0 引言

    人類大部分活動都是在室內(nèi)進行的,，因此進行室內(nèi)定位與導(dǎo)航研究具有非常重要的意義,。目前室內(nèi)定位方法主要采用^[1，2]：超聲波^[3],、激光,、紅外線^[4]、RFID^[5],、WiFi^[6],、圖像視覺^[7]等。本文采用ZigBee進行定位,，因為ZigBee技術(shù)具有成本低,、功耗低、復(fù)雜度低等優(yōu)勢^[8],。本文采用德州儀器公司的CC2530芯片設(shè)計了一套ZigBee室內(nèi)定位系統(tǒng),，在設(shè)計了ZigBee室內(nèi)定位系統(tǒng)的基礎(chǔ)上,，提出了基于模糊聚類的ZigBee加權(quán)最鄰近定位算法^[9]，把通過加權(quán)最鄰近定位算法得到的點進行模糊聚類,，通過模糊聚類剔除大量的跳變點,。最后通過本文設(shè)計的ZigBee室內(nèi)定位系統(tǒng)進行實驗，并與最鄰近定位算法,、加權(quán)最鄰近定位算法,、貝葉斯定位算法進行比較。實驗結(jié)果表明,，本文提出的基于模糊聚類的加權(quán)最鄰近定位算法的平均定位精度有了一定的提高,。

1 系統(tǒng)介紹

1.1 系統(tǒng)的總體介紹

    本文設(shè)計的ZigBee室內(nèi)定位系統(tǒng)是帶有GUI界面的無線傳感網(wǎng)絡(luò)系統(tǒng)，在PC終端上安裝監(jiān)控軟件,，協(xié)調(diào)器通過USB轉(zhuǎn)串口數(shù)據(jù)線連接到PC上,，PC就可以實時地查看、管理和配置ZigBee無線傳感網(wǎng)絡(luò),，移動節(jié)點和參考節(jié)點的位置就可以實時地顯示在PC上的監(jiān)控軟件中,。

1.2 系統(tǒng)的工作原理

    首先布設(shè)一定數(shù)量的參考節(jié)點在需要定位的區(qū)域內(nèi)部，并且記錄好參考節(jié)點的位置坐標(biāo),；然后通過相關(guān)的定位算法就可以計算出移動節(jié)點在該定位系統(tǒng)中的位置信息,，并且移動節(jié)點可以把自己接收到的RSSI值和物理地址發(fā)送給協(xié)調(diào)器，協(xié)調(diào)器通過USB轉(zhuǎn)串口數(shù)據(jù)線把這些數(shù)據(jù)傳送到終端服務(wù)器,，在PC上的監(jiān)控軟件可以實時地顯示出參考節(jié)點和移動節(jié)點的位置信息^[10],。

2 基于模糊聚類的加權(quán)最鄰近定位算法

    在研究基于一般的加權(quán)最鄰近定位算法的基礎(chǔ)上，本文提出了一種新的基于模糊聚類的加權(quán)最鄰近指紋庫定位算法,。算法的原理圖如圖1所示,。首先采用加權(quán)最鄰近定位算法^[11]計算出各個未知點的定位坐標(biāo)，然后通過模糊聚類方法來去除掉大量的跳變點,，從而提高系統(tǒng)的定位精度,。

2.1 加權(quán)最鄰近定位算法

    首先把離線建庫階段所用的預(yù)設(shè)的采樣點作為指紋數(shù)據(jù)庫中的信息點，記作X_i∈{X₁,，X₂,，…X_n}；然后進入在線定位階段：當(dāng)移動節(jié)點進入需要定位的區(qū)域后,，實時采集到的RSSI值記作Z,，它是k個參考節(jié)點的RSSI值，即Z=(Z₁,，Z₂,，…，Z_k),。比對移動節(jié)點接收到的Z與原先建立的指紋庫X_i的歐式距離,，將這兩者歐式距離最小的點作為定位點,。歐式距離公式如下：

    其中，w_j為移動節(jié)點對應(yīng)于指紋數(shù)據(jù)庫中第j個點的權(quán)重值,，d_j為相對應(yīng)的第j個點的位置坐標(biāo),。

2.2 模糊聚類

    聚類的定義就是按照事物之間的相似程度進行區(qū)別和分類的過程。聚類分析的目標(biāo)就是把特征空間中的一組數(shù)據(jù)按照某種方法分為若干類^[12],。本文采用模糊C均值聚類方法（FCM）,。

    模糊C均值聚類算法的目的是把各地的n個P維數(shù)據(jù)點的集合X={x₁，x₂,，…x_n}分為C個模糊類A_i(i=1,，2,，…,，C)，使得X的任何一個分量X_k∈R^P的隸屬度A_i(x_k)都滿足以下兩個條件：

