基于Kmeans聚類的CSI室內(nèi)定位

田廣東，楊品章，王 珊，余 翔

（重慶郵電大學(xué)，重慶 400065）

基于Kmeans聚類的CSI室內(nèi)定位

田廣東，楊品章，王 珊，余 翔

（重慶郵電大學(xué)，重慶 400065）

多徑效應(yīng)導(dǎo)致基于接收信號(hào)強(qiáng)度指示(RSSI)的室內(nèi)定位精度不高，采用高細(xì)粒度的物理層信道狀態(tài)信息(CSI)可以更好地描述室內(nèi)多徑環(huán)境，提高基于指紋的室內(nèi)定位的精度。利用聚類算法提取 CSI，提高了不同位置之間指紋的區(qū)分性。在定位階段采用一種簡(jiǎn)單有效的方法進(jìn)行類的匹配。實(shí)驗(yàn)結(jié)果表明，在使用單個(gè)信標(biāo)的情況下，定位精度較以往算法提高了24%。

室內(nèi)定位；信道狀態(tài)信息；指紋

0 引言

隨著無(wú)線網(wǎng)絡(luò)技術(shù)的發(fā)展，基于位置的服務(wù)得到了相應(yīng)的發(fā)展?；跓o(wú)線局域網(wǎng)(Wireless Local Area Network，WLAN)的室內(nèi)定位技術(shù)受到了廣泛關(guān)注，如今廣泛使用的基于接收信號(hào)強(qiáng)度指示(Received Signal Strength Indicator，RSSI)的定位方法精度不理想。在IEEE802.11n標(biāo)準(zhǔn)[1]中，支持信道狀態(tài)信息(Channel State Information，CSI)的反饋機(jī)制，通過修改無(wú)線網(wǎng)卡驅(qū)動(dòng)[2]，可以獲取正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing，OFDM)子載波中30個(gè)子載波的 CSI。CSI描述了信號(hào)從發(fā)端到收端的衰減因子，包括散射、反射、路徑衰落等。通過對(duì)CSI的統(tǒng)計(jì)，其結(jié)果描述了空間相關(guān)性，可以作為基于指紋定位的指紋信息。

目前，基于CSI的室內(nèi)定位研究已經(jīng)取得了一定的成果[3]，達(dá)到了米級(jí)甚至亞米級(jí)的定位精度。文獻(xiàn)[4]利用CSI的頻率差異性，建立了CSI衰落與距離的模型，使用三邊測(cè)距定位，由于受帶寬的限制，多徑區(qū)分能力有限，測(cè)距精度不高，從而影響定位精度。文獻(xiàn)[5]利用CSI的頻率差異性，將30個(gè)信道CSI合成為5個(gè)子信道，并將多個(gè)天線的CSI求平均值處理，建立起一個(gè)基于概率模型的指紋定位模型。文獻(xiàn)[6]利用CSI信道間的關(guān)系提取指紋，建立了一個(gè)基于歐式距離作為相似度比較的指紋模型。

以上基于指紋的研究在提取指紋時(shí)都是將多個(gè)數(shù)據(jù)包的CSI做均值處理作為指紋。由于室內(nèi)多徑效應(yīng)，CSI存在成簇分布的狀況，采用取平均值的方法不能很好地反映位置的多徑傳播，從而影響了定位精度。本文通過采用Kmeans聚類算法，提取多條CSI向量作為指紋來描述位置特性。實(shí)驗(yàn)證明，對(duì)比文獻(xiàn)[6]的CSI-MIMO算法，定位精度得到提高。

1 指紋定位系統(tǒng)模型

基于指紋的定位模型分為離線訓(xùn)練階段和在線定位階段，模型如圖1所示。

離線訓(xùn)練階段的任務(wù)是建立一個(gè)位置指紋數(shù)據(jù)庫(kù)。首先要選擇參考點(diǎn)的位置，然后在每個(gè)參考點(diǎn)處測(cè)量來自信標(biāo)的信號(hào)特征，最后處理信號(hào)特征保存在數(shù)據(jù)庫(kù)中。這個(gè)數(shù)據(jù)庫(kù)也被稱為位置指紋地圖。

圖1 指紋定位模型

在線定位階段是指通過測(cè)量獲得未知位置的信號(hào)特征并加以處理，通過相應(yīng)的匹配算法，比較測(cè)量數(shù)據(jù)與離線訓(xùn)練建立的數(shù)據(jù)庫(kù)中的數(shù)據(jù)，找出相似的數(shù)據(jù)，作為位置的估計(jì)值。

2 基于Kmeans的聚類的CSI室內(nèi)定位算法

2.1 離線訓(xùn)練階段

在室內(nèi)定位區(qū)域選定L個(gè)參考點(diǎn)，參考點(diǎn)位置已知，采用二維坐標(biāo)(x，y)表示。在每個(gè)參考點(diǎn)接收 n個(gè)CSI數(shù)據(jù)包。每個(gè)數(shù)據(jù)包有一個(gè) p×q×30的復(fù)數(shù)矩陣HMIMO，其中p為發(fā)射天線數(shù)，q為接收天線數(shù)。m=p×q為天線對(duì)個(gè)數(shù)。

