0 引言

    隨著無線傳感器網(wǎng)絡(luò)(WSN)技術(shù)的不斷發(fā)展,，基于位置感知的服務(wù)和計(jì)算在實(shí)際中得到廣泛使用,。目前，室內(nèi)定位技術(shù)主要有：超聲波^[1],、紅外線,、RFID^[2]、WiFi,、UWB^[3]等技術(shù),。本文使用成本低、功耗低,、復(fù)雜度低的德州儀器公司CC2530芯片基于ZigBee協(xié)議進(jìn)行研究,，通過節(jié)點(diǎn)間的接收信號(hào)強(qiáng)度指示(Received Signal Strength Indication,，RSSI)值進(jìn)行室內(nèi)定位。依據(jù)定位算法過程中是否使用節(jié)點(diǎn)間距離,，定位方式分為基于測距和非測距方式兩種,，本文使用的指紋數(shù)據(jù)庫即為非測距方式。

    指紋數(shù)據(jù)庫定位需經(jīng)歷兩個(gè)階段：離線建庫階段和在線定位階段^[4-5],，其原理如圖1所示,。在離線建庫階段，通過采集預(yù)設(shè)定的接入點(diǎn)(Access Point,，AP)與各參考節(jié)點(diǎn)(Reference Point,，RP)之間的RSSI值來建立原始指紋庫^[6-8]。文獻(xiàn)[9]通過使用K-Means聚類算法,，實(shí)現(xiàn)眾包指紋庫建模,。本文在采集原始數(shù)據(jù)的基礎(chǔ)上，通過離群點(diǎn)檢測發(fā)現(xiàn)其與大部分?jǐn)?shù)據(jù)存在顯著差別的數(shù)據(jù)對(duì)象,，將其視為噪聲而丟棄,，然后使用雙閾值濾波處理得到最終的高精度指紋數(shù)據(jù)庫。

    在線定位階段,，通過將實(shí)時(shí)采集到的待測點(diǎn)RSSI值與指紋數(shù)據(jù)庫中的數(shù)據(jù)集進(jìn)行比對(duì),，計(jì)算得到待測節(jié)點(diǎn)的位置坐標(biāo)。廣泛使用的典型定位算法主要包括核函數(shù)法,、最近鄰法,、最大似然概率法以及樸素貝葉斯法。文獻(xiàn)[10]-[12]通過研究提出增強(qiáng)型的聚類策略,、權(quán)值算法以及優(yōu)化質(zhì)心等,，可顯著提升定位速度和精度。上述研究方法通常易受待測點(diǎn)RSSI值波動(dòng)的影響,，同時(shí)在計(jì)算速度和精度上難以滿足要求,。本文通過使用FCM算法將待測節(jié)點(diǎn)的RSSI值進(jìn)行聚類，從而剔除跳變點(diǎn),，然后使用基于頻率因子的加權(quán)K最鄰近算法(Weighting K-Nearest Neighbor,，WKNN),，計(jì)算得到待測點(diǎn)的位置,，并且給出“備用位置”。

1 理論與方法

1.1 離線建庫階段

    高精度指紋數(shù)據(jù)庫的建立是提高定位準(zhǔn)確度的前提條件^[13],。由于在AP點(diǎn)進(jìn)行信息采集時(shí),，其數(shù)據(jù)存在大量噪聲影響指紋庫的精度，因此本文使用下述方法提高建庫精度,。

    假定定位區(qū)域網(wǎng)格化后有m個(gè)AP和n個(gè)RP,，其分別記為集合{AP₁,，AP₂，…,，AP_m},、{RP₁，RP₂,，…,，RP_n}，其中m值亦為每個(gè)AP點(diǎn)的標(biāo)簽,，且每個(gè)AP接收到s組數(shù)據(jù),，記為：

1.1.1 離群點(diǎn)檢測方法

    本文首先使用基于聚類分析的離群點(diǎn)檢測算法將原始數(shù)據(jù)中噪聲去除，其步驟：

    (1)選擇合適的聚類算法對(duì)RSSIn進(jìn)行聚類分析,，本文使用K-Means算法,。

    (2)計(jì)算RSSIn中各點(diǎn)與最近質(zhì)心的歐式距離，公式為：

其中,，Z表示各類質(zhì)心的坐標(biāo),。

    (3)與給定的閾值η₁進(jìn)行比較，若D_i>η₁,，則該RSSI_i視為離群點(diǎn),，并將該點(diǎn)從源數(shù)據(jù)中剔除。

1.1.2 雙閾值濾波方法

    在進(jìn)行離群點(diǎn)檢測時(shí),，某些離群點(diǎn)可能形成小簇從而逃避檢測,，因此需要使用雙閾值濾波對(duì)其進(jìn)一步處理。首先對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)頻率閾值濾波,，設(shè)頻率閾值為：

