基于K-Means和FCM的增強(qiáng)型Wi-Fi指紋定位策略①

陳 英,單文杰,楊豐玉

1(南昌航空大學(xué) 軟件學(xué)院,南昌 330063)

2(南昌航空大學(xué) 物聯(lián)網(wǎng)技術(shù)研究所,南昌 330063)

基于K-Means和FCM的增強(qiáng)型Wi-Fi指紋定位策略①

陳 英1,2,單文杰1,楊豐玉1

1(南昌航空大學(xué) 軟件學(xué)院,南昌 330063)

2(南昌航空大學(xué) 物聯(lián)網(wǎng)技術(shù)研究所,南昌 330063)

研究了通過(guò)數(shù)據(jù)處理算法以提高Wi-Fi指紋庫(kù)室內(nèi)定位性能的問(wèn)題.首先采集Wi-Fi指紋樣本,將其放入MySQL數(shù)據(jù)庫(kù)中和R工程;其次將Wi-Fi指紋庫(kù)分成若干個(gè)簇,使用K-均值聚類(K-Means)和模糊C-均值聚類(FCM)對(duì)待定位的Wi-Fi指紋進(jìn)行聚類分析;最后,提出增強(qiáng)型的聚類策略(ECS)應(yīng)用于Wi-Fi指紋匹配定位中.實(shí)驗(yàn)結(jié)果表明,ECS較僅使用FCM算法,其定位耗時(shí)縮短約50%-80%,且定位精度上有所改善;ECS較僅使用K-Means算法,其定位精度提高約20%-40%,且定位穩(wěn)定性較強(qiáng)并自動(dòng)更新Wi-Fi指紋庫(kù).

Wi-Fi指紋;K-均值聚類;模糊C-均值聚類;增強(qiáng)型定位策略

隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展和移動(dòng)互聯(lián)網(wǎng)的普及,無(wú)處不在的位置服務(wù)也越來(lái)越被人們需要.據(jù)諾基亞公司的數(shù)據(jù)表明,人們87%-90%的時(shí)間在室內(nèi)度過(guò).但目前室內(nèi)定位還處于初級(jí)階段,無(wú)論在定位精度、速度、魯棒性等方面還都不能夠滿足日益增長(zhǎng)的智能位置服務(wù)的需求.基于Wi-Fi指紋匹配的無(wú)線室內(nèi)定位技術(shù)[1]一定程度上解決了定位精度問(wèn)題,且基礎(chǔ)設(shè)備應(yīng)用廣泛,成本較低,深受研究人員的關(guān)注.但由于Wi-Fi無(wú)線設(shè)備大多應(yīng)用于人類活動(dòng)最為頻繁的室內(nèi)環(huán)境,無(wú)線室內(nèi)定位易受室內(nèi)布局變動(dòng)、無(wú)線信號(hào)的多徑效應(yīng)等因素影響,其無(wú)線信號(hào)具有較強(qiáng)的波動(dòng)性,嚴(yán)重影響定位性能.而基于Wi-Fi指紋匹配的定位方法首先通過(guò)不同位置上多次采集Wi-Fi RSSI信號(hào)建立指紋模型,然后利用匹配算法估計(jì)待定位點(diǎn)的具體位置,此方法避免了有信號(hào)特征轉(zhuǎn)化為距離帶來(lái)的誤差,故基于Wi-Fi指紋匹配的定位算法成為近年來(lái)室內(nèi)定位的研究熱點(diǎn).

1 國(guó)內(nèi)外研究現(xiàn)狀

基于指紋匹配的無(wú)線室內(nèi)定位技術(shù)[2]是利用物理空間內(nèi)不同位置具有不同RSSI的特征,作為唯一識(shí)別此位置的方法,一般分為離線采樣和在線定位這兩個(gè)階段.離線采樣時(shí)通過(guò)采集在多個(gè)參考點(diǎn)(reference points,RP)的不同接入點(diǎn)的信號(hào)強(qiáng)度值,形成關(guān)于位置的指紋數(shù)據(jù)庫(kù)(RSSI與位置的映射關(guān)系).在線定位階段,采集待定位點(diǎn)信息,利用相關(guān)匹配算法與指紋庫(kù)中指紋進(jìn)行匹配計(jì)算,來(lái)估計(jì)待定位點(diǎn)的最佳位置的坐標(biāo)點(diǎn).