任意天線對(duì)的矩陣Hij有30個(gè)復(fù)數(shù)，是IEEE802.11n中OFDM的30個(gè)子載波的信道頻率響應(yīng)采樣：

其中，|hi|為幅值，∠hi為相位，由于CSI的相位受頻偏影響不能精確提取，僅提取幅值作為指紋：

無(wú)線信號(hào)在室內(nèi)環(huán)境中存在著多徑傳播的情況，CSI幅值也受此影響，存在著成簇分布的情況，如圖2所示，簇內(nèi)CSI幅值多徑傳播經(jīng)相似。通過Kmeans算法處理相同天線對(duì)中n個(gè)數(shù)據(jù)包的CSI幅值。Kmeans算法能夠使聚類域中的所有CSI幅值向量到聚類中心距離的平方和最小。其原理為：

輸入：聚類個(gè)數(shù)k，包含n個(gè)數(shù)據(jù)對(duì)象的數(shù)據(jù)集。

輸出：k個(gè)聚類。

(1)從n個(gè)數(shù)據(jù)對(duì)象中任意選取k個(gè)對(duì)象作為初始的聚類中心。

(2)分別計(jì)算每個(gè)對(duì)象到各個(gè)聚類中心的距離，再把對(duì)象分配到距離最近的聚類中。

圖2 CSI幅值成簇分布

(3)所有對(duì)象分配完成后，重新計(jì)算k個(gè)聚類的中心。

(4)與前一次得到的 k個(gè)聚類中心比較，如果聚類中心未發(fā)生變化，進(jìn)行下一步，否則轉(zhuǎn)到步驟(2)。

(5)輸出聚類結(jié)果。

通過此算法，從n個(gè)數(shù)據(jù)包的值中得到k個(gè)具有代表性的CSI幅值向量作為位置指紋fin：

根據(jù)已有文獻(xiàn)的實(shí)驗(yàn)觀測(cè)表明[7]，超過 80%的 CSI幅值向量只存在4個(gè)以內(nèi)的分簇，但是由于實(shí)際的測(cè)量過程中存在干擾，分簇?cái)?shù)目增加，所以本算法中設(shè)置分簇個(gè)數(shù)k=10。

對(duì)于單個(gè)天線對(duì)得到fin，對(duì)于m個(gè)天線的每個(gè)天線對(duì)使用Kmeans算法，得到訓(xùn)練向量：

2.2 在線定位階段

在線定位階段采用與離線訓(xùn)練階段相同的方法提取到m個(gè)天線對(duì)的指紋：

將提取到的指紋與訓(xùn)練階段建立的數(shù)據(jù)庫(kù)中的指紋作比較，即將獲取到的第i個(gè)天線對(duì)的指紋矩陣與數(shù)據(jù)庫(kù)中的第i個(gè)天線對(duì)的指紋矩陣，進(jìn)行兩個(gè)指紋矩陣中任意兩個(gè)CSI幅值向量i與j歐式距離的比較：

由于歐式距離反映了兩個(gè)向量之間的“不相關(guān)性”，即數(shù)值越大，相關(guān)性越低，數(shù)值越小，相關(guān)性越高。因此，關(guān)注這些距離中數(shù)值較小的作為測(cè)試點(diǎn)與訓(xùn)練點(diǎn)之間相似度比較的一個(gè)依據(jù)。所以不再考慮天線對(duì)，將m個(gè)天線對(duì)的所有歐式距離從小到大排列，共有10×m個(gè)距離：

選取前T個(gè)較小距離求平均值作為測(cè)試點(diǎn)與訓(xùn)練點(diǎn)之間的距離：

在得到測(cè)試點(diǎn)與所有訓(xùn)練點(diǎn)之間的距離之后，使用K近鄰算法，從中選出距離較小的K個(gè)位置坐標(biāo)平均作為位置估計(jì)坐標(biāo)，本文中K=3。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)設(shè)置

為評(píng)估算法的定位精度，在家庭客廳及其走廊的環(huán)境下測(cè)試。共選有22個(gè)參考節(jié)點(diǎn)，相鄰參考節(jié)點(diǎn)之間的距離為0.8 m，在參考節(jié)點(diǎn)之間有30個(gè)測(cè)試節(jié)點(diǎn)。實(shí)驗(yàn)中使用 FAST無(wú)線 AP作為發(fā)射端，使用裝配有 Intel WiFi Link 5300網(wǎng)卡的ThinkPad R400作為接收端。接收端使用CSITOOL軟件接收 CSI。訓(xùn)練階段，在訓(xùn)練節(jié)點(diǎn)接收1 000個(gè)數(shù)據(jù)包的CSI。定位階段，在測(cè)試節(jié)點(diǎn)接收數(shù)據(jù)包100個(gè)。如圖3所示，測(cè)試環(huán)境建立的二維坐標(biāo)系，其中“★”代表AP位置，“▲”代表參考點(diǎn)位置，“◆”代表測(cè)試點(diǎn)的位置。

