基于模糊聚類的ZigBee室內(nèi)定位系統(tǒng)設(shè)計(jì)*

何海平，郭　杭，方　爽

（1.南昌大學(xué) 信息工程學(xué)院，江西 南昌 330031；2.南昌大學(xué) 空間科學(xué)與技術(shù)研究院，江西 南昌 330031）

基于模糊聚類的ZigBee室內(nèi)定位系統(tǒng)設(shè)計(jì)*

何海平1，郭杭2，方爽1

（1.南昌大學(xué) 信息工程學(xué)院，江西 南昌 330031；2.南昌大學(xué) 空間科學(xué)與技術(shù)研究院，江西 南昌 330031）

隨著計(jì)算機(jī)技術(shù)及傳感技術(shù)的發(fā)展，基于位置服務(wù)（LBS）逐漸成為研究熱點(diǎn)。在采用德州儀器公司CC2530芯片設(shè)計(jì)的一套ZigBee室內(nèi)定位系統(tǒng)的基礎(chǔ)上，提出了基于模糊聚類的加權(quán)最鄰近定位算法，并利用設(shè)計(jì)的ZigBee室內(nèi)定位系統(tǒng)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，采用基于模糊聚類的加權(quán)最鄰近定位算法，ZigBee室內(nèi)定位系統(tǒng)的平均定位精度有了一定的提高，平均定位精度達(dá)到了1.47 m，并且與常見(jiàn)的 NN定位算法、KNN定位算法、貝葉斯定位算法的定位效果進(jìn)行了對(duì)比。

室內(nèi)定位系統(tǒng)；CC2530；模糊聚類；ZigBee；指紋庫(kù)定位算法；加權(quán)最鄰近算法；RSSI

0　引言

人類大部分活動(dòng)都是在室內(nèi)進(jìn)行的，因此進(jìn)行室內(nèi)定位與導(dǎo)航研究具有非常重要的意義。目前室內(nèi)定位方法主要采用[1，2]：超聲波[3]、激光、紅外線[4]、RFID[5]、WiFi[6]、圖像視覺(jué)[7]等。本文采用 ZigBee進(jìn)行定位，因?yàn)閆igBee技術(shù)具有成本低、功耗低、復(fù)雜度低等優(yōu)勢(shì)[8]。本文采用德州儀器公司的CC2530芯片設(shè)計(jì)了一套ZigBee室內(nèi)定位系統(tǒng)，在設(shè)計(jì)了ZigBee室內(nèi)定位系統(tǒng)的基礎(chǔ)上，提出了基于模糊聚類的 ZigBee加權(quán)最鄰近定位算法[9]，把通過(guò)加權(quán)最鄰近定位算法得到的點(diǎn)進(jìn)行模糊聚類，通過(guò)模糊聚類剔除大量的跳變點(diǎn)。最后通過(guò)本文設(shè)計(jì)的ZigBee室內(nèi)定位系統(tǒng)進(jìn)行實(shí)驗(yàn)，并與最鄰近定位算法、加權(quán)最鄰近定位算法、貝葉斯定位算法進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明，本文提出的基于模糊聚類的加權(quán)最鄰近定位算法的平均定位精度有了一定的提高。

1　系統(tǒng)介紹

1.1系統(tǒng)的總體介紹

本文設(shè)計(jì)的 ZigBee室內(nèi)定位系統(tǒng)是帶有 GUI界面的無(wú)線傳感網(wǎng)絡(luò)系統(tǒng)，在PC終端上安裝監(jiān)控軟件，協(xié)調(diào)器通過(guò)USB轉(zhuǎn)串口數(shù)據(jù)線連接到PC上，PC就可以實(shí)時(shí)地查看、管理和配置ZigBee無(wú)線傳感網(wǎng)絡(luò)，移動(dòng)節(jié)點(diǎn)和參考節(jié)點(diǎn)的位置就可以實(shí)時(shí)地顯示在PC上的監(jiān)控軟件中。

