[发明专利]基于距离约束的半监督APC聚类算法的WLAN室内定位方法

摘要

基于距离约束的半监督APC聚类算法的WLAN室内定位方法，涉及室内定位领域。本发明是为了解决现有WiFi室内定位方法中存在的在线定位复杂度高，移动终端定位实时性差的问题。本发明通过仿射聚类算法，引入已知的类别数据来调整相似度矩阵，通过在新得到的相似度矩阵的基础上进行聚类分析。将数据库中的参考点按照RSS向量进行聚类，使得同一类中的成员物理位置临近，且信号空间向量具有最大的相似度。在保证WLAN室内定位系统的定位精度的同时有效地减少了定位过程的计算量。本发明的在线定位运算时间短，移动终端定位实时性强。本发明适用于WLAN室内定位。

主权项

1.基于距离约束的半监督APC聚类算法的WLAN室内定位方法，由以下步骤实现：步骤一、针对室内环境布置m个接入点AP，APJ，1≤j≤m，确保所述室内环境中任意一点被两个或两个以上的无线接入点AP发出的信号覆盖；m为正整数；步骤二、在室内环境中均匀设置参考点，选取一个参考点为原点建立直角坐标系，获得各个参考点在该直角坐标系中的坐标位置，并在每个参考点上利用信号接收机采集并记录来自每一个AP的接收信号强度RSS值n次，并进行数据处理；n为正整数；步骤三、根据定位区域的AP布设和空间结构，将定位区域划分为Q个子区间，标记部分参考点作为半监督APC聚类的已知类别信息；Q为正整数；步骤四、利用APC聚类算法将室内定位环境分成C个子区域，为每个参考点标记子区域的类别信息；C为正整数；步骤五、将待测点获取的信号强度RSS值与步骤四获取的各个子区域的特征向量进行比较，即求取测试点的特征向量与各子区域的特征向量的距离，将测试点定位在与其特征向量距离最近的子区域内，然后采用加权K近邻位置指纹定位算法对测试点进行精确定位；其特征在于，步骤二所述的在每个参考点上利用信号接收机采集并记录来自每一个AP的接收信号强度RSS值n次，并进行数据处理的具体步骤为：步骤二一、对每个参考点得到一个n×m阶矩阵，矩阵的第i行第j列表示第i次采集中接收到的来自第j个AP的RSS值；n、m、i、j均为正整数；步骤二二、将每个参考点得到的n×m阶矩阵列向量里所有的元素相加得到一个值，再把这个值除以n，则每个参考点都得到了一个1×m的向量，对于每一个参考点，该向量称为该参考点的特征向量，向量中的第j个元素，即：从APj获得的信号强度RSS均值，作为该考点的第j个特征；如果一个参考点上某些AP的RSS值检测不到，则将其赋值为该环境下能接收到的最小信号值‑100dBm，故任意参考点的接收信号强度RSS值v的范围为‑100dBm≤v≤0dBm，这组向量用于实现步骤四的聚类分区；步骤三所述的根据定位区域的AP布设和空间结构，将定位区域划分为Q个子区间，标记部分参考点类别信息的具体步骤为：步骤三一、输入步骤二二测得的所有参考点的特征向量X；步骤三二、根据定位区域的AP布设和空间结构，将定位区域划分为Q个子区间，标记部分参考点类别信息，构成已标记数据XL，包含样本个数NL；未标记数据XU，包含样本个数NU；X＝XLUXU，全部样本个数N＝NL+NU；N、NL、NU均为正整数；步骤四所述的利用APC聚类算法将室内定位环境分成C个子区域，为每个参考点标记子区域的类别信息的具体过程为：步骤四一、APC聚类算法初始化：利用步骤三获得的全部数据，求解相似度矩阵SN×N＝[s(i,j)]N×N，其值定义为s(i,j)＝‑||xi‑xj||2且i≠j；初始化吸引度r(i,j)、归属度a(i,j)；步骤四二、根据步骤三二获得的标记数据调整数据点间的相似度矩阵若且1≤q≤Q，则若且1≤q,q'≤Q&q≠q'，则对标记信息中的Mustlink约束对，调整为：Mustlink约束对的扩展与传递：调整为更新对标记信息中的Cannotlink约束对，调整为：Cannotlink约束对的扩展与传递：调整为且更新步骤四三、APC聚类算法迭代求解：算法的核心是通过迭代循环的方式，在数据点间进行信息传递，以产生高质量的类首领，同时为每个类成员分配一个类首领；其中吸引度r(i,k)：表示数据点xk适合作为数据点xi的类代表点的程度，从xi指向xk；归属度a(i,k)：表示数据点xi选择数据点xk作为其类代表点的合适程度，从xk指向xi；数据间信息传递公式：阻尼因子λ；t为迭代次数，i’为参考点序数且i’≠{i,k}，k’为参考点序数且k’≠k”；依据式(1)～(3)计算信息量r(i,k)、a(i,k)；对所有数据点x_i，计算信息量之和：a(i,k)+r(i,k)，找到每个点的类中心x_k，满足迭代过程满足初始化阈值，停止迭代；步骤四四、判断步骤四三的聚类结果与步骤三二的已标记数据集XL是否一致，对违反约束条件的数据点，依据距离函数进行聚类结果修正：对违反Mustlink约束对数据的调整：已标记数据中的经APC聚类结果为：x_i∈X_c、y_i∈c，x_j∈X_c’，y_j∈c’；c,c’＝1,2,…,C且c’≠c；其中C表示全部数据点经APC聚类后被分成的聚类数，每类的聚类中心为x_c，c＝(1,2,…,C)，数据点集合为X_c，包含的样本个数N_c，每个数据点所属类别用y_i＝c标记；利用如下公式(4)、(5)，Dic+Djc＝||xi‑xc||2+||xj‑xc||2   (4)Dic'+Djc'＝||xi‑xc'||2+||xj‑xc'||2    (5)分别计算两个数据点xi、xj到两聚类中心xc、xc'的距离并求和，取距离值小的聚类中心所属类别为两个数据的最终聚类结果；对违反Cannotlink约束对数据的调整：已标记数据中的经APC聚类结果为x_i,x_j∈X_c；利用如下公式(7)、(8)，Dic＝||xi‑xc||2     (7)Djc＝||xj‑xc||2    (8)分别计算两个数据点到此聚类中心的距离，距离小的数据点保持类别不变，另一数据点类别按式(9)修正：经过对步骤四三的聚类结果修正后，得到数据最终的聚类结果；步骤五所述的将测试点定位在与其特征向量距离最近的子区域内，然后采用加权K近邻位置指纹定位算法对测试点进行精确定位的具体方法为：步骤五一、采用最近邻算法，计算测试点与每个类中心的距离，测试点接收的RSS信号，表示为Rtest＝[r1,r2,…,rm]；与步骤四获取的各个子区域的特征向量xc＝[xc1,xc2,…,xcm]的距离由公式(10)求得：依据距离最小原则，将测试点划分到与其距离最小的类首领所代表的聚类；步骤五二、根据步骤五一测试点所属聚类中，按式(11)计算测试点与每个参考点的欧氏距离：步骤五三、将Dis_i值按升序排列，取前K个参考点对应的位置坐标，按公式(12)、(13)进行加权计算，结果作为测试点的位置估计坐标wi为加权系数且i＝1,2,L,K，与欧氏距离成反比；ε是趋近于零的正常数，用于防止分母出现为零的情况；完成对测试点的定位。