[发明专利]一种基于位置与强度双重聚类的室内定位方法

说明书

本发明提供了一种基于位置与强度双重聚类的室内定位方法，均匀划分待定位区域，确定每个参考节点的位置坐标以及锚节点的最佳位置坐标；采集RSSI值，建立指纹库；针对构建的指纹库，利用K‑means++聚类算法运用双重聚类，将待定位区域划分成K个子区域；根据WKNN算法，求出待定位点的位置坐标；根据待定位点的位置坐标得出定位结果。该方法运用双重聚类和动态自适应近邻机制来实现定位。此方法充分利用了参考点处的绝对位置数据，以及接收的锚节点的强度数据，与传统的基于强度的聚类方法相比，更加准确地实现了对定位区域的分簇，解决了室内指纹数据规模过大造成定位效率低的问题，同时也提高了定位的精度。

技术领域

本发明涉及室内定位技术领域，特别是涉及一种基于位置与强度双重聚类的室内定位方法。

背景技术

随着互联网和传感网络技术的迅速发展，智慧工厂、智慧医疗、智慧城市等都需要用到室内定位技术。利用传感网络来实现室内定位是目前室内定位的趋势所在，它正一点点的影响着人们的生活。目前，国内外很多学者采用迅速发展的无线传感网络来作为室内定位的技术，常用的室内定位技术有：WIFI,RFID,蓝，ZigBee，超宽带等。

常用的定位方法主要有两种，第一种基于距离定位；第二种基于RSSI指纹定位。基于RSSI指纹定位的方法，主要依据是距离相近的点之间的指纹强度具有相似性，通过找寻强相似性的参考点指纹来求出待定位点的位置坐标。定位过程分为两个阶段，一是离线阶段建立指纹库；二是在线阶段的匹配定位。但是随着定位区间的增大，指纹库内指纹数目会增多，增加了在线匹配的时间。因此，开始出现离线阶段将指纹库聚类分成不同簇，在线匹配阶段只需确定待定位点所在的簇，并在簇内寻找近邻点，缩短定位时间。但是，受室内的多径传输和室内复杂环境的影响，相近的参考点间的RRSI指纹向量也可能出现大的差别，从而导致聚类中心选取不当，降低了传统的只依靠强度向量的聚类的效果，聚类结果相对较差；有学者提出通过对参考节点的位置坐标完成对指纹库的聚类，位置坐标是绝对的，不会受环境的影响，完成聚类之后再通过KNN将待定位点分类，但是此分类过程是基于整个指纹库，虽然比传统的基于强度的聚类提高了定位精度，但是定位时间明显增加了很多；并且传统多使用K-means来聚类，初始聚类中心随机选取，造成聚类效果时好时差。

指纹定位在线匹配算法一般采用KNN(WKNN),使用固定的k值，选出与待定位点指纹向量最相似的k个参考点，求平均值即为最后待定位点的坐标。这种方法是对所有待定位点定位精度的平均估计，不能很好的选出每个待定位点的近邻个数k,从而增大了定位误差。

发明内容

本发明提供一种基于位置与强度双重聚类的室内定位方法，以提高定位精度。

为实现上述目的，本发明提供了如下方案：一种基于位置与强度双重聚类的室内定位方法，包括如下步骤：

步骤S1、划分待定位区域，确定待定位区域中每个参考节点的位置坐标以及锚节点的位置坐标；

步骤S2、参考节点接收来自同一锚节点的信号强度RSSI值，信号强度RSSI值与参考节点的位置坐标构成指纹，多个参考节点的指纹构建成指纹数据库；

步骤S3、针对构建的指纹数据库，利用K-means++聚类算法运用双重聚类，将待定位区域划分成K个子区域；

S31、运用K-means++算法，对参考节点位置坐标组成的样本点做聚类，将其分成K个簇；

S32、求出第一次聚类后对应簇中指纹强度的平均值，作为第二次强度聚类的初始聚类中心；

S33、对参考点的指纹强度样本做聚类，求出最终的K个聚类中心；

步骤S4、根据动态权值和DWS方法，确定待定位点的近邻点个数k；

步骤S5、根据WKNN算法，求出待定位点的位置坐标；