基于聚类和K近邻算法的井下人员定位算法

针对现有基于指纹模的井下定位算法存在的计算量大、实时性低、定位精度较低的问题,提出了基于聚类和K近邻算法的井下人员定位算法。用二分k-means聚类算法对采集的RSSI数据进行分类,建立离线指纹数据库;无线移动终端和动态修正器实时采集RSSI值,分别存储到在线定位数据库和动态修正数据库;根据待测点和动态修正器的离线数据和实时数据,采用软硬件动态修正加权K近邻算法计算权重值,结合离线指纹数据库中待测点的物理位置信息估算其实时位置。实验分析结果表明,所提定位算法的最小标准误差为0.46m,最大标准误差为3.26m,平均误差为1.62m。对比分析结果表明,与未进行聚类分析的算法相比,本文算法的精度更高,实时性更好;与未动态修正权重值的算法相比,本文算法的运算时间略有增加,但定位精度提高了37.21%。

最强基站MAC地址匹配的RSSI加权室内定位方法

针对传统k近邻算法定位时不能有效剔除距离较远参考点的问题,提出最强基站介质访问控制(MAC)地址匹配的接收信号强度指示(RSSI)加权改进室内定位方法:离线阶段,通过模糊c均值算法划分待测点的定位区域,生成基于区域划分的聚类指纹库;在线阶段,首先确定待测点所在的目标区域,其次在目标区域内利用动态加权k近邻算法剔除距离偏远的参考点,然后通过MAC地址序列匹配的方法,只信任最强的基站,进一步筛选出k个中最优的参考点,最后计算最优参考点对应坐标的加权平均值作为待测点的最终估计位置。实验结果表明,与动态加权k近邻算法相比,该算法在房间以及走廊环境下的平均定位误差都有改善,并且1~2 m和2~3 m定位精度的可信度有较好的提升。

聚类阈值结合动态K值的蓝牙室内定位算法

针对固定阈值的动态K近邻算法定位时未能有效剔除距离较远参考点的问题,该文提出了基于聚类阈值结合动态K值的算法:①在离线阶段建立聚类指纹库,并在每个聚类子块中设定聚类阈值;②在线阶段根据待测点信号确定其所处的聚类子块和对应的阈值,由信号强度的欧氏距离和聚类阈值选取K个信号距离最小的参考点;③以信号距离倒数为权重计算坐标加权平均,作为定位结果。实验分析得出,与固定阈值的动态K值算法的平均定位误差为2.64m;聚类阈值结合动态K值算法的平均定位误差为1.12m,降低了57.6%,并且点位误差在1m和2m内的可信度分别为42.3%和77.8%。聚类阈值结合动态K值算法能够较好地剔除距离较远的参考点,可以有效提高蓝牙指纹定位的精度。