摘 要: 闡述了位置指紋定位算法在室內(nèi)WLAN環(huán)境中的應(yīng)用,分析了KNN定位算法存在的不足,提出一種模糊聚類KNN位置指紋定位算法。該算法首先選取與空間相關(guān)性較好的4個(gè)信號(hào)參數(shù),構(gòu)成多徑紋信號(hào)數(shù)據(jù)庫(kù);然后應(yīng)用主分量分析法(PCA)對(duì)原始信號(hào)數(shù)據(jù)庫(kù)作降維運(yùn)算,濾除奇異性接入點(diǎn)(AP);最后用模糊C均值聚類算法(FCM)處理數(shù)據(jù),進(jìn)一步濾除奇異性參考點(diǎn)(RP),實(shí)現(xiàn)提高定位算法效率與精度的目的。實(shí)驗(yàn)表明,改進(jìn)后的定位算法產(chǎn)生的定位誤差明顯減小。
關(guān)鍵詞: 位置指紋;室內(nèi)定位;模糊聚類;KNN定位算法;信號(hào)數(shù)據(jù)庫(kù)
隨著現(xiàn)代通信技術(shù)和網(wǎng)絡(luò)技術(shù)的發(fā)展,人們可攜帶計(jì)算設(shè)備的廣泛應(yīng)用,以及國(guó)內(nèi)城市開(kāi)展無(wú)線城市試點(diǎn)工作,用戶可以通過(guò)計(jì)算設(shè)備隨時(shí)隨地接入互聯(lián)網(wǎng),由此,基于位置的服務(wù)LBS(Location-based Services)也受到了社會(huì)越來(lái)越多的關(guān)注。與此同時(shí),基于衛(wèi)星導(dǎo)航定位技術(shù)的全球定位系統(tǒng)GPS(Global Position System)已在眾多領(lǐng)域得到普及。
然而,在室內(nèi)環(huán)境下,由于衛(wèi)星信號(hào)被物體阻擋,無(wú)線信號(hào)不能正常傳輸,GPS的導(dǎo)航功能無(wú)法正常實(shí)現(xiàn),且無(wú)線傳感定位系統(tǒng)要有專用傳感器和網(wǎng)絡(luò)支持,需化費(fèi)較多人力和財(cái)力。因此,應(yīng)用室內(nèi)區(qū)域的WLAN網(wǎng)絡(luò)(如Wi-Fi)進(jìn)行移動(dòng)目標(biāo)的定位管理是一個(gè)較適宜的解決方案。
1 定位算法
基于Wi-Fi網(wǎng)絡(luò)的室內(nèi)定位系統(tǒng)大多數(shù)是利用接收信號(hào)強(qiáng)度(RSS)的均值,其方法一般分為信號(hào)傳輸模型法和位置指紋識(shí)別法兩類。前者是利用待測(cè)點(diǎn)接收至少3個(gè)接入點(diǎn)之間的距離信息,由一定算法估計(jì)待測(cè)點(diǎn)的位置;后者是通過(guò)待測(cè)點(diǎn)多徑信號(hào)特征指紋信息與數(shù)據(jù)庫(kù)預(yù)存參考點(diǎn)多徑信息進(jìn)行比對(duì)分析,系統(tǒng)需運(yùn)行大量數(shù)據(jù),用一定算法估計(jì)待測(cè)點(diǎn)坐標(biāo)。
1.1 信號(hào)傳輸模型定位算法
信號(hào)傳輸模型定位算法可以分為測(cè)距與定位兩個(gè)階段。首先,待測(cè)點(diǎn)接收來(lái)自3個(gè)不同已知位置接入點(diǎn)AP的信號(hào)強(qiáng)度值,通過(guò)中值濾波技術(shù)提取均值;然后,根據(jù)無(wú)線信號(hào)的室內(nèi)傳輸損耗模型,將接收信號(hào)強(qiáng)度轉(zhuǎn)換為待測(cè)點(diǎn)與相應(yīng)AP的距離;最后,應(yīng)用三角形定位算法估算。
無(wú)線信號(hào)的室內(nèi)傳播模型[1,9],一般簡(jiǎn)化為:
