Résumé:
La conception et la mise en uvre d'un système de positionnement WiFi intérieur basé sur la plate-forme de téléphone mobile Android. Le système utilise l'algorithme de positionnement dactyloscopie, la collecte d'informations par connexion Wi-Fi mobile à l'intérieur et les bases de données de positionnement lorsque les questions de l'utilisateur une demande au téléphone des informations de numérisation WiFi à la base de données, la position positionnée par algorithme de correspondance. En pondérant l'acquisition des données et de pré-traitement des données de base de données, ce qui réduit la quantité de calcul, alors que, en plus de l'intensité du signal d'interférence plus petite. Les expériences montrent que par rapport aux algorithmes traditionnels, la précision de positionnement considérablement augmenté.
format de citation chinois: Wu a, étude Zhang Ji Zhao. Basé sur la plate-forme Android, l'amélioration de l'algorithme de positionnement WiFi intérieur Technologie électronique, 2017,43 (3): 77-79.
Anglais format de citation: Wu Yi, Zhang Jizhao. La recherche d'algorithme amélioré de localisation WiFi intérieur basé sur la plateforme Android .Application Technique électronique, 2017,43 (3): 77-79.
0 introduction
Avec le développement continu de la technologie de communication et une technologie intelligente, la technologie de positionnement joue un rôle plus important dans la vie quotidienne, la demande de services basés sur la localisation augmente. positionnement GPS extérieur et de la technologie de positionnement de la station de base a mûri, une variété de technologies de positionnement à l'intérieur, telles que: RFID (identification par radiofréquence), WiFi, Bluetooth, et la lumière infrarouge. Il procédé positionnement basé sur le temps d'arrivée (TOA), basée sur la force du signal (RSS), une méthode basée sur l'angle d'arrivée (AOA) de , sont atteints par l'intégration de l'élément de capteur est positionné dans le capteur d'accélération du combiné . A ce stade, les téléphones intelligents très populaires, WiFi couvre essentiellement les endroits les plus publics, positionnement WiFi sans exigences matérielles supplémentaires, à faible coût, de faible puissance, haute précision et ainsi de suite, donc il a un grand avantage dans de nombreuses méthodes de ciblage .
Grâce à WiFi balayé la salle, sur la plate-forme Android en améliorant la méthode de positionnement de l'emplacement à l'intérieur de la correspondance des empreintes digitales.
Une méthode de positionnement des empreintes de localisation WiFi
1.1 Procédé de positionnement d'empreintes digitales
La technologie de localisation par WiFi des réseaux sans fil, beaucoup d'entre eux basé sur la technique de la puissance du signal RSS de positionnement est le plus souvent . Dans la technologie de localisation de position de RSS dans la méthode de positionnement par empreintes digitales est plus fréquente. Localisation méthode de positionnement des empreintes digitales dans la phase de collecte de données et la phase de deux partie de positionnement en temps réel. Dans la phase d'acquisition de données, de manière uniforme sélectionné des points de collecte de données N dans la région, à chaque point d'acquisition, de recueillir toutes les informations de flux à travers le téléphone AP Andrews, et toutes les informations de flux et les coordonnées du point (x, y) sont mémorisées base de données , attente pour la deuxième phase de l'appel. Dans la phase de localisation en temps réel, une demande de localisation de position d'utilisateur inconnu est délivré, l'information point de collecte téléphone AP Andrews RSS et transmis à la base de données, retour à l'utilisateur d'obtenir des coordonnées de position (x, y) et la première étape en faisant correspondre l'algorithme données acquises RSS, le positionnement d'achèvement .
Dans la deuxième étape du processus de positionnement, l'algorithme kNN est plus couramment utilisé dans un algorithme d'adaptation classique.
1.2 algorithme kNN (algorithme du plus proche voisin)
K voisin le plus proche qui est proche de l'algorithme de classification de l'algorithme (kNN, k-NearestNeighbor) , l'idée de base est le suivant: si un échantillon majoritaire voisin k-plus proche d'échantillons dans l'espace de fonction appartient à une classe, l'échantillon aussi tomber dans cette catégorie, et présente les caractéristiques de l'échantillon de la catégorie.
