基于WIFI的两次聚类和多用户拓扑近似算法的室内定位系统外文翻译资料

 2022-05-22 20:27:51

英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

基于WIFI的两次聚类和多用户拓扑近似算法的室内定位系统

卢晓峰，王建林，张淄博，扁海滨，杨尔洲

综合业务网理论及关键技术国家重点实验室

西安电子科技大学，西安，中国

摘要

近年来，基于WIFI的室内定位技术得到了广泛的研究。然而，传统的基于WIFI的室内定位方法由于某些位置的聚类错误而无法实现较高的定位精度。本文提出了基于RSS和位置的两次聚类（RLTC）和多用户拓扑近似算法。该算法分为两个阶段。在离线阶段提出RLTC方法来纠正聚类结果。在在线阶段，提出了多用户拓扑近似法来减少某个特定位置的定位误差。实验表明，与传统的定位方法相比，该算法可以有效提高定位精度。

关键字 室内定位 WIFI 聚类 多用户拓扑结构

  1. 简介

如今，随着信息技术和社交网络的发展，在最近几年出现了对基于位置服务（LBS）的广泛需求。室内定位系统（IPS）已经显示出了巨大的前景，研究人员也提出了多种解决方案，如UWB ，RFID ，蓝牙，WIFI等。基于WIFI的IPS得到了大量的研究。

基于WIFI的室内定位方法主要分为两大类：基于接收信号强度（RSS）的定位方法和基于几何模型（基于GM）的定位方法。与基于RSS的方法相比，基于GM的方法（例如到达时间（TOA）或到达角度（AOA））需要使用附加硬件来测量到达时间或到达角度。相反，在没有任何额外硬件的情况下，智能手机中的WIFI模块却可以轻松获得RSS。用RSS实现室内定位系统有两种方法。一种是使用传播模型来描述RSS和位置之间的关系，另一种是使用预先构建的无线电地图的指纹识别方法。

在本文中，我们使用指纹法，因为室内环境的的复杂性，在使用传播模型时通常难以提供令人满意的定位精度。然而，由于可变的无线环境（例如，人员的移动以及门的关闭或打开），传统的WIFI指纹识别方法也无法实现较高的定位精度。为了提高定位精度，我们提出了基于RSS和位置的两次聚类算法（RLTC）和多用户拓扑近似定位算法。

本文的其余部分组织如下： 第2节描述了传统的基于WIFI的指纹定位方法。第3节阐述了所提出的RLTC算法和多用户拓扑近似算法。实验和定位结果在第4节讨论。最后，第5节总结本论文。

  1. 传统的指纹定位方法

指纹定位方法包括两个阶段。第一阶段是离线阶段，其主要任务是建立一个WIFI指纹数据库。第二阶段是在线阶段，在这个阶段，我们将实施实时室内定位。

2.1离线阶段

WIFI指纹数据库是在离线阶段利用建筑物中存在的WIFI接入点建立的。这个阶段包含收集RSS数据并聚类这些参考点（RP）。

收集RSS数据。在此步骤中，在感兴趣的区域中选择与已知位置的等距参考点（RP）。对于每个RP，将其附近WIFI AP的RSS读数记录到数据库中。为了减少方向上的误差，要测量四个方向的RSS数据。

划分这些RP。为了降低在线阶段的计算复杂度，将离线阶段收集的RP划分为不同的簇。

在本文中，利用近邻传播（AP）算法来创建集群。AP算法根据数据的相似性对它们进行分类，例如欧几里得距离。在本文中，RPi和RPj之间的相似性被定义为

（1）

其中，分别是RPi和RPj的RSS矢量。

AP算法将每个数据视为潜在的聚类中心，然后将责任信息r（i，j）和可用性消息a（i，j）根据相似性在RP对之间迭代地传输，直到聚类结束。

2.2在线阶段

实时定位过程在在线阶段完成。该阶段包含2个步骤，通过簇匹配进行粗定位以及由KNN进行精确定位。

粗定位步骤。该步骤可以缩小锚点可能位于的区域。首先，测量来自锚点附近的AP的RSS矢量。然后将在线RSS测量结果与每个聚类进行比较，以确定定位点属于哪个聚类。

准确的定位步骤。在这一步用KNN算法可以获得用户的准确位置。分析在粗定位步骤中选择的簇中在线RSS矢量与每个RP的RSS矢量之间的相似度。然后找到K最大相似度对应的RP作为最近邻。最后，计算这些RP的平均坐标作为最终的定位结果。