FCM算法是一個(gè)簡(jiǎn)單的迭代與優(yōu)化過(guò)程:用值在0~1間的隨機(jī)數(shù)初始化隸屬矩陣U,或初始化聚類中心,通過(guò)反復(fù)的迭代運(yùn)算,逐步降低目標(biāo)函數(shù)的誤差值,當(dāng)目標(biāo)函數(shù)值收斂時(shí),得到最終聚類結(jié)果。該算法適合于正態(tài)分布的數(shù)據(jù)聚類,對(duì)于奇異性孤立點(diǎn)數(shù)據(jù)有敏感性,因此,可用于基于信號(hào)強(qiáng)度的定位算法。
FCM算法因算法簡(jiǎn)單,收斂速度快,且能處理大批量數(shù)據(jù),解決應(yīng)用性問(wèn)題廣。本文應(yīng)用FCM算法可以實(shí)現(xiàn)從待測(cè)點(diǎn)角度對(duì)相關(guān)數(shù)據(jù)進(jìn)行有效的處理;聚類處理后可以濾除奇異性RP。聚類處理前后數(shù)據(jù)比較如圖1所示。實(shí)際上這類RP距離待測(cè)點(diǎn)較遠(yuǎn),會(huì)引起較大的定位誤差。因此,F(xiàn)CM算法能起到“數(shù)學(xué)聚焦”的功能,有助于提高定位精度。所謂奇異性RP是指影響定位精度較大的參考點(diǎn)。
2 模糊聚類KNN定位算法
2.1信號(hào)指紋數(shù)據(jù)庫(kù)
為了克服信號(hào)強(qiáng)度RSS值對(duì)信道傳輸模型的依賴性,如多徑效應(yīng)、墻壁阻擋和環(huán)境條件的變化等因素,提出了使用位置指紋定位算法。本文分析了信號(hào)強(qiáng)度各類特征參數(shù)與空間相關(guān)性的關(guān)系,認(rèn)為選取4種參數(shù)構(gòu)成數(shù)據(jù)庫(kù)較為合適,能更多地保留空間信道的相關(guān)信息,即信號(hào)強(qiáng)度的均值、中值、最大值和最小值為特征參數(shù)。
由于室內(nèi)多徑信號(hào)傳播對(duì)環(huán)境有很大的依賴性,某一位置上信道的多徑結(jié)構(gòu)理論上是唯一的,終端無(wú)線信號(hào)經(jīng)過(guò)反射和折射傳輸,產(chǎn)生與周圍環(huán)境密切相關(guān)的特定模式的多徑信號(hào),這種多徑特征的信號(hào)可認(rèn)為是某位置上的“信號(hào)紋”,因此選取網(wǎng)格化參考點(diǎn)RP,構(gòu)建了多徑信號(hào)數(shù)據(jù)庫(kù),進(jìn)行離線訓(xùn)練學(xué)習(xí)過(guò)程,用主分量分析法(PCA)降維和優(yōu)化數(shù)據(jù)庫(kù)。由此建立了信號(hào)特征參數(shù)與空間位置的內(nèi)在對(duì)應(yīng)關(guān)系,為后續(xù)比對(duì)分析提供保障,并以主分量數(shù)據(jù)進(jìn)行存儲(chǔ),可以節(jié)省容量和提高運(yùn)算效率。4×k維的多徑信號(hào)數(shù)據(jù)庫(kù)結(jié)構(gòu)如圖2所示。
2.2 定位算法
2.2.1 主分量分析法PCA
首先,從宏觀上,用主分量分析法(PCA)處理高維度數(shù)據(jù)庫(kù),在不損失主要信息的基礎(chǔ)上,以低維度線性組合的數(shù)據(jù)進(jìn)行運(yùn)算,采用正交變換矩陣和拉格朗日乘子法[7],根據(jù)估計(jì)坐標(biāo)與參考坐標(biāo)的均方差最小化原則,選取參考點(diǎn)RP對(duì)應(yīng)的合適接入點(diǎn)AP和參數(shù)構(gòu)成信號(hào)紋數(shù)據(jù)庫(kù)。其次,從微觀上,用模糊C均值聚類算法(FCM)處理待測(cè)點(diǎn)數(shù)據(jù),通過(guò)設(shè)置相應(yīng)的隸屬度和相似性的閾值,進(jìn)行數(shù)學(xué)篩選;將大于隸屬度閾值及小于相似性閾值的奇異性數(shù)據(jù)識(shí)別與挖掘出來(lái),濾除奇異性參考點(diǎn)RP;在數(shù)學(xué)運(yùn)算上,通過(guò)模糊分類矩陣實(shí)現(xiàn)目標(biāo)函數(shù)的最小化,以確保聚類的數(shù)據(jù)具有較好的相似性,以提高定位精度。
