[发明专利]一种基于SVM和K均值聚类的室内定位方法

权利要求书

1.一种基于SVM和K均值聚类的室内定位方法，其特征在于，采用SVM(支持向量机)与K均值聚类相结合的算法实现室内定位，其具体的步骤如下：

S1、在定位区域内均匀选取若干参考点，每个参考点采集RSSI信号，并与参考点位置坐标组成一个指纹，所有指纹构成一个指纹库；

S2、对S1生成的指纹库采用K均值聚类算法，将整个大范围的定位区域自动划分为若干小范围的定位子区域；

S3、在S2中得到的每一个定位子区域中采用SVM算法，对每一个定位子区域构建定位子模型；

S4、在每一个定位子区域中，计算该子区域内所有RSSI信号的平均值，并用该平均值代表该子区域的聚类中心；

S5、计算实时RSSI信号与所有子区域的聚类中心的欧氏距离，确定最近的一个子区域，然后再利用S3中构建出来的定位模型中实现精确定位。

2.根据权利要求1所述的SVM和K均值聚类的室内定位方法，其特征在于，利用K均值聚类算法把大范围的定位区域，自动划分成为小范围的定位子区域，具体步骤如下：

第一步，在定位区域均匀选取k个初始聚类中心，以尽可能实现按照物理位置空间的一致性进行聚类；

第二步，计算每个参考点的RSSI信号到k个聚类中心的欧氏距离；

第三步，将参考点分配到最近的聚类中心所在的子区域，重新计算各个聚类中心；

第四步，若各个聚类中心不再变化或者变化幅度小于设定的门限，则执行第五步，否则，执行第二步；

第五步，得到k个聚类中心，即k个定位子区域，以及每个定位子区域的参考点的RSSI信号集合。

3.根据权利要求1-2所述的SVM和K均值聚类的室内定位方法，其特征在于，定位模型的构建是基于K均值聚类算法自动划分的子区域，以解决在整个定位区域上，RSSI的统计特性与物理位置映射过于复杂的问题。

4.根据权利要求1所述的SVM和K均值聚类的室内定位方法，其特征在于，训练定位模型的算法采用SVM中的SVR(支持向量回归)，该算法可以直接得到欲定位目标的坐标位置。