為解決群智采集的指紋數(shù)據(jù)量較大且分布狀況復(fù)雜的問題,提出了一種基于AP聚類算法的指紋庫建立及優(yōu)化算法.通過AP聚類算法將位置接近且相似度較高的指紋聚成一類,相較于其他聚類算法,使用AP聚類可以更好地反映當(dāng)前指紋的分布狀況.對聚類生成的每一類指紋建立萊斯分布模型,以萊斯分布模型的參數(shù)作為指紋.仿真結(jié)果表明基于AP聚類的方法與傳統(tǒng)指紋法在具有相似的定位效果的前提下,前者所占用的存儲量只有后者的50%. 

【文章來源】：南開大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020年01期 北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

隨機(jī)分布的指紋點(diǎn)示意圖

運(yùn)行AP聚類算法首先要建立一個(gè)刻畫指紋之間相似度的矩陣S,假設(shè)場景中有m個(gè)無線信號發(fā)射節(jié)點(diǎn),通過群智的方法采集到了n條指紋:r為m維向量,表示m個(gè)RSS值.對應(yīng)的位置信息為:

圖4為指紋數(shù)量逐漸遞增的情況下兩種算法的平均定位誤差對比,當(dāng)指紋數(shù)量較少的時(shí)候,聚類后每類里的指紋數(shù)量較少,模型誤差較大,基于AP聚類的算法的定位精度較KNN算法低,當(dāng)樣本數(shù)量增多后,每個(gè)聚類中的指紋數(shù)量增多,模型會更加準(zhǔn)確,定位精度會提升,而KNN算法由于空間有限,當(dāng)指紋達(dá)到一定數(shù)量后精度增加的效果不夠明顯,當(dāng)指紋數(shù)量大于5 000后,基于AP聚類的算法的平均誤差較KNN更佳圖4 指紋數(shù)量相同時(shí)本文算法和KNN算法的定位性能比較


本文編號：2932721