1.2系統(tǒng)的工作原理

首先布設(shè)一定數(shù)量的參考節(jié)點(diǎn)在需要定位的區(qū)域內(nèi)部，并且記錄好參考節(jié)點(diǎn)的位置坐標(biāo)；然后通過(guò)相關(guān)的定位算法就可以計(jì)算出移動(dòng)節(jié)點(diǎn)在該定位系統(tǒng)中的位置信息，并且移動(dòng)節(jié)點(diǎn)可以把自己接收到的RSSI值和物理地址發(fā)送給協(xié)調(diào)器，協(xié)調(diào)器通過(guò)USB轉(zhuǎn)串口數(shù)據(jù)線把這些數(shù)據(jù)傳送到終端服務(wù)器，在PC上的監(jiān)控軟件可以實(shí)時(shí)地顯示出參考節(jié)點(diǎn)和移動(dòng)節(jié)點(diǎn)的位置信息[10]。

2　基于模糊聚類的加權(quán)最鄰近定位算法

在研究基于一般的加權(quán)最鄰近定位算法的基礎(chǔ)上，本文提出了一種新的基于模糊聚類的加權(quán)最鄰近指紋庫(kù)定位算法。算法的原理圖如圖1所示。首先采用加權(quán)最鄰近定位算法[11]計(jì)算出各個(gè)未知點(diǎn)的定位坐標(biāo)，然后通過(guò)模糊聚類方法來(lái)去除掉大量的跳變點(diǎn)，從而提高系統(tǒng)的定位精度。

圖1　模糊聚類定位算法原理圖

2.1加權(quán)最鄰近定位算法

首先把離線建庫(kù)階段所用的預(yù)設(shè)的采樣點(diǎn)作為指紋數(shù)據(jù)庫(kù)中的信息點(diǎn)，記作 Xi∈{X1，X2，…Xn}；然后進(jìn)入在線定位階段：當(dāng)移動(dòng)節(jié)點(diǎn)進(jìn)入需要定位的區(qū)域后，實(shí)時(shí)采集到的RSSI值記作Z，它是k個(gè)參考節(jié)點(diǎn)的RSSI值，即 Z=(Z1，Z2，…，Zk)。比對(duì)移動(dòng)節(jié)點(diǎn)接收到的 Z與原先建立的指紋庫(kù)Xi的歐式距離，將這兩者歐式距離最小的點(diǎn)作為定位點(diǎn)。歐式距離公式如下：

因此，移動(dòng)節(jié)點(diǎn)的位置估計(jì)可以表示為：

其中，wj為移動(dòng)節(jié)點(diǎn)對(duì)應(yīng)于指紋數(shù)據(jù)庫(kù)中第 j個(gè)點(diǎn)的權(quán)重值，dj為相對(duì)應(yīng)的第 j個(gè)點(diǎn)的位置坐標(biāo)。

2.2模糊聚類

聚類的定義就是按照事物之間的相似程度進(jìn)行區(qū)別和分類的過(guò)程。聚類分析的目標(biāo)就是把特征空間中的一組數(shù)據(jù)按照某種方法分為若干類[12]。本文采用模糊 C均值聚類方法（FCM）。

模糊C均值聚類算法的目的是把各地的n個(gè)P維數(shù)據(jù)點(diǎn)的集合 X={x1，x2，…xn}分為 C個(gè)模糊類 Ai(i= 1，2，…，C)，使得X的任何一個(gè)分量 Xk∈RP的隸屬度 Ai(xk)都滿足以下兩個(gè)條件：

模糊聚類Ai的聚類中心記為：

其中，Vi∈RP，m為大于 1的實(shí)數(shù)。事實(shí)上，Vi是類Ai的隸屬度的加權(quán)平均值。模糊C均值聚類算法使得數(shù)據(jù)點(diǎn)xk逼近一個(gè)或者多個(gè)聚類中心，即最小化下列公式：

