基于基于Kmeans聚类的聚类的CSI室内定位室内定位
多径效应导致基于接收信号强度指示(RSSI)的室内定位精度不高,采用高细粒度的物理层信道状态信息(CSI)可
以更好地描述室内多径环境,提高基于指纹的室内定位的精度。利用聚类算法提取CSI,提高了不同位置之间指
纹的区分性。在定位阶段采用一种简单有效的方法进行类的匹配。实验结果表明,在使用单个信标的情况下,
定位精度较以往算法提高了24%。
0 引言引言
随着无线网络技术的发展,基于位置的服务得到了相应的发展。基于无线局域网(Wireless Local Area Network,WLAN)
的
[1]
中,支持
[2]
,可以获取正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)子载波中30个子载波的CSI。
CSI描述了信号从发端到收端的衰减因子,包括散射、反射、路径衰落等。通过对CSI的统计,其结果描述了空间相关性,可
以作为基于
目前,基于CSI的室内定位研究已经取得了一定的成果
[3]
,达到了米级甚至亚米级的定位精度。文献[4]利用CSI的频率差异
性,建立了CSI衰落与距离的模型,使用三边测距定位,由于受带宽的限制,多径区分能力有限,测距精度不高,从而影响定
位精度。文献[5]利用CSI的频率差异性,将30个信道CSI合成为5个子信道,并将多个天线的CSI求平均值处理,建立起一个基
于概率模型的指纹定位模型。文献[6]利用CSI信道间的关系提取指纹,建立了一个基于欧式距离作为相似度比较的指纹模型。
以上基于指纹的研究在提取指纹时都是将多个数据包的CSI做均值处理作为指纹。由于室内多径效应,CSI存在成簇分布的
状况,采用取平均值的方法不能很好地反映位置的多径传播,从而影响了定位精度。本文通过采用Kmeans聚类算法,提取多
条CSI向量作为指纹来描述位置特性。实验证明,对比文献[6]的CSI-MIMO算法,定位精度得到提高。
1 指纹定位系统模型指纹定位系统模型
基于指纹的定位模型分为离线训练阶段和在线定位阶段,模型如图1所示。
离线训练阶段的任务是建立一个位置指纹数据库。首先要选择参考点的位置,然后在每个参考点处测量来自信标的信号特
征,最后处理信号特征保存在数据库中。这个数据库也被称为位置指纹地图。
在线定位阶段是指通过测量获得未知位置的信号特征并加以处理,通过相应的匹配算法,比较测量数据与离线训练建立的
数据库中的数据,找出相似的数据,作为位置的估计值。
2 基于基于Kmeans的聚类的的聚类的CSI室内定位算法室内定位算法
2.1 离线训练阶段离线训练阶段
在室内定位区域选定L个参考点,参考点位置已知,采用二维坐标(x,y)表示。在每个参考点接收n个CSI数据包。每个数据
包有一个p×q×30的复数矩阵H
MIMO
,其中p为发射天线数,q为接收天线数。m=p×q为天线对个数。