一种基于WiFi相异度的群组感知分析方法

发布时间：2022-01-05 00:21

　　利用智能手机跟踪分析WiFi环境中群体结构的动态变化是一种非侵扰感知技术的新思路。基于WiFi信号差异与节点距离间的关系,设计了一种WiFi相异度的计算方法,根据节点之间的WiFi相异度统计出相异度距离,再利用提出的GSGA-RSS算法迭代计算得到节点坐标,最后利用DBSCAN进行分层次群组结构分析。文中提出了一种基于质心的节点序列位均差表示方法,基于该方法对不同节点间距条件下的队列和环状结构群组进行了实验分析。实验结果表明:在组间最小间距5 m、组内最大间距3 m的条件下,所提方法能够以94%的精度识别出85%的群体;节点间距为0.5 m的队列的位均差约为0.5,节点间距为1 m的环状结构的位均差约为1。 

【文章来源】：计算机科学. 2020,47(10)北大核心CSCD

【文章页数】：6 页

【部分图文】：

距离与WiFi相异度的关系

从理想和现实两种状况来对比考查算法的收敛性。在理想状况下,假设相异度距离d(τij)为节点i和j之间的真实距离。以图3(a)所示的正方形结构群组为例,AB,BC,CD,DA,AC与BD的实际距离分别为10,10,10,10,14.14与14.14,将其作为相异度距离,经第35次迭代后的节点坐标如图3(b)所示,分别为:(-4.02,3.62),(-5.16,-6.30),(4.76,-7.44)和(5.91,2.48)。网络残余势能?E从第一次迭代后的73 609、第二次迭代后的3 264,逐渐减小到第35次后的2.0×1022,如图3(c)所示,?E的收敛趋势为0。经过多次理想实验可知,算法在每次迭代时微调每个节点的坐标,使得依据坐标计算出的距离逐渐逼近节点之间的真实距离,由节点坐标构成的拓扑逐渐收敛于该群组的真实结构,?E逐渐得到完全释放。在现实状况中,由于相异度距离d(τij)与节点i和j之间的真实距离存在误差,依赖所有节点彼此之间的相异度距离难以准确描述所有节点之间的统一位置关系。因此,基于相异度构建的弹性网络的?E将不能通过迭代计算得到完全释放。例如,在4.2节中图5(a)所示的WiFi环境中对以环状部署且临近间隔为2 m的5人群组和8人群组的相异度距离进行迭代计算,?E的收敛趋势如图4(a)所示,5人组案例的?E收敛于6 219.92附近,8人组案例的?E收敛于38 367.38附近。虽然不同案例的?E的收敛数值不一样,但是每次迭代的网络残余势能差分|?E-?Epre|是逐渐减少的,且收敛于0,如图4(b)所示。因此,实际计算的迭代终止条件是给|?E-?Epre|设定一个阈值。本文实验分析中设置的差分阈值为1×105。由于算法是基于位置矢量的,每次迭代同时从X,Y两个方向调整坐标,因此算法能够快速收敛。图4 现实状况下的算法收敛性

为了考查算法应用于各种WiFi环境的普适性,在50 m×30 m的空间边缘内以间距3m或随机设置WiFi AP,构建了矩形、带状、田字(window)和随机等4种WiFi AP部署结构,如图5所示。针对4种部署结构采用第2节所述统计方法,4种部署产生的关系曲线基本一致,从分组1到分组30保持了单调递增性,这种单调递增趋势与图1所示的实测结果相吻合。在图5中部署的4个群组分别由1,2,3,4个节点组成,经GSGA-RSS算法重构后节点的分布如图6所示。由于重构后节点的样本集是非凸样本集,而且不能确定群组的个数,只能根据节点密度来划分,因此采用DBSCAN算法对图4的分布进行聚类。从图4的聚类结果来看,虽然对于不同的WiFi AP部署结构,组与组之间的相对位置、组距差别较大,但DBSCAN算法均能准确划分出群组及每个群组的群组成员。图6 GSGA-RSS算法重构后的节点坐标

【参考文献】：
期刊论文
[1]基于移动感知数据的用户画像系统[J]. 徐恩,於志文,杜贺,郭斌.  郑州大学学报(理学版). 2019(04)



本文编号：3569345