单站终端指纹定位中一种基于位置的聚类方法

技术领域

本发明涉及单站终端指纹定位中一种基于位置的聚类方法，属于信号与信息处理技术。

背景技术

如今，基于位置的服务(Location Based Services，LBS)在快递物流、智能家居、救援抢险等众多领域受到广泛应用，LBS已经成为人们日常生产、生活的一项基本需求。目前，最为成熟的LBS技术之一是以军事应用为目的而起源的全球定位系统(GlobalPositioning System,GPS)。传统的定位方法一般是基于三角测量方法的，这类方法的最大问题是在电磁波散射、绕射等现象发生较多的非视距(Non Line of Sight,NLOS)场景中，会受到多径效应的影响，定位精度会明显下降。

近年来，指纹定位技术因其可以克服传统无线网络定位技术存在的问题，充分利用信道的多径信息进行有效定位而受到了广泛的关注和研究。在指纹定位方法中，当待定位区域较大，或网格边长较小时，待定位区域内参考点数量会很大，所以指纹库规模很大，采用近邻算法进行定位时，在线定位速度会较慢，这时为保证实时定位，就需要在离线阶段对指纹库进行聚类处理。最常用的聚类算法是K均值聚类算法，但是K均值聚类存在两个问题：一是初始化聚类中心和K值的选取对聚类结果的影响较大；二是在对指纹库进行聚类处理时，定位精度会有明显下降。因此发明一种保证定位精度不受影响或受最小影响的同时，可以大幅度提高定位速度的聚类方法是十分有意义的。

发明内容

本发明为解决指纹定位中传统指纹库聚类方法会明显损失定位精度的问题，提出了单站终端指纹定位中一种基于位置的聚类方法，根据物理位置特征，以不损失定位精度或损失最少定位精度为前提进行指纹库聚类，实现了保证定位精度不受影响或受最小影响的同时，大幅度提高定位速度。

本发明为解决上述技术问题采用以下技术方案：

本发明的单站终端指纹定位中一种基于位置的聚类方法，包括以下步骤：

步骤1，提取参考点的指纹矩阵FRCPM，压缩指纹FRCPM，将待定位区域内所有参考点的位置坐标和其压缩指纹FCPV一一对应的进行存储，得到指纹数据库；

步骤2，对指纹数据库中的数据根据物理位置特征进行基于位置聚类PBC；

步骤3，提取待定位点的指纹矩阵FRCPM，并对待定位点的指纹矩阵FRCPM进行压缩，得到待定位点的压缩指纹FCPV；将待定位点的压缩指纹FCPV和指纹库中的压缩指纹FCPV进行匹配，进行在线定位。

进一步的，步骤1中所述参考点是指将待定位区域划分成均匀网格，以网格节点作为参考点。

进一步的，步骤1中提取参考点的指纹矩阵FRCPM并压缩指纹FRCPM，具体步骤如下：

步骤1.1，记录每个参考点的坐标并采集终端设备在每个参考点上的上行信号，将每个参考点的CFR矩阵和其共轭矩阵做Hadamard乘积，得到每个参考点的指纹FRCPM；

步骤1.2，将指纹矩阵FRCPM的每一列元素相加得到一个元素个数为N

将第k个参考点的压缩指纹FCPV表示为FC

进一步的，步骤2中对指纹数据库中的数据根据物理位置特征进行基于位置聚类PBC，具体步骤如下：

步骤2.1，利用离线阶段采集的测试数据集，计算出在指纹数据库无聚类情况下的平均定位误差；

步骤2.2，初始化类中心间距和类边长，利用测试集计算在此聚类情况下的定位总时长和平均定位误差，类中心间距和类边长的组合需要满足所有类的集合可以覆盖整个待定位区域，而不同类之间可以有交叉部分，即一个参考点可以同时属于几个不同的类；

步骤2.3：改变类中心间距或类边长，重新计算定位总时长和平均定位误差，新的类中心间距和类边长的组合依然需要满足步骤2.2中的条件，同时不与之前的聚类情况重复；

步骤2.4：重复步骤2.3，直到遍历完所有满足条件的类中心间距和类边长组合；

步骤2.5：比较所有平均定位误差不大于无聚类情况的定位总时长，选择时长最小的情况作为最终聚类结果，如果所有情况的平均定位误差均大于无聚类情况，则选择平均定位误差最小的那一种情况作为最终聚类结果。

