0 引言

    隨著無線傳感器網絡(WSN)技術的不斷發展，基于位置感知的服務和計算在實際中得到廣泛使用。目前，室內定位技術主要有：超聲波^[1]、紅外線、RFID^[2]、WiFi、UWB^[3]等技術。本文使用成本低、功耗低、復雜度低的德州儀器公司CC2530芯片基于ZigBee協議進行研究，通過節點間的接收信號強度指示(Received Signal Strength Indication，RSSI)值進行室內定位。依據定位算法過程中是否使用節點間距離，定位方式分為基于測距和非測距方式兩種，本文使用的指紋數據庫即為非測距方式。

    指紋數據庫定位需經歷兩個階段：離線建庫階段和在線定位階段^[4-5]，其原理如圖1所示。在離線建庫階段，通過采集預設定的接入點(Access Point，AP)與各參考節點(Reference Point，RP)之間的RSSI值來建立原始指紋庫^[6-8]。文獻[9]通過使用K-Means聚類算法，實現眾包指紋庫建模。本文在采集原始數據的基礎上，通過離群點檢測發現其與大部分數據存在顯著差別的數據對象，將其視為噪聲而丟棄，然后使用雙閾值濾波處理得到最終的高精度指紋數據庫。

    在線定位階段，通過將實時采集到的待測點RSSI值與指紋數據庫中的數據集進行比對，計算得到待測節點的位置坐標。廣泛使用的典型定位算法主要包括核函數法、最近鄰法、最大似然概率法以及樸素貝葉斯法。文獻[10]-[12]通過研究提出增強型的聚類策略、權值算法以及優化質心等，可顯著提升定位速度和精度。上述研究方法通常易受待測點RSSI值波動的影響，同時在計算速度和精度上難以滿足要求。本文通過使用FCM算法將待測節點的RSSI值進行聚類，從而剔除跳變點，然后使用基于頻率因子的加權K最鄰近算法(Weighting K-Nearest Neighbor，WKNN)，計算得到待測點的位置，并且給出“備用位置”。

1 理論與方法

1.1 離線建庫階段

    高精度指紋數據庫的建立是提高定位準確度的前提條件^[13]。由于在AP點進行信息采集時，其數據存在大量噪聲影響指紋庫的精度，因此本文使用下述方法提高建庫精度。

    假定定位區域網格化后有m個AP和n個RP，其分別記為集合{AP₁，AP₂，…，AP_m}、{RP₁，RP₂，…，RP_n}，其中m值亦為每個AP點的標簽，且每個AP接收到s組數據，記為：

1.1.1 離群點檢測方法

    本文首先使用基于聚類分析的離群點檢測算法將原始數據中噪聲去除，其步驟：

    (1)選擇合適的聚類算法對RSSIn進行聚類分析，本文使用K-Means算法。

    (2)計算RSSIn中各點與最近質心的歐式距離，公式為：

其中，Z表示各類質心的坐標。

    (3)與給定的閾值η₁進行比較，若D_i>η₁，則該RSSI_i視為離群點，并將該點從源數據中剔除。

1.1.2 雙閾值濾波方法

    在進行離群點檢測時，某些離群點可能形成小簇從而逃避檢測，因此需要使用雙閾值濾波對其進一步處理。首先對數據進行數據頻率閾值濾波，設頻率閾值為：

1.2 在線定位階段

    為剔除待測節點RSSI值的噪聲，同時為增大數據有效性，本文在在線定位階段使用基于FCM與WKNN相結合的方法對數據進行處理。

1.2.1 FCM算法論述

    具體過程如下：首先用加權指數m和分類數c初始化隸屬度矩陣，然后重復迭代使用式(7)、式(8)求解聚類中心和新的隸屬度矩陣并將結果待入式(6)，直到J_m(U，V)小于給定的正數ε或者達到最大迭代步長，則聚類過程結束，得到待測節點數據集X={x₁，x₂，…，x_i}，其中i∈(1，l)表示聚類之后的數據量。

1.2.2 WKNN算法論述

    最鄰近定位算法通過計算待測節點的RSSI實時測量值與指紋庫中各對應指紋數據之間的歐式距離，從中搜尋距離最小的指紋點，然后將各個指紋數據通過平均或加權平均作為待測目標的位置。歐式距離計算公式如下：

其中，I_j表示距離最近的前K個AP節點所分別對應的標簽值。

    為防止出現小概率性的錯誤定位問題，本文同時給出待測節點的“備用位置”作為參考。其原理為使用上述加權K最鄰近定位算法迭代計算出與待測節點相近的多個節點并進行排序(其中L_c計算出的位置節點除外)，選擇前2～4位節點作為待測節點的方向估計，第1位節點作為待測節點的“備用位置”估計。

2 實驗結果及分析

    本文選用信號干擾強、設備多、使用環境復雜的校園多媒體教室進行實驗，選定其中20 m×20 m的為本次實驗區域。

    在本實驗的離線建庫階段，共設置100個AP節點，每個AP節點連續采集120 s的信號強度值數據，然后對本段時間內的數據進行處理從而建立指紋庫。下面選取第4個AP節點數據進行分析，其原始數據如圖2所示。

