一種基于svm-knn的室內(nèi)定位方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種基于支持向量機(jī)與腳W相結(jié)合的室內(nèi)定位方法，是屬于物聯(lián)網(wǎng)應(yīng) 用領(lǐng)域。
【背景技術(shù)】
[0002] 隨著物聯(lián)網(wǎng)技術(shù)的興起，基于位置的服務(wù)越來越受到人們的關(guān)注。對于室外的定 位，已經(jīng)有很成熟的定位技術(shù)，應(yīng)用也十分的成功，比如全球定位系統(tǒng)，北斗導(dǎo)航系統(tǒng)等。相 對于室外定位技術(shù)而言，由于室內(nèi)環(huán)境的復(fù)雜性，導(dǎo)致室內(nèi)無線信號傳播的特殊性，比如多 徑效應(yīng)，陰影效應(yīng)等。該些特殊情況使得成熟的室外定位技術(shù)不能夠直接應(yīng)用到室內(nèi)定位 上來。為此，學(xué)者們研究了許多的定位方法來實(shí)現(xiàn)對室內(nèi)的定位。
[0003] 支持向量機(jī)是W統(tǒng)計(jì)學(xué)理論為基礎(chǔ)的，具有嚴(yán)格的數(shù)學(xué)基礎(chǔ)，其結(jié)構(gòu)的設(shè)計(jì)不依 賴于設(shè)計(jì)者的經(jīng)驗(yàn)知識和先驗(yàn)知識。支持向量機(jī)是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，保證了良好 的泛化能力。因此，支持向量機(jī)在模式識別、回歸分析、函數(shù)估計(jì)、時間序列預(yù)測等領(lǐng)域得到 廣泛的應(yīng)用。目前，支持向量機(jī)在室內(nèi)定位上的應(yīng)用主要采用的是支持向量機(jī)回歸的功能。 其定位的過程分為兩個階段，一是離線建模階段，二是在線測量階段。離線建模階段，在定 位區(qū)域采集樣本點(diǎn)數(shù)據(jù)，包括樣本點(diǎn)的位置坐標(biāo)W及接受到的RSSI值，采用支持向量機(jī)回 歸算法建立位置坐標(biāo)與RSSI之間的函數(shù)關(guān)系模型。在線測量階段，是測量待定位節(jié)點(diǎn)的 RSSI值，輸入到離線階段建立的函數(shù)關(guān)系模型中，由此得到待定位節(jié)點(diǎn)的位置坐標(biāo)。
[0004] 支持向量機(jī)回歸算法應(yīng)用于室內(nèi)定位領(lǐng)域具有許多的優(yōu)勢，但同樣的存在著問 題。一方面，支持向量機(jī)回歸算法的參數(shù)選擇一直沒有統(tǒng)一的標(biāo)準(zhǔn)，大多數(shù)依據(jù)經(jīng)驗(yàn)采取試 湊的方法，導(dǎo)致支持向量機(jī)回歸算法應(yīng)用于室內(nèi)定位時定位精確度的下降；另一方面，支持 向量機(jī)回歸算法在處理室內(nèi)信號傳播的非線性問題W及實(shí)時測量時間短，信號幅度變化大 等問題上存在不足，導(dǎo)致定位精確度的降低W及結(jié)果顯示的不穩(wěn)定性。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種支持向量機(jī)與腳W相結(jié)合的室內(nèi)定位方法，主要用于 解決傳統(tǒng)基于采樣點(diǎn)匹配的算法處理非線性問題的不足W及實(shí)時測量時間短，變化幅度大 等問題，從而提高室內(nèi)定位的精度和結(jié)果的穩(wěn)定性。
[0006] 為解決上述的技術(shù)問題，本發(fā)明采用的方案如下：
[0007] 第一步，根據(jù)定位區(qū)域的建筑結(jié)構(gòu)特點(diǎn)合理的對定位區(qū)域進(jìn)行網(wǎng)格型劃分。對各 個網(wǎng)格型區(qū)域進(jìn)行編號，測量并記錄各個網(wǎng)格的質(zhì)屯、坐標(biāo)；
[000引第二步，在各個網(wǎng)格型區(qū)域中，均勻的采集足夠多的樣本點(diǎn)，記錄樣本點(diǎn)的信號強(qiáng) 度值W及所在的網(wǎng)格型區(qū)域的編號；
[0009] 第S步，每一網(wǎng)格作為一類，利用采集的樣本實(shí)現(xiàn)支持向量機(jī)的分類建模；
[0010] 第四步，在線測量待定位節(jié)點(diǎn)的信號強(qiáng)度值，并利用第=步已經(jīng)建立好的分類模 型對待定位節(jié)點(diǎn)進(jìn)行分類預(yù)測，得出待定位節(jié)點(diǎn)最有可能屬于的K個網(wǎng)格型區(qū)域；
[0011] 第五步，根據(jù)腳w原理，計(jì)算得到的K個網(wǎng)格型區(qū)域的中屯、坐標(biāo)的加權(quán)平均值，作 為待定位節(jié)點(diǎn)的位置坐標(biāo)。
[0012] 采用支持向量機(jī)實(shí)現(xiàn)多分類的具體過程如下：
[0013] 第一步，將采集的數(shù)據(jù)根據(jù)網(wǎng)格編號的不同，兩兩組合；
[0014] 第二步，采用支持向量機(jī)對兩兩組合的數(shù)據(jù)實(shí)現(xiàn)分類建模，假設(shè)將定位區(qū)域分成 了 N個網(wǎng)格，最終得到的分類模型的總數(shù)為N(N-l)/2 ;
