论文部分内容阅读
随着无线通信技术的飞速发展与移动智能设备的大量应用,基于位置信息的服务受到了日益广泛的关注。由于射频指纹定位只需测量接收信号强度(RSSI),且对接入点的最小数量没有要求,使其作为一种室内定位的解决方案而被广泛应用。诚然,射频指纹定位简单易用,但对干扰较为敏感,定位精度不高。针对此问题,论文以室内三维空间中的定位为背景,寻求提高定位精度的射频指纹定位算法。首先,对某特定室内空间进行分区,并测量各点的无线信号强度,以此建立射频指纹库。指纹匹配采用k近邻(k-nearestneighbor,KNN)算法,分别用两点间信号强度的欧氏距离(Euclidean distance,EuD)、切比雪夫距离(Chebyshev distance,ChD)、城市街区距离(City block distance,CBD)等作为选择k个最近参考点依据。对选出的k个参考点,取它们的三维坐标均值作为定位结果。计算结果表明,在KNN算法中,采用EuD或ChD均能取得较好的定位精度,平均定位误差为1.69 m。ChD的计算只涉及加减运算,其复杂度低于EuD的计算。其次,考虑参考点与测试点间的距离因素,参考点距离测试点越近,其对定位的贡献越大。将上述k个最近参考点与测试点间EuD的倒数,作为该参考点参与求坐标均值时的权重,获得k个参考点三维坐标的加权平均值,该平均值即为定位结果。计算结果表明,加权平均对定位精度的改善微乎其微,平均定位误差仅减小了 0.03m。最后,考虑到计算复杂度与定位精度的饱和效应,在分析计算k值对定位精度影响的基础上,将最近参考点的数目确定为4。以k-means算法将这4个参考点分为两簇。若两簇大小不同,则以大簇中心位置为定位结果;若两簇大小相同,则选择参考点与各自簇中心距离之和较小的簇,取其簇中心位置作为定位结果。在聚类时,依照选择的聚类指标,又分为点聚类和坐标聚类。计算结果表明,聚类后的定位精度较KNN算法有所提高,尤以坐标聚类为甚。经过对聚类结果的观察,提出了改进的等簇算法(improved equal cluster algorithm,IeC),当出现等簇时,额外增加一个信号测量值,直至出现大簇为止。计算结果表明,IeC的定位精度可达1.34 m,较KNN算法提高了 21%,比坐标聚类算法提高了13%。