进一步的，步骤3中将待定位点的压缩指纹FCPV和指纹库中的压缩指纹FCPV进行匹配，进行在线定位，具体内容如下：

步骤3.1：利用建立好的指纹数据库中的所有参考点的指纹和坐标数据，确定加权K近邻算法的最优K值；

步骤3.2：计算出待定位点的压缩指纹FCPV到所有类中心压缩指纹FCPV的欧式距离，将待定位点归到类中心指纹与其指纹距离最近的那一类中；

步骤3.3：在这一类中，使用加权K近邻匹配算法对待定位点的坐标进行估计，公式为

进一步的，步骤3中，采用交叉验证法确定加权K近邻算法的最优K值。

针对指纹定位传统指纹库聚类方法会明显损失定位精度的问题，本发明采用以上技术方案，达到以下技术效果：在完全不损失定位精度或损失最少定位精度的前提下，可以大幅度提高在线定位速度，对定位速度的提高程度可以达到和K均值聚类相同的量级。

附图说明

图1是本发明方法PBC算法的步骤示意图；

图2是本发明方法PBC算法的原理示意图；

图3是本发明方法和已有的K均值聚类算法的定位效果对比图；

具体实施方式

下面结合附图和实施例对本发明的技术方案做进一步的详细说明。

本发明提出了单站终端指纹定位中一种基于位置的聚类方法，方法分为离线建立指纹库阶段和在线匹配定位阶段，主要包括以下具体步骤。

本发明的单站终端指纹定位中一种基于位置的聚类方法，基于MIMO-OFDM单站系统，基站以均匀线性阵列(Uniform Linear Array，ULA)的方式配备N

步骤1，离线阶段提取参考点的指纹矩阵FRCPM，压缩指纹FRCPM，建立指纹数据库；

所述参考点是指将待定位区域划分成均匀网格，以网格节点作为参考点，

步骤1.1，提取参考点的指纹FRCPM；

记录每个参考点的坐标并采集终端设备在每个参考点上的上行信号，将每个参考点的CFR矩阵和其共轭矩阵做Hadamard乘积，即可得到每个参考点的指纹FRCPM，具体公式为

第k个参考点的整个信道频率响应CFR矩阵可以表示为

步骤1.2，所有参考点的指纹矩阵FRCPM进行压缩处理；

具体为，将指纹矩阵FRCPM的每一列元素相加得到一个元素个数为N

将第k个参考点的压缩指纹FCPV表示为FC

步骤1.3，将待定位区域内所有参考点的位置坐标和其指纹FCPV一一对应起来进行存储，得到指纹数据库；

步骤2，对指纹库数据根据物理位置特征，以不损失定位精度或损失最少定位精度为前提进行基于位置聚类(Position Based Clustering,PBC)，PBC算法的原理如图2所示，PBC算法的步骤如图1所示，具体为：

步骤2.1，利用离线阶段采集的测试数据集，计算出在指纹数据库无聚类情况下的平均定位误差；

步骤2.2，初始化类中心间距和类边长，利用测试集计算在此聚类情况下的定位总时长和平均定位误差，类中心间距和类边长的组合需要满足所有类的集合可以覆盖整个待定位区域，而不同类之间可以有交叉部分，即一个参考点可以同时属于几个不同的类，所以PBC算法为模糊聚类；

步骤2.3：改变类中心间距或类边长，重新计算定位总时长和平均定位误差，新的类中心间距和类边长的组合依然需要满足步骤2.2中的条件，同时不与之前的聚类情况重复；

步骤2.4：重复步骤2.3，直到遍历完所有满足条件的类中心间距和类边长组合；

步骤2.5：比较所有平均定位误差不大于无聚类情况的定位总时长，选择时长最小的情况作为最终聚类结果，如果所有情况的平均定位误差均大于无聚类情况，则选择平均定位误差最小的那一种情况作为最终聚类结果。

步骤3，对待定位点使用加权K近邻匹配算法，将待定位点的压缩指纹FCPV和指纹库中的压缩指纹FCPV进行匹配，进行在线定位。

步骤3.1：利用建立好的指纹数据库中的所有参考点的指纹和坐标数据，采用交叉验证法确定加权K近邻算法的最优K值；

步骤3.2：计算出待定位点的压缩指纹FCPV到所有类中心压缩指纹FCPV的欧式距离，将待定位点归到类中心指纹与其指纹距离最近的那一类中；

步骤3.3：在这一类中，使用加权K近邻匹配算法对待定位点的坐标进行估计，公式为

如图3所示，在相同实验条件下，将本发明的PBC算法和目前最常用的K均值聚类算法进行对比，从实验结果可以看出，本发明方法的平均定位误差和无聚类情况的平均定位误差完全相同，而K均值聚类的平均定位误差明显比无聚类情况大，另外本发明的PBC方法可以将定位总时长从无聚类情况的360.65秒降低到9.98秒，与K均值聚类的7.11秒属同一量级。