基于融合聚类的蓝牙指纹室内定位算法优化

发布时间：2021-04-01 10:16

　　K-means指纹优化算法可以提高室内定位的精度,由于K-means算法初始聚类中心选取的随机性和聚类数设定的经验性,使其稳定性有很大欠缺,影响定位精度与性能。针对上述问题,采用融合聚类的方式对K-means算法进行优化,首先对指纹库在聚类数取1到N的情况下使用凝聚层次聚类进行多次聚类迭代,然后计算每次聚类后生成簇的误差平方和及轮廓系数,最后通过肘方法和轮廓系数法确定最佳聚类数及K-means算法的初始聚类中心。实验结果表明,融合后的算法同传统K-means指纹算法相比定位误差在2米内的概率提高了8%,定位精度得到明显提高,融合算法的稳定性也得到较大幅度改善。 

【文章来源】：计算机仿真. 2020,37(07)北大核心

【文章页数】：5 页

【部分图文】：

指纹定位算法原理

融合聚类算法流程图

表1 实验环境参数 名称 参数 实验场地大小 8.5m*7.5m iBeacon基站数 9个 位置采样间隔 0.5m*0.5m 指纹点采集个数 232个4.2 算法仿真

【参考文献】：
期刊论文
[1]一种改进的K-Means聚类算法[J]. 刘文佳,张骏.  现代商贸工业. 2018(19)
[2]基于蓝牙微功耗的室内定位检测系统[J]. 窦昱钦,张峰,许寅曦,白志帅.  自动化与仪表. 2018(03)
[3]K-means指纹定位的优化算法[J]. 余成波,李彩虹,曾亮.  电子技术应用. 2018(02)
[4]优化初始聚类中心及确定K值的K-means算法[J]. 蒋丽,薛善良.  计算机与数字工程. 2018(01)
[5]基于蓝牙信标的k-means指纹定位算法研究[J]. 蔡云骐.  电子世界. 2017(02)
[6]一种K-means聚类算法的改进与应用[J]. 张杰,卓灵,朱韵攸.  电子技术应用. 2015(01)
[7]室内信号强度指纹定位算法改进[J]. 蔡朝晖,夏溪,胡波,范丹玫.  计算机科学. 2014(11)
[8]最小方差优化初始聚类中心的K-means算法[J]. 谢娟英,王艳娥.  计算机工程. 2014(08)

硕士论文
[1]室内精准定位方法及应用研究[D]. 李彩虹.重庆理工大学 2018



本文编号：3113170