基于KWAP-KNN分区聚类算法的室内定位分析
（河南工业贸易职业学院，信息工程系，河南郑州市，450000）张海霞
随着科技发展，定位技术发展越来越快，几乎延伸到了各行各业，人们对定位要求越来越精准，仅凭借全球定位系统（GPS）的室外定位已经无法满足人们需求[1-3]。因为移动通讯设备和Wi-Fi信号的广泛覆盖，基于Wi-Fi的室内定位算法凭借其成本低、定位精度高且无需其他外设等优点，逐渐成为现阶段的研究热点之一[4]。该定位方法在定位收集信号的过程中，基于Wi-Fi的室内定位仅依靠信号接受强度指示（RSSI）就可以完成定位，但由于障碍物遮挡、环境变化等多重因素引起的时效性、多径效应等问题，RSSI信号存在误差，在极大程度上影响着室内定位的精度[5]。因此，对基于Wi-Fi的室内定位研究十分必要。
1.1 WAP聚类算法
目前，通常可以选择在无线传感器网络（Wireless sensor network，WSN）应用系统中加入移动节点的方法来实现更加灵活地完成现场监测过程，但是如何对动态过程采用具备低能耗与高精度的WSN节点进行定位是现阶段众多研究人员需要解决的问题等。
AP聚类算法中以p作为节点为聚类中心的度量。由于环境、人员流动、多径效应等因素的影响，不同信号接收装置接收到RSSI信号值存在差异，仅凭借欧氏距离计算S，选取矩阵中值或者均值作为相似性度量，会导致定位结果不准确。针对上述问题，本文引入熵值法对S相似度进行优化后，对优化后的p进行加权处理，已获得更加准确的粗定位结果。
熵值法用来判断指标的离散程度。将每个节点的一组RSSI值作为输入计算权重，并将得到的权重作为不同信号接收装置对该节点的影响因子。其中，针对异质特征维数同质化问题，需要将特征维数的标准化处理。首先归一化处理数据，计算正向特征维数和负向特征维数数值。
正向特征维数：
负向特征维数：
将一组RSSI值作为输入，熵值法具体计算公式如下：
其中，RSSIij为指纹库中第i个数据点的第j个RSSI值，i=1，2，·，n；
j=1，2，·，N，n为样本数，N为RSSI值数，j表示权重。则节点i，k之间的相似度计算方式为：
通过得到的权值计算数据点之间的相似度，对相似度进行均值加权处理，则p的值为：
1.2 基于KWAP-KNN算法原理及流程
距离信号发射装置越近，则RSSI信号接收更准确。且RSSI信号值在空间上区分能力有限，通常都在1m以上，所以为了避免相邻指纹信息在位置上二异性，两个信号发射装置布置距离应...
|
== 试读已结束，如需继续阅读敬请充值会员 ==
|
|
本站文章均为原创投稿，仅供下载参考，付费用户可查看完整且有格式内容！
(费用标准：38元/2月，98元/2年，微信支付秒开通！) |
| 升级为会员即可查阅全文 。如需要查阅全文，请 免费注册 或 登录会员 |
|
