本發(fā)明屬于室內(nèi)定位技術(shù)領(lǐng)域，具體涉及一種基于DBSCAN算法的室內(nèi)定位方法。

背景技術(shù)：

隨著物聯(lián)網(wǎng)的發(fā)展，對(duì)室內(nèi)定位的需求也與日俱增，諸如在商場(chǎng)、學(xué)校、寫字樓、醫(yī)院、酒店、飛機(jī)場(chǎng)、倉庫等室內(nèi)環(huán)境中都需要室內(nèi)定位技術(shù)來對(duì)資源、人員進(jìn)行高效的管理，VR領(lǐng)域也存在著大量的需求來定位玩家的室內(nèi)位置信息等，因此，如何更好的滿足日益增加室內(nèi)定位需求，已經(jīng)成為當(dāng)前定位技術(shù)中的熱點(diǎn)問題。

現(xiàn)有的室內(nèi)定位技術(shù)中，基于無線信號(hào)強(qiáng)度(RSSI)的指紋定位方法已被廣泛應(yīng)用于各種室內(nèi)定位系統(tǒng)中，在室內(nèi)環(huán)境中，由于無線信號(hào)的傳播容易受溫度、濕度和人員走動(dòng)的影響，因此無線信號(hào)強(qiáng)度(RSSI)的測(cè)量值波動(dòng)較大；為了提高測(cè)量的穩(wěn)定性和精度，常用匹配指紋庫的方式實(shí)現(xiàn)室內(nèi)定位，利用匹配指紋數(shù)據(jù)庫實(shí)現(xiàn)室內(nèi)定位的常用方法有樸素貝葉斯法，K近鄰法(KNN)，貝葉斯估計(jì)，神經(jīng)網(wǎng)絡(luò)法等，這些皆為監(jiān)督學(xué)習(xí)的方法，通常需要人為劃分網(wǎng)格，這些網(wǎng)絡(luò)一般通過平分面積來劃分，由于實(shí)際中無線信號(hào)強(qiáng)度(RSSI)分布不平均，會(huì)導(dǎo)致無線信號(hào)強(qiáng)度(RSSI)序列相似的地點(diǎn)被分入不同網(wǎng)格中，出現(xiàn)多個(gè)鄰近網(wǎng)格信號(hào)強(qiáng)度(RSSI)序列很相近，但最終被隨機(jī)定位到其中一個(gè)網(wǎng)格的情況發(fā)生，導(dǎo)致定位結(jié)果不準(zhǔn)確。

技術(shù)實(shí)現(xiàn)要素：

為解決現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于DBSCAN算法的室內(nèi)定位方法，包括以下步驟：

步驟1、在所需定位的建筑內(nèi)，安裝若干個(gè)信號(hào)發(fā)射器和若干個(gè)信號(hào)采集器；

步驟2、設(shè)定樣本點(diǎn)的個(gè)數(shù)，確定每個(gè)樣本點(diǎn)的坐標(biāo)，并獲得每個(gè)樣本點(diǎn)的信號(hào)強(qiáng)度序列，即每個(gè)樣本點(diǎn)到各個(gè)信號(hào)發(fā)射器的信號(hào)強(qiáng)度；

步驟3、將每個(gè)樣本點(diǎn)的坐標(biāo)和信號(hào)強(qiáng)度序列進(jìn)行紀(jì)錄編號(hào)；

步驟4、根據(jù)編號(hào)后的每個(gè)樣本點(diǎn)的坐標(biāo)和信號(hào)強(qiáng)度序列，利用DBSCAN算法建立室內(nèi)定位模型，包括以下步驟：

步驟4.1、設(shè)定密度選擇參數(shù)，即設(shè)定鄰域的長(zhǎng)度和每個(gè)核心對(duì)象至少包含的樣本點(diǎn)的個(gè)數(shù)；

