基于位置指紋的WiFi室內(nèi)定位算法研究

劉業(yè)輝

摘 要：本文主要探討分析基于位置指紋的WiFi室內(nèi)定位算法，該算法主要是通過層次聚類方式劃分測試環(huán)境區(qū)域，再匹配對應的WiFi信號指紋信息，之后利用加權計算確定定位位置。按照此次研究結果顯示，在充足的WiFi熱點數(shù)量之下，對比分析k-means-KNN算法以及原始KNN算法，位置指紋室內(nèi)定位算法在地位給精準度以及準確率方面表現(xiàn)良好，此外，還分析加權最近鄰算法和最近鄰算法等相關內(nèi)容，希望可以為位置指紋的WiFi室內(nèi)定位算法研究提供參考性價值。

關鍵詞：位置指紋 WiFi 室內(nèi)定位算法 加權最近鄰算法 最近鄰算法

中圖分類號：TP393 文獻標識碼：A 文章編號：1672-3791（2018）01（b）-0044-02

隨著全面普及的無線網(wǎng)絡以及移動通信技術，相應提升了對定位服務的需求。需要實現(xiàn)實時位置跟蹤以及路線導航等?；谝陨习l(fā)展現(xiàn)狀，在人們?nèi)粘Ｉ町斨幸呀?jīng)逐漸凸顯出定位計算和服務的重要性。針對室外定位技術，現(xiàn)階段比較主流的技術就是全球定位技術，在戶外活動方面被廣泛應用。然而在室內(nèi)區(qū)域，建筑物會遮擋或者屏蔽信號，在室內(nèi)定位當中無法充分發(fā)揮全球定位系統(tǒng)的作用。所以，在室內(nèi)怎樣實現(xiàn)定位技術已經(jīng)成為現(xiàn)階段研究的熱點話題之一。當前，有較多室內(nèi)定位方式都是借助于基礎設備具備的某些技術完成定位，廣泛應用無線基礎設施，無線信號可以全面覆蓋到城市建筑當中，所以，通過無線網(wǎng)絡實現(xiàn)室內(nèi)定位技術得以快速發(fā)展。

1 聚類在定位算法當中的應用

常規(guī)的位置定位算法主要是能夠計算所有鄰居，全面估算較多鄰居的位置。在實際計算期間可以篩選所有的鄰居，這樣能夠獲取更加準確的結果，降低估算時間。在空間當中，設備信號源與設備接受信號的強度呈正相關。所以，可以按照鄰居的物理位置將其分為多個獨立的簇，主要是通過聚類技術實現(xiàn)，自后選擇其中一個簇作為代表，這樣就可以過濾掉其他簇。

k-means聚類算法主要是劃分空間數(shù)據(jù)實現(xiàn)的，有關學者對于k-means算法的定位方案，算法的思維主要是按照信號的強度進行聚類，之后將相似接收相似信號強度定位參考點分組情況，這樣能夠降低定位計算工作量。然而由于經(jīng)典的k-means聚類算法是在空間數(shù)據(jù)集內(nèi)部各個子類具有較大差異性時，為了縮小誤差平方和，需要有效分割最大子類，這樣就使得該種算法限度局部最優(yōu)解，難度全部進行最優(yōu)解。為了處理該種現(xiàn)象，需要使用優(yōu)化的聚類準則函數(shù)來進行計算。

2 最近鄰算法

該種方式是最基本的位置指紋定位算法。在定位時采用最近臨算法時，存在m個WiFi熱點，這樣就使移動終端設備接收m個熱點的信號強度值的集合為S=（RSSI1，RSSI1…RSSIm），之后將該離線收集的數(shù)據(jù)匹配具有歷史指紋庫的某一房間的位置數(shù)據(jù)指紋Ai，之后計算Ai與S之間的距離，在獲取Ai與S的最小距離之后需要將該數(shù)據(jù)對應的房間號作為定位結果。其最小距離的計算公式如下所示：

…3 （1）

如果式（1）的q值為1時，Di表示的是曼哈頓距離，當q值為2時，Di表示的是歐幾里得距離，此次研究將q值定為2，因此兩者之間采用的是歐幾里得距離。

首先需要計算在線實時數(shù)據(jù)和離線指紋數(shù)據(jù)庫當中的歷史數(shù)據(jù)距離，之后在對其進行比較計算最小距離對應的區(qū)域號。由于具有龐大的指紋數(shù)據(jù)庫，因此，需要較長時間進行匹配，在此次期間還會出現(xiàn)較多個距離相同的值數(shù)，在產(chǎn)生該種情況時需要再進行比較和計算。首先需要統(tǒng)計每個房間數(shù)據(jù)最小值的數(shù)量，之后再將取得較多最小值數(shù)量的房間進行定位，之后需要將該房間號作為定位結構。

