[发明专利]基于SVM‑KNN的室内定位方法

说明书

技术领域

本发明属于物联网技术领域，具体为基于SVM-KNN的室内定位方法。

背景技术

由于建筑物内环境的复杂性，常规的室外定位技术无法直接用在室内定位，比如受到室内无线信号传播中产生的多径效应、阴影效应等影响。

支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。在机器学习中，支持向量机（SVM，还支持矢量网络）是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。

SVM在室内定位上的应用主要采用的是回归分析的功能。在室内定位的过程中，主要包括以下两个过程，第一个过程是，离线建模过程；第二个过程是在线测量分析过程。其中，离线建模过程，包括在定位区域采集移动定位终端发出的数据，包括移动定位终端的位置坐标以及接受到的RSSI值，采用支持向量机回归分析算法建立位置坐标与RSSI之间的函数关系模型。在线测量过程，测量待移动定位终端节点的RSSI值，输入到离线过程中建立的函数关系模型中，得到移动定位终端节点的位置坐标。

SVM再室内定位技术上运用，虽然具有许多的优点，但顾的存在一些技术问题。首先，支持SVM算法的参数选择，没有统一的标准，通常都是依据经验采取试凑的方法，导致支持向量机回归算法在室内定位计算的精确度不高；其次，SVM算法处理室内信号传播的非线性问题不强，并且室内定位的测量时间短，而信号幅度变化又大，带来的后果就是定位精确度低，定位结果数据不稳定。

发明内容

针对上述技术问题，本发明提供一种基于SVM-KNN的室内定位方法，支持向量机与KNN相结合，提高室内定位的精度和结果的稳定性。

具体的技术方案为：

基于SVM-KNN的室内定位方法，采用支持向量机与最近邻法相结合的算法实现室内定位，具体的步骤如下：

（1）室内需要定位的区域进行划分，分成多个方形小区并设置标识信息，在每个方形小区内安排适当的定位移动终端；

获取并记录各个定位移动终端的所在的区域信息和电平信号强度；

（2）根据定位移动终端所在的区域信息，得出经纬度，并将该定位移动终端初步定位到对应的方形小区中；

（3）利用SVM定位模型，将定位移动终端定位在对应的方形小区中的的方形栅格中；

（4）通过KNN算法定位模型，计算出定位移动终端在方形栅格中的位置坐标。

优选的设计，室内需要定位的区域进行划分，划分成网格，网格包括多个方形小区，测量出每个方形小区对应的中心坐标，并记录，中心坐标作为方形小区的标识信息，所述的标识信息还包括该方形小区的编号。

进一步的，步骤（4）中，通过KNN算法定位模型，计算出定位移动终端在方形栅格中的位置坐标的具体方式为：

（a）以所述的方形栅格的中心位置为中心向外扩散，得到方形区域，并确定出位于该方形区域中方形栅格的合并后的数据；

（b）计算定位移动终端的区域信息与步骤（a）中确定出的合并后的数据中的每条数据的相似度；

（c）选取与定位移动终端的区域信息相似度最高的K个合并后的数据，并将K个合并后的数据所对应的方形栅格的位置坐标的平均值，确定为定位移动终端的最终位置，其中K为设定个数，K≥1。

本发明提供的基于SVM-KNN的室内定位方法，采用的是基于支持向量机与K近邻算法相结合的定位方式，通过结合支持向量机与K近邻算法各自的优点，获得了比传统方法较高的定位精度，还提高了定位结果的稳定性。

附图说明

图1是本发明的总体流程图。

具体实施方式

结合实施例说明本发明的具体技术方案：

如图1所示，基于SVM-KNN的室内定位方法，采用支持向量机与最近邻法相结合的算法实现室内定位，具体的步骤如下：

（1）室内需要定位的区域进行划分，划分成网格，网格包括多个方形小区，测量出每个方形小区对应的中心坐标，并记录，中心坐标作为方形小区的标识信息，所述的标识信息还包括该方形小区的编号。

在每个方形小区内安排适当的定位移动终端；

获取并记录各个定位移动终端的所在的区域信息和电平信号强度；

（2）根据定位移动终端所在的区域信息，得出经纬度，并将该定位移动终端初步定位到对应的方形小区中；