然而,室內(nèi)環(huán)境的復(fù)雜且多變導(dǎo)致了信號(hào)的非視距傳播,研究發(fā)現(xiàn)基于傳播模型的定位算法精度,一般情況為10米以上,而基于指紋匹配的定位方法通過(guò)獲取更多的樣本信息,在80%-90%的可信區(qū)間內(nèi),其定位精度可到5-8米左右.2000年微軟公司開(kāi)發(fā)了基于Wi-Fi網(wǎng)絡(luò)的RADAR定位系統(tǒng)[3],此系統(tǒng)利用Wi-Fi指紋匹配的方法,使用K-NN算法,取最近k個(gè)鄰居的坐標(biāo)平均值為位置估計(jì)值,并基于RSSI信號(hào)的統(tǒng)計(jì)特性,采用貝葉斯原理,通過(guò)計(jì)算目標(biāo)位置的后驗(yàn)概率分布進(jìn)行定位.Zhou提出了基于本地信息熵的方法來(lái)實(shí)現(xiàn)Wi-Fi指紋匹配定位,研究表明增加接入點(diǎn),可提高定位的精度[4].王鳳使用聚類的方法對(duì)射頻的接收信號(hào)強(qiáng)度進(jìn)行時(shí)間、位置、設(shè)備異構(gòu)等因素進(jìn)行聚類分析,并使用樸素貝葉斯模型,定位精度達(dá)4m,準(zhǔn)確率達(dá)80%,定位速度提高50%[5].張勇提出一種SVM和加權(quán)質(zhì)心相結(jié)合的算法,定位精度和準(zhǔn)確度較高,但定位時(shí)間較長(zhǎng)[6].王超使用KNN方法實(shí)現(xiàn)基于指紋匹配的室內(nèi)定位,定位平均誤差達(dá)3.25m[7].周瑞提出將支持向量機(jī)(SVM)分類與回歸分析相結(jié)合的Wi-Fi指紋定位算法,以提高定位精度[8].田增山采用徑向基函數(shù)插值的方法,利用一部分 RSS被重新測(cè)量的參考點(diǎn),擬合出接收信號(hào)強(qiáng)度曲面,估計(jì)出鄰近未知參考點(diǎn) RSS值,從而更新指紋數(shù)據(jù)庫(kù)[9].Joaquín針對(duì)基于距離函數(shù)、RSS值的數(shù)據(jù)表現(xiàn)方式以及閾值策略的Wi-Fi指紋的機(jī)器學(xué)習(xí)和專家系統(tǒng)進(jìn)行了探討[10].

綜上所述,目前國(guó)內(nèi)外學(xué)者的持續(xù)關(guān)注和深入研究運(yùn)用機(jī)器學(xué)習(xí)方法來(lái)提高室內(nèi)定位精度、魯棒性、定位速度.但由于無(wú)線信號(hào)的波動(dòng)性給高精度魯棒性定位帶來(lái)較大的挑戰(zhàn),基于Wi-Fi指紋的定位技術(shù)還需解決的核心問(wèn)題包括數(shù)據(jù)的采集和數(shù)據(jù)的預(yù)處理,所以本文的主要研究?jī)?nèi)容將包括:采集和搭建基于Wi-Fi RSSI的室內(nèi)定位指紋庫(kù)以及設(shè)計(jì)增強(qiáng)型的聚類算法對(duì)Wi-Fi指紋定位庫(kù)進(jìn)行聚類分析,旨在使定位精度和定位速度達(dá)到平衡.

2 基于Wi-Fi指紋庫(kù)的定位算法研究

2.1 研究架構(gòu)

本文研究分為三個(gè)階段,分別是Wi-Fi指紋樣本采集并存儲(chǔ)、機(jī)器學(xué)習(xí)算法應(yīng)用和實(shí)驗(yàn)結(jié)果及定位性能分析.本文的研究架構(gòu)如圖1所示.

圖1 架構(gòu)流程圖

其中Wi-Fi指紋樣本采集存儲(chǔ)階段主要功能為Wi-Fi RSSI信息的采集,其他因素的采集和與真實(shí)物理點(diǎn)建立映射關(guān)系,并將數(shù)據(jù)存于wifi_location數(shù)據(jù)庫(kù)中.定位階段主要功能是使用K-Means、FCM 對(duì)Wi-Fi指紋定位庫(kù)進(jìn)行聚類分析,并使用自定義的匹配算法RSSMatch,對(duì)經(jīng)過(guò)K-Means的待定位點(diǎn)進(jìn)行指紋匹配,得出最佳位置估計(jì)值.實(shí)驗(yàn)結(jié)果及性能分析階段主要是通過(guò)對(duì)定位結(jié)果的分析,得到定位性能各類指標(biāo),并自動(dòng)更新wifi_location數(shù)據(jù)庫(kù).