Dans l'algorithme kNN pour sélectionner la valeur exacte du paramètre k, lorsque k est petit, un petit nombre de points sélectionnés près, les classes ne peut pas être le point de référence déterminée avec précision, l'erreur est augmentée, lorsque k est sélectionné plus grand, plus sera sélectionné le point, ce qui dans le positionnement inexact. Ainsi, la valeur du paramètre k à déterminer plusieurs mesures. Cette expérience a testé plus d'une fois, k 3 est l'erreur minimum, prenant ainsi k 3.
N représente hotspots WiFi APn dans la zone de localisation. Dans la phase de collecte de données, la collecte de la i-ième position de n informations RSS WiFi, i = 1,2,3, ..., m, m est le nombre de points de référence, chaque points d'accès WiFi moyenne RSS des temps d'acquisition. Rij est recueilli dans le i-ième position de la j ème de la RSS moyenne pour le WiFi, j = 1,2,3, ..., n; n est le nombre de WiFi, (xi, yi) des coordonnées réelles du point i. Dans la phase de positionnement, être positionné au niveau de la j-ième point de la valeur moyenne mesurée de la connexion Wi-Fi RSS Rj, Rj est la distance entre Rij est:
Algorithme amélioré 2 WR-kNN
De plus en plus les gens se déplacent en permanence, et les articles à l'intérieur, ce qui rend l'environnement intérieur est devenu complexe, bloquant le personnel et les biens d'atténuation du signal WiFi se produit , a augmenté la difficulté de localiser la pièce. Sur la base de la distance pondérée et élimination des groupes indésirables pour augmenter la précision de positionnement. Pondérée par les données obtenues par balayage d'une phase hors ligne, des données utiles pour augmenter le poids de l'appariement le positionnement est effectué, à l'avance la valeur moyenne des données de RSSI dans l'ordre croissant, en prenant la première opération de données de k, ce qui réduit la quantité de calcul est réduite petit données sur l'impact des résultats.
2.1 pondérée kNN
Tout d'abord, la distance entre le point de référence et l'algorithme kNN pondérer le point cible. algorithme kNN, le point de référence de la distance et le point de test est plus proche similitude, plus le ciblage de contribution. Augmenter le poids de grande distance des contributions, ce qui réduit le poids d'une petite contribution de contribuer à l'amélioration la précision du positionnement. Par conséquent, à une courte distance donne plus de poids wj, longue distance donnée moins de valeur de poids wj:
Ainsi recueillis dans le i-ème position du e j de la valeur moyenne RSSI WiFi Rijwj. dj est la distance entre deux points, un point de référence lorsque le plus près du point à mesurer plus petit dj, correspondant à la wj en poids, plus la valeur RSSI du point de référence acquis, plus l'influence sur le positionnement, de sorte que vous pouvez améliorer la précision du positionnement.
2.2 Tri des données
Dans la phase de positionnement, l'appel de la base de données les données RSSI collectées, traitées de mesure des données de point sur la base de données pour appeler l'une des données par une comparaison, en sélectionnant relativement proche des données de k en tant que groupes de similarité, en utilisant des groupes similaires données pour obtenir le dernier par l'algorithme centroïde les coordonnées de position du point en cours de test. Est améliorée pour un appel de données avant que les données sont d'abord disposées en ordre croissant Rijwj collectées par l'interface de comparaison, les données dans la base de données sont disposées dans l'ordre décroissant en fonction du groupe, lorsque l'appel de données, seul un groupe sélectionné de n avant grandes données, puis appariées avec des données de balayage de points d'essai, sélectionner les données de k relativement proche de positionnement. Cette méthode non seulement élimine les interférences indésirables pour localiser les informations de groupe, les ensembles de données ont également été coupées, la contribution supprimée aux résultats de positionnement des ensembles de données plus petits, permet au système de localiser rapidement les résultats obtenus pour améliorer l'efficacité du positionnement du système .
