Android Platformuna Dayalı İyileştirilmiş İç Mekan WiFi Konum Algoritması Üzerine "Akademik Belge" Araştırması
Özet:
Android cep telefonu platformunu temel alan WiFi iç mekan konumlandırma sistemi tasarlandı ve uygulandı. Sistem, bir cep telefonu aracılığıyla iç mekan WiFi bilgilerini toplamak ve bir veritabanı oluşturmak için bir parmak izi konum algoritması kullanır.Bir kullanıcı bir konum isteği gönderdiğinde, cep telefonu taranan WiFi bilgisini veritabanına gönderir ve konum, bir eşleştirme algoritması aracılığıyla bulunur. Toplanan verilerin ağırlıklandırılması ve veritabanı verilerinin önceden işlenmesiyle hesaplama miktarı azaltılır ve daha küçük sinyal gücünün paraziti ortadan kaldırılır. Deneyler, geleneksel algoritmalarla karşılaştırıldığında, sistemin konumlandırma doğruluğunun büyük ölçüde arttığını göstermektedir.
Çince alıntı biçimi: Wu Yi, Zhang Jizhao. Android platformuna dayalı geliştirilmiş bir iç mekan WiFi konumlandırma algoritması üzerine araştırma. Elektronik Teknoloji Uygulaması, 2017, 43 (3): 77-79.
İngilizce alıntı biçimi: Wu Yi, Zhang Jizhao. Android platformuna dayalı geliştirilmiş iç mekan WiFi yerelleştirme algoritmasının araştırılması. Application of Electronic Technique, 2017, 43 (3): 77-79.
0 Önsöz
İletişim teknolojisinin ve akıllı teknolojinin sürekli gelişmesiyle birlikte, konumlandırma teknolojisi günlük yaşamda artan bir rol oynamaktadır ve insanların konumlandırma hizmetlerine olan talebi giderek artmaktadır. Dış mekan konumlandırma GPS ve baz istasyonu konumlandırma teknolojileri olgunlaştı ve RFID (Radyo Frekansı Tanımlama), WiFi, Bluetooth, kızılötesi vb. Gibi çeşitli iç mekan konumlandırma teknolojileri ortaya çıktı. Konumlandırma yöntemleri arasında varış zamanı (TOA), sinyal gücü (RSS), varış açısı (AOA) tabanlı yöntemler bulunur ve bazıları, konumlandırma elde etmek için cep telefonlarındaki hızlanma sensörlerini ve diğer entegre sensörleri kullanır. Bu aşamada akıllı telefonlar oldukça popülerdir ve WiFi temelde çoğu halka açık yeri kapsar.WiFi konumlandırma ek donanım gereksinimi gerektirmez.Düşük maliyet, düşük güç tüketimi ve yüksek doğruluk özelliklerine sahiptir, bu nedenle birçok konumlandırma yönteminde büyük avantajlara sahiptir. .
Bu belge, iç mekan WiFi bilgilerini tarar ve Android platformunda gelişmiş bir parmak izi eşleştirme konumlandırma yöntemi aracılığıyla iç mekan konumlandırmasını gerçekleştirir.
1 WiFi konumu parmak izi konumlandırma yöntemi
1.1 Parmak izi konumlandırma yöntemi
WiFi kablosuz ağlara dayalı birçok konumlandırma teknolojisi vardır ve bunların arasında sinyal gücü RSS'sine dayalı konumlandırma teknolojisi en yaygın kullanılanıdır. Pozisyon parmak izi konumlandırma yöntemi, RSS tabanlı konumlandırma teknolojisinde daha yaygındır. Konum parmak izi konumlandırma yöntemi iki bölüme ayrılmıştır: veri toplama aşaması ve gerçek zamanlı konumlandırma aşaması. Veri toplama aşamasında, bölgede tek tip olarak N veri toplama noktası seçilir.Her toplama noktasında, tüm AP'lerin RSS bilgileri Android telefon aracılığıyla toplanır ve noktanın tüm RSS bilgileri ve koordinatları (x, y) Veritabanı, ikinci aşama çağrısını bekliyor. Gerçek zamanlı konumlandırma aşamasında, kullanıcı bilinmeyen bir konuma konumlandırma talebi göndererek, Android telefon AP'nin RSS bilgilerini toplayarak veri tabanına iletir.Konum koordinatları (x, y) eşleştirme algoritması ve ilk aşamada toplanan RSS verileri ile elde edilir ve kullanıcıya geri gönderilir. Konumlandırma tamamlandı.
Konumlandırma işleminin ikinci aşamasında kNN algoritması daha yaygın olarak kullanılan bir geleneksel eşleştirme algoritmasıdır.
