没有合适的资源?快使用搜索试试~ 我知道了~
⃝⃝可在www.sciencedirect.com在线ScienceDirectICT Express 4(2018)91www.elsevier.com/locate/icteWiFi指纹定位的自适应K-近邻算法吴钟泽a,金志秀ba大韩民国汉城大学电子工程系b接收日期:2018年2月6日;接受日期:2018年在线提供2018年摘要K近邻算法是室内定位系统中应用最广泛的算法之一然而,每个估计位置的误差显著地根据用于算法的K因此,如果K是固定值,则不能进一步减小位置的估计误差。在这封信中,我提出了一种算法,通过分析K值和接收到的WiFi信号强度之间的相关性,为每个位置调整K与K值固定的算法相比,该算法的定位精度提高了30%以上c2018韩国通信与信息科学研究所(KICS)。Elsevier B.V.的出版服务。这是一个开放获取CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。关键词:KNN;定位;指纹1. 介绍已经提出了各种室内位置估计技术。具体而言,WiFi指纹识别被广泛用于估计连接终端的室内坐标,而不需要额外的基础设施[1,2]。该方法测量区域内的若干参考点(RP)周围的WiFi路由器的接收信号强度(RSS),并将测量结果存储为WiFi指纹数据。然后,该方法通过测量对应的RSS来估计该区域中的任何测试点(TP)处的终端位置,该RSS与所存储的WiFi指纹数据进行比较。位置估计通常基于比较的数据点之间的欧几里德距离(ED)。因此,诸如k-最近邻(KNN)的算法可以用于通过考虑其最接近的K个数据点的平均值来估计TP位置。类似地,比KNN更复杂的算法已经用于WiFi指纹识别,例如主成分算法。通信地址:116 16 gil,Samsungyo-ro,Sungbuk-gu,Seoul 02876,Republic of Korea。电子邮件地址:jtoh@hansung.ac.kr(J. Oh),kimjs324@hansung.ac.kr(J.Kim)。同行评审由韩国通信和信息科学研究所(KICS)负责https://doi.org/10.1016/j.icte.2018.04.004分析和支持向量机[3,4]。然而,这种算法的估计精度与KNN相当,KNN相对简单,因此使用更广泛。KNN算法的估计精度可以通过在平均过程中对每个数据点使用加权ED来进一步提高[5,6]。另一方面,还研究了用于对最近数据点进行分组的算法,以提高KNN然而,在聚类过滤KNN [7]和模糊C均值聚类[8]中只有很小的性能改进,并且这些方法的缺点是RP数据的预处理时间消耗很大。在所有情况下,精度都容易受到KNN算法所选K值的影响,并且它会根据终端位置而变化[9,10]。因此,固定的K值不能保证在每个位置处的准确估计。在这封信中,我提出了一个自适应KNN算法,以防止固定的K值的缺点。实验结果证实了改进后的估计精度。2. 不同温点K首先,为了分析KNN算法在真实环境下WiFi指纹定位中的应用,我收集了2405-9595/c2018韩国通信和信息科学研究所(KICS)。出版社:Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。∑1===Pt==EDl+EDPl92J. 哦,J。Kim/ICT Express 4(2018)91表1根据K. (Unit:m.)KTP位置(6,3)(9,2)(15(4)(18(2)Avg. 9 TP13.02.20.00.01.631.71.91.50.01.550.92.40.71.01.770.61.81.51.41.690.82.41.01.21.6111.22.81.01.41.7131.52.71.21.41.7WiFi路由器RSS信号在1m间隔使用智能手机应用程序。3 h后,测量9个TP并分析其估计值。为了尽量减少来自人体的干扰,我将智能手机安装在指向北方的三脚架上。