2.2 樣本采集及搭建數(shù)據(jù)庫(kù)

數(shù)據(jù)采集的實(shí)際場(chǎng)景的部分平面圖如圖2所示.接入點(diǎn)(AP)覆蓋廣且密集,AP信號(hào)易受其他信號(hào)干擾(zigbee、藍(lán)牙等),網(wǎng)絡(luò)環(huán)境復(fù)雜.

如圖2所示,黃色方格為Wi-Fi的AP,每層約有18個(gè)左右的AP.實(shí)驗(yàn)采用工具Xirrus Wi-Fi Inspector對(duì)實(shí)驗(yàn)場(chǎng)地內(nèi)Wi-Fi信號(hào)的進(jìn)行抓包處理,每個(gè)采樣位置點(diǎn)進(jìn)行約10-20次采樣,其中每個(gè)方向按早中晚三個(gè)時(shí)間段進(jìn)行3次采樣,得到如表1所示數(shù)據(jù).

圖2 數(shù)據(jù)采集的實(shí)際場(chǎng)景的部分平面圖

表1 部分Wi-Fi信息

其中“連接”為是否連接AP;SSID為AP的名稱;“強(qiáng)度”為接收信號(hào)值,其單位為dbm.

從采集后的數(shù)據(jù)分析可知,Wi-Fi RSSI在單個(gè)位置上存在約-10dbm的數(shù)據(jù)波動(dòng)和某個(gè)短時(shí)間的數(shù)據(jù)跳變現(xiàn)象.但長(zhǎng)時(shí)間內(nèi)在室內(nèi)環(huán)境無(wú)較大變化情況下,各AP的RSSI在某位置保持相對(duì)穩(wěn)定.于是將當(dāng)前此地點(diǎn)的各AP的Wi-Fi RSSI進(jìn)行保存,生成Wi-Fi _network_report.csv文件作為Wi-Fi信號(hào)原始數(shù)據(jù).并通過(guò)wifi_location進(jìn)行缺損值及非法變量進(jìn)行過(guò)濾,得較完整的原始數(shù)據(jù).

通過(guò)Node.js和Express搭建web服務(wù).此web服務(wù)為用戶提供輸入當(dāng)前坐標(biāo)值、方向、運(yùn)動(dòng)速率、是否遮蔽和是否為熱點(diǎn)路徑的數(shù)據(jù)接口,并使用MySQL數(shù)據(jù)庫(kù)對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ),并過(guò)濾非法數(shù)據(jù).將Wi-Fi的_network_report.csv數(shù)據(jù)和通過(guò)web服務(wù)得到的數(shù)據(jù)加載在基于MySQL的wifi_location數(shù)據(jù)庫(kù)中.使用RODBC組件,將數(shù)據(jù)庫(kù)wifi_location中數(shù)據(jù)導(dǎo)入到R工程中,數(shù)據(jù)庫(kù)數(shù)據(jù)導(dǎo)入R工程.

2.3 基于K-Means的定位過(guò)程

由于Wi-Fi指紋庫(kù)中數(shù)據(jù)量龐大,直接使用指紋匹配算法會(huì)導(dǎo)致計(jì)算量激增,耗時(shí)嚴(yán)重,并且定位精度低.本文首先基于K-Means方法對(duì)Wi-Fi指紋庫(kù)進(jìn)行聚類分析,具體實(shí)現(xiàn)步驟為:

(1)對(duì)當(dāng)前Wi-Fi指紋庫(kù)提取指紋信息,包括RSSI、位置、AP名稱、AP的MAC、方向、是否遮蔽等信息,加載于矩陣wifio中;

(2)使用R中K-Means算法,以歐式距離作為距離函數(shù)模型,分別選取不同的聚類數(shù)對(duì)RSSI、位置、AP名稱、AP的MAC等進(jìn)行聚類分析處理;

(3)比較得到不同的聚類中心,選擇最優(yōu)的聚類中心保存于wifidata中;

(4)使用RSSMatch算法將聚類中心與待定位點(diǎn)的指紋進(jìn)行匹配,得到位置的估計(jì)值;

(5)與真實(shí)的位置點(diǎn)進(jìn)行比較,評(píng)估定位性能.在定位階段,對(duì)當(dāng)前待測(cè)點(diǎn)的Wi-Fi RSSI和其他因素使用K-Means方法,進(jìn)一步減少計(jì)算量,加快定位時(shí)間,并在聚類后,剔除部分異常數(shù)據(jù),提高定位精度.具體實(shí)現(xiàn)如下:

(1)對(duì)待測(cè)點(diǎn)進(jìn)行每0.25s采集一次樣本,采集2s,共4次樣本;

(2)將樣本導(dǎo)入R工程中,進(jìn)行K-Means聚類;

(3)提取各聚類中心中子集數(shù)最多的2個(gè)簇中心,作為當(dāng)前此位置Wi-Fi指紋;

(4)使用自定義匹配算法RSSMatch,與Wi-Fi指紋庫(kù)中的已完成的聚類中心進(jìn)行匹配,估計(jì)當(dāng)前位置坐標(biāo)值;

(5)與該地點(diǎn)的真實(shí)坐標(biāo)值進(jìn)行比較,得出定位結(jié)果、精度誤差和定位時(shí)間.

其中RSSMatch算法主要流程為:

(1)將wifidata中的RSSI進(jìn)行歸一化處理;

(2)將指紋庫(kù)中的聚類中心、當(dāng)前Wi-Fi指紋和遞歸步長(zhǎng)輸入,一般為0.1;

(3)通過(guò)閾值計(jì)算,分別用Wi-Fi指紋的各因素與聚類中心進(jìn)行比較;

(4)得到5個(gè)及以上的位置估計(jì)點(diǎn),則轉(zhuǎn)(6);

(5)以步長(zhǎng)進(jìn)行遞歸操作,直到得到5個(gè)及以上的位置估計(jì)點(diǎn);

(6)得到的位置估計(jì)點(diǎn),再次進(jìn)行數(shù)據(jù)過(guò)濾,得到真正的位置估計(jì)點(diǎn),輸出.

2.4 基于FCM的定位過(guò)程

由于K-Means存在不能發(fā)現(xiàn)大小差別很大的簇或非凸形狀的簇,對(duì)離群點(diǎn)和噪聲比較敏感等缺點(diǎn),本文接著基于FCM算法對(duì)Wi-Fi指紋定位庫(kù)進(jìn)行聚類分析.具體實(shí)現(xiàn)步驟為:

(1)對(duì)當(dāng)前Wi-Fi指紋庫(kù)提取指紋信息,包括RSSI、位置、AP名稱、AP的MAC、方向、是否遮蔽等信息,加載于矩陣wifio中;

(2)使用FCM算法,選擇歐式距離作為距離模型,設(shè)置單一簇最大子集數(shù),一般為100,設(shè)置初始簇?cái)?shù).分別選取不同的聚類數(shù)對(duì)RSSI、位置、AP名稱、AP的MAC、方向等進(jìn)行聚類分析處理;

(3)分別得到不同的聚類中心,并進(jìn)行比較,選擇最優(yōu)的聚類中心保存于wifidata中;

(4)使用RSSMatch算法將聚類中心與待定位點(diǎn)的指紋進(jìn)行匹配,得到位置的估計(jì)值;

(5)與真實(shí)的位置點(diǎn)進(jìn)行比較,評(píng)估定位性能.

2.5 基于ECS的定位過(guò)程

實(shí)驗(yàn)結(jié)果表明,由于FCM在定位精度優(yōu)于K-Means,但在消耗時(shí)間方面,卻明顯劣于K-Means.本文結(jié)合FCM和K-Means各自的優(yōu)勢(shì),提出增強(qiáng)型的聚類算法(ECS)應(yīng)用于Wi-Fi指紋匹配定位中,旨在使定位精度和定位速度達(dá)到平衡.具體實(shí)現(xiàn)步驟如下:

(1)對(duì)Wi-Fi指紋定位庫(kù)進(jìn)行K-Means分析,其中簇?cái)?shù)Nk為300-5000,得簇中心點(diǎn){Rk1,Rk2...Rkn},其中kn=Nk;

(2)對(duì)簇中心{Rk1,Rk2...Rkn}使用FCM 分析,其中簇?cái)?shù)Nf為20-100,得簇中心{Rf1,Rf2...Rfn},其中fn=Nf;

(3)使用自定義匹配算法RSSMatch與簇中心{Rf1, Rf2...Rfn},其中fn=Nf,進(jìn)行匹配,得到定位估計(jì)值,并評(píng)估定位性能.