步驟4.2、根據(jù)編號(hào)后的每個(gè)樣本點(diǎn)的信號(hào)強(qiáng)度序列和所設(shè)定的密度選擇參數(shù)設(shè)定核心對(duì)象的約束條件，根據(jù)約束條件確定樣本點(diǎn)的核心對(duì)象，通過核心對(duì)象進(jìn)一步確定聚類簇；所述的核心對(duì)象的約束條件為：每個(gè)樣本點(diǎn)的鄰域內(nèi)所包含的其他樣本點(diǎn)的個(gè)數(shù)是否大于等于所設(shè)定的每個(gè)核心對(duì)象至少包含的樣本點(diǎn)的個(gè)數(shù)；

步驟4.3、獲得每個(gè)聚類簇的平均信號(hào)強(qiáng)度，并根據(jù)編號(hào)后的每個(gè)樣本點(diǎn)的坐標(biāo)，獲得每個(gè)聚類簇的平均位置坐標(biāo)，即室內(nèi)定位模型建立完成；

步驟5、獲得待定位點(diǎn)的信號(hào)強(qiáng)度序列，并根據(jù)建立完成的室內(nèi)定位模型獲得該待定位點(diǎn)的定位坐標(biāo)，具體為：獲得該待定位點(diǎn)與每個(gè)聚類簇的平均信號(hào)強(qiáng)度的歐氏距離，并選擇與其歐氏距離最小的聚類簇的平均位置坐標(biāo)作為該待定位點(diǎn)的定位坐標(biāo)。

步驟4.2所述的核心對(duì)象的約束條件，公式如下：

|N_θ(x_j)|≥Minpts (1)

其中，N_θ表示某個(gè)樣本點(diǎn)的θ鄰域內(nèi)的樣本個(gè)數(shù)；θ表示鄰域的長(zhǎng)度；x_j表示第j個(gè)樣本點(diǎn)，j表示自然數(shù)；Minpts表示每個(gè)核心對(duì)象至少包含的樣本點(diǎn)的個(gè)數(shù)；

其中，

N_θ(x_j)＝{x_i∈D|d(x_i,x_j)≤θ} (2)

其中，x_i表示第i個(gè)樣本點(diǎn)；i表示自然數(shù)；D表示編號(hào)后的每個(gè)樣本點(diǎn)的坐標(biāo)和信號(hào)強(qiáng)度序列的數(shù)據(jù)集；d(x_i,x_j)表示x_i與x_j兩個(gè)樣本點(diǎn)之間的歐氏距離；

其中，

其中，n表示每個(gè)樣本點(diǎn)記錄的無線信號(hào)強(qiáng)度的個(gè)數(shù)；k表示自然數(shù)；r_ik表示第i個(gè)樣本點(diǎn)的第k個(gè)無線信號(hào)強(qiáng)度值；r_jk表示第j個(gè)樣本點(diǎn)的第k個(gè)無線信號(hào)強(qiáng)度值。

本發(fā)明的優(yōu)點(diǎn)：

本發(fā)明提出一種基于DBSCAN算法的室內(nèi)定位方法，利用非監(jiān)督學(xué)習(xí)算法進(jìn)行建模，根據(jù)無線信號(hào)強(qiáng)度值(RSSI)進(jìn)行分類聚簇，而非人為進(jìn)行網(wǎng)格劃分，使網(wǎng)格劃分更符合實(shí)際，提高了室內(nèi)定位的穩(wěn)定性和精確度。

附圖說明

圖1為本發(fā)明一種實(shí)施例的基于DBSCAN算法的室內(nèi)定位方法流程圖；

圖2為本發(fā)明一種實(shí)施例的室內(nèi)定位的示意圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明一種實(shí)施例做進(jìn)一步說明。

