论文部分内容阅读
定位技术在近几年经历了快速的发展,基于位置信息的服务与应用在日常生活中越来越多地被使用。定位方法大体分为三种方法:近似法、几何法以及场景分析法。其中场景分析法较为常用,场景分析法是根据待测对象在所处位置采集到的特定场景信息来对其定位。本文就采用的基于位置指纹的方法进行定位。位置指纹定位主要分为两个阶段:离线指纹库建立阶段和在线定位阶段。离线指纹库建立阶段,要对场景中的特征进行检测,本文检测的是无线信号。在选用无线信号方面。虽然Wi-Fi信号覆盖范围广,但是其在进行定位时,需要不断的对设备进行扫描,功耗相对来说较大。因此在本文中,选用功耗相对较低的ZigBee设备作为发射和接收无线信号的设备。在对比之后,选用TI公司推出的CC2530芯片,并基于Z-stack协议栈建立ZigBee无线传感网络,来对无线信号进行采集。在线定位阶段,要根据需要定位的对象采集到的RSS信号强度信息,与离线阶段构建的离线指纹库进行匹配,常用方法是加权k-最近邻(WKNN)算法,其首先要在离线指纹库中选择k个点,并对这k个点的物理位置进行一定的加权,从而估计出待测对象的物理位置。本文在选择k个点的时候,选用了算法复杂度较小的K-means聚类算法,但K-means聚类算法是随机的选择初始中心的,这造成了不同的选择会对定位结果造成影响,而且一般的K-means算法是针对RSS向量进行聚类的,但是RSS向量接近的样本,实际物理位置不一定接近,因此本文对K-means聚类算法进行了改进,选择相对来说彼此距离较远的节点作为初始中心,而且是针对实际的物理位置进行分类的。随后在权重值的选择上,传统的方法是选用欧氏距离的倒数作为权重值,然而RSS信号的欧式距离和实际物理距离不是简单的线性关系,可以用一种物理传播模型来表示。因此本文通过实际环境的测试和实验仿真,利用本文优化的K-means聚类算法对参考点进行选取,利用本文提出的基于物理传播模型和传统的曼哈顿距离相结合的方式来对权重值进行选取,利用指纹定位方法完成定位,分析了所提算法的定位精度,并对比了不同参数对定位精度的结果的影响。