0 引言

    隨著通信技術(shù)和智能科技的不斷發(fā)展，定位技術(shù)在日常生活中發(fā)揮著越來(lái)越大的作用，人們對(duì)定位服務(wù)的需求逐漸增大。室外定位GPS以及基站定位技術(shù)已經(jīng)發(fā)展成熟，出現(xiàn)了多種室內(nèi)定位技術(shù)，如：RFID(射頻識(shí)別)、WiFi、藍(lán)牙、紅外線等。定位方法有基于到達(dá)時(shí)間(TOA)、基于信號(hào)強(qiáng)度(RSS)、基于到達(dá)角度(AOA)的方法^[1]，還有一些通過加速度傳感器等手機(jī)內(nèi)的集成傳感器件來(lái)實(shí)現(xiàn)定位^[2]?，F(xiàn)階段，智能手機(jī)相當(dāng)普及，WiFi也基本覆蓋大多數(shù)公共場(chǎng)所，WiFi定位無(wú)需額外的硬件需求，具有低成本、低功耗、高精度等特點(diǎn)，因此其在眾多定位方法中具有很大的優(yōu)勢(shì)。

    本文通過掃描室內(nèi)的WiFi信息，在Android平臺(tái)上通過改進(jìn)的指紋匹配定位方法實(shí)現(xiàn)室內(nèi)定位。

1 WiFi位置指紋定位方法

1.1 指紋定位方法

    基于WiFi無(wú)線網(wǎng)絡(luò)的定位技術(shù)有很多，其中以基于信號(hào)強(qiáng)度RSS的定位技術(shù)最為常用^[4]。在基于RSS的定位技術(shù)中位置指紋定位方法較為普遍。位置指紋定位方法^[5]分為數(shù)據(jù)采集階段和實(shí)時(shí)定位階段兩部分。在數(shù)據(jù)采集階段，在區(qū)域內(nèi)均勻地選擇N個(gè)數(shù)據(jù)采集點(diǎn)，在每個(gè)采集點(diǎn)，通過安卓手機(jī)采集所有AP的RSS信息，并將所有RSS信息以及該點(diǎn)的坐標(biāo)(x，y)存入數(shù)據(jù)庫(kù)^[6]，等待第二階段調(diào)用。在實(shí)時(shí)定位階段，用戶在未知位置發(fā)出定位請(qǐng)求，安卓手機(jī)采集該點(diǎn)AP的RSS信息并傳送至數(shù)據(jù)庫(kù)，通過匹配算法以及第一階段采集的RSS數(shù)據(jù)得到位置坐標(biāo)(x，y)反饋給用戶，定位完成^[7]。

    在第二階段定位過程中，kNN算法是較為常用的一種傳統(tǒng)匹配算法。

1.2 kNN算法(最鄰近算法)

    臨近算法即k最鄰近分類算法(kNN，k-NearestNeighbor)^[8]，核心思想是：如果一個(gè)樣本在特征空間中的k個(gè)最相鄰的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別，并具有這個(gè)類別上樣本的特性。

    在kNN算法中要準(zhǔn)確選擇參數(shù)k的值，當(dāng)k較小時(shí)，選擇臨近點(diǎn)數(shù)量較小，不能準(zhǔn)確地確定參考點(diǎn)的類別，增大了誤差；當(dāng)選擇k較大時(shí)，則會(huì)選擇較遠(yuǎn)的點(diǎn)，導(dǎo)致定位結(jié)果不準(zhǔn)確。因此，應(yīng)多次測(cè)量決定參數(shù)k的值。本實(shí)驗(yàn)經(jīng)多次測(cè)試，k為3時(shí)誤差最小，因此k取3。

    AP_n代表定位區(qū)域內(nèi)的n個(gè)WiFi熱點(diǎn)。在數(shù)據(jù)采集階段，在第i個(gè)位置采集n個(gè)WiFi的RSS信息，i=1，2，3，…，m，m為參考點(diǎn)個(gè)數(shù)，每個(gè)WiFi熱點(diǎn)采集多次RSS取平均值。Rij為在第i個(gè)位置采集到的第j個(gè)WiFi的RSS的平均值，j=1，2，3，…，n；n為WiFi個(gè)數(shù)，(x_i，y_i)為i點(diǎn)的實(shí)際坐標(biāo)。在定位階段，在待定位點(diǎn)測(cè)得第j個(gè)WiFi的RSS平均值為R_j，則R_ij與R_j之間距離為：