在線定位階段是收集待測(cè)點(diǎn)在某一位置的信號(hào)特征參數(shù),也是其收集周邊若干AP的信號(hào)及AP的宏地址,由待測(cè)點(diǎn)標(biāo)簽再發(fā)回至定位服務(wù)器;通過(guò)模糊聚類KNN算法,將實(shí)測(cè)數(shù)據(jù)與預(yù)存數(shù)據(jù)進(jìn)行對(duì)比分析,根據(jù)目標(biāo)函數(shù)最小化原則,保留起主要作用的RP,提取待測(cè)點(diǎn)周邊的RP預(yù)存值,即確定聚類范圍;計(jì)算待測(cè)點(diǎn)與參考點(diǎn)的距離,選取相似性好的RP,即以距離為依據(jù)選取RP,從而估計(jì)待測(cè)點(diǎn)的實(shí)際坐標(biāo)。具體步驟如圖3的下面3個(gè)方框所示。
3 定位實(shí)驗(yàn)
3.1 實(shí)驗(yàn)平臺(tái)
為了評(píng)估本文定位算法的實(shí)際性能,設(shè)置的實(shí)驗(yàn)環(huán)境是:警院安防科技園3樓5間100 m2的展示區(qū),隔墻材料為輕質(zhì)石膏板,層高為3.3 m。將12只定位AP均勻排列,安裝高度為2.4 m,實(shí)現(xiàn)Wi-Fi無(wú)線信號(hào)全覆蓋,定位主機(jī)設(shè)在第二展區(qū)內(nèi),用網(wǎng)線連接各AP至一臺(tái)交換機(jī),組成定位系統(tǒng)局域網(wǎng)。網(wǎng)格化參考點(diǎn)RP間隔為2 m,呈方格排列[11],待測(cè)點(diǎn)為雙向有源標(biāo)簽。具體平面布局如圖4所示。
實(shí)驗(yàn)采用定位服務(wù)器配置:CPU為4核處理器,主頻2.4 GHz以上,內(nèi)存為8 GB以上,硬盤為256 GB以上。數(shù)據(jù)庫(kù)服務(wù)器按以上標(biāo)準(zhǔn)另行配置。定位服務(wù)器軟件運(yùn)行環(huán)境為:操作系統(tǒng)為Windows 2003/2008 Server 32 bit,數(shù)據(jù)庫(kù)為Microsoft SQL server 2005/2008,電子地圖采用JPG格式。定位服務(wù)器軟件實(shí)現(xiàn)與定位器(AP)和標(biāo)簽(Tag)之間的指令,以及相關(guān)數(shù)據(jù)的交互。根據(jù)標(biāo)簽發(fā)往AP的回傳信號(hào)數(shù)據(jù),由定位算法分析標(biāo)簽(測(cè)試點(diǎn))與預(yù)存信息(參考點(diǎn))的匹配關(guān)系,估算出標(biāo)簽的實(shí)際位置。AP定位器主要指標(biāo)為:2.4 GHz,IEEE802.11b/g,最高速率為54 Mb/s,天線增益2 dBi,同時(shí)掃描標(biāo)簽128個(gè)/s。胸卡式標(biāo)簽:2.4 GHz,速率為1 Mb/s,雙向通信,最大發(fā)射功率為20 dBm,發(fā)射間隔為1 s,48 bit唯一ID號(hào)。
3.2 實(shí)驗(yàn)結(jié)果
