[发明专利]一种基于模糊KNN的WIFI室内定位方法

摘要

本发明公开了一种基于模糊KNN的WIFI室内定位方法，利用基于权值的KNN匹配算法，增加RSSI差分数据量作为权值特征，把RSSI的特征作为模糊系统输入，通过模糊推理输出KNN方法中的权值，定位误差作为目标函数，对模糊推理系统中隶属度函数等参数进行辨识和优化，从而提高定位系统的精度。和传统的RSSI距离相比，不仅考虑了RSSI值所组成的矢量的欧拉距离，还考虑到了不同位置接收到RSSI值之间的差值；同时使用自适应模糊推理系统，利用了模糊系统能很好逼近非线性系统的特性，通过模糊聚类和进化算法对权值进行优化，使其自适应不同的室内环境。

主权项

一种基于模糊KNN的WIFI室内定位方法，其特征在于，包括在线测量阶段和离线测量阶段；所述离线测量阶段包括以下步骤：1)预先选定场地中某些点为参考点，测量参考点的坐标，采集参考点离线数据并进行数据预处理，滤除噪声；2)计算各参考点的RSSI平均值，并存入指纹数据库；3)将RSSI距离分为“很近”，“近，“远，“很远”四个模糊子集，将指纹数据库中的数据作为样本，计算指纹数据库中每条数据所对应的点与其他点之间的RSSI距离D，以及RSSI差分距离V，进行模糊C聚类，以确定四个模糊子集的隶属函数；RSSI距离D(k)和RSSI差分距离V(k)分别按下式计算：D(k)=1rΣl=1r(RSSIkl-RSSITl)2;]]>V(k)＝||maxRSSIki‑minRSSIki|‑|maxRSSITi‑minRSSITi||；其中k表示第k个最近邻点；RSSIkl表示第k个最邻近点检测到的第l个AP，即接入点的RSSI值，RSSITl表示待定位点检测到的第l个AP的RSSI值，k＝1,2,…K，r为AP的数量；4)初始化Takagi‑Sugeno推理后件种群，种群大小NP设置为500，缩放因子F设置成0.9；交叉控制参数CR的值设为0.9，种群中每个个体编码为(a0,a1,a2)，其中(a0,a1,a2)为Takagi‑Sugeno推理后件的多项式系数向量；5)利用目标函数J对上述初始化后的种群进行评价，J等于采样点的实际坐标与计算坐标的欧氏距离，J越小说明计算坐标越接近实际坐标，J的计算公式如下：J＝(x‑xT)2+(y‑yT)2其中，(x,y)是样本的实际坐标，(xT,yT)为该样本的计算坐标，按下式计算：xT=Σi=0KωixiΣi=0Kωi]]>yT=Σi=0KωiyiΣi=0Kωi]]>(xi,yi)为第i个与所述样本邻近的点的坐标，K为该样本的近邻点的个数；ωi是第i条模糊规则输出的权值，按下式计算：ωi＝a0+a1D+a2V；其中i表示第i条规则，D表示样本的RSSI距离，V表示样本的RSSI差分距离；6)采用DE/rand/1/bin变异和二项式交叉对每个个体进行进化操作，产生新的个体；7)计算目标函数J的值，对个体进行评价，并采用高选择压的选择策略：一旦子代个体比父代个体好，就进入下一代种群，否则父代个体留在种群中保持不变，选择新的子代；7)检验目标函数J是否发生变化，如果是，则输出最优多项式系数向量，否则返回步骤6)；8)将最优多项式系数向量作为模糊推理规则的后件多项式系数，生成模糊规则存入规则库；所述在线测量阶段包括以下步骤：1)测量待定位点的RSSI值；2)计算待定位点与指纹数据库中各参考点的RSSI距离和差分距离；3)找出K个与待定位点的RSSI距离和差分距离最近的点，即K个最近邻点；4)使用规则库中的模糊推理规则计算所述K个最近邻点各自的权值；5)根据权值和参考点坐标计算待定位点坐标。