0 引言

    隨著無(wú)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(guò)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(guò)程中是否使用節(jié)點(diǎn)間距離，定位方式分為基于測(cè)距和非測(cè)距方式兩種，本文使用的指紋數(shù)據(jù)庫(kù)即為非測(cè)距方式。

    指紋數(shù)據(jù)庫(kù)定位需經(jīng)歷兩個(gè)階段：離線建庫(kù)階段和在線定位階段^[4-5]，其原理如圖1所示。在離線建庫(kù)階段，通過(guò)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(lái)建立原始指紋庫(kù)^[6-8]。文獻(xiàn)[9]通過(guò)使用K-Means聚類算法，實(shí)現(xiàn)眾包指紋庫(kù)建模。本文在采集原始數(shù)據(jù)的基礎(chǔ)上，通過(guò)離群點(diǎn)檢測(cè)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(kù)。

    在線定位階段，通過(guò)將實(shí)時(shí)采集到的待測(cè)點(diǎn)RSSI值與指紋數(shù)據(jù)庫(kù)中的數(shù)據(jù)集進(jìn)行比對(duì)，計(jì)算得到待測(cè)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(guò)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(cè)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(guò)使用FCM算法將待測(cè)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(cè)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(kù)階段

    高精度指紋數(shù)據(jù)庫(kù)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(kù)的精度，因此本文使用下述方法提高建庫(kù)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(cè)方法

    本文首先使用基于聚類分析的離群點(diǎn)檢測(cè)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(cè)時(shí)，某些離群點(diǎn)可能形成小簇從而逃避檢測(cè)，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(cè)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(guò)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(zhǎng)，則聚類過(guò)程結(jié)束，得到待測(cè)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(guò)計(jì)算待測(cè)節(jié)點(diǎn)的RSSI實(shí)時(shí)測(cè)量值與指紋庫(kù)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(guò)平均或加權(quán)平均作為待測(cè)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(wèn)題，本文同時(shí)給出待測(cè)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(cè)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(cè)節(jié)點(diǎn)的方向估計(jì)，第1位節(jié)點(diǎn)作為待測(cè)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(kù)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(kù)。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(guò)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(kù)建立

    首先對(duì)數(shù)據(jù)值進(jìn)行離群點(diǎn)檢測(cè)，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(guò)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(guò)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(guò)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(kù)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(kù)。

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(cè)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(cè)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(cè)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(cè)節(jié)點(diǎn)數(shù)據(jù)集中的一個(gè)觀測(cè)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(shì)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(cè)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(cè)節(jié)點(diǎn)的位置誤差。通過(guò)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(kù)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(guò)離群點(diǎn)檢測(cè)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(kù)，然后使用FCM算法對(duì)待測(cè)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(cè)節(jié)點(diǎn)的位置信息。經(jīng)過(guò)實(shí)驗(yàn)證明，本文的研究方法相比于未濾波數(shù)據(jù)庫(kù)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(kù)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(kù)定位方法[J].測(cè)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(kù)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(kù)定位算法[J].計(jì)算機(jī)應(yīng)用研究，2017，34(9)：2786-2790.

[11] 戴國(guó)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(cè)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(cè)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）