另外,我用(1)比较了第i个RP和TP的RSS相似度,其中N是WiFi路由器的数量在TP处测量,RSSr、RSSt是J J分别在第i个RP和TP处的WiFi路由器j此外,通过对K个最接近的RP的坐标P1求平均值,我使用ED_i逆作为权重来估计TP位置P1,如(2)中所表示的,其中P1是小的正实数[5,6]。NE Di=N(RSSr−RSSt)2(一)(∑KJj=11J)/(∑K第一章E Dl+Fig. 1. RP和两个TP位置之间的RSS的ED。(a)(6,3)米。(b)(15,4)m.表1列出了根据实施例的位置估计误差。相对于参考位置,位于坐标(6,3)m等处的几个TP的K值。可以看出,根据K的位置估计误差模式对于每个TP是非常不同在该示例中,9个TP的平均定位误差是相似的,而与K无关,但是通常对于小K或大K,位置估计误差增加[10]。下表显示了两种典型的估计误差模式。对于(6,3)m处的TP,仅考虑K1)大,并且可以确认当考虑更多RP时误差减小然而,如果K高于特定值,则远距离RP的位置(即,大ED)也包括在平均值中,并且误差相应地增加。相反,对于(15,4)m处的TP,检索K1的精确值,即具有最小ED的RP对应于TP。因此,位置估计误差随着其他错位的RP(K>1)被包括在平均值中而增大图1将与两个TP的RSS相对应的ED图示为3D等高线图,并且允许执行更详细的分析。图1a示出了在(6,3)m处的TP的曲线图,其中小ED用比大ED更亮的颜色表示,并且数字以ED小的顺序示出了RP。有几个区域显示出小的ED,但都偏离了(6,3)m处的实际TP位置。然而,七个位置的平均值(K7)将位置误差减小到0.6m。相反,图1b中的(15,4)m处的TP的曲线图示出了在区域中存在具有明显最小ED的单个区域的情况。此外,包含最小ED的区域对应于真实TP位置。因此,与其他相邻位置的平均增加了估计误差,而对于K1获得精确的TP位置。当考虑位于不同位置的不同数量的TP和RP时,上述行为是类似的。因此,如果一个位置的估计ED远小于相邻区域的估计ED(图1b),则很可能它对应于真实的TP位置。另一方面,如果不同位置处的ED小于其周围的ED(图1a),则当对示出小ED的几个邻居进行平均时,位置估计误差可以减小。这种行为代表了所提出的算法的基础,如下节所述。3. 自适应KNN算法所提出的算法的目的是减少在所有的TP出现时,使用一个固定的K值的整体位置估计误差。具体地,K值根据TP位置而变化,并且它由所提出的自适应KNN算法确定。因此,RP邻居的适当数量为l=0l=0(二)===√=-J. Oh,J. Kim / ICT Express 4(2018)91表2固定K=5和11时的位置估计误差为λ,并提出了自适应KNN算法。(单位:米)1.9(K=3)2.5(K=4)0.0(K=1)0.0(K=1)Place B(28,6)0.4 0.7 0.0(K=1)0.0(K=1)(30,8)1.7 2.1 1.5(K=3)1.5(K=4)(36,6)1.6 1.7 0.0(K=1)0.9(K=2)18个TP的平均值1.7 1.6 0.3(K平均值= 3。第三章0.9(K平均值= 2。(二)为每个TP选择最小化位置估计误差。基于前一节中分析的行为,该算法仅考虑ED在特定值范围内(例如,比最小ED值高出12%)的RP,以有助于估计。这个范围是明确确定的,它显示了一个适当的估计精度的评价情况。另一方面,如果具有小ED值的几个RP被聚类,如果考虑聚类中的所有RP,则它们可能在估计中引入偏差,这可能增加位置估计误差。因此,在平均值中仅考虑集群中的一个RP。排除的区域对应于RP的间隔的2,以避免包括具有小ED的紧邻和对角RP。所提出的自适应KNN算法详细如下:4. 估计精度表2列出了三种算法的位置估计误差,即,固定K5,其是根据[10]中的结果检索最小误差的值,固定K11用于附加比较,最小估计误差(KNN),以及在不同TP部分的K值效应中考虑的几个TP处的所提出的自适应KNN这种情况在表中表示为位置A此外,平均位置估计计算位置A的9个TP的误差,平均K值表示为Kavg。通过应用所提出的自适应KNN算法,多达五个邻居(即, K5)包括在(6,3)m处的TP位置估计中,仅一个在(15,4)m处的估计中。虽然该方法的位置估计误差大于参考算法的位置估计误差,但可以确认,相对于固定K的算法,该误差减小了约30%。