基于核函数特征提取的室内定位算法研究

doi:10.11959/j.issn.1000-436x.2017018

通信学报 ›› 2017, Vol. 38 ›› Issue (1): 158-167.doi: 10.11959/j.issn.1000-436x.2017018

基于核函数特征提取的室内定位算法研究

李华亮¹,钱志鸿¹,田洪亮^1,²

¹ 吉林大学通信工程学院，吉林长春 130012
² 东北电力大学信息工程学院，吉林吉林 132012

修回日期:2016-10-14 出版日期:2017-01-01 发布日期:2017-01-23
作者简介:李华亮（1990-），男，吉林长春人，吉林大学硕士生，主要研究方向为无线定位技术。|钱志鸿（1957-），男，吉林长春人，吉林大学教授、博士生导师，主要研究方向为基于物联网、D2D、Wi-Fi、RFID 等无线网络与通信技术。|田洪亮（1981-），男，吉林省吉林市人，吉林大学博士生，东北电力大学讲师，主要研究方向为无线个域网。
基金资助:
国家自然科学基金资助项目(61371092);国家自然科学基金资助项目(61401175);国家自然科学基金资助项目(61540022);吉林省科技发展计划基金资助项目(20140204019GX);长春市重大科技攻关计划基金资助项目(2014026/14KG021);吉林大学研究生创新基金资助项目(2019091)

Research on indoor localization algorithm based on kernel principal component analysis

Hua-liang LI¹,Zhi-hong QIAN¹,Hong-liang TIAN^1,²

¹ College of Communication Engineering,Jilin University,Changchun 130012,China
² School of Information Engineering,Northeast Electric Power University,Jilin 132012,China

Revised:2016-10-14 Online:2017-01-01 Published:2017-01-23
Supported by:
The National Natural Science Foundation of China(61371092);The National Natural Science Foundation of China(61401175);The National Natural Science Foundation of China(61540022);Scientific and Tech-nological Developing Scheme of Jilin Province(20140204019GX);Key Science and Technology Program of Changchun(2014026/14KG021);Project Supported by Graduate Innovation Fund of Jilin University(2019091)

摘要/Abstract

摘要：

提出了一种基于核函数特征提取(KPCA,kernel principal component analysis)的室内定位算法。该算法在离线阶段使用核函数特征提取方法训练原始位置指纹(OLF,original location fingerprint)，提取原始位置指纹的非线性特征，可以有效地利用各个接入节点(AP,access point)的接收信号强度信息；而在线阶段使用一种改进的加权k近邻 (IWKNN,improved weight k-nearest neighbor)算法，自主选择近邻数进行位置估计。实验结果表明，提出的算法在平均误差和定位准确率方面优于其他的室内定位算法，并且该算法需要更少的接收信号强度（RSS,received signal strength）采集次数和AP个数。

关键词: 无线局域网络, 室内定位, 接收信号强度, 核函数特征提取

Abstract:

An indoor localization algorithm based on kernel principal component analysis (KPCA) was proposed.It applied KPCA to train the original location fingerprint (OLF) and extract the nonlinear feature of the OLF data at the offline stage,such that the information of all AP was more efficiently utilized.At the online stage,an improved weight k-nearest neighbor algorithm for positioning which could automatically choose neighbors was proposed.The experiments were carried out in a realistic WLAN environment.The results show that the algorithm outperforms the existing methods in terms of the mean error and localization accuracy.Moreover,it requires less times of RSS acquisition and AP number.

Key words: WLAN, indoor localization, RSS, KPCA

中图分类号:

TN92

李华亮,钱志鸿,田洪亮. 基于核函数特征提取的室内定位算法研究[J]. 通信学报, 2017, 38(1): 158-167.

Hua-liang LI,Zhi-hong QIAN,Hong-liang TIAN. Research on indoor localization algorithm based on kernel principal component analysis[J]. Journal on Communications, 2017, 38(1): 158-167.

图/表 18

图1

图2

图3

图4

表1

进行40次采集的原始位置指纹数据库(RSS/dBm)"

(x,y)	AP₁	AP₂	AP₃	AP₄	AP₅	AP₆	AP₇	AP₈	AP₉	AP₁₀	AP₁₁	AP₁₂	AP₁₃
(0,0)	?67	?67	?72	?72	?72	?76	?77	?78	?79	?83	?84	?92	?93
(0,2)	?66	?68	?71	?65	?72	?76	?72	?78	?77	?72	?73	?80	?88
(2,2)	?68	?73	?77	?89	?79	?75	?64	?83	?76	?80	?78	?88	?78
(2,0)	?64	?64	?69	?72	?82	?81	?73	?71	?76	?79	?80	?79	?84
(4,0)	?72	?73	?61	?73	?70	?76	?67	?70	?82	?83	?81	?76	?83
$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$