3 實(shí)驗(yàn)結(jié)果分析

使用R繪制的聚類效果如圖3所示.從該圖可知, FCM的聚類效果要好于K-Means的聚類效果,ECS的聚類效果最佳.

圖3 Wi-Fi指紋聚類中心圖

當(dāng)Wi-Fi指紋定位庫(kù)聚類數(shù)分別為10,20,50,75, 100,150,200,300時(shí),表2和表3分別為基于K-Means和FCM得到定位性能表.如表可知,當(dāng)指紋庫(kù)的聚類數(shù)為50-100時(shí)均得到較好的定位效果,定位精度和定位速度均較好.在定位精度上FCM總體優(yōu)于K-Means,但消耗時(shí)間要明顯劣于K-Means算法.在聚類數(shù)為75時(shí),估計(jì)點(diǎn)為1個(gè),精度誤差為0.9966m,為最佳定位效果.

表2 K-Means定位性能表

表3 FCM的定位性能表

ECS的定位性能如表4所示,從該表的數(shù)據(jù)可知,隨著聚類數(shù)的增加,運(yùn)行時(shí)間也增加,但整體提高了定位性能.較僅使用FCM算法,ECS算法的時(shí)間縮短約50%-80%,且定位精度上有所改善;在定位精度方面,較僅使用K-Means算法,ECS算法的定位精度提高約20%-40%,且定位穩(wěn)定性較強(qiáng).

表4 ECS的定位性能表

為了進(jìn)一步確定K-Means和FCM選取的初始最佳聚類數(shù),本文將估計(jì)位置個(gè)數(shù)少于4,平均精度小于8.000m,最小精度小于 1.5000m,最大精度小于10.000m,進(jìn)行數(shù)據(jù)整理,得到的數(shù)據(jù)如表5所示.

表5 ECS的較佳定位性能表

由表5的數(shù)據(jù)可知,在K-Means聚類數(shù)較小時(shí),定位精度較高且定位速度較快.而FCM的聚類數(shù)一般保持在50左右,定位效果最佳.其中當(dāng)K-Means的聚類數(shù)為300,FCM的聚類數(shù)為50時(shí),估計(jì)位置個(gè)數(shù)為1個(gè),平均精度為0.6884m,運(yùn)行時(shí)間為1.38s.為了達(dá)到定位精度和定位速度的平衡,本文在結(jié)合K-Means和FCM優(yōu)勢(shì)的實(shí)驗(yàn)過(guò)程中,以K-Means為主,FCM為輔的策略,一般選擇K-Means的聚類數(shù)為300-1000, FCM聚類數(shù)為50-75.這策略的平均精度可達(dá)4m以內(nèi),最小精度誤差達(dá)1m以內(nèi),并且估計(jì)位置數(shù)較少,運(yùn)行時(shí)間較少.

本文使用K-Means聚類數(shù)為300,FCM聚類數(shù)為75,在實(shí)際場(chǎng)景中,隨機(jī)定位50次,驗(yàn)證此策略的準(zhǔn)確性.圖4為部分待定位點(diǎn)的定位性能表.

圖4 部分待定位點(diǎn)的定位性能分析

由實(shí)驗(yàn)可知,各待定點(diǎn)的定位效果不盡相同,84%的定位點(diǎn)的平均誤差小于8m,71%的定位點(diǎn)的最小誤差小于5m,28%的定位點(diǎn)的平均誤差小于2m,平均聚類數(shù)為1.53個(gè).實(shí)驗(yàn)發(fā)現(xiàn),各待定位點(diǎn)的定位性能與該待定位點(diǎn)在Wi-Fi指紋定位庫(kù)中的指紋的稀疏程度有關(guān),如果待定位點(diǎn)附近的指紋越密集,定位效果越好,如待定位點(diǎn)(-27,40)和(0,0);反之,如果待定位點(diǎn)附近指紋稀疏,則定位效果較差,如待定位點(diǎn)(-36,-82)和(10,-65).

圖5 平均耗時(shí)比較

圖6 定位點(diǎn)誤差的標(biāo)準(zhǔn)方差比較

同時(shí),在機(jī)器配置為Intel core i3 3.4G CPU和4G內(nèi)存的情況下,把本文的策略和已發(fā)表算法就定位處理的平均耗時(shí)和定位點(diǎn)誤差的標(biāo)準(zhǔn)方差進(jìn)行算法的性能比較,得到如圖5和圖6所示的結(jié)果,從圖中可以看出,相對(duì)于其它的算法,本文所提出的策略具有更有的定能性能.