本發(fā)明實(shí)施例中，一種基于DBSCAN算法的室內(nèi)定位方法，方法流程圖如圖1所示，包括以下步驟：

步驟1、在所需定位的建筑內(nèi)，安裝若干個(gè)信號(hào)發(fā)射器和若干個(gè)信號(hào)采集器；

步驟2、設(shè)定樣本點(diǎn)的個(gè)數(shù)，確定每個(gè)樣本點(diǎn)的坐標(biāo)(Z₁,Z₂)，并獲得每個(gè)樣本點(diǎn)的信號(hào)強(qiáng)度序列{r₁,r₂,···,r_n}，即每個(gè)樣本點(diǎn)到各個(gè)信號(hào)發(fā)射器的信號(hào)強(qiáng)度；

步驟3、將每個(gè)樣本點(diǎn)的坐標(biāo)和信號(hào)強(qiáng)度序列作為一個(gè)樣本數(shù)據(jù)進(jìn)行記錄編號(hào)，獲得數(shù)據(jù)集D＝{x₁,x₂,···,x_m}；其中m表示自然數(shù)，即樣本數(shù)據(jù)的序號(hào)；

步驟4、根據(jù)編號(hào)后的每個(gè)樣本點(diǎn)的坐標(biāo)和信號(hào)強(qiáng)度序列，利用DBSCAN算法建立室內(nèi)定位模型，包括以下步驟：

步驟4.1、設(shè)定密度選擇參數(shù)，即設(shè)定鄰域的長(zhǎng)度θ和每個(gè)核心對(duì)象至少包含的樣本點(diǎn)的個(gè)數(shù)Minpts；

步驟4.2、根據(jù)編號(hào)后的每個(gè)樣本點(diǎn)的信號(hào)強(qiáng)度序列和所設(shè)定的密度選擇參數(shù)設(shè)定核心對(duì)象的約束條件，根據(jù)約束條件確定樣本點(diǎn)的全部的核心對(duì)象，通過核心對(duì)象進(jìn)一步確定聚類簇；所述的核心對(duì)象的約束條件為：每個(gè)樣本點(diǎn)的鄰域內(nèi)所包含的其他樣本點(diǎn)的個(gè)數(shù)是否大于等于所設(shè)定的每個(gè)核心對(duì)象至少包含的樣本點(diǎn)的個(gè)數(shù)，具體步驟如下：

步驟4.2.1、根據(jù)編號(hào)后的每個(gè)樣本點(diǎn)的信號(hào)強(qiáng)度序列和所設(shè)定的鄰域的長(zhǎng)度設(shè)定核心對(duì)象的約束條件，并根據(jù)約束條件確定樣本點(diǎn)中全部的核心對(duì)象，約束條件公式如下：

|N_θ(x_j)|≥Minpts (1)

其中，N_θ表示某個(gè)樣本點(diǎn)的θ鄰域內(nèi)的樣本個(gè)數(shù)；θ表示鄰域的長(zhǎng)度；x_j表示第j個(gè)樣本點(diǎn)，j表示自然數(shù)，即樣本點(diǎn)的序號(hào)；Minpts表示每個(gè)核心對(duì)象至少包含的樣本點(diǎn)的個(gè)數(shù)；

本發(fā)明實(shí)施例中，對(duì)于x_j∈D，其θ鄰域包含樣本集D中與x_j的距離小于等于θ的樣本，公式為：

N_θ(x_j)＝{x_i∈D|d(x_i,x_j)≤θ} (2)

其中，x_i表示第i個(gè)樣本點(diǎn)；i表示自然數(shù)，即樣本點(diǎn)的序號(hào)；D表示編號(hào)后的每個(gè)樣本點(diǎn)的坐標(biāo)和信號(hào)強(qiáng)度序列的數(shù)據(jù)集；

本發(fā)明實(shí)施例中，d(x_i,x_j)表示x_i與x_j兩個(gè)樣本點(diǎn)之間的歐氏距離，即信號(hào)強(qiáng)度序列{r₁,r₂,···,r_n}構(gòu)成的n維歐氏空間中x_i與x_j兩點(diǎn)間的距離，公式如下：

