[发明专利]基于聚类算法分析数据优化的室内定位方法

摘要

一种基于聚类算法分析数据优化的室内定位方法，用于未知节点在室内复杂环境中进行精确定位。包括RSSI信号处理优化策略，即使用聚类分析的高斯混合滤波模型优化RSSI值，消除RSSI值因多径效应、障碍物等因素存在的分散交叉、严重抖动的问题，获得更加可靠合理的RSSI值；采用拟合的RSSI测距模型，即根据RSSI‑距离转化曲线，采用最小二乘法的方法进行曲线的拟合，从而得到适宜当前环境的对数路径损耗模型；之后使用加权质心定位算法，估算出未知节点的位置信息。本发明通过优化的RSSI测距算法，提高了定位测距的精确度，从而提高了定位算法的适应性和定位精度，适合在环境复杂的室内环境中应用推广。

主权项

1.一种基于聚类算法分析数据优化的室内定位方法，其特征在于，包括如下步骤：1)信标节点周期性的广播自身信息，所述信息包括：信标节点ID、Power值、RSSI值以及信标节点位置信息；2)未知节点收到信息后，对同一信标节点获取到的RSSI值，使用基于聚类分析的高斯混合滤波优化方法对获取到的RSSI值进行优化，即通过聚类分析将获取到的采样RSSI值进行不同方式的聚类分簇，即分别采用1个以上高斯概率密度函数精确地拟合RSSI值，分别得到采样RSSI值1种以上的分簇方式，依据赤池信息量准则AIC最小信息准则，选择最符合RSSI采样值分簇方式的高斯混合滤波模型对获取到的RSSI值进行优化筛选，再进行均值处理得到精确的RSSI值；依次求出其他信标节点到未知节点的精确的RSSI值，将信标节点的ID和Power值以及处理后的RSSI值存入到自身维持的集合R中；所述的使用基于聚类分析的高斯混合滤波优化方法对获取到的采样RSSI值进行优化，是对同一信标节点在同一距离处采样RSSI值，利用聚类算法中的最大期望算法对采样数据进行不同方式的聚类分簇，即分别使用1个以上高斯混合滤波模型依次分析采样RSSI值，将采样RSSI值依次采用1个以上高斯概率密度函数进行RSSI值拟合，得到采样RSSI值不同分簇方式；所述的聚类算法中的最大期望算法，包括使用最大期望算法中的Expectation Step对每个RSSI采样值计算后验概率，使用最大期望算法中的Maximization Step，对每个RSSI采样值计算对应的概率密度函数，并根据后验概率和对应的概率密度函数对获取到的RSSI采样值进行重新估计聚类分布，不断重复迭代两种算法，直至Expectation Step和Maximization Step中的参数收敛；3)未知节点将集合R中的信标节点RSSI值通过对数路径损耗模型转化为距离信息，并按照冒泡排序法将距离信息从小到大进行排序，选取前3个距离最小的值，建立信标节点信息集合D，包括信标节点的ID、信标节点位置信息以及信标节点与未知节点的距离信息；4)通过加权质心定位算法，得到未知节点的估计位置，所述的加权质心定位算法是，已知三个信标节点分别为：O₁(x₁,y₁)、O₂(x₂,y₂)、O₃(x₃,y₃)，D点为未知节点，D点到三个信标节点的测距距离为r₁、r₂、r₃，根据未知节点到信标节点的距离与坐标的数学模型：两两圆求交点，得到交点A(x_A,y_A)、B(x_B,y_B)、C(x_C,y_C)，未知节点就在交点ABC构成的三角形区域内，在每次定位算法中引入一个权值ω，所述权值ω与距离相关设定为距离因子，利用距离因子ω来体现信标节点对未知节点位置的影响程度，即信标节点与未知节点越远，位置估计时所占比重越小，而每个信标节点由两个距离确定，故权值选择为由此得到未知节点坐标为：