圖3 測(cè)試環(huán)境坐標(biāo)圖

將本算法與CSI-MIMO算法作比較，比較的性能由平均定位精度與累積誤差分布函數(shù)(Cumulative Distribution Function，CDF)圖來表示定位性能。

3.2 參數(shù)設(shè)置

采用不同的T值進(jìn)行試驗(yàn)評(píng)估，T值的選擇對(duì)于定位精度有一定的影響。試驗(yàn)分別從 T值為 10、20、30、40、50、60進(jìn)行測(cè)試，結(jié)果如圖4所示。當(dāng)T值為10時(shí)，定位精度最高，平均定位精度為1.65 m。CSI-MIMO在同樣的測(cè)試環(huán)境下平均定位精度為2.18 m，提高了24%。

在T為10的情況下，對(duì)比本算法與 CSI-MIMO的CDF，如圖5所示，50%的定位誤差都在 1.34 m以內(nèi)，優(yōu)于CSI-MIMO算法。

圖4 不同T數(shù)值下平均定位精度的比較

圖5 CDF對(duì)比圖

3.3 定位時(shí)間

定位時(shí)間分為數(shù)據(jù)包接收時(shí)間和程序處理時(shí)間。CSITOOl軟件每秒大約能接收20個(gè)數(shù)據(jù)包，接收100個(gè)數(shù)據(jù)包需要5 s。執(zhí)行定位程序的時(shí)間大約為 0.5 s，所以完成一次定位的時(shí)間大約為5.5 s。

4 結(jié)論

本文提出了一種基于Kmeans聚類算法提取室內(nèi)環(huán)境多徑傳播特征的指紋算法，利用CSI的頻率特性與MIMO的空間特性，所獲取的指紋較以往算法有更好的空間區(qū)分性。由于CSI的測(cè)量值存在誤差，使用聚類算法生成的多個(gè)特征向量能夠在一定程度上減小測(cè)量誤差所帶來的影響，從而提高了定位精度。下一步準(zhǔn)備從匹配算法入手進(jìn)行改進(jìn)，進(jìn)一步提高定位精度。

[1]IEEE Std 802.11n-2009.IEEE standard for information technology—Local and metropolitan area networks—Specific requirements—Part 11：Wireless LAN medium accesscontrol(MAC)and physical layer(PHY)specifications amendment 5：Enhancements for higher throughput[S].

[2]HALPERIN D，HU W，SHETH A，et al.Tool release：gathering 802.11n traces with channel state information[J].ACM Sigcomm Computer Communication Review，2011，41 (1)：53-53.

[3]YANG Z，ZHOU Z，LIU Y.From RSSI to CSI:Indoor localization via channel response[J].ACM Computing Surveys，2013，46(2)：25.

[4]WU K，XIAO J，YI Y，et al.FILA：fine-grained indoor localization[J].Proceedings IEEE INFOCOM，2012，131(5)：2210-2218.

[5]XIAO J，WU K，YI Y，et al.FIFS：fine-grained indoor fingerprinting system[C].International Conference on Computer Communications and Networks，2012：1-7.

[6]CHAPRE Y，IGNJATOVIC A，SENEVIRATNE A，et al.CSI-MIMO：an efficient Wi-Fi fingerprinting using channel state information with MIMO[J].Pervasive&Mobile Computing，2015，23：89-103.

[7]SEN S，CHOUDHURY R R，RADUNOVIC B，et al.Precise indoor localization using PHY layer information[C].Proceedings of the 10th ACM Workshop on Hot Topics in Networks，ACM，2011：1-6.

CSI indoor positioning based on Kmeans clustering

Tian Guangdong，Yang Pinzhang，Wang Shan，Yu Xiang
（Chongqing University of Posts and Telecommunications，Chongqing 400065，China）

Multipath effect leads to low precision of indoor positioning based on Received Signal Strength Indicator(RSSI).The physical layer Channel State Information(CSI)with high granularity can better describe the indoor multipath environment to improve the accuracy of indoor positioning based on fingerprint.Using clustering algorithm to extract CSI improves fingerprint discrimination in different locations.A simple and effective method is used to match the class in the positioning stage.The experiment result shows that the positioning accuracy is improved by 24%compared with the previous algorithm in the case of using a single beacon.

indoor positioning；CSI；fingerprint

TN926

A

10.16157/j.issn.0258-7998.2016.12.016

田廣東，楊品章，王珊，等.基于 Kmeans聚類的 CSI室內(nèi)定位[J].電子技術(shù)應(yīng)用，2016，42(12)：62-64，68.

英文引用格式：Tian Guangdong，Yang Pinzhang，Wang Shan，et al.CSI indoor positioning based on Kmeans clustering[J].Application of Electronic Technique，2016，42(12)：62-64，68.

2016-06-11)

田廣東（1968-），男，教授，主要研究方向：物聯(lián)網(wǎng)與智慧城市。

楊品章（1990-），男，碩士研究生，主要研究方向：物聯(lián)網(wǎng)技術(shù)。

王珊（1991-）,女，碩士研究生，主要研究方向：無(wú)線通信技術(shù)。