2 改進(jìn)算法WR-kNN

    由于室內(nèi)物品較多以及人員的不斷走動(dòng)，使得室內(nèi)環(huán)境變得復(fù)雜，人員以及物品的阻擋使WiFi信號(hào)發(fā)生衰減^[10]，加大了室內(nèi)的定位難度。本文通過對(duì)距離進(jìn)行加權(quán)^[11]以及去除無(wú)用組來(lái)增加定位精度。在離線階段對(duì)掃描得到的數(shù)據(jù)進(jìn)行加權(quán)，加大有用數(shù)據(jù)的權(quán)重，在進(jìn)行定位匹配時(shí)，預(yù)先將數(shù)據(jù)按照RSSI均值大小升序排序，取前k個(gè)數(shù)據(jù)進(jìn)行運(yùn)算，減少了運(yùn)算量，降低了小數(shù)據(jù)對(duì)結(jié)果的影響。

2.1 加權(quán)kNN

    首先對(duì)kNN算法中參考點(diǎn)與待測(cè)點(diǎn)之間的距離進(jìn)行加權(quán)。kNN算法中，參考點(diǎn)與待測(cè)點(diǎn)的距離越接近，相似度越高，在定位中貢獻(xiàn)越大。加大貢獻(xiàn)大的距離的權(quán)值，減小貢獻(xiàn)小的距離的權(quán)值，有助于提高定位精度。因此，短距離賦予較大的權(quán)值w_j，長(zhǎng)距離賦予較小的權(quán)值w_j：

因此在第i個(gè)位置采集到的第j個(gè)WiFi的平均RSSI值為R_ijw_j。d_j為兩點(diǎn)之間的距離，當(dāng)參考點(diǎn)離待測(cè)點(diǎn)越近時(shí)d_j越小，相對(duì)應(yīng)的權(quán)值w_j越大，該參考點(diǎn)所采集的RSSI值越大，對(duì)定位影響越大，因此可以提高定位的精度。

2.2 數(shù)據(jù)排序

    在定位階段，數(shù)據(jù)庫(kù)調(diào)出采集的RSSI數(shù)據(jù)，對(duì)待測(cè)點(diǎn)的數(shù)據(jù)與數(shù)據(jù)庫(kù)調(diào)出的數(shù)據(jù)進(jìn)行一一對(duì)比，選取較為接近的k個(gè)數(shù)據(jù)作為相似組，利用相似組的數(shù)據(jù)通過質(zhì)心算法得到最終的待測(cè)點(diǎn)的位置坐標(biāo)。本文改進(jìn)是在數(shù)據(jù)調(diào)用之前首先將所有采集的數(shù)據(jù)R_ijw_j通過Comparator接口進(jìn)行升序的排列，數(shù)據(jù)庫(kù)中數(shù)據(jù)將按照由大到小的順序在組中排列，在調(diào)用數(shù)據(jù)時(shí)，只選取組中前n個(gè)較大的數(shù)據(jù)，然后與待測(cè)點(diǎn)掃描數(shù)據(jù)進(jìn)行匹配，選取較為接近的k個(gè)數(shù)據(jù)進(jìn)行定位。此方法不僅消除了無(wú)用組信息對(duì)定位的干擾，還對(duì)數(shù)據(jù)組進(jìn)行了刪減，刪除了對(duì)定位結(jié)果貢獻(xiàn)較小的數(shù)據(jù)組，可以使系統(tǒng)快速地得出定位結(jié)果，提高了系統(tǒng)的定位效率。

    Comparator接口為Java中的一個(gè)對(duì)集合或者數(shù)組對(duì)象進(jìn)行排序的比較器。Comparator接口的實(shí)現(xiàn)函數(shù)為int compare(Object o1，Object o2)，排序分為升序和降序排列。當(dāng)o1<o2返回-1(負(fù)數(shù))、o1=o2返回0、o1>o2返回1(正數(shù))時(shí)，則為升序排列；當(dāng)o1<o2返回1(正數(shù))、o1=o2返回0、o1>o2返回-1(負(fù)數(shù))時(shí)，則為降序排列。改進(jìn)算法中首先將數(shù)據(jù)放入Gro.Entry<Integer，Integer>中，通過compare(Gro.Entry<Integer，Integer>o1，Gro.Entry<Integer，Integer>o2)函數(shù)進(jìn)行升序排列。