使得：

其中：

由式(5)可知 Vi是A(xk)的函數(shù)，因此 Jm是 A(xk)與 Vi的泛函，泛函Jm的極小化過(guò)程是式(5)、式(6)的一個(gè)不斷地迭代過(guò)程：給定初始值代入式(6)，通過(guò)極小化 Jm求得(xk)(i=1，2，…，C；k=1，2，…，n)，再把它們代入式(5)，計(jì)算出后，再代入式(6)。不斷地重復(fù)這一個(gè)過(guò)程，直到收斂[13]。

本文中具體使用的方法是：首先通過(guò)加權(quán)最鄰近定位算法計(jì)算得到的未知點(diǎn)的未知坐標(biāo)，然后采用模糊C均值聚類算法去除掉大量的跳變點(diǎn)。通過(guò)模糊C均值聚類算法把得到的數(shù)據(jù)分為若干類，將這些類中數(shù)據(jù)點(diǎn)最多的那一類留下，去除掉其他的數(shù)據(jù)。通過(guò)聚類后得到的數(shù)據(jù)更加接近真實(shí)點(diǎn)的坐標(biāo)，從而提高了定位系統(tǒng)的定位精度。

3　實(shí)驗(yàn)結(jié)果分析

3.1實(shí)驗(yàn)布局

采用本文設(shè)計(jì)的 ZigBee室內(nèi)定位系統(tǒng)進(jìn)行實(shí)驗(yàn)，在實(shí)驗(yàn)區(qū)域內(nèi)選取5.6 m×5.6 m的區(qū)域建立指紋數(shù)據(jù)庫(kù)。在本實(shí)驗(yàn)中離線建庫(kù)階段一共采集了64個(gè)指紋點(diǎn)的數(shù)據(jù)。實(shí)驗(yàn)一共隨機(jī)選取了21個(gè)待定點(diǎn)。離線建庫(kù)階段，在每個(gè)指紋數(shù)據(jù)點(diǎn)采集120 s信號(hào)強(qiáng)度值數(shù)據(jù)，然后對(duì)這120 s的數(shù)據(jù)進(jìn)行均值濾波，得到指紋數(shù)據(jù)庫(kù)；在線定位階段，獲取每一個(gè)待定點(diǎn)的30組數(shù)據(jù)，一共有21× 30=630組數(shù)據(jù)。

3.2實(shí)驗(yàn)結(jié)果

分別采用最鄰近定位算法、加權(quán)最鄰近定位算法、貝葉斯定位算法和模糊C均值定位算法對(duì)上述隨機(jī)選取的21個(gè)采樣點(diǎn)的數(shù)據(jù)進(jìn)行計(jì)算，得到的定位結(jié)果如表1所示。

表1　4種定位算法的結(jié)果對(duì)比

使用本文提出的基于模糊C均值聚類定位算法處理了上述的21個(gè)采樣點(diǎn)，各個(gè)點(diǎn)的定位誤差如圖2所示。在需要定位區(qū)域內(nèi)，本文提出的模糊C均值聚類定位算法的平均定位精度達(dá)到了1.47 m。

圖2　模糊C均值聚類算法定位結(jié)果

4　結(jié)束語(yǔ)

本文在研究了一般定位算法的基礎(chǔ)上，提出了基于模糊聚類的加權(quán)最鄰近定位算法，并把該算法應(yīng)用在本文設(shè)計(jì)的ZigBee室內(nèi)定位系統(tǒng)上。實(shí)驗(yàn)結(jié)果表明，采用本文提出的基于模糊聚類的加權(quán)最鄰近定位算法后，ZigBee定位系統(tǒng)的平均定位精度能夠達(dá)到 1.47 m，與普通的定位算法相比較，具有較好的應(yīng)用價(jià)值。

[1]王暉.基于 RSSI的無(wú)線傳感器網(wǎng)絡(luò)室內(nèi)定位算法設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京郵電大學(xué)，2010：16-41.

[2]肖竹，王勇超，田斌.超寬帶定位研究與應(yīng)用：回顧和展望[J].電子學(xué)報(bào)，2011，39（1）：133-141.

[3]葉寶玉，王欽若，熊建斌，等.基于超聲波的模型船舶室內(nèi)定位系統(tǒng)研究[J].計(jì)算機(jī)工程，2012，38(19)：258-260，265.

[4]HAUSCHILDT D，KIRCHHOF N.Improving indoor position estimation by combining active TDOA ultrasound and passive thermal infrared localization[C].IEEE Positioning Navigation and Communication，2011：94-99.

[5]張穎，李凱，王建偉.一種有源RFID局域定位系統(tǒng)設(shè)計(jì)[J].電子設(shè)計(jì)工程，2012，20(5)：68-70，74.

[6]馬卜林，楊帆.煤礦井下WiFi人員定位GIS系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].西安科技大學(xué)學(xué)報(bào)，2012，32(3)：301-305.

[7]李曉維，徐勇軍，任豐原.無(wú)線傳感器網(wǎng)絡(luò)技術(shù)[M].北京：北京理工大學(xué)出版社，2007：191-219.

[8]張正勇，梅順良.無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位技術(shù)[J].計(jì)算機(jī)工程，2007，33(17)：4-6.

[9]宋欣.多傳感器融合的室內(nèi)定位技術(shù)研究[D].上海：上海交通大學(xué)，2013.

[10]劉小康，張翔，方爽，等.基于ZigBee無(wú)線傳感器網(wǎng)絡(luò)的一種室內(nèi)定位新方法[J].傳感器與微系統(tǒng)，2013，32 (11)：29-30.

[11]KING T，KOPF S，HAENSELMANN T，et al.A probabilistic indoor positioning system based on 802.11 and digital compasses[C].The First ACM International Workshop on Wireless Network Testbeds，Experimental Evaluation and Characterization.Los Angeles，USA，2006：34-40.

[12]宮改云.FCM算法參數(shù)研究及其應(yīng)用[D].西安：西安電子科技大學(xué)，2014.

[13]黃競(jìng)偉，朱福喜，康立山.計(jì)算智能[M].北京：科學(xué)出版社，2010：214-218.

Research of ZigBee indoor positioning system based on the fuzzy clustering

He Haiping1，Guo Hang2，F(xiàn)ang Shuang1
(1.Information Engineer Institute，Nanchang University，Nanchang 330031，China；2.Institute of Apace Science and Technology，Nanchang University，Nanchang 330031，China)

With the development of the computer technology and sensor technology,location-based services gradually become a hot research topic.This paper uses the Texas instruments′CC2530 chip designing a set of ZigBee indoor positioning system,and proposes weighted the neighboring location algorithm based on fuzzy clustering.By using ZigBee indoor positioning system conducting experiment,the experimental results show that using the weighted neighboring location algorithm based on fuzzy clustering,ZigBee indoor positioning system positioning accuracy have improved,the average precision reached 1.47 m.And the positioning effect is compared with NN localization,the KNN algorithm and Bayesian algorithm.

indoor positioning systems；CC2530；fuzzy clustering；ZigBee；fingeprint localization algorithm；weithted adjacent algorithm；RSSI

TN961

A

10.16157/j.issn.0258-7998.2016.05.020

國(guó)家自然科學(xué)基金（41164001，41374039）

2016-01-27)

何海平（1992-），男，碩士研究生，主要研究方向：室內(nèi)定位。

郭杭（1960-），男，教授，博士，主要研究方向：組合導(dǎo)航。

方爽（1988-），男，碩士研究生，主要研究方向：室內(nèi)無(wú)線電定位及組合導(dǎo)航。

中文引用格式：何海平，郭杭，方爽.基于模糊聚類的 ZigBee室內(nèi)定位系統(tǒng)設(shè)計(jì)[J].電子技術(shù)應(yīng)用，2016，42(5)：71-73，77.

英文引用格式：He Haiping，Guo Hang，F(xiàn)ang Shuang.Research of ZigBee indoor positioning system based on the fuzzy clustering[J]. Application of Electronic Technique，2016，42(5)：71-73，77.