申请/专利权人：东华大学;北京中丽制机工程技术有限公司

申请日：2024-04-18

公开（公告）日：2024-07-05

公开（公告）号：CN118301547A

主分类号：H04W4/021

分类号：H04W4/021;H04W4/02;H04W4/33

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明涉及一种面向装配车间聚类分层的WiFi室内定位方法。首先，在离线阶段，通过部署参考点并收集接收信号强度指示及功能区标签构建指纹库。利用K‑means算法对功能区进行聚类，形成多个子指纹库，并通过极限梯度提升XGBoost模型进行训练。在线阶段，收集位置点的RSSI值，初步定位到特定子指纹库和功能区，再通过加权K最近邻WKNN算法实现精确匹配，确定位置坐标。解决了装配车间的定位系统设计面临着如何优化大规模数据处理以提高精度和效率的问题，在提高装配效率、减少操作错误以及优化资源分配等方面具有显著优势；大幅提升了定位系统的实时性和可靠性，不仅可以提高生产效率，还能减少因定位误差导致的潜在错误，进一步优化生产流程和提高整体工作效率。

主权项：1.一种面向装配车间聚类分层的WiFi室内定位方法，其特征在于，包括以下步骤：S1：首先设置参考点并完成区域划分；根据装配车间的结构，将信号覆盖区域按照各功能区域进行划分；并对所有区域进行编号作为区域标签；在各区域内均匀布置N个参考点，并记录参考点坐标；S2：采集参考点指纹数据，每个参考点采集若干组无线信号强度值，与参考点坐标以及区域标签构成参考点指纹数据，如下所示：Ri＝{[RSSIc1,RSSIc2,…,RSSIcj,...,RSSIcn],xi,yi,[l]}1式中:Ri为第i个参考点指纹数据,RSSIcj为该参考点第c次采集第j个AP接入点的RSSI特征，其中AP接入点总数为n,xi,yi为第i个参考点的坐标，[l]为区域标签，l＝0，1，2…s,s为功能区数量；S3：构建指纹库，先将每个参考点的所有采集的RSSI值进行均值处理得到处理后的RSSI特征表示RSSIi＝RSSI1,RSSI2,…,RSSIn，然后结合该点区域标签和位置坐标，得到该参考点的指纹信息，然后将所有参考点的指纹信息汇总得到定位区域的指纹库；S4：在功能区域标签相同的指纹数据用K-means算法将功能区域的指纹信息进行聚类并更新区域标签，然后把指纹库进行分割得到子指纹库；更新区域后的指纹信息如下所示：Ri'＝{[RSSI1,RSSI2,…,RSSIj,...,RSSIn],xi,yi,[l][m]}2式中：Ri′为更新后参考点指纹数据,RSSIj为该参考点第j个AP经过均值处理的RSSI特征，[m]为区域标签内子指纹库序号，其中，l＝0，1，2…s,s为功能区数量；m＝0，1，2…h,h为每个功能区指纹信息聚类后子指纹库的数量；步骤S4具体包括如下步骤：S41：在K-means聚类算法中，初始设置包括指纹库中的N个数据点F＝{F1，F2，…,FN}，每个数据点代表一个实际环境中的参考点；每个参考点经过均值处理后其接收信号强度指示用RSSIi＝RSSI1,RSSI2,…,RSSIn表示，RSSIi为第i个参考点的RSSI特征，位置由坐标xi,yi定义，其中n为室内环境中AP接入点的数量；初始化聚类的簇数为O，设置C＝{C1,C2,…,CO}为簇划分输出，每个簇对应一个簇类中心，表示为{μ1，μ2，…,μo}；S42：K-means的第二步涉及随机初始化O个聚类中心，即从N个数据点中随机选取O个点作为初始簇中心；每个选定的聚类中心μp的信号强度由RSSIi＝RSSI1,RSSI2,…,RSSIn表示；S43：在第三步中，任务是划分样本数据，通过计算每个参考点Fi与各个聚类中心μp之间的信号强度相似性，使用欧氏距离作为度量，每个参考点Fi与各个聚类中心μp之间的欧氏距离dFi,μp计算公式为： 其中，RSSIi,j和RSSIp,j分别代表参考点Fi和聚类中心μp在第j个AP接入点的信号强度值，n是接入点的总数；根据欧氏距离，每个参考点Fi被分配到与其信号强度最相似的聚类中心代表的簇中；S44：第四步是更新聚类中心，将每个簇Cp的中心点μp更新为该簇内所有数据点的平均值，更新后的簇中心点μ′p计算公式为： 其中，|Cp|表示簇Cp中参考点的数量，而求和符号下的Fi代表属于簇Cp的所有数据点；S45：最后，算法通过反复迭代步骤S43和步骤S44直到满足特定停止条件，以优化簇中心位置达到最佳聚类效果；这包括根据最新的簇中心点μ′p重新计算每个参考点与各簇中心的相似性，并基于这些重新分配参考点到最相似的簇中，随后更新每个簇的簇中心；这个过程持续进行，直到簇中心不再有明显变化或达到其他预设停止条件；S5：训练XGBoost模型，将所有步骤S4中更新区域后的参考点指纹信息Ri′划分为训练集和测试集，将RSSI值作为特征，将区域标签和子指纹库序号作为标签进行训练；S6：在线定位阶段，获取待测目标WiFi信号RSSI特征；S7：使用训练好的XGBoost模型粗定位预测其区域标签和子指纹库序号；S8：根据区域标签和子指纹库序号，调用对应子指纹库数据，使用WKNN算法精定位进行位置匹配，得到定位结果，并输出定位点的位置坐标x,y。

全文数据：

权利要求：

百度查询： 东华大学 北京中丽制机工程技术有限公司 一种面向装配车间聚类分层的WiFi室内定位方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD