[发明专利]一种多次模糊推理加权KNN定位方法

说明书

本发明公开了一种多次模糊推理加权KNN定位方法，包括步骤：S1：采集待定位区域的数据并进行高斯滤波预处理，建立基于距离信息的可靠指纹库；S2：计算待定位点与指纹库中指纹的欧氏距离，通过KNN算法选取K个邻近指纹参考点；S3：使用模糊推理加权KNN算法处理后得到选定的K个参考节点加权值以及初始定位结果；S4：与设置的阈值比较，判断是否进行多次模糊推理加权处理。本发明采用了基于距离信息的方法建立指纹库，用高斯滤波对采集的数据预处理，提高指纹库的可靠性；采用模糊推理加权KNN算法得到初始定位结果，并与阈值比较，判断是否继续进行模糊推理加权KNN处理，改善节点分布不均导致的定位误差，提高了定位性能。

技术领域

本发明属于定位导航领域，主要涉及室内定位方法的优化，具体来说，即一种多次模糊推理加权KNN定位方法。

背景技术

现有的基于指纹的室内定位方法大都是根据空间不同位置信息的差异性进行定位的。空间内的不同位置所具有的特征，比如信号强度、标签到基站的距离等参数在特定时间特定环境下具有唯一性，因此，可以把这些独特的信息认为是对应空间位置点的“指纹”。

然而，上述方法定位结果的好坏很大程度上依赖于离线阶段采集建立的指纹数据库，而且指纹数据库信息量庞大，更新指纹库繁琐，因此，如何在现有的指纹库下获得更高的定位精度是要解决的主要问题。

加权KNN算法是定位解算中常用的算法，它按一定规则选取K个最匹配的参考位置点，将各个参考位置点的坐标按照一定的权重进行分配，最后把加权以后的结果作为待定位节点的坐标，一定程度上提高了定位的精度。

模糊逻辑已被证明是处理涉及定性术语、模糊语言和人工干预任务的有效方法。模糊推理过程主要包含三部分，其中包括模糊处理、规则估算以及消除模糊的过程，在处理不确定事件中具有一定优势。

发明内容

本发明针对现有技术的定位稳定性差、定位精度低，提出了一种多次模糊推理加权KNN定位方法，引入了模糊推理、基于距离信息的指纹匹配以及多次加权KNN处理等方法，降低了算法定位的误差，提高了整体的定位性能。

本发明的具体技术方案如下：

S1:选定待定位区域，采集数据并进行高斯滤波预处理，建立可靠的基于距离信息的离线指纹库；

S1.1:采集待定位区域中参考点与各个基站的距离信息以及实际位置信息，作为指纹存储到离线指纹库；

S1.2:同一参考点采取10组数据，并通过高斯滤波方法去除干扰误差，将平均指纹信息保存到指纹库中，建立可靠的离线指纹库。

S2:计算待定位点与指纹库中指纹的欧氏距离，通过KNN算法选取K个邻近指纹参考点；

S3:进行基于模糊推理的KNN算法处理，得到通过KNN算法选定的K个参考节点加权值以及初始定位结果；

S3.1:采用Sugeno模糊推理系统，两输入一输出，其中，一输入为待定位点与K个参考点指纹的欧氏距离Di，另一输入为参考指纹点与距离其最近的基站间的距离Li；

S3.2:建立所需的模糊规则库，并进行模糊处理，获得K个参考点实际位置坐标的加权值；

S3.3:利用K个参考点的加权值，加权处理得到初始定位位置；

S4:将定位结果和K个参考点的欧式距离与阈值比较，若都小于该阈值，则完成定位，直接输出定位结果，否则继续进行模糊推理加权KNN算法处理，再与阈值比较；经过多次模糊推理加权KNN算法处理后，当位置更新次数大于2时，输出解算的位置坐标。