    為清晰表達算法處理過程，后續處理時以本節點的REF1參考節點數據值為對象，且RSSI值繪圖時使用其絕對值表示。

2.1 指紋庫建立

    首先對數據值進行離群點檢測，其中設定離散點閾值為0.7，最大迭代次數設置為500，則處理結果如圖3所示。

    從圖3可知，距離誤差超過閾值的所有點，均視為離群點，應從數據集中剔除，以免影響后續數據處理過程。

    離群點剔除后對數據集進行雙閾值濾波處理，其結果如圖4所示。

    分析圖4可知，數據經過雙閾值濾波后，能夠進一步抑制噪聲的干擾，并且可降低后續指紋數據庫建立的復雜度。

    同理，將此AP點接收的其他REF數據進行上述處理，從而得到最終的該AP點對應于每個RP點的指紋數據，并建立數據庫。

2.2 定位結果

    在實驗區域內，共設置10個待測節點，每個節點連續采集信號時間亦均為120 s，現選取任意待測點數據進行分析，其原始數據如圖5所示。

    在使用算法對待測節點數據進行分析前，需將其每次接收到的不同RP點的RSSI值進行統一化處理，并將其作為待測節點數據集中的一個觀測值(行屬性)，其統計結果如圖6所示。

    然后使用FCM算法對此數據集進行處理，其目標函數中隸屬度冪指數為3，最大迭代次數為200，目標函數的終止容限位1×10^-6。經反復試驗，最終本文選用分類數為2，不同分類數結果如圖7所示。

    對圖7趨勢分析可知，針對本次研究數據，當分類數為2時，處理效果優于其他分類數。

最后使用基于頻率因子的WKNN算法對上述分類后的數據進行計算，得到待測節點位置，其定位誤差為1.85 m，備用位置的定位誤差為2.13 m。同理，可得其余待測節點的位置誤差。通過對比本文研究方法與傳統原始定位方法（未濾波指紋數據庫定位和未優化FCM+WKNN定位算法），可明顯看出其定位精度的提升，結果如表1所示。

3 結論

    本文首先通過離群點檢測與雙閾值濾波結合的方式對不同AP點采集的原始RSSI值數據進行處理，建立高精度指紋數據庫，然后使用FCM算法對待測節點的RSSI值進行分類，最后使用WKNN算法計算出待測節點的位置信息。經過實驗證明，本文的研究方法相比于未濾波數據庫和未優化算法等方式，在定位精度上有明顯提高，并能給出“備用位置”信息。

參考文獻

[1] 葉寶玉，王欽若，熊建斌，等.基于超聲波的模型船舶室內定位系統研究[J].計算機工程，2012，38(19)：258-260，265.

[2] 馬卜林，楊帆.煤礦井下WiFi人員定位GIS系統設計與實現[J].西安科技大學學報，2012，32(3)：301-305.

[3] 肖竹，王勇超，田斌，等.超寬帶定位研究與應用:回顧和展望[J].電子學報，2011，39(1)：133-141.

[4] 張翔，熊劍，武和雷，等.基于MNN改進粒子濾波的指紋庫定位算法研究[J].計算機工程與設計，2014，35(7)：2283-2288.

[5] 方爽，郭杭，洪海斌，等.一種虛擬空間劃分的室內指紋庫定位方法[J].測繪科學，2015，40(1)：93-97.

[6] 劉小康，郭杭.基于Zigbee室內定位系統的指紋庫優化算法[J].計算機工程，2014，40(2)：193-198.

[7] HOU Y，SUM G，FAN B.The indoor wireless location technology research based on WiFi[C].International Conference on Natural Computation.IEEE，2014：1044-1049.

[8] GUO S，ZHONG Z，HE T.FIND：faulty node detection for wireless sensor networks[C].ACM Conference on Embedded Networked Sensor Systems.ACM，2009：253-266.

[9] ZHOU M，TIAN Z，XU K，et al.SCaNME: Location tracking system in large-scale campus Wi-Fi environment using unlabeled mobility map[J].Expert Systems with Applications，2014，41(7)：3429-3443.

[10] 霍歡，楊滬滬，鄭德原，等.一種改進的RSSI指紋庫定位算法[J].計算機應用研究，2017，34(9)：2786-2790.

[11] 戴國華，易靈芝，王根平.一種新的基于ZigBee技術定位算法[J].計算機測量與控制，2012，20(4)：1105-1107.

[12] 趙山，彭力.基于ZigBee網絡的移動節點定位技術研究[J].測控技術，2014，33(10)：51-55.

[13] 王頂，馬娟，趙頤軒.基于RSS空時處理的指紋定位算法[J].計算機應用研究，2012，29(12)：4726-4728.

作者信息:

王培良1，2，張  婷3，肖英杰1

(1.上海海事大學 商船學院，航運仿真技術教育部工程研究中心，上海201306；

2.濰坊科技學院，山東 濰坊262700；3.山東交通職業學院，山東 濰坊261206）