3 加權最近鄰算法

3.1 加權最近鄰算法的原理

由于在此次研究當中不適用K近鄰算法，因此，需要提出加權最近鄰法。加權最近鄰算法是在最近鄰算法基礎之上進行改進。加權最近鄰算法的實時采樣信號強度值也是S=（RSSI1，RSSI1…RSSIm），并且該離線收集的數(shù)據(jù)匹配具有歷史指紋庫的某一房間的位置數(shù)據(jù)指紋Ai，其具有較低的定位準確率，因此，使用加權最近鄰算法可以有效改善該種情況。

一般情況下，移動設備會接收的熱點信號之間存在不相同的RSSI值，按照信號傳播的運力，能夠得知信號發(fā)射點經(jīng)過的距離較短時，就會減慢信號衰落，降低衰減速度，這樣就使得移動設備接收的信號強度比較大。因此，在實際定位期間，移動信號要距離較大RSSI值熱點近，這樣最近距離熱點就會較大影響定位結果，具有較強的決定性。在對距離進行計算時，需要在離線指紋數(shù)據(jù)對應的RSSI值與熱點實時采集的差值與加權系數(shù)的乘積，之后再將m個距離的最小值應對區(qū)域與加權和作為移動設備的定位結果。以下公式就是加權最近鄰算法：

（2）

由式（2）可以看出，加權最近鄰算法與最近鄰法的最大差別在于加權系數(shù)，主要是通過每一熱點計算整個距離的權重值，在此時加權系數(shù)的取值主要有3種方式：（1）按照移動設備在固定時間內(nèi)接受的m個熱點的RSSI值的平均值；（2）按照移動設備在固定時間內(nèi)接受的m個熱點的RSSI值的方差；（3）按照信號的隨機性和波動性，得出每一個熱點與距離計算行為具有相同的貢獻，因此，導致所有熱點占據(jù)的權重都是1/m。前兩種方式的具有相同的原理和思想，并且具有較小的準確率相差情況。因此，本次研究主要是通過平均值作為加權系數(shù)的計算標準。

3.2 劃分區(qū)域類

為了確保數(shù)據(jù)的準確性和可靠性，因此，需要在離線階段多次進行采樣，這樣就會形成較大的位置指紋信息庫，盡管可以提升數(shù)據(jù)的準確性，然而卻進行長時間的匹配。這主要是因為實時定位期間的匹配都是通過歷史數(shù)據(jù)和實時數(shù)據(jù)實現(xiàn)的，如果存在較大的數(shù)據(jù)庫，相應會增加計算次數(shù)。如果在實際定位期間可以減少匹配時間，這樣就可以降低計算距離，不斷減小匹配范圍。其次，還存在較高便利性的計算方式，主要是通過數(shù)據(jù)處理之后得出的平均值，并且每一房間內(nèi)的歷史數(shù)據(jù)只存在一行，這樣就會減少匹配時間。然而該種匹配方式無法確保結果的準確性，主要是因為該種方式存在較強的絕對性，只能明確大致的發(fā)展方向，無法確保細節(jié)方面，需要不斷促進定位目標的準確性。

4 結語

綜上所述，本文主要是探討分析基于位置指紋的WiFi室內(nèi)定位算法，并且從聚類在定位算法當中的應用，最近鄰算法，以及加權最近鄰算法等方面進行闡述，其中加權最近鄰算法主要是分析了加權最近鄰算法的原理和劃分區(qū)域類等。通過對以上方面的分析研究，可以全面了解和掌握基于位置指紋的WiFi室內(nèi)定位算法。

參考文獻

[1] 高富，賀艷軍.基于WiFi技術的煤礦井下人員定位系統(tǒng)研究[J].煤炭工程，2017（S2）：160-162.

[2] 王恩良，孟志斌，徐湘寓，等.一種基于WiFi指紋特征匹配的加權K近鄰室內(nèi)定位算法[J].桂林電子科技大學學報，2017，37（4）：276-281.

[3] 韋信相，張文輝.基于Android的室內(nèi)WiFi指紋定位系統(tǒng)及KNN定位算法的設計[J].大眾科技，2017，19（8）：14-16，31.

[4] 何富貴，吳陳沭，周先存，等.一種層次Levenshtein距離的無指紋校準的室內(nèi)定位方法[J].智能系統(tǒng)學報，2017，12（3）：422-429.

[5] 許微，查峰，李豹.基于Android平臺的位置指紋室內(nèi)定位系統(tǒng)研究與設計[J].艦船電子工程，2016，36（5）：50-55.