基于Kmeans聚类的CSI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%。 【基于KMeans聚类的CSI室内定位】是一种提高室内定位精度的方法，主要针对传统RSSI定位在多径效应下精度不高的问题。室内定位在无线网络技术发展的推动下变得日益重要，尤其在提供基于位置服务的场景中。利用 CSI（Channel State Information）这种高细粒度的物理层信息，可以更准确地描述室内环境中的多径传播现象，从而提升基于指纹的室内定位系统的精度。 在无线局域网（WLAN）中，如802.11n或ac标准，可以获取OFDM子载波上的CSI，它包含了信号从发射端到接收端的衰减信息，如散射、反射和路径衰落等。通过统计CSI，可以揭示空间相关性，用于构建定位模型。 现有的基于CSI的室内定位研究，如文献[4]、[5]和[6]，虽然取得了一定的进展，但仍然存在局限性。例如，文献[4]通过三边测距定位，但由于带宽限制，多径区分能力不足，导致定位精度受限。文献[5]将多个信道的CSI合成并求平均，创建概率模型，而文献[6]则利用CSI间的关联性构建指纹模型。这些方法均采用数据包CSI的平均值作为指纹，可能无法充分反映室内多径传播的复杂性，从而影响定位准确度。 本文提出的方法引入了KMeans聚类算法来改进指纹提取。在离线训练阶段，选择多个已知位置的参考点收集n个数据包的CSI，每个数据包包含一个复数矩阵，表示不同天线对的信号。由于室内多径传播，CSI幅值呈现聚类分布，KMeans算法能够找到这些聚类，选择最具代表性的k个CSI向量作为位置指纹。设置k=10是为了应对实际测量中的干扰因素。通过这种方式，每个天线对都能得到一个训练向量集合。 在线定位阶段，同样采用KMeans聚类算法提取当前未知位置的指纹，然后与离线训练阶段构建的数据库中的指纹进行比较。通过计算两个指纹矩阵中任意两个CSI向量的欧氏距离，找到最接近的参考点，以此估计未知位置。较小的欧氏距离意味着更高的相关性，表示测试点与训练点之间的匹配程度更高。 实验结果显示，与文献[6]的CSI-MIMO算法相比，该方法在使用单个信标的情况下，提高了24%的定位精度。这证明了KMeans聚类在处理室内多径环境下的优势，可以有效地提高基于指纹的室内定位系统的性能。