紋向量S，對S進行KPCA提取 后，得到在線特征指紋向量s/，
[0化2] c2.計算與各個特征位置指紋的歐氏距離
可 W表征s/與f/1間的相似程度，其值越小二者越相似。
[0053] c3.按Di(s/，F^ i)的大小排列，找到前m(m<N)個最小的Di，使之滿足
I并找到其相對應的m個特征位置指紋和位置信息li(xi，yi)
[0054] c4.利用加權K近鄰法估計出待測點的位置信息
[0化5]
[0056] 圖3為本發明中使用的定位區域圖，由真實環境的環境簡化而來，W坐標(0,0)，為 起點，每隔2m取一個參考節點，共計22個參考節點，分布如圖中RPs;又在實現區域選擇31個 位置，作為的定位區域的被測節點，如圖中TPs, TPs的實際位置已知，在線定位時，實時采集 各個TPs上的來自各個AP的RSS信號，構成在線指紋向量，將運個在線的指紋向量通過定位 算法輸出一個估計定位位置，將TPs的估計定位位置與TPs的實際位置進行比較，來評價定 位算法。
[0057] 在實驗區域可W檢測到8到13個AP的RSS信號，所有AP在數據采集區域內都是非視 距的，利用手持終端采集RSS信號，每個參考節點和測試節點對于RSS信號都采集多次，并求 每個節點的RSS信號均值，得到位置指紋數據如表1所示。
[005引將位置指紋數據通過KPCA，提取NXn維位置指紋空間F的k個主要特征(k<n)，構 成NXk維特征位置指紋空間F/=(f/l，f/2…f/N)τ。KPCA算法的流程圖如圖4所示。
[0059] 將F作為輸入，根據公式K(xi，xj) = e邱（I xi-xj I V-e2)，計算N X N階核矩陣K，其中 核矩陣K的每個元素為Ku = e邱非/-ε2)，ε為高斯核寬度，其中i，j<=N;
[0060] 根據式玄= K-lw.K-K.lw+lw.K.lw計算修正核矩陣玄山為NXN階矩陣，每一個元 素都是1/N;
[0061 ] 計算哀的前k個最大特征值λι > λ2…Ak-i > Ak，及對應的特征向量vi，V2---vk，其中k< N;
[00創通過施密特正交化方法將vi，V2-Vk單位正交化得到αι，α2···α^
[0063]計算特征位置指紋空間戶=^.α ,其中日=(日1，日2…化)T，F'為NXk維矩陣。
[0064] 通過核函數主特征提取，提取N X η維位置指紋空間F的k個主元，構成N X k維特征 位置指紋空間F/=(f/l，fV·中N)τ，F/與L相對應，即f/l是ll(Xl，yl)的特征位置指紋
[0065] 表2為表1中的數據經過KPCA主特征提取后得到的主特征，其中高斯核寬度ε按經 驗取值2,提取5個主要特征后得到的數據。用表2中的數據作為參考節點物理位置的特征位 置指紋，將其用于定位。
[0066] 定位時，算法采用加權Κ近鄰算法進行定位，流程如圖5所示在待測地點實時采集 各個ΑΡ的RSS信號構成在線指紋向量S，對S進行KPCA提取后，得到在線特征指紋向量s/，
? 9
[0069] 計算與各個特征位置指紋的歐氏距離，
e化W巧W表 征S/與f/ 1間的相似程度，其值越小二者越相似。
[0070] 按Di(S^，F^ 1)的大小排列，找到前m(m<N)個最小的Di，使之滿足
I并找到其相對應的m個特征位置指紋和參考節點位置信息li(xi， yi)
[0071] 利用加權κ近鄰法估計出待測點的位置信息
[0072] 將表1表2中的數據，輸入到PC端，之后再PC端進行本算法與Κ近鄰算法進行位置預 測，并將定位結果進行比較。
[0073] 定位比較結果如圖6所示，為本算法與K近鄰法相關算法隨AP數量變化誤差比較， 其中本算法與K近鄰算法的近鄰數選擇4。從圖中可W看出：
[0074] 本算法的定位誤差顯著小于原K近鄰法的定位誤差，而且與K近鄰算法相比，需要 更少的AP數量，便能達到更好的定位效果。在對被測節點進行定位時，所采集的RSS信號由 于室內環境的影響存在較大誤差，因此本算法表現出了較優異的性能。
[0075] 總體看來，本算法與K近鄰算法相比，其定位誤差能夠維持在一個較小的范圍內， 具有很好的魯棒性。
[0076] 本發明首次將核函數主特征提取化PCA)引入到WIFI室內定位問題中，通過仿真和 實際環境中使用RSS信號作為位置指紋的室內定位實驗表明，本發明可W有效的避免實際 WIFI環境中RSS信號的波動性對定位結果的影響，定位精度有顯著的提高，而且本發明與 WK順定位算法相比有較好的定位魯棒性。
[0077] W上所述僅為本發明的較佳實施例，對發明而言僅僅是說明性的，而非限制性的。 本專業技術人員理解，在發明權利要求所限定的精神和范圍內可對其進行許多改變，修改， 甚至等效，但都將落入本發明的保護范圍內。
