0 引言

    人類大部分活動(dòng)都是在室內(nèi)進(jìn)行的，因此進(jìn)行室內(nèi)定位與導(dǎo)航研究具有非常重要的意義。目前室內(nèi)定位方法主要采用^[1，2]：超聲波^[3]、激光、紅外線^[4]、RFID^[5]、WiFi^[6]、圖像視覺(jué)^[7]等。本文采用ZigBee進(jìn)行定位，因?yàn)閆igBee技術(shù)具有成本低、功耗低、復(fù)雜度低等優(yōu)勢(shì)^[8]。本文采用德州儀器公司的CC2530芯片設(shè)計(jì)了一套ZigBee室內(nèi)定位系統(tǒng)，在設(shè)計(jì)了ZigBee室內(nèi)定位系統(tǒng)的基礎(chǔ)上，提出了基于模糊聚類的ZigBee加權(quán)最鄰近定位算法^[9]，把通過(guò)加權(quán)最鄰近定位算法得到的點(diǎn)進(jìn)行模糊聚類，通過(guò)模糊聚類剔除大量的跳變點(diǎn)。最后通過(guò)本文設(shè)計(jì)的ZigBee室內(nèi)定位系統(tǒng)進(jìn)行實(shí)驗(yàn)，并與最鄰近定位算法、加權(quán)最鄰近定位算法、貝葉斯定位算法進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明，本文提出的基于模糊聚類的加權(quán)最鄰近定位算法的平均定位精度有了一定的提高。

1 系統(tǒng)介紹

1.1 系統(tǒng)的總體介紹

    本文設(shè)計(jì)的ZigBee室內(nèi)定位系統(tǒng)是帶有GUI界面的無(wú)線傳感網(wǎng)絡(luò)系統(tǒng)，在PC終端上安裝監(jiān)控軟件，協(xié)調(diào)器通過(guò)USB轉(zhuǎn)串口數(shù)據(jù)線連接到PC上，PC就可以實(shí)時(shí)地查看、管理和配置ZigBee無(wú)線傳感網(wǎng)絡(luò)，移動(dòng)節(jié)點(diǎn)和參考節(jié)點(diǎn)的位置就可以實(shí)時(shí)地顯示在PC上的監(jiān)控軟件中。

1.2 系統(tǒng)的工作原理

    首先布設(shè)一定數(shù)量的參考節(jié)點(diǎn)在需要定位的區(qū)域內(nèi)部，并且記錄好參考節(jié)點(diǎn)的位置坐標(biāo)；然后通過(guò)相關(guān)的定位算法就可以計(jì)算出移動(dòng)節(jié)點(diǎn)在該定位系統(tǒng)中的位置信息，并且移動(dòng)節(jié)點(diǎn)可以把自己接收到的RSSI值和物理地址發(fā)送給協(xié)調(diào)器，協(xié)調(diào)器通過(guò)USB轉(zhuǎn)串口數(shù)據(jù)線把這些數(shù)據(jù)傳送到終端服務(wù)器，在PC上的監(jiān)控軟件可以實(shí)時(shí)地顯示出參考節(jié)點(diǎn)和移動(dòng)節(jié)點(diǎn)的位置信息^[10]。

2 基于模糊聚類的加權(quán)最鄰近定位算法

    在研究基于一般的加權(quán)最鄰近定位算法的基礎(chǔ)上，本文提出了一種新的基于模糊聚類的加權(quán)最鄰近指紋庫(kù)定位算法。算法的原理圖如圖1所示。首先采用加權(quán)最鄰近定位算法^[11]計(jì)算出各個(gè)未知點(diǎn)的定位坐標(biāo)，然后通過(guò)模糊聚類方法來(lái)去除掉大量的跳變點(diǎn)，從而提高系統(tǒng)的定位精度。

2.1 加權(quán)最鄰近定位算法

    首先把離線建庫(kù)階段所用的預(yù)設(shè)的采樣點(diǎn)作為指紋數(shù)據(jù)庫(kù)中的信息點(diǎn)，記作X_i∈{X₁，X₂，…X_n}；然后進(jìn)入在線定位階段：當(dāng)移動(dòng)節(jié)點(diǎn)進(jìn)入需要定位的區(qū)域后，實(shí)時(shí)采集到的RSSI值記作Z，它是k個(gè)參考節(jié)點(diǎn)的RSSI值，即Z=(Z₁，Z₂，…，Z_k)。比對(duì)移動(dòng)節(jié)點(diǎn)接收到的Z與原先建立的指紋庫(kù)X_i的歐式距離，將這兩者歐式距離最小的點(diǎn)作為定位點(diǎn)。歐式距離公式如下：

    其中，w_j為移動(dòng)節(jié)點(diǎn)對(duì)應(yīng)于指紋數(shù)據(jù)庫(kù)中第j個(gè)點(diǎn)的權(quán)重值，d_j為相對(duì)應(yīng)的第j個(gè)點(diǎn)的位置坐標(biāo)。

2.2 模糊聚類

    聚類的定義就是按照事物之間的相似程度進(jìn)行區(qū)別和分類的過(guò)程。聚類分析的目標(biāo)就是把特征空間中的一組數(shù)據(jù)按照某種方法分為若干類^[12]。本文采用模糊C均值聚類方法（FCM）。

    模糊C均值聚類算法的目的是把各地的n個(gè)P維數(shù)據(jù)點(diǎn)的集合X={x₁，x₂，…x_n}分為C個(gè)模糊類A_i(i=1，2，…，C)，使得X的任何一個(gè)分量X_k∈R^P的隸屬度A_i(x_k)都滿足以下兩個(gè)條件：