表2还列出了用许多墙壁分隔的地点B的示例与前面的情况一样,可以确认所提出的算法减少了估计误差,这次相对于具有固定K5的算法减少了大约47%。也可以证明,K1提供了TP在(22,4)m处的精确位置。尽管当考虑几个TP时,所提出的算法和所提出的算法之间的误差差异很小,但是对于所有TP的平均误差差异要大得多。这可能是由于来自某些RP的高噪声数据,这是由算法评估所考虑的现实场景引起的。5. 结论在这封信中,我提出了一个自适应KNN算法,调整K值根据ED模式表现出的RP相对于TP。该算法与固定K值的算法相比,具有明显的改进效果.相对简单的KNN算法提供了一个位置估计误差约为1米,没有任何额外的基础设施,室内定位。因此,该算法可以适用于室内的位置估计,并可以与行人航位推算相结合,跟踪移动终端。同样,需要进一步的研究,以通过确定每个TP的最佳K值来最小化位置估计误差。确认本研究由韩城大学为Jongtaek Oh提供资金支持此外,这项工作得到了2018年NRF研究基金(编号2017R 1D 1A1B03031244)的支持。位置方法(6,3)(9,2)地点A(15,4)(18(2)9个TP的平均值K=50.92.40.71.01.7K=111.22.81.01.41.7MEE0.6(K=7)0.0(K=1)0.7(K平均值= 3。九、自适应K0.5(K=5)0.0(K=1)1.2(K平均值=94J. 哦,J。Kim/ICT Express 4(2018)91利益冲突作者声明,本文中不存在利益冲突引用[1] V. Honkavirta,T. Perala,S.阿利-洛伊图河Piché,WLAN位置指纹识别方法的比较调查,收录于:Proc. IEEE Work-shop Position。导航Commun. Hannover,Germany,March 2009,pp. 243-251[2] P. Bahl,V.N. Padmanabhan,雷达:一个基于RF的用户定位和跟踪系统,在:Proc.IEEE INFOCOM,特拉维夫,以色列,2000年3月,第2卷,第100页。775-784。[3] J. Schäfer,实现W-LAN位置指纹识别的机器学习算法的实际问题,在:Proc. IEEE Int. Congr. Ultra Mod. Jammun。圣彼得堡,俄罗斯,2014年10月,pp. 310-317[4] D. Madigan , E. 作 者 声 明 : John W. Ju , P. Krishnan , A.S.Krishnakumar , Bayesian 室 内 定 位 系 统 , 在 : Proc. IEEE IN-FOCOM,Miami,USA,2005年3月,pp. 1217-1227[5] M.布鲁纳托河Battiti,无线局域网中位置指纹的统计学习理论,Comput。Net. 47(6)(2005)825-845。[6] K.A. Nguyen,使用共形预测和WiFi信号强度的性能保证室内定位系统,J. Inf. 1(1)(2017)41-65。[7] J. 妈,X。Li,X.Tao,J.Lu,Cluster filtered KNN:A WLAN-basedindoor positioning scheme,in:Proc.IEEE国际Sym. 世界无线、移动和多媒体网络,纽波特比奇,美国,2008年6月。[8] H. Zhou,N.N. Van,基于模糊C均值聚类的室内指纹定位,在:proc. IEEE Int. Conf. Measur. Tech.机械自动。2014年,中国张家界。pp. 337-340[9] X.丁湖,澳-地Gao,Z.王,室内定位的改进指纹算法,J. Commun.12(3)(2017)145-151。[10] A. Kushki,K.N. Plataniotis,A.N. Venetsanopoulos,无线局域网中基于内核的定位,IEEE Trans. 移动计算 6(6)(2007)689-705。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功