[发明专利]基于空间分区的区域划分及定位方法及系统

说明书

一种基于空间分区的区域划分及定位方法，其包括如下步骤：S1、在用户指定子区域数目之后，通过距离计算确定最优的各初始聚类中心位置，融合K均值法，Fisher准则及自组织迭代分析算法，引入类内距离、类间距离、参考点间距限制条件，通过多次聚类合并、分裂过程，最终完成区域划分目标；S2、通过半监督方式应用机器学习技术实现子区域定位。本发明还提供一种基于空间分区的区域划分及定位系统。

技术领域

本发明涉及室内定位技术领域，特别涉及一种基于空间分区的区域划分及定位方法及系统。

背景技术

一般的聚类算法能够依据接收信号强度特征对位置指纹图数据库进行合理划分。但是严格意义上来说，这些聚类方法仅是通过划分位置指纹图起到了数据库滤波作用，用户定位过程中能够选择相应的子位置指纹图数据库进行运算，节省了算法遍历数据库所需时间，本质上是对系统性能进行了优化，然而并不能够真正实现室内区域定位功能。这正是由于通过信号强度特征进行位置指纹图划分时，并没有考虑到实际的参考点位置是否在物理空间上也聚集一起，所以难免会存在一些参考点由于RSS相似度度量值相近(如欧氏距离)被划分为一类，然而在室内区域中这些参考点位置却相距甚远。对于这类奇点问题一些文献采用了不同处理方法，如直接删除掉对应位置上的参考点，或直接忽略这些位置奇点，又或人为改变这些奇点的所属类别，然而这些处理方式可能导致聚类中心变化，影响系统整体性能，而且难以从根本上解决问题。尽管在较小的室内实验场景中对于定位效果影响并不明显，但是在大型超市、商场等室内环境中，复杂的干扰可能会导致出现大量奇点，甚至形成区域，对定位系统造成一定负担。

另外，在室内定位系统实际应用中，管理者对于区域定位可能会面临一些特定需求，如某一区域需要被单独划分出来，或部分区域需要划分到一起，实现授权定位等管理功能。然而传统的聚类算法中类别多是依据算法生成，难以适当进行调节，缺乏灵活性。

发明内容

有鉴于此，本发明提出一种基于空间分区的区域划分及定位方法及系统。

一种基于空间分区的区域划分及定位方法，其包括如下步骤：

S1、在用户指定子区域数目之后，通过距离计算确定最优的各初始聚类中心位置，融合K均值法，Fisher准则及自组织迭代分析算法，引入类内距离、类间距离、参考点间距限制条件，通过多次聚类合并、分裂过程，最终完成区域划分目标；

S2、通过半监督方式应用机器学习技术实现子区域定位。

在本发明所述的基于空间分区的区域划分及定位方法中，

所述步骤S1包括：

S11、预先将位置指纹图中每两个连续的参考点划分为一单位聚类Q，Q作为每一聚类的属性值；

S12、设定聚类中心数目；通过计算每两类之间Q的相似度获得聚类中心；

S13、在获得聚类中心后，将k个单位聚类依据Q的相似性度量分配到各个聚类中心，类别合并之后所有参考点也相应合并成一类；聚类数目与聚类中心数据相同；

S14、依据位置指纹图中的坐标信息进行分裂；

S15、判断分裂结果是否收敛，在收敛时跳转到步骤S16；否则跳转到步骤S12；

S16、输出聚类结果，根据聚类结果完成区域划分。

在本发明所述的基于空间分区的区域划分及定位方法中，

所述步骤S11中，Q作为每一聚类的属性值表示如下：

其中j＝1,2,3,....n；e,f＝1,2,3,....k，类别数k＝N/2，N为参考点总数；n为聚类e中参考点总数，对于N不为偶数的情况下，k＝(N-1)/2，最后三个参考点划分为一类；