[0078] 表1進行40次采集的原始位置指紋數據(RSS信號單位化）
[0079]
【主權項】
1. 一種基于核函數主特征提取的WIFI室內加權K近鄰定位算法，其特征在于:定位區域 內存在任意n個AP，在定位區域內選定的N個定位參考節點，在各個參考節點上可W采集到 非視距的n個AP的接收信號強度(RSS)信號，運個n維的RSS信號作為參考節點位置指紋信 息，將所有參考節點的指紋信息通過核函數主特征提取，提取位置指紋的主要特征，利用加 權(WK順化近鄰算法進行匹配定位計算;包括W下步驟： a. 在定位區域內選定的N個定位參考節點，采集全部N個參考節點的位置指紋信息； b. 將所有的位置指紋信息通過化PCA)核函數主特征提取，提取位置指紋信息的主要特 征，作為的參考節點的特征位置指紋； C.采集待測點的來自各個AP的RSS信號，利用加權K近鄰算法進行匹配輸出定位結果。2. 根據權利要求1所述的一種基于核函數主特征提取的WIFI室內加權K近鄰定位算法， 其特征在于:所述的步驟a的具體過程如下： al.在選定的定位區域選定N個參考節點（Reference Points,RP)，每個參考節點的物 理位置為li(Xi，yi)，N個參考節點的物理位置構成一個位置庫L=(h，b…1n)t; a2.在各個參考節點上可W采集到非視距的n個AP的RSS信號及MAC地址信息(MAC作為 AP的標識），在每個參考節點上都要進行P次采集，將RSS均值作為運個參考節點li(xi，yi)的 位置指紋信息，運個位置指紋信息是一個n維向量fi = (rssi，rss2-rssn)T，i e (1，N)，其中 rw,. = 為9次采樣之后來自第i個AP的RSS信號的平均值； a3.全部參考節點的位置信息構成一個NXn維的位置指紋空間F，即F=(fl，f2…fN)T，將 全部F與L存儲在數據庫中，數據庫中，F的每個行向量fi，代表著參考節點1 i(Xi，yi)的位置 指紋信息。3. 根據權利要求1所述的一種基于核函數主特征提取的WIFI室內加權K近鄰定位算法， 其特征在于:所述的步驟b的具體過程如下： bl.將F作為輸入，根據公式K(xi，xj) = exp( |xi-xj P/-e2)，計算NXN階高斯核矩陣K，其 中核矩陣K的每個元素為Ku = e邱非/-e2)，e為高斯核寬度，其中i，j<=N; b2.根據式ミ = K-lw.K-K.lw+：lw.K.lw計算修正核矩陣ミ，lN為NXN階矩陣，每一個元 素都是1/N; b3.計算哀的前k個最大特征值Al >入2…心1 > Ak,及對應的特征向量vi，V2---vk，其中k< N; b4.通過施密特正交化方法將Vi，V2, ? ? Vk單位正交化得到ai，〇2, ? ^CIk; b5.計算特征位置指紋空間F =玄.a,其中曰=(日1，日2...日k)T，F'為NXk維矩陣。4. 根據權利要求1所述的一種基于核函數主特征提取的WIFI室內加權K近鄰定位算法， 其特征在于:所述的步驟C的具體過程如下： Cl.在待測地點實時采集各個AP的RSS信號構成在線指紋向量S，對S進行KPCA提取后， 得到在線特征指紋向量,Si =滬?<!)口)) = ￡a,^(y;，。其中c2.計算與各個特征位置指紋f/的歐氏距離， 能夠表征與f/間的相似程度，其值越小二者越相似； c3.按Dl(S/，F/l)的大小排列，找到前m(m<N)個最小的Dl，使之滿足，并找到其相對應的m個特征位置指紋和位置信息li(xi，yi); c4.利用加權K近鄰法估計出待測點的位置信息
【專利摘要】本發明公開了一種基于核函數主特征提取的WIFI加權k近鄰室內定位方法，定位區域內存在任意n個AP，在定位區域內選定的N個定位參考節點，在各個參考節點上可以采集到非視距的n個AP的記得收接收信號強度(RSS)信號，這個n維的RSS信號作為參考節點位置指紋信息，將所有參考節點的指紋信息通過核函數主特征提取(KPCA)，提取位置指紋的主要特征，利用加權K近鄰算法(WKNN)進行匹配定位，本發明通過仿真和實際環境中使用RSS信號作為位置指紋的室內定位，有效的避免實際WIFI環境中RSS信號的波動性對定位結果的影響，定位精度有顯著的提高，而且本發明與WKNN定位算法相比有較好的定位魯棒性。
【IPC分類】G01S5/14, H04W64/00
【公開號】CN105657823
【申請號】
【發明人】全薇, 李華亮, 錢志鴻, 王一然
【申請人】吉林大學
【公開日】2016年6月8日
【申請日】2015年12月16日