    本文中具體使用的方法是：首先通過加權(quán)最鄰近定位算法計算得到的未知點的未知坐標(biāo),，然后采用模糊C均值聚類算法去除掉大量的跳變點,。通過模糊C均值聚類算法把得到的數(shù)據(jù)分為若干類，將這些類中數(shù)據(jù)點最多的那一類留下,，去除掉其他的數(shù)據(jù),。通過聚類后得到的數(shù)據(jù)更加接近真實點的坐標(biāo)，從而提高了定位系統(tǒng)的定位精度,。

3 實驗結(jié)果分析

3.1 實驗布局

    采用本文設(shè)計的ZigBee室內(nèi)定位系統(tǒng)進行實驗,，在實驗區(qū)域內(nèi)選取5.6 m×5.6 m的區(qū)域建立指紋數(shù)據(jù)庫。在本實驗中離線建庫階段一共采集了64個指紋點的數(shù)據(jù),。實驗一共隨機選取了21個待定點,。離線建庫階段，在每個指紋數(shù)據(jù)點采集120 s信號強度值數(shù)據(jù),，然后對這120 s的數(shù)據(jù)進行均值濾波,，得到指紋數(shù)據(jù)庫；在線定位階段,，獲取每一個待定點的30組數(shù)據(jù),，一共有21×30=630組數(shù)據(jù)。

3.2 實驗結(jié)果

    分別采用最鄰近定位算法,、加權(quán)最鄰近定位算法,、貝葉斯定位算法和模糊C均值定位算法對上述隨機選取的21個采樣點的數(shù)據(jù)進行計算，得到的定位結(jié)果如表1所示,。

    使用本文提出的基于模糊C均值聚類定位算法處理了上述的21個采樣點,，各個點的定位誤差如圖2所示。在需要定位區(qū)域內(nèi),，本文提出的模糊C均值聚類定位算法的平均定位精度達到了1.47 m,。

4 結(jié)束語

    本文在研究了一般定位算法的基礎(chǔ)上,，提出了基于模糊聚類的加權(quán)最鄰近定位算法，并把該算法應(yīng)用在本文設(shè)計的ZigBee室內(nèi)定位系統(tǒng)上,。實驗結(jié)果表明,，采用本文提出的基于模糊聚類的加權(quán)最鄰近定位算法后，ZigBee定位系統(tǒng)的平均定位精度能夠達到1.47 m,，與普通的定位算法相比較,，具有較好的應(yīng)用價值。

參考文獻

[1] 王暉.基于RSSI的無線傳感器網(wǎng)絡(luò)室內(nèi)定位算法設(shè)計與實現(xiàn)[D].北京：北京郵電大學(xué),，2010：16-41.

[2] 肖竹,，王勇超，田斌.超寬帶定位研究與應(yīng)用：回顧和展望[J].電子學(xué)報,，2011,，39（1）：133-141.

[3] 葉寶玉，王欽若,，熊建斌,，等.基于超聲波的模型船舶室內(nèi)定位系統(tǒng)研究[J].計算機工程，2012,，38(19)：258-260,，265.

[4] HAUSCHILDT D，KIRCHHOF N.Improving indoor position estimation by combining active TDOA ultrasound and passive thermal infrared localization[C].IEEE Positioning Navigation and Communication,，2011：94-99.

[5] 張穎,，李凱，王建偉.一種有源RFID局域定位系統(tǒng)設(shè)計[J].電子設(shè)計工程,，2012,，20(5)：68-70，74.

[6] 馬卜林,，楊帆.煤礦井下WiFi人員定位GIS系統(tǒng)設(shè)計與實現(xiàn)[J].西安科技大學(xué)學(xué)報,，2012，32(3)：301-305.

[7] 李曉維,，徐勇軍,，任豐原.無線傳感器網(wǎng)絡(luò)技術(shù)[M].北京：北京理工大學(xué)出版社，2007：191-219.

[8] 張正勇,，梅順良.無線傳感器網(wǎng)絡(luò)節(jié)點自定位技術(shù)[J].計算機工程,，2007，33(17)：4-6.

[9] 宋欣.多傳感器融合的室內(nèi)定位技術(shù)研究[D].上海：上海交通大學(xué),，2013.

[10] 劉小康,，張翔，方爽，等.基于ZigBee無線傳感器網(wǎng)絡(luò)的一種室內(nèi)定位新方法[J].傳感器與微系統(tǒng),，2013,，32(11)：29-30.

[11] KING T，KOPF S,，HAENSELMANN T,，et al.A probabilistic indoor positioning system based on 802.11 and digital compasses[C].The First ACM International Workshop on Wireless Network Testbeds，Experimental Evaluation and Characterization.Los Angeles,，USA,，2006：34-40.

[12] 宮改云.FCM算法參數(shù)研究及其應(yīng)用[D].西安：西安電子科技大學(xué)，2014.

[13] 黃競偉,，朱福喜,，康立山.計算智能[M].北京：科學(xué)出版社，2010：214-218.