  1. 提出的定位算法

当使用上述指纹数据库方法来实施实验时，我们发现在一些锚点上存在大的定位误差。在本文中，我们提出了RLTC和多用户拓扑近似算法来减少异常值并提高定位精度。

3.1基于RSS和位置的两次聚类算法

经过分析，我们发现一些距离彼此很远的RP在地理上可能会有类似的WIFI签名。而这些RP可能会被划分到一个相同的簇，导致较大的定位误差。

为了解决这个问题，本文提出了基于RSS和位置的两次聚类算法。在离线阶段，RP被聚集两次。

第一次聚类过程 第一个聚类过程使用的近邻传播算法式基于RP信号空间中的欧几里德距离。簇可以表示为：

（2）

其中是其中一个簇，M是第一个聚类过程中生成的簇的总数。这些簇被称为大集群。

第二次聚类过程　在第一次聚类过程结束后，所有的RP都被分成若干簇。然而，在地理上彼此远离的一些RP可能被分类到相同的簇中。

请注意，所有RP的位置都是已知的，因此可以根据RP的位置执行第二次聚类过程。对于每个簇，这个聚类过程可以分为以下三个步骤。

步骤1： 利用近邻传播算法进行第二次聚类，根据RP的位置生成小簇。这些小簇可以被描述为：

（3）

其中是的一个小簇，Q是产生的小簇总数。

步骤2： 如果，计算这些小簇之间的距离。和之间的距离被定义为每个隶属于的RP与每个隶属于的RP之间的平均距离。

步骤3： 合并簇。如果距离小于某个阈值，某些簇不应该被拆分成小集群，而需要拼接成一个大簇。在本文中，实验的阈值是4米。

经过以上步骤，建立指纹数据库，然后按照2.2所述进行在线定位。

3.2多用户拓扑近似定位算法

为了进一步提高定位精度，我们可以利用多台手机协同实现室内定位。本文提出了多用户拓扑近似定位算法，用到了用户之间的距离。实现所提出的多用户定位算法有两个挑战：

  1. 如何而不用额外的设备来测量两个用户之间的距离。

（2）如何使用这个距离来减少定位误差。

啁啾信声信号测量距离。协同参与定位的用户彼此相距不远，因此适合用声学信号来测量距离。

声波在空气中传播的速度大约为340米/秒，这不是很快。我们可以测量声波在两个设备之间传播的时间，然后可以计算距离。距离测量过程如图1所示。

图1 距离测量原理。

　　在该方法中，设备A首先发出声音信号S1。该信号将在时间T1由其自己的麦克风记录，并在时间T2由设备B的麦克风记录。然后，设备B发出与S1相同的另一个信号S2。S2在时间T3由设备B记录，而在时间T4由设备A记录。因此，声信号从设备A传播到设备B所需的时间可以计算为

（4）

　　在这种方法中，T1和T4是设备A的本地时间，而T2和T3是设备B的本地时间，所以不需要考虑两个设备之间的同步和软件处理延迟。

　　关键问题是如何获得声波到达的准确时间。本文将声波设计为线性啁啾信号，　因为其具有很强的自相关特性。为了不受人们说话的干扰，我们选择频率范围在8-12kHz之间。

　　距离测量的误差主要取决于声音采样率。在本文中，声音采样率为48 kHz。在空气中的声速为340m / s的前提下，这个采样率下的理论误差为0.71cm，。我们进行了200次测距实验，平均误差小于2厘米。另外，3厘米内绝对误差的概率是95％。

距离已知的多用户定位。已经获得用户之间的距离，所以下一步工作是如何提高已知距离的定位精度。这种多用户拓扑近似定位算法可以分为四个阶段。

（1）通过WIFI的位置估计获取初始多边形G。在这个阶段，每个用户都可以独立使用传统的WIFI指纹数据库方法进行初始WIFI位置估计。然后是初始多边形G可以由初始位置估计来获得。

（2）根据用户之间的距离获取多边形，距离可以作为边，并构成多边形。可以通过以下步骤获得。

步骤1：确定第一个边的位置。 假设的顶点是，其中n是用户的数量。任何两个顶点之间的距离是已知的。建立平面直角坐标系。让点位于坐标原点。然后让点在x的正半轴上。第一个边就可以确定了。

步骤2：确定其他边的位置。 我们可以逐个获得其他边。第三个顶点连同和可以组成一个确定的三角形。可以根据余弦定律来计算。然后可以获得横坐标和纵坐标的绝对值。但是，的位置有两种情况“如图2所示。

图2 的位置的两个例子

无法用错误的坐标通过旋转来获得正确的方向。我们可以根据以下等式通过相应的WIFI位置估计来确认的位置。

　　　　　　　　　　　　　　　　（5）

如果Sgt;0小号gt;0，点和与和一样是逆时针的，那么纵坐标是正的。否则，的纵坐标是负的。

（3）估计多边形的方向。利用和的相应边之间的内积并通过旋转多边形来获得最佳的多边形取向。

　　　　　　　　　　　　　　　　　　　　　　　（6）

其中是多边形的一个边矢量，是多边形的一个边矢量。

（4）估计多边形的位置。最后，多边形的位置由和的重心确定。翻转多边形，并使其重心与的重心重叠。的顶点就是多用户的最终定位结果。

  1. 实验和定位结果

我们在西安电子科技大学主楼放置室内定位系统。定位误差的CDF如图３所示。

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章