3 實(shí)驗(yàn)

3.1 離線數(shù)據(jù)采集階段

    實(shí)驗(yàn)區(qū)域內(nèi)部有10個(gè)AP，每隔2.5 m采樣一次，共有12個(gè)采樣點(diǎn)。首先測(cè)試WiFi信號(hào)穩(wěn)定性。隨機(jī)選取一個(gè)WiFi信號(hào)，每隔10 s掃描一次，結(jié)果如圖1所示。

    如圖1所示，WiFi信號(hào)強(qiáng)度基本分布在-77 dBm～-83 dBm之間，個(gè)別時(shí)間有較大波動(dòng)，總體較為穩(wěn)定。采集時(shí)采用平均值作為數(shù)據(jù)儲(chǔ)存，可減小較大波動(dòng)帶來(lái)的影響，并可以作為定位所需的參考數(shù)據(jù)。

    離線數(shù)據(jù)采集階段，在采樣點(diǎn)，每個(gè)AP采樣10次，將RSS的平均值計(jì)入數(shù)據(jù)庫(kù)。將RSSI_j表示第j個(gè)AP的RSSI平均值，MAC_i表示第i個(gè)采樣點(diǎn)的10個(gè)AP的mac地址集合，(x_i，y_i)表示第i個(gè)采樣點(diǎn)坐標(biāo)。R_i={RSSI_i1，RSSI_i2，…，RSSI_i10}表示第i個(gè)采樣點(diǎn)所采集的10個(gè)AP的RSSI平均值的集合。數(shù)據(jù)庫(kù)中一個(gè)完整信息為[R_i，MAC_i，(x_i，y_i)]。

3.2 在線定位階段

    在線定位階段，隨機(jī)選取7個(gè)測(cè)試點(diǎn)進(jìn)行定位，在每個(gè)測(cè)試點(diǎn)定位3次，取坐標(biāo)平均值作為最后測(cè)試結(jié)果，如圖2所示。圖2分別顯示了測(cè)試點(diǎn)坐標(biāo)即定位結(jié)果、原坐標(biāo)即測(cè)試點(diǎn)所在的正確坐標(biāo)以及傳統(tǒng)算法定位所得的坐標(biāo)。如圖所示，改進(jìn)后的坐標(biāo)相對(duì)傳統(tǒng)算法所得坐標(biāo)更加靠近原坐標(biāo)。宏觀上來(lái)看，改進(jìn)算法相比傳統(tǒng)算法更加精確。

    分別基于改進(jìn)算法WR-kNN以及傳統(tǒng)算法所得定位結(jié)果進(jìn)行誤差分析，得到如圖3所示的誤差分布圖。由圖可看出改進(jìn)算法誤差皆小于傳統(tǒng)算法誤差。表1為誤差數(shù)據(jù)，分別對(duì)應(yīng)圖3中7個(gè)采樣點(diǎn)。

    由表1可以得出，傳統(tǒng)算法平均誤差為2.55 m，最小誤差1.48 m，最大誤差4.09 m，誤差波動(dòng)較大。由于傳統(tǒng)算法中直接采用即時(shí)數(shù)據(jù)，室內(nèi)環(huán)境復(fù)雜，人員走動(dòng)頻繁，因此WiFi信號(hào)波動(dòng)較大，不加以處理直接存入數(shù)據(jù)庫(kù)，使得定位結(jié)果與實(shí)際差距較大。傳統(tǒng)定位算法較為復(fù)雜，累積誤差較大，選取匹配對(duì)象不科學(xué)，導(dǎo)致定位結(jié)果出現(xiàn)偏差，且定位時(shí)間較長(zhǎng)。WR-kNN算法在數(shù)據(jù)采集時(shí)通過多次采集數(shù)據(jù)取均值，然后對(duì)其進(jìn)行加權(quán)處理，避免了信號(hào)波動(dòng)帶來(lái)的影響，同時(shí)減小了遠(yuǎn)距離AP帶來(lái)的誤差。定位階段通過對(duì)調(diào)用的數(shù)據(jù)進(jìn)行預(yù)處理，精簡(jiǎn)了定位流程，減小了定位所需時(shí)間，提高了效率，同時(shí)減小了累積誤差。因此改進(jìn)算法誤差較小，平均誤差僅為1.93 m，相對(duì)傳統(tǒng)算法平均誤差減少了0.62 m，誤差在2 m左右波動(dòng)，較為穩(wěn)定。

