[发明专利]基于二次K-Means聚类的室内位置指纹定位方法

说明书

本发明公开了一种基于二次K‑Means聚类的室内位置指纹定位方法，对位置指纹数据库进行一次k‑means聚类，确定聚类完成后最终的聚类中心；对位置指纹数据库进行二次k‑means聚类，确定聚类完成后最终的聚类中心；计算待定位点到一次k‑means聚类完成后最终的聚类中心的欧氏距离，计算两两欧式距离之间的差值的绝对值，若绝对值≤θ，则该待定位点基于二次k‑means聚类方法实现定位，否则基于一次k‑means聚类方法实现定位；本专利方法基于K‑Means聚类算法的二次聚类位置指纹匹配方法所得的结果，不受聚类算法边界参考点相似度高的影响，具有较高的准确性；方法简单，易于实现，具有良好的适用性。

技术领域

本发明涉及一种室内位置指纹定位方法，具体是涉及一种基于二次K-Means聚类的室内位置指纹定位方法。

背景技术

如今人们绝大部分时间是在室内度过，人们对室内基于位置的服务要求越来越高，因此对室内定位的研究成为当下研究热点之一。利用指纹库中存储的信号值与当前扫描到的信号值进行匹配定位是目前室内定位算法的主要思路之一。在基于位置指纹的室内定位过程中，通常需要在离线阶段去建立一个数据量庞大的数据库，该数据库存储了用于实际定位的参考信息，相应的在线匹配阶段就需要和数据库中的参考信息逐一比较。庞大的数据量导致定位的复杂度高，因此聚类的思想开始被运用在基于位置指纹的室内定位技术中。

聚类思想是指将一组特征数据分为一个一个的类，每一个类中的数据具有较高的相似度，类与类之间的数据相似性则较低。目前较受欢迎的聚类算法是由Chen等人提出的k均值(k-means)算法。k-means算法最大的优点是训练速度快，易实现，且可以实现参考点聚类和定位子区域的自动划分。但其缺点也很明显，首先算法中的k是事先给定的，而这个k值的选定是非常难估计的，事先并不知道数据集合该划分为多少类才合适；其次，初始聚类中心的选择对类的划分有很大的影响，如果初值选择不合理，可能无法得到有效的聚类结果；最后，对于相邻两个类边缘的数据，在选取参考数据点时存在不合理性，聚类边缘数据相似度较高，这是由在线阶段的匹配过程决定的，在匹配阶段不能选取最优参考点。

公布号为CN105960021的中国专利申请，公开了一种改进的位置指纹室内定位方法，该方法包括离线阶段和在线阶段，离线阶段首先利用参考点和AP建立位置指纹数据库，然后通过k-means聚类算法将指纹数据库中数据分类，并获取待测点所述类簇；在线阶段利用贝叶斯概率法将待测点与所属类簇的指纹进行匹配，以计算待测点的位置坐标；该方法通过聚类算法和贝叶斯概率法进行结合，利用k-means聚类算法将指纹数据库中的数据分类，获取待测点所属类簇，大大减小了目标范围，再用贝叶斯概率法将待测点与此类簇的指纹进行匹配，使位置指纹定位方法得以实现；但是该专利方法通过k-means聚类算法将指纹数据库中的数据分类，聚类边缘数据相似度高，在匹配阶段不能选取最优参考点，通过概率公式计算得到待测点的位置，计算精确度低，算法复杂度较高。

发明内容

发明目的：为了克服现有技术中存在的聚类边缘相似度高，在匹配阶段不能选取最优参考点问题，本发明提供一种基于二次K-Means聚类的室内位置指纹定位方法，该方法解决了现有技术不能很好地处理聚类边缘数据的问题，为室内定位提供客观准确的优化定位精度。

技术方案：为实现上述目的，本发明的基于二次K-Means聚类的室内位置指纹定位方法，包括以下步骤：

S1对位置指纹数据库进行一次k-means聚类，确定一次k-means聚类完成后最终的聚类中心；

S2对位置指纹数据库进行二次k-means聚类，确定二次k-means聚类完成后最终的聚类中心；

S3计算待定位点到一次k-means聚类完成后最终的聚类中心的欧氏距离，计算两两欧式距离之间的差值的绝对值，若绝对值≤θ，则该待定位点基于二次k-means聚类方法实现定位，否则基于一次k-means聚类方法实现定位；