[发明专利]一种基于RFID数据强度-时间分布的初始聚类中心优化选取方法

说明书

本发明公开了一种基于RFID数据强度‑时间分布的初始聚类中心优化选取方法，包括以下子步骤：根据移动扫描终端的移动速度、货包规格确定时间跨度；将经过预处理后的RFID数据集从起始时间开始，对每一个时间跨度内强度值大于设定阈值的数据进行筛选；计算每个时间跨度内数据的平均强度，并将平均强度和对应时间跨度时间区间的右端点进行保存；利用爬山法对保存的平均强度根据强度阈值进行聚类中心区域和非聚类中心区域划分；对于被划分为聚类中心区域的连续时间区间进行区间相连，取相连形成的区间的时间中点作为初始聚类中心，求出所有初始聚类中心。本发明利用RFID扫描数据的强度‑时间分布规律选取初始聚类中心，改善聚类中心的选取，提高聚类结果的准确性及稳定性。

技术领域

本发明涉及初始聚类中心选取技术领域，特别是涉及一种基于RFID数据强度-时间分布的初始聚类中心优化选取方法。

背景技术

射频识别技术具有许多传统的无线通信手段所不具备的优点：非接触、非视距、多目标识别而且定位精度高、成本低、布设方便、抗干扰能力强、环境适应能力强，因而在仓库货包定位技术中得到了广泛的关注。在实际仓库货包定位应用中，利用移动RFID阅读器-多天线阵列采集的RFID扫描数据其强度-时间分布具有一定规律性，具体表现为：当移动RFID阅读器-多天线阵列靠近RFID电子标签时，标签返回的RSSI值较大；当移动RFID阅读器-多天线阵列原理RFID电子标签时，标签返回的RSSI值较小。可以根据上述规律对RFID扫描数据进行划分，进而判断货包的位置。

聚类分析是数据挖掘领域中常用的分析方法，能够将数据对象分成多个簇或组，同一组中的对象之间具有较高的相似度，不同组中的数据对象差别较大，可以根据RFID扫描数据的分布特点将其进行聚类。所以，仓库货包定位问题就转化为RFID扫描数据的聚类问题。目前聚类分析的方法有很多，基于划分的K-Means聚类算法可以方便高效地将RFID扫描数据根据其强度-时间分布特征进行精确划分，算法复杂度低，可在短时间内处理大量RFID扫描数据。而传统的K-Means聚类算法对初始聚类中心依赖性强，初始聚类中心的不同选择往往导致聚类结果不稳定，会增加迭代次数，降低算法执行效率。

目前，有很多研究人员致力于改进K-Means聚类算法的初始聚类中心选取方法。韩凌波等提出一种初始聚类中心优化选取算法，该算法通过计算每个数据对象的密度参数，选取其中k个高密度点作为初始聚类中心；张健沛等提出一种基于最优划分的K-Means初始聚类中心选取算法，该算法利用直方图将数据对象空间进行最优划分，根据数据对象的密度分布自动确定初始聚类中心，无需预置k值，减少了算法结果对参数的依赖，提高算法效率及准确率；Kaufman提出一种典型的密度估计KR方法，它通过计算两两距离估计数据分布的密度，然后从具有较高局部密度的区域中的数据里选取初始聚类中心；牛琨等提出的基于超三角形的融合网格密度的选取办法能够摆脱预设k值的干扰；还有基于均值-标准差选取方法，基于超立方体选取方法，基于近邻密度选取方法等，这些算法避免了传统K-Means算法中初始聚类中心的随机选取，能够一定程度上加快算法的收敛速度，使算法效率有所提高，但是上述算法大多都是基于数据密度，针对RFID扫描数据在时间上的密度分布变化不明显的情况，其适用性大大降低。

发明内容

有鉴于此，本发明的目的在于提供一种基于RFID数据强度-时间分布的初始聚类中心优化选取方法。