1.2 在線定位階段

    為剔除待測節(jié)點(diǎn)RSSI值的噪聲,，同時(shí)為增大數(shù)據(jù)有效性，本文在在線定位階段使用基于FCM與WKNN相結(jié)合的方法對(duì)數(shù)據(jù)進(jìn)行處理,。

1.2.1 FCM算法論述

    具體過程如下：首先用加權(quán)指數(shù)m和分類數(shù)c初始化隸屬度矩陣,，然后重復(fù)迭代使用式(7)、式(8)求解聚類中心和新的隸屬度矩陣并將結(jié)果待入式(6),，直到J_m(U,，V)小于給定的正數(shù)ε或者達(dá)到最大迭代步長，則聚類過程結(jié)束,，得到待測節(jié)點(diǎn)數(shù)據(jù)集X={x₁,，x₂，…,，x_i},，其中i∈(1，l)表示聚類之后的數(shù)據(jù)量。

1.2.2 WKNN算法論述

    最鄰近定位算法通過計(jì)算待測節(jié)點(diǎn)的RSSI實(shí)時(shí)測量值與指紋庫中各對(duì)應(yīng)指紋數(shù)據(jù)之間的歐式距離,，從中搜尋距離最小的指紋點(diǎn),，然后將各個(gè)指紋數(shù)據(jù)通過平均或加權(quán)平均作為待測目標(biāo)的位置。歐式距離計(jì)算公式如下：

其中,，I_j表示距離最近的前K個(gè)AP節(jié)點(diǎn)所分別對(duì)應(yīng)的標(biāo)簽值,。

    為防止出現(xiàn)小概率性的錯(cuò)誤定位問題，本文同時(shí)給出待測節(jié)點(diǎn)的“備用位置”作為參考,。其原理為使用上述加權(quán)K最鄰近定位算法迭代計(jì)算出與待測節(jié)點(diǎn)相近的多個(gè)節(jié)點(diǎn)并進(jìn)行排序(其中L_c計(jì)算出的位置節(jié)點(diǎn)除外),，選擇前2～4位節(jié)點(diǎn)作為待測節(jié)點(diǎn)的方向估計(jì)，第1位節(jié)點(diǎn)作為待測節(jié)點(diǎn)的“備用位置”估計(jì),。

2 實(shí)驗(yàn)結(jié)果及分析

    本文選用信號(hào)干擾強(qiáng),、設(shè)備多、使用環(huán)境復(fù)雜的校園多媒體教室進(jìn)行實(shí)驗(yàn),，選定其中20 m×20 m的為本次實(shí)驗(yàn)區(qū)域,。

    在本實(shí)驗(yàn)的離線建庫階段，共設(shè)置100個(gè)AP節(jié)點(diǎn),，每個(gè)AP節(jié)點(diǎn)連續(xù)采集120 s的信號(hào)強(qiáng)度值數(shù)據(jù),，然后對(duì)本段時(shí)間內(nèi)的數(shù)據(jù)進(jìn)行處理從而建立指紋庫。下面選取第4個(gè)AP節(jié)點(diǎn)數(shù)據(jù)進(jìn)行分析,，其原始數(shù)據(jù)如圖2所示,。

    為清晰表達(dá)算法處理過程，后續(xù)處理時(shí)以本節(jié)點(diǎn)的REF1參考節(jié)點(diǎn)數(shù)據(jù)值為對(duì)象,，且RSSI值繪圖時(shí)使用其絕對(duì)值表示,。

2.1 指紋庫建立

    首先對(duì)數(shù)據(jù)值進(jìn)行離群點(diǎn)檢測，其中設(shè)定離散點(diǎn)閾值為0.7,，最大迭代次數(shù)設(shè)置為500,，則處理結(jié)果如圖3所示。

    從圖3可知,，距離誤差超過閾值的所有點(diǎn),，均視為離群點(diǎn)，應(yīng)從數(shù)據(jù)集中剔除,，以免影響后續(xù)數(shù)據(jù)處理過程,。

    離群點(diǎn)剔除后對(duì)數(shù)據(jù)集進(jìn)行雙閾值濾波處理，其結(jié)果如圖4所示,。

    分析圖4可知,，數(shù)據(jù)經(jīng)過雙閾值濾波后，能夠進(jìn)一步抑制噪聲的干擾,，并且可降低后續(xù)指紋數(shù)據(jù)庫建立的復(fù)雜度,。

    同理,，將此AP點(diǎn)接收的其他REF數(shù)據(jù)進(jìn)行上述處理,，從而得到最終的該AP點(diǎn)對(duì)應(yīng)于每個(gè)RP點(diǎn)的指紋數(shù)據(jù),，并建立數(shù)據(jù)庫。

2.2 定位結(jié)果

    在實(shí)驗(yàn)區(qū)域內(nèi),，共設(shè)置10個(gè)待測節(jié)點(diǎn),，每個(gè)節(jié)點(diǎn)連續(xù)采集信號(hào)時(shí)間亦均為120 s，現(xiàn)選取任意待測點(diǎn)數(shù)據(jù)進(jìn)行分析,，其原始數(shù)據(jù)如圖5所示,。