Les objets interface Comparator sur comparateur de tri collection ou matrice est dans un Java. Interface fonction de mise en uvre Comparator int comparer (Object o1, objet o2), le tri en ordre croissant et décroissant. lorsque o1 < o2 retourne -1 (négatif), o1 = o2 retourne 0, O1 > Lorsque O2 retour 1 (positif), pour l'ordre croissant, et quand o1 < o2 retour 1 (positif), o1 = o2 retourne 0, O1 > Lorsque o2 -1 (négative), puis dans l'ordre décroissant. Amélioration de l'algorithme premières données en Gro.Entry < Entier, Entier > Par comparaison (Gro.Entry < Entier, Entier > o1, Gro.Entry < Entier, Entier > o2) fonction dans l'ordre croissant.
expérience 3
3.1 phase d'acquisition de données hors ligne
région expérimentale à l'intérieur du PA 10, échantillonné une fois tous les 2,5 m, un total de 12 échantillons. Premier test de stabilité du signal WiFi. sélectionner de façon aléatoire un signal sans fil, chaque 10 temps de balayage de, les résultats montrés sur la Fig.
1, la distribution d'intensité de signal WiFi sensiblement entre -77 dBm -83 dBm ~, la volatilité de plus de temps individuelle, en général plus stable. Lorsque la valeur moyenne est mémorisée en tant que collection de données, un impact peut être plus grande fluctuation réduite, et peut être positionné en tant que données de référence nécessaires.
Off-line phase de collecte de données, le point échantillon, chaque échantillon de PA 10 fois, et la valeur moyenne comptées base de données RSS. RSSIj représente la valeur RSSI moyenne de la j-ième AP, CMAi 10 représente le i-ième adresse AP mac un ensemble de points d'échantillonnage, (xi, yi) représente le i ème échantillon des coordonnées de points. Ri = {RSSIi1, RSSIi2, ..., RSSIi10} représente l'ensemble de la valeur moyenne des i-ième échantillons RSSI recueilli 10 AP. Une information de base de données complète .
3.2 étape de positionnement en ligne
l'étape de positionnement en ligne, sept positionnement du point de test sélectionné au hasard, en positionnant au niveau de chaque point d'essai trois fois, en prenant la moyenne en tant que coordonnées des résultats des tests finaux, comme représenté sur la Fig. La figure 2 représente les coordonnées du point de test, respectivement, à savoir le résultat de positionnement, à savoir, la coordonnée d'origine où les coordonnées du point d'essai et les coordonnées de la position correcte des algorithmes traditionnels résultant. Comme le montre, les coordonnées obtenues par comparaison à l'amélioration traditionnelle de coordonnées plus proche des coordonnées d'origine. point de vue macro, l'algorithme amélioré par rapport à la méthode traditionnelle est plus précise.
Analyse des erreurs ont été améliorés algorithme basé sur l'algorithme traditionnel et WR-kNN obtenu résultat de positionnement, la distribution d'erreurs représenté sur la Fig. Algorithme amélioré peut être vu de l'erreur figure sont plus petits qu'un erreurs d'algorithme classique. Le tableau 1 est une erreur de données, respectivement. La figure 37 points d'échantillonnage.
Peut être dérivé de 1 tableau, l'erreur moyenne des algorithmes traditionnels 2,55 m, l'erreur minimum est de 1,48 m, l'erreur maximale est de 4,09 m, les fluctuations d'erreur. Parce que l'algorithme traditionnel utilise directement les données en temps réel, les environnements intérieurs complexes, de trafic élevé, de sorte que les fluctuations du signal Wi-Fi, à gauche directement sans traitement dans la base de données afin que les résultats de positionnement avec le grand écart réel. algorithme de positionnement est complexe traditionnel, l'erreur accumulée est grande, scientifique sélectionner un objet correspondant, aboutissant à l'écart du résultat de positionnement, et le temps de positionnement plus. WR-kNN algorithme lors de l'acquisition de données pour collecter des données en calculant la moyenne d'une pluralité de fois, et ensuite soumis à la pondération de traitement pour éviter les effets de fluctuations du signal, tout en réduisant les erreurs provoquées par le point d'accès à distance. étape par positionnement pré-traitement des appels de données, processus simplifié la localisation, ce qui réduit le temps nécessaire pour le positionnement, d'améliorer l'efficacité, tout en réduisant l'erreur cumulée. Ainsi, l'amélioration de l'erreur de l'algorithme est faible, l'erreur moyenne de seulement 1,93 m, par rapport à la méthode traditionnelle réduit l'erreur moyenne de 0,62 m, l'erreur de fluctuation d'environ 2 m, plus stable.
