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)和計算在實際中得到廣泛使用。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)點間的接收信號強(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(Access Point，AP)與各參考節(jié)點(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，通過將實時采集到的待測點RSSI值與指紋數(shù)據(jù)庫中的數(shù)據(jù)集進(jìn)行比對，計算得到待測節(jié)點的位置坐標(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RSSI值波動的影響，同時在計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)點的RSSI值進(jìn)行聚類，從而剔除跳變點，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)，計算得到待測點的位置，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點進(jìn)行信息采集時，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AP和n個RP，其分別記為集合{AP₁，AP₂，…，AP_m}、{RP₁，RP₂，…，RP_n}，其中m值亦為每個AP點的標(biāo)簽，且每個AP接收到s組數(shù)據(jù)，記為：

1.1.1 離群點檢測方法

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

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

    (2)計算RSSIn中各點與最近質(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，并將該點從源數(shù)據(jù)中剔除。

1.1.2 雙閾值濾波方法

    在進(jìn)行離群點檢測時，某些離群點可能形成小簇從而逃避檢測，因此需要使用雙閾值濾波對其進(jìn)一步處理。首先對數(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RSSI值的噪聲，同時為增大數(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算待測節(jié)點的RSSI實時測量值與指紋庫中各對應(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，然后將各個指紋數(shù)據(jù)通過平均或加權(quán)平均作為待測目標(biāo)的位置。歐式距離計算公式如下：

其中，I_j表示距離最近的前K個AP節(jié)點所分別對應(yīng)的標(biāo)簽值。

    為防止出現(xiàn)小概率性的錯誤定位問題，本文同時給出待測節(jié)點的“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算出與待測節(jié)點相近的多個節(jié)點并進(jìn)行排序(其中L_c計算出的位置節(jié)點除外)，選擇前2～4位節(jié)點作為待測節(jié)點的方向估計，第1位節(jié)點作為待測節(jié)點的“備用位置”估計。

2 實驗結(jié)果及分析

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

    在本實驗的離線建庫階段，共設(shè)置100個AP節(jié)點，每個AP節(jié)點連續(xù)采集120 s的信號強(qiáng)度值數(shù)據(jù)，然后對本段時間內(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AP節(jié)點數(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)處理時以本節(jié)點的REF1參考節(jié)點數(shù)據(jù)值為對象，且RSSI值繪圖時使用其絕對值表示。

2.1 指紋庫建立

    首先對數(shù)據(jù)值進(jìn)行離群點檢測，其中設(shè)定離散點閾值為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，均視為離群點，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。

    離群點剔除后對數(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點對應(yīng)于每個RP點的指紋數(shù)據(jù)，并建立數(shù)據(jù)庫。

2.2 定位結(jié)果

    在實驗區(qū)域內(nèi)，共設(shè)置10個待測節(jié)點，每個節(jié)點連續(xù)采集信號時間亦均為120 s，現(xiàn)選取任意待測點數(shù)據(jù)進(jìn)行分析，其原始數(shù)據(jù)如圖5所示。

    在使用算法對待測節(jié)點數(shù)據(jù)進(jìn)行分析前，需將其每次接收到的不同RP點的RSSI值進(jìn)行統(tǒng)一化處理，并將其作為待測節(jié)點數(shù)據(jù)集中的一個觀測值(行屬性)，其統(tǒng)計結(jié)果如圖6所示。

    然后使用FCM算法對此數(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，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。

    對圖7趨勢分析可知，針對本次研究數(shù)據(jù)，當(dāng)分類數(shù)為2時，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算法對上述分類后的數(shù)據(jù)進(jìn)行計算，得到待測節(jié)點位置，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)點的位置誤差。通過對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檢測與雙閾值濾波結(jié)合的方式對不同AP點采集的原始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算法對待測節(jié)點的RSSI值進(jìn)行分類，最后使用WKNN算法計算出待測節(jié)點的位置信息。經(jīng)過實驗證明，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)計與實現(xiàn)[J].西安科技大學(xué)學(xué)報，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，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].計算機(jī)工程與設(shè)計，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)的移動節(jié)點定位技術(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空時處理的指紋定位算法[J].計算機(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）