论文部分内容阅读
近年来，随着物联网技术(Internet of Things，IoT)的广泛应用，对基于位置服务的需求也迅速增加；尤其是对室内定位服务的需求，由于传统的GPS定位技术等不适用于室内环境，所以室内专用的定位技术成为研究热点。其中基于位置指纹的室内定位方法因为成本低廉，深受国内外研究者的青睐，但其存在如定位精度不高、定位速度较慢等缺点。针对此问题，本文研究了三种基于聚类的位置指纹室内定位算法，主要研究内容如下：
(1)针对大型场所定位耗时长的问题，本文提出了一种基于层次聚类的快速室内定位算法。该算法离线阶段使用改进的层次聚类算法对指纹数据进行聚类，形成层次聚类结构；在线阶段待测点依次与各层聚类中心进行欧式匹配，并在最近邻聚类中使用WeightedK-Nearest-Neighbors(WKNN)算法完成位置估计。仿真实验结果和WKNN算法相比，在不损失定位精度情况下，我们的算法在定位速度上至少提升了77%。
(2)针对传统K-Nearest-Neighbors(KNN)定位算法灵活性差，耗时长，定位精度低等问题，本文提出了一种改进聚类动态阈值定位算法。改进的算法分为聚类划分阶段和位置估计阶段。在聚类划分阶段使用基于Canopy的K均值(K-Means)聚类算法对数据进行聚类划分处理，进一步提高了K-Means算法的划分精度；在位置估计阶段根据参考点的离散度动态设定阈值系数，有效提高了传统KNN算法的灵活性和定位精度。仿真结果表明改进的聚类动态阈值算法对比动态阈值(DH-KNN)算法、K-Means算法和KNN算法，平均定位精度分别提高了16%，38%和42%。
(3)针对聚类算法中聚类边缘待测点定位误差较大的问题，提出了一种聚类边界点处理算法。该算法通过扩大待测点匹配范围的方法提高聚类边界点的定位精度，并采用了匹配游离点和计算聚类中心距离比值两种聚类边界点判定方式。仿真结果表明通过改进算法处理后，聚类边界点的定位精度至少提升了22%。
本文对传统位置指纹室内定位算法存在的定位速度慢和定位精度低两个问题进行了分析和改进。针对大型定位区域待测点的快速定位，提出了基于层次聚类的快速室内定位算法；针对需求高定位精度的应用场景，提出了改进聚类动态阈值室内定位算法；分析了聚类算法存在的边界点定位误差问题，提出了聚类边界点定位误差处理算法。改进的算法在仿真平台上进行仿真实验，实验结果证明改进的算法能够有效提升定位速度，改善定位精度；并且进一步优化后可用于商场、机场等室内定位的场合。
(1)针对大型场所定位耗时长的问题，本文提出了一种基于层次聚类的快速室内定位算法。该算法离线阶段使用改进的层次聚类算法对指纹数据进行聚类，形成层次聚类结构；在线阶段待测点依次与各层聚类中心进行欧式匹配，并在最近邻聚类中使用WeightedK-Nearest-Neighbors(WKNN)算法完成位置估计。仿真实验结果和WKNN算法相比，在不损失定位精度情况下，我们的算法在定位速度上至少提升了77%。
(2)针对传统K-Nearest-Neighbors(KNN)定位算法灵活性差，耗时长，定位精度低等问题，本文提出了一种改进聚类动态阈值定位算法。改进的算法分为聚类划分阶段和位置估计阶段。在聚类划分阶段使用基于Canopy的K均值(K-Means)聚类算法对数据进行聚类划分处理，进一步提高了K-Means算法的划分精度；在位置估计阶段根据参考点的离散度动态设定阈值系数，有效提高了传统KNN算法的灵活性和定位精度。仿真结果表明改进的聚类动态阈值算法对比动态阈值(DH-KNN)算法、K-Means算法和KNN算法，平均定位精度分别提高了16%，38%和42%。
(3)针对聚类算法中聚类边缘待测点定位误差较大的问题，提出了一种聚类边界点处理算法。该算法通过扩大待测点匹配范围的方法提高聚类边界点的定位精度，并采用了匹配游离点和计算聚类中心距离比值两种聚类边界点判定方式。仿真结果表明通过改进算法处理后，聚类边界点的定位精度至少提升了22%。
本文对传统位置指纹室内定位算法存在的定位速度慢和定位精度低两个问题进行了分析和改进。针对大型定位区域待测点的快速定位，提出了基于层次聚类的快速室内定位算法；针对需求高定位精度的应用场景，提出了改进聚类动态阈值室内定位算法；分析了聚类算法存在的边界点定位误差问题，提出了聚类边界点定位误差处理算法。改进的算法在仿真平台上进行仿真实验，实验结果证明改进的算法能够有效提升定位速度，改善定位精度；并且进一步优化后可用于商场、机场等室内定位的场合。