[发明专利]一种基于MeanShift和加权k近邻算法的UWB指纹定位方法

说明书

本发明公开了一种一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，包括离线建立数据库阶段和在线数据匹配阶段，离线建立数据库阶段是利用MeanShift将UWB基站的测距值划分为不同的子类，获得聚类后的指纹数据库；在线数据匹配阶段是将待测指纹的测距值与指纹数据库进行匹配，并通过加权k近邻算法估算待测指纹位置。本发明方法采用UWB基站测距值作为指纹量，利用MeanShift算法构建指纹库，与传统指纹库相比可靠性更高，同时利用加权k近邻算法估算待测目标的物理位置，有效提高了指纹定位的精度和稳健性。

技术领域

本发明涉及一种UWB指纹定位算法，特别是一种基于MeanShift和加权k近邻算法的UWB指纹定位方法。

背景技术

近年来，随着信息技术的快速发展，基于位置的服务受到了广泛的关注。目前，基于全球定位系统(Global Positioning System,GPS)的室外定位精度已达米级，全球覆盖率高达98％以上，但在室内环境中，GPS信号受阻，定位精度急剧下降，GPS技术将不再适用。因此，室内定位技术的研究日益受到关注，目前常见的室内定位技术主要有超声波定位技术、红外线定位技术、RFID技术、WiFi技术、超宽带技术等。

超宽带(Ultra-wideband,UWB)技术是利用窄带脉冲来进行数据传输的，该技术的时间分辨率高，可以获取高精度TOF(Time of Fight)数据，从而得到精确的测距信息，因此UWB技术已经成为大量室内定位研究者亲睐的对象。基于UWB的定位技术中，常见的定位方法有三角测量定位和位置指纹定位。三角测量定位方法需要获取准确的基站位置信息，当室内环境较为复杂时，信号传播多径效应以及非视距环境会导致三角测量定位精度下降；相比起来，位置指纹技术不需要获取基站位置信息，在非视距环境下依然可以取得较好的定位精度，是室内定位最为广泛的研究方法。

发明内容

本发明提供了一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，选用测距值作为指纹量，通过加权k近邻算法实现目标定位。

为解决上述技术问题，本发明采用了如下技术手段：

一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，包括离线建立数据库阶段和在线数据匹配阶段，离线建立数据库阶段是利用MeanShift算法将UWB基站的测距值划分为不同的子类，获得聚类后的指纹数据库；在线数据匹配阶段是将待测指纹的测距值与指纹数据库进行匹配，并通过加权k近邻算法估算待测指纹位置。

进一步的，所述的离线建立数据库阶段具体步骤如下：

S1、在实验区域中布置n个UWB基站，同时将实验区域划分为m个网格；

S2、每个网格作为一个数据采集区域，在每个数据采集区域连续采集100组数据，每组数据包括一个UWB测距值和对应的数据采集点物理位置，建立位置指纹数据库LF；

S3、对数据库LF中的100组数据进行均值滤波，得到m个指纹量；

S4、利用MeanShift算法对S3获取的指纹量进行聚类处理，得到聚类后的指纹数据库。

进一步的，上述的步骤S4的具体操作如下：

S41、输入m个指纹数据，随机选择一个指纹数据点作为中心点center；

S42、找出与center距离在bandwidth之内的所有数据点，将这些数据点记做集合M，同时认为这些数据点属于簇C₁；

S43、以center为中心，计算从center开始到集合M中每个元素的向量，并将这些向量相加得到总向量Shift；

S44、令center＝center+Shift，即中心点center沿着向量Shift的方向移动||Shift||距离；