其中，n表示每個(gè)樣本點(diǎn)記錄的無線信號(hào)強(qiáng)度的個(gè)數(shù)；k表示自然數(shù)，即無線信號(hào)強(qiáng)度值的序號(hào)；r_ik表示第i個(gè)樣本點(diǎn)的第k個(gè)無線信號(hào)強(qiáng)度值；r_jk表示第j個(gè)樣本點(diǎn)的第k個(gè)無線信號(hào)強(qiáng)度值；

步驟4.2.2、通過核心對(duì)象進(jìn)一步確定全部的聚類簇；

本發(fā)明實(shí)施例中，若x_j位于x_i的θ的領(lǐng)域中，且x_i是核心對(duì)象，則稱x_j由x_i密度直達(dá)；對(duì)于x_i與x_j，若存在樣本序列{p₁,p₂,···,p_n}，其中p₁＝x_i，p_n＝x_j，且樣本序列中每一個(gè)樣本都可由前一個(gè)樣本密度直達(dá)，則稱x_j由x_i密度可達(dá)；任意選擇樣本集D中的一個(gè)核心對(duì)象為“種子”，由此出發(fā)找出其所有密度可達(dá)的樣本點(diǎn)，即確定了相應(yīng)的聚類簇；將全部的核心對(duì)象進(jìn)行訪問，獲得全部的聚類簇；

步驟4.3、獲得每個(gè)聚類簇的平均信號(hào)強(qiáng)度，并根據(jù)編號(hào)后的每個(gè)樣本點(diǎn)的坐標(biāo)，計(jì)算獲得每個(gè)聚類簇的平均位置坐標(biāo)，即室內(nèi)定位模型建立完成；

本發(fā)明實(shí)施例中，所述的獲得每個(gè)聚類簇的平均信號(hào)強(qiáng)度，采用以下公式：

其中，h表示每個(gè)聚類簇中樣本點(diǎn)的個(gè)數(shù)；r_i1表示每個(gè)聚類簇中第i個(gè)樣本點(diǎn)的第一個(gè)無線信號(hào)強(qiáng)度；r_i2表示每個(gè)聚類簇中第i個(gè)樣本點(diǎn)的第二個(gè)無線信號(hào)強(qiáng)度；r_in表示每個(gè)聚類簇中第i個(gè)樣本點(diǎn)的第n個(gè)無線信號(hào)強(qiáng)度；

本發(fā)明實(shí)施例中，所述的獲得每個(gè)聚類簇的平均位置坐標(biāo)，采用以下公式：

其中，Z_i1表示每個(gè)聚類簇中第i個(gè)樣本點(diǎn)的橫坐標(biāo)值；Z_i2表示每個(gè)聚類簇中第i個(gè)樣本點(diǎn)縱坐標(biāo)值；

步驟5、通過在線測(cè)量等方式獲得待定位點(diǎn)的信號(hào)強(qiáng)度序列，并根據(jù)建立完成的室內(nèi)定位模型獲得該待定位點(diǎn)的定位坐標(biāo)，具體為：獲得該待定位點(diǎn)與每個(gè)聚類簇的平均信號(hào)強(qiáng)度的歐氏距離，并選擇與其歐氏距離最小的聚類簇的平均位置坐標(biāo)作為該待定位點(diǎn)的定位坐標(biāo)；

本發(fā)明實(shí)施例中，如圖2所示，在電腦上對(duì)本方法進(jìn)行模擬，設(shè)定14個(gè)樣本點(diǎn)，并隨機(jī)設(shè)定一個(gè)待定位點(diǎn)，每個(gè)樣本點(diǎn)接收到的無線信號(hào)強(qiáng)度序列為{r₁,r₂}，利用DBSCAN算法把樣本點(diǎn)分成了C1和C2兩個(gè)聚類簇，分別獲得每個(gè)聚類簇的中心點(diǎn)，即平均信號(hào)強(qiáng)度點(diǎn)；獲得待定位點(diǎn)與每個(gè)聚類簇中心點(diǎn)的歐氏距離，這里與聚類簇C1的歐氏距離最小，則定位的坐標(biāo)即為聚類簇C1的平均位置坐標(biāo)。