从待定位目标点测得的信号强度（RSSI）出发，，在样本空间中（保存了各个采样点一段时间内信号强度平均值），寻找与测得的信号强度最接近的K个训练样本点，然后将这些样本点的位置坐标的质心或加权位置坐标[10]作为目标点的位置估计。当K=1时，就是最近邻算法，即选取欧式距离d=∑in(Ri--Ri)2最小的点作为估计值。其中n为AP的个数，Ri为当前实际接收到的第i个AP信号强度值，-Ri为指纹库中保存的位置点的信号特征值。图1位置指纹匹配定位原理Fig.1Locationprincipleoffingerprintmatching刘冰等.基于余弦相似度的指纹匹配算法的室内定位方法199
S(xi,yi,tj)=(RSSIAP1,tj,RSSIAP2,tj,RSSIAP3,tj,...,RSSIAPn,tj)。将同一采样坐标点对同一AP的K次采样，每次采样间隔一定时间的RSSI取平均值，作为该采样做标点的指纹S(xi,yi)=(--------RSSIAP1,----------RSSIAP2,----------RSSIAP3,...,----------RSSIAPn)录入到定位服务器的位置指纹库中。其中--------RSSIAPi=∑j=1kRSSIAPi,tjk,i∈[1,n]。建立位置强度信号指纹库如图2所示：图2位置指纹库建立Fig.2Establishmentoffingerprintdatabase2.3.2余弦相似度匹配算法余弦相似度通过测量两个向量内积空间的夹角的余弦值来度量它们之间的相似性。余弦值越接近1，表示两个向量的夹角越接近0度，即表示两个向量越相似。如图3所示：图3余弦相似度Fig.3Cosinesimilarity两个向量间的余弦值可以很容易地通过使用欧几里得点积和量级公式推导：AB=
本文编号：2581706
【图文】：
-nearestneighbor，KNN）是一种确定性方法[9]，该方法从待定位目标点测得的信号强度（RSSI）出发，，在样本空间中（保存了各个采样点一段时间内信号强度平均值），寻找与测得的信号强度最接近的K个训练样本点，然后将这些样本点的位置坐标的质心或加权位置坐标[10]作为目标点的位置估计。当K=1时，就是最近邻算法，即选取欧式距离d=∑in(Ri--Ri)2最小的点作为估计值。其中n为AP的个数，Ri为当前实际接收到的第i个AP信号强度值，-Ri为指纹库中保存的位置点的信号特征值。图1位置指纹匹配定位原理Fig.1Locationprincipleoffingerprintmatching刘冰等.基于余弦相似度的指纹匹配算法的室内定位方法199
S(xi,yi,tj)=(RSSIAP1,tj,RSSIAP2,tj,RSSIAP3,tj,...,RSSIAPn,tj)。将同一采样坐标点对同一AP的K次采样，每次采样间隔一定时间的RSSI取平均值，作为该采样做标点的指纹S(xi,yi)=(--------RSSIAP1,----------RSSIAP2,----------RSSIAP3,...,----------RSSIAPn)录入到定位服务器的位置指纹库中。其中--------RSSIAPi=∑j=1kRSSIAPi,tjk,i∈[1,n]。建立位置强度信号指纹库如图2所示：图2位置指纹库建立Fig.2Establishmentoffingerprintdatabase2.3.2余弦相似度匹配算法余弦相似度通过测量两个向量内积空间的夹角的余弦值来度量它们之间的相似性。余弦值越接近1，表示两个向量的夹角越接近0度，即表示两个向量越相似。如图3所示：图3余弦相似度Fig.3Cosinesimilarity两个向量间的余弦值可以很容易地通过使用欧几里得点积和量级公式推导：AB=
本文编号：2581706
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2581706.html