    本文中具體使用的方法是：首先通過(guò)加權(quán)最鄰近定位算法計(jì)算得到的未知點(diǎn)的未知坐標(biāo)，然后采用模糊C均值聚類算法去除掉大量的跳變點(diǎn)。通過(guò)模糊C均值聚類算法把得到的數(shù)據(jù)分為若干類，將這些類中數(shù)據(jù)點(diǎn)最多的那一類留下，去除掉其他的數(shù)據(jù)。通過(guò)聚類后得到的數(shù)據(jù)更加接近真實(shí)點(diǎn)的坐標(biāo)，從而提高了定位系統(tǒng)的定位精度。

3 實(shí)驗(yàn)結(jié)果分析

3.1 實(shí)驗(yàn)布局

    采用本文設(shè)計(jì)的ZigBee室內(nèi)定位系統(tǒng)進(jìn)行實(shí)驗(yàn)，在實(shí)驗(yàn)區(qū)域內(nèi)選取5.6 m×5.6 m的區(qū)域建立指紋數(shù)據(jù)庫(kù)。在本實(shí)驗(yàn)中離線建庫(kù)階段一共采集了64個(gè)指紋點(diǎn)的數(shù)據(jù)。實(shí)驗(yàn)一共隨機(jī)選取了21個(gè)待定點(diǎn)。離線建庫(kù)階段，在每個(gè)指紋數(shù)據(jù)點(diǎn)采集120 s信號(hào)強(qiáng)度值數(shù)據(jù)，然后對(duì)這120 s的數(shù)據(jù)進(jìn)行均值濾波，得到指紋數(shù)據(jù)庫(kù)；在線定位階段，獲取每一個(gè)待定點(diǎn)的30組數(shù)據(jù)，一共有21×30=630組數(shù)據(jù)。

3.2 實(shí)驗(yàn)結(jié)果

    分別采用最鄰近定位算法、加權(quán)最鄰近定位算法、貝葉斯定位算法和模糊C均值定位算法對(duì)上述隨機(jī)選取的21個(gè)采樣點(diǎn)的數(shù)據(jù)進(jìn)行計(jì)算，得到的定位結(jié)果如表1所示。

    使用本文提出的基于模糊C均值聚類定位算法處理了上述的21個(gè)采樣點(diǎn)，各個(gè)點(diǎn)的定位誤差如圖2所示。在需要定位區(qū)域內(nèi)，本文提出的模糊C均值聚類定位算法的平均定位精度達(dá)到了1.47 m。

4 結(jié)束語(yǔ)

    本文在研究了一般定位算法的基礎(chǔ)上，提出了基于模糊聚類的加權(quán)最鄰近定位算法，并把該算法應(yīng)用在本文設(shè)計(jì)的ZigBee室內(nèi)定位系統(tǒng)上。實(shí)驗(yàn)結(jié)果表明，采用本文提出的基于模糊聚類的加權(quán)最鄰近定位算法后，ZigBee定位系統(tǒng)的平均定位精度能夠達(dá)到1.47 m，與普通的定位算法相比較，具有較好的應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 王暉.基于RSSI的無(wú)線傳感器網(wǎng)絡(luò)室內(nèi)定位算法設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京郵電大學(xué)，2010：16-41.

[2] 肖竹，王勇超，田斌.超寬帶定位研究與應(yīng)用：回顧和展望[J].電子學(xué)報(bào)，2011，39（1）：133-141.

[3] 葉寶玉，王欽若，熊建斌，等.基于超聲波的模型船舶室內(nèi)定位系統(tǒng)研究[J].計(jì)算機(jī)工程，2012，38(19)：258-260，265.

[4] HAUSCHILDT D，KIRCHHOF N.Improving indoor position estimation by combining active TDOA ultrasound and passive thermal infrared localization[C].IEEE Positioning Navigation and Communication，2011：94-99.

[5] 張穎，李凱，王建偉.一種有源RFID局域定位系統(tǒng)設(shè)計(jì)[J].電子設(shè)計(jì)工程，2012，20(5)：68-70，74.

[6] 馬卜林，楊帆.煤礦井下WiFi人員定位GIS系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].西安科技大學(xué)學(xué)報(bào)，2012，32(3)：301-305.

[7] 李曉維，徐勇軍，任豐原.無(wú)線傳感器網(wǎng)絡(luò)技術(shù)[M].北京：北京理工大學(xué)出版社，2007：191-219.

[8] 張正勇，梅順良.無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位技術(shù)[J].計(jì)算機(jī)工程，2007，33(17)：4-6.

[9] 宋欣.多傳感器融合的室內(nèi)定位技術(shù)研究[D].上海：上海交通大學(xué)，2013.

[10] 劉小康，張翔，方爽，等.基于ZigBee無(wú)線傳感器網(wǎng)絡(luò)的一種室內(nèi)定位新方法[J].傳感器與微系統(tǒng)，2013，32(11)：29-30.

[11] KING T，KOPF S，HAENSELMANN T，et al.A probabilistic indoor positioning system based on 802.11 and digital compasses[C].The First ACM International Workshop on Wireless Network Testbeds，Experimental Evaluation and Characterization.Los Angeles，USA，2006：34-40.

[12] 宮改云.FCM算法參數(shù)研究及其應(yīng)用[D].西安：西安電子科技大學(xué)，2014.

[13] 黃競(jìng)偉，朱福喜，康立山.計(jì)算智能[M].北京：科學(xué)出版社，2010：214-218.