在定位實(shí)驗(yàn)區(qū),當(dāng)處于離線訓(xùn)練學(xué)習(xí)階段時(shí),在地面打好256個(gè)網(wǎng)格化參考點(diǎn)位(即網(wǎng)格的交叉點(diǎn)上),用胸卡式標(biāo)簽采集及回傳無(wú)線信號(hào),由主機(jī)定位服務(wù)器進(jìn)行處理與存儲(chǔ)。當(dāng)在線定位階段,采用人員配帶胸卡標(biāo)簽的方式進(jìn)行測(cè)試,具體人數(shù)為25人,胸卡式標(biāo)簽為200只。為了評(píng)估本文算法與KNN算法性能的優(yōu)劣,收集標(biāo)簽數(shù)量與平均定位誤差比較圖。采樣點(diǎn)數(shù)據(jù)是通過(guò)電子地圖上顯示待測(cè)點(diǎn)位置與實(shí)際標(biāo)簽位置的比較計(jì)算得到的,每個(gè)點(diǎn)位采樣為20次,取平均值,獲得平均定位誤差數(shù)據(jù)。在采樣過(guò)程中,忽略了因人員走動(dòng)時(shí)信號(hào)漂移等現(xiàn)象引起的明顯誤差。模糊聚類算法(改進(jìn)算法)與KNN算法比較如圖5所示,可知改進(jìn)算法的定位精度有比較明顯的改善,大約提高了5%左右。
在KNN定位算法的基礎(chǔ)上,通過(guò)本算法可以有效地克服KNN運(yùn)算中丟失位置信息的不足,從而提高定位算法的定位精度。實(shí)驗(yàn)表明,當(dāng)室內(nèi)人員較多且人員快速移動(dòng)時(shí),還會(huì)出現(xiàn)無(wú)線信號(hào)的漂移和時(shí)延顯示等現(xiàn)象;這一類信號(hào)傳輸問(wèn)題有待于今后進(jìn)一步優(yōu)化定位算法,實(shí)現(xiàn)能自適應(yīng)物理環(huán)境變化的定位算法。
參考文獻(xiàn)
[1] 唐文勝,李?yuàn)?,匡旺?RF室內(nèi)定位指紋庫(kù)空間相關(guān)生成算法[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(23):226-229.
[2] 盧恒惠,劉興川,張超,等.基于三角形與位置指紋識(shí)別算法的WiFi定位比較[J].移動(dòng)通信,2010(10):72-76.
[3] 湯麗,徐玉濱,周牧,等.基于K近鄰算法的WLAN室內(nèi)定位技術(shù)研究[J].計(jì)算機(jī)科學(xué),2009,36(4B):54-55,92.
[4] 劉興川,林孝康.基于聚類的快速Wi-Fi定位算法[J].計(jì)算機(jī)工程,2011,37(8):285-287.
[5] 李文杰,李文明.基于K-近鄰算法的定位方法設(shè)計(jì)和仿真[J].計(jì)算機(jī)仿真,2009,26(4):194-196.
[6] 潘玉奇,周勁,楊秀麗.基于模糊聚類分析的數(shù)據(jù)檢索的應(yīng)用[J].微電子學(xué)與計(jì)算機(jī),2005,22(6):167-172.
[7] Zhou Mu, Xu Yubin, Ma Lin. Radio-map establishment based on Fuzzy clustering for WLAN hybrid KNN/ANN indoor positioning[J]. China Communications,2010(7):64-79.
[8] Yang Qiang, PAN S J, ZHENG V W. Estimating location using Wi-Fi[J]. IEEE Intelligent Systems, 2008,23(1):8-13.
[9] 戴立偉,李向陽(yáng),程赟.無(wú)線傳感器網(wǎng)絡(luò)的RSSI定位技術(shù)研究[J].計(jì)算機(jī)工程與設(shè)計(jì),2009,30(19):4395-4397.
[10] TRAN Q, TANTRA J W, FOH C H, et al. Wireless indoor positioning system with enhanced nearest neighbors in signal space algorithm[C]. IEEE 64th Vehicular Technology Conference,2006:1-5.
[11] 李昊.位置指紋定位技術(shù)[J].山西電子技術(shù),2007(5):84-87.