4 結(jié)束語(yǔ)

    本文采用一種改進(jìn)的kNN算法研究了基于Android平臺(tái)的指紋室內(nèi)定位。離線定位階段，通過對(duì)采集的數(shù)據(jù)進(jìn)行加權(quán)，增大有用數(shù)據(jù)的權(quán)值，減小無(wú)用數(shù)據(jù)的權(quán)值；在線定位階段，通過對(duì)調(diào)用的數(shù)據(jù)預(yù)先進(jìn)行排序，去除無(wú)用組，減小不穩(wěn)定信號(hào)對(duì)定位結(jié)果的影響。實(shí)驗(yàn)表明，該改進(jìn)算法定位結(jié)果較為精確，相對(duì)傳統(tǒng)算法提高了0.62 m。由于實(shí)驗(yàn)環(huán)境較為復(fù)雜，人員較多，AP較多且部署較為隨機(jī)，因此對(duì)實(shí)驗(yàn)結(jié)果有影響。如果在較為空曠且AP部署較為規(guī)范的實(shí)驗(yàn)場(chǎng)地，定位結(jié)果將更加精確。

參考文獻(xiàn)

[1] 倪巍，王宗欣.基于接收信號(hào)強(qiáng)度測(cè)量的室內(nèi)定位算法[J].復(fù)旦學(xué)報(bào)(自然科學(xué)版)，2004，43(1)：72-76.

[2] RANTAKOKKO J，RYDELL J，STROMBACK P，et al.Accurate and reliable soldier and first responder indoor positioning：multisensor systems and cooperative localization[J].Wireless Communications，IEEE，2011，18(2)：10-18.

[3] 梁元誠(chéng).基于無(wú)線局域網(wǎng)的室內(nèi)定位技術(shù)研究與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2009.

[4] 崔斌，趙西安.一種基于傳播模型和位置指紋的混合室內(nèi)定位方法[J].測(cè)繪通報(bào)，2015(6)：35-38，43.

[5] 張明華，張申生，曹健.無(wú)線局域網(wǎng)中基于信號(hào)強(qiáng)度的室內(nèi)定位[J].計(jì)算機(jī)科學(xué)，2007，34(6)；68-71.

[6] 張儷文，汪云甲，王行風(fēng).仿射傳播聚類在室內(nèi)定位指紋庫(kù)中的應(yīng)用研究[J].測(cè)繪通報(bào)，2014(12)：36-39.

[7] 張明華.基于WLAN的室內(nèi)定位技術(shù)研究[D].上海：上海交通大學(xué)，2009.

[8] YANG Z，WU C，LIU Y.Locating in fingerprint space: wireless indoor localization with little human intervention[C].Proceedings of the 18th Annual International Conference on Mobile Computing and Networking.ACM，2012：269-280.

[9] 張曉亮，趙平，徐冠青，等.基于一種優(yōu)化的KNN算法在室內(nèi)定位中的應(yīng)用研究[J].電子設(shè)計(jì)工程，2013，21(7)：44-46.

[10] 楊凱，郭英，畢京學(xué).基于安卓平臺(tái)的室內(nèi)實(shí)時(shí)定位[J].測(cè)繪科學(xué)，2015，40(6)：125-128.

[11] 陳振洲，李磊，姚正安.基于SVM的特征加權(quán)KNN算法[J].中山大學(xué)學(xué)報(bào)(自然科學(xué)版)，2005，44(1)：17-20.

作者信息:

武  一，張冀釗

(河北工業(yè)大學(xué) 電子信息工程學(xué)院，天津300400)