[发明专利]基于CSI空频特性和参考点位置聚类算法的室内定位方法

权利要求书

1.一种基于CSI空频特性和参考点位置聚类算法的室内定位方法，其特征在于，所述基于CSI空频特性和参考点位置聚类算法的室内定位方法通过采用接收CSI空频特性聚类和参考点位置聚类的多指标聚类技术，对参考点进行有效的聚类，形成一定数量聚类中心及其类成员，减少定位阶段计算量，提高定位精度；

所述基于CSI空频特性和参考点位置聚类算法的室内定位方法包括：

1)数据采集阶段：

1a)选择一个布设有Wi-Fi接入点APs的区域；

1b)在此区域内选择N个参考点RPs，并测量这N个参考点固定位置接收的来自AP点的CSI数据信息生成CSI空频特性指纹，存到数据库H中；

1c)按照CSI空频特性信息，采用仿射传播算法AP进行聚类；

1d)对1c)聚类得到的每个簇，再按照地理位置采用仿射传播算法AP进行聚类；

1e)判断再次聚类的簇数量：如果第二次聚类得到的簇数量是大于等于2的正整数，则求出这些簇的两两之间的距离，将距离小于4米的簇合并为一簇，将聚类结果记录到数据库中，否则，直接将聚类结果记录到数据库中，完成指纹数据库的构建；

2)定位阶段：

2a)在待定位点测得的CSI空频特性向量：

H_r＝[h_r,1 h_r,2…h_r,L]；

其中{h_r,l,r＝1,2,…,R；l＝1,2,…,L}，R代表的是选取的待定位点个数；L为参考点的总数；

2b)粗定位：

相似度被定义为：

s(r,j)＝-||H_r-H_j||²,

其中H_j为第j个簇的聚类中心的CSI空频特征指纹向量，E为所有簇的聚类中心的集合；

设置阈值：其中α₁+α₂＝1；将相似度s(r,j)大于阈值α的簇作为粗定位匹配的簇；

2c)精确定位：随机选取8个接入点APs，利用这8个接入点APs和粗定位匹配得到的簇成员的CSI空频特性向量，通过压缩感知算法求出待定位点的精确位置，完成待定位点的定位。

2.如权利要求1所述的基于CSI空频特性和参考点位置聚类算法的室内定位方法，其特征在于，所述粗略定位就是利用相似度比较来确定待定位点测得的CSI空频特性指纹属于哪一个簇，对比待定位点的CSI空频特性向量和每一个簇的相似度，选择那些有最大相似度值的类作为候选类。