4 Conclusion
Dans cet article, un algorithme amélioré pour kNN positionnement à l'intérieur par empreintes digitales de la plate-forme Android. l'étape de positionnement est hors ligne, par l'intermédiaire du coefficient d'acquisition de données, l'augmentation de poids des données utiles et des données redondantes afin de réduire les valeurs de poids, l'étape de positionnement en ligne, par le tri appel de données prédéterminée, retirer le groupe indésirable, la gigue est réduite impact sur les résultats de positionnement. Les expériences montrent que l'algorithme amélioré des résultats de positionnement plus précis, l'algorithme amélioré par rapport à 0,62 m classique. En raison de l'environnement expérimental est plus complexe, plus personnel, AP déployer de plus en plus aléatoire, de sorte que l'impact sur les résultats. Si un plus ouvert et plus site normalisé de déploiement AP expérimental, le résultat de l'emplacement sera plus précis.
références
Ni Wei, Wangzong Xin algorithme de positionnement à l'intérieur sur la base des mesures d'intensité de signal reçu Université Fudan (sciences naturelles), 2004, 43 (1): 72-76.
RANTAKOKKO J, J RYDELL, Stromback P, et al.Accurate et soldat fiable et premier répondeur positionnement intérieur: multicapteurs systèmes et localisation coopérative .Wireless Communications, IEEE, 2011,18 (2): 10-18.
Liang Yuancheng recherche technique et la mise en uvre du réseau local sans fil à base de positionnement à l'intérieur Chengdu: Université des sciences et de la technologie électronique, 2009.
Bin Cui, Zhao Xian Procédé intérieure de positionnement hybride et un modèle de propagation en fonction de la position de l'empreinte digitale . Arpentage et de cartographie, 2015 (6): 35-38,43.
Zhang Minghua, TRANSACTIONS Zhang Shensheng DE. Positionnement à l'intérieur WLAN basé sur la puissance du signal Computer Science, 2007,34 (6), 68-71.
Zhang Liwen, Wang Yun armure, roi MORALE. Groupement de propagation d'affinité recherche appliquée dans la bibliothèque d'empreintes digitales de positionnement à l'intérieur . Arpentage et de cartographie, 2014 (12): 36-39.
Zhang Minghua. Basé sur la technologie de positionnement à l'intérieur WLAN . Shanghai: Shanghai Jiaotong University, 2009.
YANG Z, WU C, LIU Y.Locating dans l'espace d'empreintes digitales: localisation intérieure sans fil avec peu d'intervention humaine .Proceedings de la 18e Conférence internationale annuelle sur l'informatique mobile et Networking.ACM, 2012: 269-280.
Zhang Xiaoling, Zhao Ping, Xu Guanqing, etc. Sur la base de l'application d'un algorithme optimisé KNN à l'emplacement intérieur, Ingénierie, électronique, 2013,21 (7): 44-46.
Yang Kai, Guo Ying, Beijing ont terminé l'étude. Basé sur la plate-forme Android, en temps réel positionnement à l'intérieur . Arpentage et de cartographie, 2015,40 (6): 125-128.
Chenzhen Zhou, Li, Yaozheng Un algorithme pondéré KNN basé sur fonction SVM . Université Sun Yat-sen (sciences naturelles), 2005,44 (1): 17-20.
Informations sur l'auteur:
Wu a, Zhang Ji Zhao
(Hebei Université de génie, École de l'information électronique, Tianjin 300400)