表1

表2

PCA提取5维的位置指纹数据"

(x,y)	AP₁′	AP₂′	AP₃′	AP₄′	AP₅′
(0,0)	?30.76	?1.62	0.00	7.41	0.02
(0,2)	?18.84	?5.01	?1.47	5.62	2.77
(2,2)	?26.19	?3.19	?1.23	8.32	10.27
(2,0)	?18.08	?3.19	?6.33	?2.45	?2.42
(4,0)	?14.95	?13.26	?0.90	9.62	?1.37
$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$

表2

表3

KPCA变换5维的特征指纹数据"

(x,y)	AP₁′	AP ₂′	AP ₃′	AP ₄′	AP ₅′
(0,0)	0.05	0.08	?0.11	0.09	0.13
(0,2)	?0.66	?0.10	0.00	0.01	0.00
(2,2)	0.05	0.08	?0.11	0.10	0.10
(2,0)	0.05	0.09	?0.11	0.10	?0.68
(4,0)	0.05	0.08	?0.10	?0.52	?0.01
$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$

表3

表4

KPCA变换15维的特征位置指纹数据"

(x,y)	AP₁′	AP₂′	AP₃′	AP₄′	AP₅′	AP₆′	AP₇′	AP₈′	AP₁₀′	AP₁₁′	AP₁₂′	AP₁₃′	AP₁₄′	AP₁₅′
(0,0)	0.06	0.08	?0.11	0.09	0.13	0.20	0.16	0.08	?0.38	?0.56	?0.02	0.00	?0.02	0.00
(0,2)	?0.66	?0.10	0.00	0.01	0.00	0.00	0.01	0.16	0.00	0.11	0.00	0.05	0.13	?0.25
(2,2)	0.05	0.08	?0.11	0.10	0.10	0.18	0.19	0.82	?0.11	0.34	0.00	0.17	?0.02	0.01
(2,0)	0.05	0.09	?0.11	0.10	?0.68	?0.13	0.01	0.01	?0.02	?0.03	?0.01	0.05	?0.02	0.03
(4,0)	0.05	0.08	?0.10	?0.52	?0.01	?0.02	0.00	0.00	?0.01	?0.01	?0.01	0.01	?0.61	?0.05
$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$

表4

图5

图6

图7

图8

图9

图10

表5

图11

图12

图13

参考文献 17

[1]	钱志鸿, 王义君 . 面向物联网的无线传感器网络综述[J]. 电子与信息学报, 2013,35(1): 215-227.
	QIAN Z H , WANG Y J . Internet of things-oriented wireless sensor networks review[J]. Journal of Electronics ＆ Information Technology, 2013,35(1): 215-227.
[2]	钱志鸿, 王雪 . 面向 5G 通信网的 D2D 技术综述[J]. 通信学报, 2016,37(7): 1-14.
	QIAN Z H , WANG X . Reviews of D2D technology for 5G communication networks[J]. Journal on Communications, 2016,37(7): 1-14.
[3]	KOLODZIEJ K W , HJELM J . Local positioning systems:LBS applications and services[M]// Local Positioning System.LBS Applications and Services. 2006: 101-158.
[4]	MA L , XU Y . Received signal strength recovery in green WLAN indoor positioning system using singular value thresholding[J]. Sensors, 2015,15(1): 1292-1311.
[5]	JAIN V K , TAPASWI S , SHUKLA A . Performance analysis of received signal strength fingerprinting based distributed location estimation system for indoor WLAN[J]. Wireless Personal Communications, 2013,70(1): 113-127.
[6]	SCHMIDT E , AKOPIAN D . Indoor positioning system using WLAN channel estimates as fingerprints for mobile devices[C]// IS＆T/SPIE Electronic Imaging,International Society for Optics and Photonics, 2015:94110R-94110R-9.
[7]	DENG Y B , ZHI A X , LIN M . WLAN indoor positioning algorithm based on KDDA and SVR[J]. Journal of Electronics ＆ Information Technology, 2011,4: 23.
[8]	HE S , CHAN S H G . Wi-Fi fingerprint-based indoor positioning:recent advances and comparisons[J]. IEEE Communications Surveys＆ Tutorials, 2016,18(1): 466-490.
[9]	MENGUAL L,MARBáN O , EIBE S . Clustering-based location in wireless networks[J]. Expert Systems with Applications, 2010,37(9): 6165-6175.
[10]	WEN Y , TIAN X , WANG X ,et al. Fundamental limits of RSS fingerprinting based indoor localization[C]// 2015 IEEE Conference on Computer Communications (INFOCOM). IEEE, 2015: 2479-2487.
[11]	BAHL P , PADMANABHAN V N . RADAR:An in-building RF-based user location and tracking system[C]// INFOCOM 2000.Nineteenth Annual Joint Conference of the IEEE Computer and Communications Societies. 2000,2: 775-784.
[12]	CHEN Y , YANG Q , YIN J ,et al. Power-efficient access-point selection for indoor location estimation[J]. IEEE Transactions on Knowledge ＆ Data Engineering, 2006,18(7): 877-888.
[13]	FANG S H , LIN T N . Principal component localization in indoor WLAN environments[J]. IEEE Transactions on Mobile Computing, 2012,11(1): 100-110.
[14]	MARTíNEZ A M , KAK A C . PCA versus LDA[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001,23(2): 228-233.
[15]	DE SA J P M . Pattern recognition:concepts,methods and applications[M]. Springer Science ＆ Business Media, 2012.
[16]	DING M , FAN G . Articulated and generalized Gaussian kernel correlation for human pose estimation[J]. IEEE Transactions on Image Processing, 2016,25(2): 776-789.
[17]	KING T , HAENSELMANN T , EFFELSBERG W.On-demand fingerprint selection for 802 . 11-based positioning systems[C]// World of Wireless,Mobile and Multimedia Networks,2008 ( WoWMoM 2008). 2008: 1-8.

