基于改进指纹聚类的WLAN定位优化方法

将K-means聚类算法应用到无线局域网(WLAN)位置指纹定位中,虽然可以缩短定位时间,但是容易降低定位精度。为了解决此问题,提出了基于改进指纹聚类的WLAN定位优化方法。首先根据接收信号强度标准差来优化初始聚类中心的选取,然后对指纹数据进行聚类处理,最后进行在线定位。实验结果表明,与传统的WLAN位置指纹定位方法和K-means聚类定位方法相比,基于改进指纹聚类的定位优化方法不仅缩短了定位时间,还能有效提高定位精度。

基于模糊核c-means算法的位置指纹聚类

提出一种针对位置指纹的模糊核c-means聚类算法.将位置指纹归结为一种服从正态分布的区间值数据以反映接入点信号强度采样值的不确定性,通过区间中值和大小确定的正态分布函数将位置指纹映射为特征空间中的一点,并在该特征空间中采用基于核方法的模糊c-means算法对其进行聚类.通过ZigBee定位实验表明,该方法对于位置指纹的分类效果明显好于基于信号强度平均值的c-means聚类,可在保证定位精度的前提下有效降低定位的计算量.

两元指纹向量聚类问题的复杂性与改进启发式算法

证明丢失值位数不超过2的指纹向量聚类问题为NP-Hard,并给出Figueroa等人指纹向量聚类启发式算法的改进算法.主要改进了算法的实现方法.以链表存储相容顶点集合,并以逐位扫描指纹向量的方法产生相容点集链表,可将产生相容点集的时间复杂性由O(m·n·2p)减小为O(m·(n·p+1)·2p),可使划分一个唯一极大团或最大团的时间复杂性由O(m·p·2p)减小为O(m·2p).实际测试显示,改进算法的空间复杂性平均减少为原算法的49%以下,平均可用原算法20%的时间求解与原算法相同的实例.当丢失值位数超过6时,改进算法几乎总可用不超过原算法11%的时间计算与原算法相同的实例.

基于移动众包的地磁传感器阵列室内指纹定位技术

针对有源的室内定位技术应用场景局限,布置设备成本高昂的现状,提出了一种无源高效的基于移动众包方式的地磁指纹定位技术。创新地提出了基于传感器阵列的地磁指纹采集与匹配方法,通过移动众包的方式来解决指纹采集更新工作量大、专业性强的技术适用性难题。通过基于核模糊C均值地磁指纹聚类算法训练离线指纹库,在20次重复实验的情况下,地磁指纹定位平均定位误差为1. 87 m,90%的定位误差小于3 m,较地磁线图匹配算法定位精度及性能均有较大的提升。

基于几何聚类指纹库的约束KNN室内定位模型

针对室内环境基于RSSI定位不稳定问题,提出了以几何信息改进基于指纹库的KNN定位算法。根据室内几何布局建立了聚类指纹库,提出了表征点位几何特性的点散发性强度(geometric strength of sporadic,GSS)概念。利用最邻近样本点的GSS判别移动终端所在参考点RP控制网结构以动态选择KNN关键参数K,构建最佳多边形为约束准则自适应选取后K-1个邻近点,建立了基于几何聚类指纹库的约束加权KNN室内定位模型。结果表明,改进后定位模型可以更好地估计终端位置信息,其中几何聚类指纹库是改善定位准确性的关键,约束KNN能够有效地提高室内定位精度。