K-means指紋優(yōu)化算法可以提高室內(nèi)定位的精度,由于K-means算法初始聚類中心選取的隨機(jī)性和聚類數(shù)設(shè)定的經(jīng)驗(yàn)性,使其穩(wěn)定性有很大欠缺,影響定位精度與性能。針對上述問題,采用融合聚類的方式對K-means算法進(jìn)行優(yōu)化,首先對指紋庫在聚類數(shù)取1到N的情況下使用凝聚層次聚類進(jìn)行多次聚類迭代,然后計(jì)算每次聚類后生成簇的誤差平方和及輪廓系數(shù),最后通過肘方法和輪廓系數(shù)法確定最佳聚類數(shù)及K-means算法的初始聚類中心。實(shí)驗(yàn)結(jié)果表明,融合后的算法同傳統(tǒng)K-means指紋算法相比定位誤差在2米內(nèi)的概率提高了8%,定位精度得到明顯提高,融合算法的穩(wěn)定性也得到較大幅度改善。 

【文章來源】：計(jì)算機(jī)仿真. 2020,37(07)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

指紋定位算法原理

融合聚類算法流程圖

表1 實(shí)驗(yàn)環(huán)境參數(shù) 名稱 參數(shù) 實(shí)驗(yàn)場地大小 8.5m*7.5m iBeacon基站數(shù) 9個(gè) 位置采樣間隔 0.5m*0.5m 指紋點(diǎn)采集個(gè)數(shù) 232個(gè)4.2 算法仿真

【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)的K-Means聚類算法[J]. 劉文佳,張駿.  現(xiàn)代商貿(mào)工業(yè). 2018(19)
[2]基于藍(lán)牙微功耗的室內(nèi)定位檢測系統(tǒng)[J]. 竇昱欽,張峰,許寅曦,白志帥.  自動化與儀表. 2018(03)
[3]K-means指紋定位的優(yōu)化算法[J]. 余成波,李彩虹,曾亮.  電子技術(shù)應(yīng)用. 2018(02)
[4]優(yōu)化初始聚類中心及確定K值的K-means算法[J]. 蔣麗,薛善良.  計(jì)算機(jī)與數(shù)字工程. 2018(01)
[5]基于藍(lán)牙信標(biāo)的k-means指紋定位算法研究[J]. 蔡云騏.  電子世界. 2017(02)
[6]一種K-means聚類算法的改進(jìn)與應(yīng)用[J]. 張杰,卓靈,朱韻攸.  電子技術(shù)應(yīng)用. 2015(01)
[7]室內(nèi)信號強(qiáng)度指紋定位算法改進(jìn)[J]. 蔡朝暉,夏溪,胡波,范丹玫.  計(jì)算機(jī)科學(xué). 2014(11)
[8]最小方差優(yōu)化初始聚類中心的K-means算法[J]. 謝娟英,王艷娥.  計(jì)算機(jī)工程. 2014(08)

碩士論文
[1]室內(nèi)精準(zhǔn)定位方法及應(yīng)用研究[D]. 李彩虹.重慶理工大學(xué) 2018



本文編號：3113170