    在使用算法對(duì)待測節(jié)點(diǎn)數(shù)據(jù)進(jìn)行分析前，需將其每次接收到的不同RP點(diǎn)的RSSI值進(jìn)行統(tǒng)一化處理,，并將其作為待測節(jié)點(diǎn)數(shù)據(jù)集中的一個(gè)觀測值(行屬性),，其統(tǒng)計(jì)結(jié)果如圖6所示。

    然后使用FCM算法對(duì)此數(shù)據(jù)集進(jìn)行處理,，其目標(biāo)函數(shù)中隸屬度冪指數(shù)為3,，最大迭代次數(shù)為200，目標(biāo)函數(shù)的終止容限位1×10^-6,。經(jīng)反復(fù)試驗(yàn),，最終本文選用分類數(shù)為2，不同分類數(shù)結(jié)果如圖7所示,。

    對(duì)圖7趨勢分析可知,，針對(duì)本次研究數(shù)據(jù)，當(dāng)分類數(shù)為2時(shí),，處理效果優(yōu)于其他分類數(shù),。

最后使用基于頻率因子的WKNN算法對(duì)上述分類后的數(shù)據(jù)進(jìn)行計(jì)算，得到待測節(jié)點(diǎn)位置,，其定位誤差為1.85 m,，備用位置的定位誤差為2.13 m。同理,，可得其余待測節(jié)點(diǎn)的位置誤差,。通過對(duì)比本文研究方法與傳統(tǒng)原始定位方法（未濾波指紋數(shù)據(jù)庫定位和未優(yōu)化FCM+WKNN定位算法），可明顯看出其定位精度的提升,，結(jié)果如表1所示,。

3 結(jié)論

    本文首先通過離群點(diǎn)檢測與雙閾值濾波結(jié)合的方式對(duì)不同AP點(diǎn)采集的原始RSSI值數(shù)據(jù)進(jìn)行處理，建立高精度指紋數(shù)據(jù)庫,，然后使用FCM算法對(duì)待測節(jié)點(diǎn)的RSSI值進(jìn)行分類,，最后使用WKNN算法計(jì)算出待測節(jié)點(diǎn)的位置信息。經(jīng)過實(shí)驗(yàn)證明,，本文的研究方法相比于未濾波數(shù)據(jù)庫和未優(yōu)化算法等方式,，在定位精度上有明顯提高，并能給出“備用位置”信息。

參考文獻(xiàn)

[1] 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(jì)算機(jī)工程,，2012,，38(19)：258-260，265.

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

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

[4] 張翔，熊劍,，武和雷,，等.基于MNN改進(jìn)粒子濾波的指紋庫定位算法研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014,，35(7)：2283-2288.

[5] 方爽,，郭杭，洪海斌,，等.一種虛擬空間劃分的室內(nèi)指紋庫定位方法[J].測繪科學(xué),，2015，40(1)：93-97.

[6] 劉小康,，郭杭.基于Zigbee室內(nèi)定位系統(tǒng)的指紋庫優(yōu)化算法[J].計(jì)算機(jī)工程,，2014，40(2)：193-198.

[7] HOU Y,，SUM G,，F(xiàn)AN B.The indoor wireless location technology research based on WiFi[C].International Conference on Natural Computation.IEEE，2014：1044-1049.

[8] GUO S,，ZHONG Z,，HE T.FIND：faulty node detection for wireless sensor networks[C].ACM Conference on Embedded Networked Sensor Systems.ACM，2009：253-266.

[9] ZHOU M,，TIAN Z,，XU K，et al.SCaNME: Location tracking system in large-scale campus Wi-Fi environment using unlabeled mobility map[J].Expert Systems with Applications,，2014,，41(7)：3429-3443.

[10] 霍歡,，楊滬滬，鄭德原,，等.一種改進(jìn)的RSSI指紋庫定位算法[J].計(jì)算機(jī)應(yīng)用研究,，2017，34(9)：2786-2790.

[11] 戴國華,，易靈芝,，王根平.一種新的基于ZigBee技術(shù)定位算法[J].計(jì)算機(jī)測量與控制,，2012,，20(4)：1105-1107.

[12] 趙山，彭力.基于ZigBee網(wǎng)絡(luò)的移動(dòng)節(jié)點(diǎn)定位技術(shù)研究[J].測控技術(shù),，2014,，33(10)：51-55.

[13] 王頂，馬娟,，趙頤軒.基于RSS空時(shí)處理的指紋定位算法[J].計(jì)算機(jī)應(yīng)用研究,，2012，29(12)：4726-4728.

作者信息:

王培良1,，2,，張  婷3，肖英杰1

(1.上海海事大學(xué) 商船學(xué)院,，航運(yùn)仿真技術(shù)教育部工程研究中心,，上海201306；

2.濰坊科技學(xué)院,，山東 濰坊262700,；3.山東交通職業(yè)學(xué)院，山東 濰坊261206）