[0015] 第=步，將待定位節(jié)點(diǎn)接受到的信號強(qiáng)度值輸入到建立的好的分類模型中，采用 投票法，實(shí)現(xiàn)對待定位節(jié)點(diǎn)的分類，選出票數(shù)最多（概率最大）的K個網(wǎng)格區(qū)域，記錄各個 網(wǎng)格區(qū)域所得的票數(shù)（概率）。
[0016] 采用腳W算計(jì)算待定位節(jié)點(diǎn)的位置坐標(biāo)的具體過程如下：
[0017] 第一步，根據(jù)分類得到的K個區(qū)域的概率，算出加權(quán)值Qj.，計(jì)算公式如下：
[001 引
【主權(quán)項(xiàng)】
1. 一種基于支持向量機(jī)與KNN相結(jié)合的室內(nèi)定位方法，其特征在于，采用支持向量機(jī) 與最近鄰法相結(jié)合的算法實(shí)現(xiàn)室內(nèi)定位，具體的步驟如下： 51、 通過對定位區(qū)域?qū)崿F(xiàn)合理的網(wǎng)格型劃分，在每個網(wǎng)格區(qū)域中合理均勻的采集樣本， 記錄樣本的區(qū)域編號和信號強(qiáng)度值； 52、 以每一網(wǎng)格為一類，利用支持向量機(jī)實(shí)現(xiàn)多分類建模； 53、 利用SVM得出的分類模型對待定位點(diǎn)進(jìn)行分類，選取K個分類概率最大的網(wǎng)格區(qū) 域； 54、 根據(jù)KNN原理，計(jì)算K個區(qū)域的中心坐標(biāo)的加權(quán)平均值得到待定位點(diǎn)的位置坐標(biāo)。
2. 根據(jù)權(quán)利要求1所述的基于支持向量機(jī)與KNN相結(jié)合的室內(nèi)定位方法，其特征在于， 對定位區(qū)域進(jìn)行合理的網(wǎng)格型劃分，測量出每個網(wǎng)格區(qū)域?qū)?yīng)的中心坐標(biāo)，并記錄。
3. 根據(jù)權(quán)利要求1所述的基于支持向量機(jī)與KNN相結(jié)合的室內(nèi)定位方法，其特征在于， 對于每個區(qū)域內(nèi)的樣本點(diǎn)，只是采集其對應(yīng)的RSSI值以及所在網(wǎng)格區(qū)域的編號，而不采集 其對應(yīng)的位置坐標(biāo)。
4. 根據(jù)權(quán)利要求1所述的基于支持向量機(jī)與KNN相結(jié)合的室內(nèi)定位方法，其特征在于， 利用采集的數(shù)據(jù)，實(shí)現(xiàn)支持向量機(jī)的多分類建模，并對在線階段待定位點(diǎn)進(jìn)行區(qū)域分類，具 體的步驟如下： 第一步，將采集的數(shù)據(jù)根據(jù)網(wǎng)格編號的不同，兩兩組合； 第二步，采用支持向量機(jī)對兩兩組合的數(shù)據(jù)實(shí)現(xiàn)分類建模，假設(shè)將定位區(qū)域分成了N個網(wǎng)格，最終得到的分類模型的總數(shù)為N(N-l)/2 ; 第三步，將待定位節(jié)點(diǎn)接受到的信號強(qiáng)度值輸入到建立好的分類模型中，采用投票法， 實(shí)現(xiàn)對待定位節(jié)點(diǎn)的分類，選出票數(shù)最多（概率最大）的K個網(wǎng)格區(qū)域，記錄各個網(wǎng)格區(qū)域 所得的票數(shù)（概率）。
5. 根據(jù)權(quán)利要求1所述的基于支持向量機(jī)與KNN相結(jié)合的室內(nèi)定位方法，其特征在于， 由KNN原理，計(jì)算K個區(qū)域中心坐標(biāo)的加權(quán)平均值作為待定位點(diǎn)的最終位置坐標(biāo)，具體的計(jì) 算過程如下： 第一步，根據(jù)分類得到的K個區(qū)域的概率，算出權(quán)值％，其計(jì)算公式如下：
第二步，算出待定位節(jié)點(diǎn)的位置坐標(biāo)，其計(jì)算公式如下： [X，Y] = Qi [Xp yj +Q2 [x2, y2] + …+QK [xk，yk] [X，Y] = Qi [Xp yj +Q2 [x2, y2] + …+QK [xk，yk]
【專利摘要】本發(fā)明公開一種基于SVM-KNN的室內(nèi)定位方法，具體采用支持向量機(jī)(SVM)與最近鄰算法(KNN)相結(jié)合的方法實(shí)現(xiàn)室內(nèi)定位，旨在改善定位的定位精度和穩(wěn)定性。其實(shí)現(xiàn)過程如下，離線階段：第一，對需要定位的區(qū)域進(jìn)行合理的網(wǎng)格型劃分；第二，在各個網(wǎng)格區(qū)域中合理均勻的采集足夠多的樣本點(diǎn)，收集樣本點(diǎn)的信號強(qiáng)度值以及所屬網(wǎng)格的編號；第三，將每一網(wǎng)格作為一類，利用支持向量機(jī)分類算法實(shí)現(xiàn)分類建模。在線階段：利用已經(jīng)建好的分類模型對待定位點(diǎn)進(jìn)行分類，選取出分類得到的概率最大的K個區(qū)域，根據(jù)KNN原理計(jì)算最終的待定位點(diǎn)的位置坐標(biāo)。
【IPC分類】H04W64-00
【公開號】CN104619014
【申請?zhí)枴緾N201510011964
【發(fā)明人】唐承佩, 張明, 李海良, 劉友檸
【申請人】中山大學(xué), 中山大學(xué)深圳研究院
【公開日】2015年5月13日
【申請日】2015年1月9日