测试节点	近邻数
(0,1)	6
(6,1)	5
(12,1)	6
(18,1)	4

基于核函数特征提取的室内定位算法研究

Research on indoor localization algorithm based on kernel principal component analysis

在线阅读

PDF下载

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 17

相关文章 15

Metrics

推荐阅读 0

[1]	谢良波, 李宇洋, 王勇, 周牧, 聂伟. 基于自适应蝙蝠算法的室内RFID定位算法[J]. 通信学报, 2022, 43(8): 90-99.
[2]	赵增华, 童跃凡, 崔佳洋. 基于域自适应的Wi-Fi指纹设备无关室内定位模型[J]. 通信学报, 2022, 43(4): 143-153.
[3]	谢良波, 刘西西, 王勇, 周牧, 田增山. 基于RFID载波相位的室内EKF定位算法[J]. 通信学报, 2022, 43(3): 124-134.
[4]	孙大洋, 石文孝, 张定国. 基于室内地图推演与信号穿墙修正的定位优化方法[J]. 通信学报, 2022, 43(10): 146-156.
[5]	王慧强, 高凯旋, 吕宏武. 高精度室内定位研究评述及未来演进展望[J]. 通信学报, 2021, 42(7): 198-210.
[6]	谢良波, 李升, 周牧, 李泽, 田增山, 王亚, 付长友. 基于散射体信息的室内NLOS多站协作定位算法[J]. 通信学报, 2021, 42(5): 63-74.
[7]	刘桂岐, 钱志鸿, 李华亮, 孙佳妮, 冯一诺, 王雪. 基于有效AP选择和多分类LDA的室内定位算法[J]. 通信学报, 2021, 42(11): 109-120.
[8]	周牧, 龙玥辛, 蒲巧林, 王勇, 何维. 基于CSI张量分解的室内Wi-Fi指纹定位方法[J]. 通信学报, 2021, 42(11): 159-171.
[9]	杨国伟, 黄兆标, 樊冰, 周雪芳, 毕美华. 基于可见光通信的室内定位与定向系统[J]. 通信学报, 2020, 41(12): 162-170.
[10]	乐燕芬,汤卓,盛存宝,施伟斌. 基于多分布密度位置指纹的高效室内定位算法研究[J]. 通信学报, 2019, 40(1): 172-179.
[11]	赵泽,高源,崔莉. VehLoc：基于低功耗蓝牙多信道RSSI值的车内高精度定位方法[J]. 通信学报, 2018, 39(12): 47-59.
[12]	何杰,吴雅南,段世红,徐丽媛,吕家慧,徐诚,齐悦. 人体对UWB测距误差影响模型[J]. 通信学报, 2017, 38(Z1): 58-66.
[13]	周牧,王斌,田增山,张千坤. 室内BLE/MEMS跨楼层融合定位算法[J]. 通信学报, 2017, 38(5): 1-10.
[14]	徐琨,刘宏立,詹杰,马子骥. 容忍恶意攻击的无线传感网络安全定位算法[J]. 通信学报, 2016, 37(12): 95-102.
[15]	周牧,蒲巧林,田增山. 室内WLAN定位中位置指纹优化的接入点部署方法[J]. 通信学报, 2015, 36(Z1): 30-41.