基于kl散度与k―means的wi―fi与蓝牙融合室内定位方法.docx

基于基于 KLKL 散度与散度与 K―meansK―means 的的 Wi―FiWi―Fi 与与 蓝牙融合室内定位方法蓝牙融合室内定位方法【摘要】针对当前对室内定位高精度的要求，本文提出了一种基于 Wi-Fi 和蓝牙融合的室内定位方案该方案Wi-Fi 部分利用核回归的 KL 散度算法得到观测点估计坐标，蓝牙部分利用 K-means 算法聚类出圆形估计区域在融合阶段，用蓝牙聚类得到的圆形区域对 Wi-Fi 估计的观测点估计坐标进行修正，得到最终结果实验结果表明，利用本文方案得到的定位结果，与单一利用基于 KL 散度的 Wi-Fi 定位结果相比，均方误差减少了 21%，与现有的 Wi-Fi和蓝牙融合的定位方法相比，定位精度也有了一定的提高关键词】 Wi-Fi;蓝牙;K-means;KL 散度随着城市现代化进程的不断推进，可靠的室内定位服务日益重要目前存在的室内定位技术大多依靠单一的无线技术，其中基于 Wi-Fi 的室内定位技术已经发展成熟，常用的是位置指纹法位置指纹法分为确定性方法和概率性方法，在确定性方法中典型的算法有 K 邻近法但这种方法仅取了 RSSI 的均值，无法提取足够的在环境中波动的RSSI 信息。

在概率性方法中，一些研究指出，RSSI 信号在波动呈现高斯分布但进一步研究显示，RSSI 信号呈现多元的分布 为了充分的考虑多元分布，将 KL 散度模型应用在 Wi-Fi 室内定位中尽管基于 Wi-Fi 的研究已经取得了很大的成果但鉴于单一定位的局限性，近几年来，融合的定位技术越来越多的受到关注由于 Wi-Fi 与蓝牙普遍共存在于各种电子设备上，基于 Wi-Fi 与蓝牙融合的室内定位成为研究的热点在 Wi-Fi 与蓝牙混合定位技术中，使用位置指纹算法，利用欧式距离和网格合并分别得到 Wi-Fi 和蓝牙各自的定位结果，将两种定位结果通过赋予不同的权值在决策级上进行融合，提高了定位的实时性，但由于选择了复杂度较低的欧式距离作为算法的基本模型，降低了定位精度针对上述缺点，本文提出了一种基于 KL 散度与 K 均值聚类的Wi-Fi 与蓝牙融合的室内无线位算法，降低了 RSSI 动态波动带来的影响，利用蓝牙定位的区域修正 Wi-Fi 单一的定位结果，定位精度有了明显的提高1.基于 K-means 的蓝牙位置指纹识别算法离线阶段设区域中有 M 个蓝牙，N 个参考点得到每个参考点记录的信息为，其中为参考点的位置坐标，为第 i 个参考点接收的来自第个 Beacon 的经过中值滤波得到的 RSSI 的值。

阶段观测点接收来自 M 个 Beacon 的 RSSI， 扫描 P 次，构成 P 个 RSSI 向量集合，为第 P 次扫描接收的来自第个Beacon 的的 RSSI 值计算第一次扫描向量与参考点的欧式距离，公式如下：在中找到距离最小的个参考点，根据第一次扫描结果得到估计观测点的坐标，公式如下：同理，根据 P 次扫描结果得到 P 组观测点坐标利用 K-means 算法，对 P 组点进行聚类，得到一个以聚类中心为圆心的圆形定位区域2.基与 KL 散度的 Wi-Fi 识别算法离线阶段设区域中共有 n 个 AP，k 个参考点每个参考点从这n 个 AP 可获得 RSSI 向量代表参考点的位置坐标，用代表第j 个参考点的 RSSI 分布，假设从每个 AP 获得的 RSSI 分布都是独立的，可得第 j 个参考点的 RSSI 分布：阶段观测点接收来自 n 个 AP 的 RSSI，假设观测点的位置坐标为，为观测点 o 从 n 个 AP 点获得的 RSSI 向量，用代表观测点 o 的 RSSI 分布，假设从每个 AP 获得的 RSSI 分布都是独立的，可得观测点 o 的 RSSI 分布：KL 散度可以用来描述观测点的 RSSI 概率分布与任意参考点 RSSI 概率分布的差异。

表达式如下：其中为参考点坐标利用基于 KL 散度的核函数：以作为权重，得到观测点的坐标为：3.融合定位方法将通过蓝牙定位得到的圆形定位区域，与通过 Wi-Fi定位得到的估计位置融合，取得交点即为最终定位坐标4.实验及分析实验环境及数据采集测试房间约 50，选择一个区域布置网格，横纵间隔为1m，布置 4 个蓝牙 Beacon，2 个 Wi-Fi AP，选取 45 个参考点，20 个测试点，记录位置坐标测试终端选取的是三星，分别记录接收蓝牙以及Wi-Fi AP 的 Mac 地址、RSSI每个参考点和测试点至少包含 30 次蓝牙的 RSSI 值，200 次 Wi-Fi 的 RSSI记录数据后，利用 Matlab 对数据进行处理，建立指纹库，K-means 的 K 值取 2结果及分析利用记录的 20 个观测点的真实的位置坐标进行误差分析得到 20 个点的均方误差为对单一的 Wi-Fi 定位结果与 Wi-Fi 和蓝牙融合的定位结果作了对比，如图 1 所示由图可知，利用 Wi-Fi 与蓝牙融合的算法得到的定位误差明显低于单一 Wi-Fi 的定位误差通过计算，均方误差减少了 21%5.结论及展望本文提出了一种基于 Wi-Fi 和蓝牙融合的室内定位方案。

实验结果表明，融合定位可以克服单一定位的局限性，使定位误差大大减少但研究场景设置的比较小，而且对定位的实时性要求比较低，在以后的研究中，可以尝试大范围场景采集数据并应用到实时定位。