4 總結(jié)

本文基于Wi-Fi指紋庫(kù),研究了基于Wi-Fi指紋匹配方法的室內(nèi)定位技術(shù).此研究提高了室內(nèi)定位的精度,減少定位的時(shí)間,增強(qiáng)定位的穩(wěn)定性,達(dá)到了預(yù)期的效果.但隨著采樣數(shù)據(jù)的增加,指紋庫(kù)不斷變化和越發(fā)龐大,使用K-Means和FCM都需要提前確定簇?cái)?shù),如何動(dòng)態(tài)自適應(yīng)選擇簇?cái)?shù),來(lái)盡可能實(shí)現(xiàn)更好的聚類分析,提供可靠的位置估計(jì)值,提高定位性能,是下一階段的研究重點(diǎn).同時(shí),如何較均勻地采集Wi-Fi指紋,以進(jìn)一步提高定位性能,也是以后研究的方向.

1顏俊杰.基于Wi-Fi的室內(nèi)定位技術(shù)研究[碩士學(xué)位論文].廣州:華南理工大學(xué),2013.

2其寬.基于位置指紋的無(wú)線室內(nèi)定位技術(shù)研究[碩士學(xué)位論文].秦皇島:燕山大學(xué),2015.

3 Bahl P,Padmanabham V.RADAR:An in-buliding RF-based user location and tracking system.Institute of Electrical& Electronics Engineers Inc,2000,2:775–784

4 Zhou M,Tian Z,Xu K,Yu X,Wu H.Theoretical entropy assessment of fingerprint-based Wi-Fi localization accuracy. Expert Systems withApplications,2013,40(15):6136–6149.

5王鳳.基于聚類的射頻指紋定位技術(shù)研究[碩士學(xué)位論文].北京:北京郵電大學(xué),2014.

6張勇,徐小龍,徐科宇.基于加權(quán)質(zhì)心法的WLAN室內(nèi)定位系統(tǒng).電子測(cè)量與儀器學(xué)報(bào),2015,29(7):1–4.

7王超.基于WLAN室內(nèi)定位的分類算法研究與實(shí)現(xiàn)[碩士學(xué)位論文].北京:北京郵電大學(xué),2015.

8周瑞,袁興中,黃一鳴.基于卡爾曼濾波的WiFi-PDR融合室內(nèi)定位.電子科技大學(xué)學(xué)報(bào),2016,45(3):399–404.

9田增山,代海鵬.基于曲面擬合的 WiFi指紋數(shù)據(jù)庫(kù)更新.計(jì)算機(jī)應(yīng)用,2016,36(5):1192–1195.

10 Joaquín TS,Raúl M,Sergio T.Comprehensive analysis of distance and similarity measures for Wi-Fi fingerprinting indoor positioning systems.Expert Systems with Applications, 2015,42(23):9263–9278.

Enhanced Positioning Strategy Based on K-Means and FCM for Wi-Fi Fingerprint

CHEN Ying1,2,SHAN Wen-Jie1,YANG Feng-Yu1

1(School of Software,Nanchang Hangkong University,Nanchang 330063,China)
2(Internet of Things Technology Institute,Nanchang Hangkong University,Nanchang 330063,China)

The data processing algorithm is studied to improve Wi-Fi fingerprint indoor positioning performance.Firstly, Wi-Fi fingerprint samples are collected and then are put into MySQL database and R project.Secondly,the Wi-Fi fingerprint data is divided into several clusters,and the K-mean clustering(K-Means)and fuzzy C-means clustering (FCM)are used to cluster the Wi-Fi fingerprint respectively.Finally,an enhanced clustering strategy(ECS)is proposed to for Wi-Fi fingerprint matching.Experimental results show that ECS reduces the positioning time-consuming about 50%-80%than that consumed by only using FCM and the positioning accuracy is also improved;ECS improves about 20%-40%than that obtained by only using K-Means in terms of positioning accuracy and it proves positioning stability and can automatically update the Wi-Fi fingerprint database.

Wi-Fi fingerprint;K-Means;FCM;enhanced positioning strategy

江西省自然科學(xué)基金(20161BAB212034);南昌航空大學(xué)博士啟動(dòng)基金(EA201520009)

2016-09-01;收到修改稿時(shí)間:2016-10-12

10.15888/j.cnki.csa.005771