1.2 kNN algoritması (en yakın komşu algoritması)
Komşu algoritma k-En Yakın Komşu sınıflandırma algoritmasıdır (kNN, k-En Yakın Komşu) Temel fikir şudur: Bir örneğin özellik uzayındaki en yakın komşuların çoğu belirli bir kategoriye aitse, o zaman örnek de bu kategoriye aittir. Kategori ve bu kategorideki örneklerin özelliklerine sahiptir.
KNN algoritmasında, k parametresinin değeri doğru seçilmelidir. K küçük olduğunda, bitişik noktaların sayısı azdır ve referans noktası türü doğru olarak belirlenemez, bu da hatayı artırır; k seçimi büyük olduğunda, daha uzağı seçecektir. , Yanlış konumlandırma sonuçlarına yol açar. Bu nedenle, karar parametresi k'nin değeri birden çok kez ölçülmelidir. Bu deneydeki birçok testten sonra, k 3 olduğunda hata en küçüktür, yani k 3'tür.
APn, konumlandırma alanındaki n WiFi etkin noktasını temsil eder. Veri toplama aşamasında, n WiFi'nin RSS bilgisi i-inci pozisyonda toplanır, i = 1, 2, 3, ..., m, m referans noktalarının sayısıdır ve her WiFi hotspot birden fazla RSS bilgisini toplar ve ortalamasını alır. Rij, i'ninci konumunda toplanan j. WiFi'nin ortalama RSS'sidir, j = 1, 2, 3, ..., n; n, WiFi sayısıdır ve (xi, yi), i noktasının gerçek koordinatıdır. Konumlandırma aşamasında, bulunacak noktada ölçülen jnci WiFi'nin RSS ortalama değeri Rj'dir, ardından Rij ile Rj arasındaki mesafe:
2 Geliştirilmiş algoritma WR-kNN
Çok sayıda iç mekan nesnesi ve insanların sürekli hareket etmesi nedeniyle iç ortam karmaşık hale gelir.İnsanların ve nesnelerin tıkanması WiFi sinyalini zayıflatır, bu da iç mekan konumlandırma zorluğunu artırır. Bu kağıt, mesafeyi ağırlıklandırarak ve gereksiz grupları kaldırarak konumlandırma doğruluğunu artırır. Çevrimdışı aşamada, taranan veriler, faydalı verilerin ağırlığını artırmak için ağırlıklandırılır Konumlandırma ve eşleştirme sırasında, veriler RSSI ortalama değerine göre artan sırada sıralanır ve hesaplama için ilk k veriler kullanılır, bu da hesaplama miktarını azaltır ve veri miktarını azaltır. Verilerin sonuçlar üzerindeki etkisi.
2.1 Ağırlıklı kNN
İlk olarak, referans noktası ile ölçülecek nokta arasındaki mesafeyi kNN algoritmasında tartın. KNN algoritmasında, referans noktası ile ölçülecek nokta arasındaki mesafe ne kadar yakınsa, benzerlik o kadar yüksek ve konumlandırmaya katkı o kadar büyük olur. Mesafenin ağırlığını büyük bir katkı ile artırmak ve küçük bir katkı ile mesafenin ağırlığını azaltmak, konumlandırma doğruluğunun iyileştirilmesine yardımcı olacaktır. Bu nedenle, kısa bir mesafeye daha büyük bir ağırlık wj verilir ve uzun bir mesafeye daha küçük bir ağırlık wj verilir:
Bu nedenle, i-inci konumda toplanan j. WiFi'nin ortalama RSSI değeri Rijwj'dir. dj, iki nokta arasındaki mesafedir.Referans noktası ölçülecek noktaya daha yakın olduğunda, dj daha küçüktür ve karşılık gelen ağırlık wj daha büyüktür ve referans noktası tarafından toplanan RSSI değeri daha büyüktür ve konumlandırma üzerindeki etki daha büyüktür. Konumlandırma doğruluğunu artırabilir.
2.2 Veri sıralama
Konumlandırma aşamasında veri tabanı toplanan RSSI verilerini alır, ölçülecek noktadaki verileri veri tabanından alınan verilerle tek tek karşılaştırır, en yakın k verisini benzer gruplar olarak seçer ve centroid algoritması ile nihai sonucu elde etmek için benzer grupların verilerini kullanır. Ölçülecek noktanın konum koordinatları. Bu makaledeki iyileştirme, veriler çağrılmadan önce ilk olarak toplanan tüm Rijwj verilerini Karşılaştırıcı arayüzü aracılığıyla artan sırada düzenlemektir.Veritabanındaki veriler azalan sırada grupta düzenlenir.Veri çağrıldığında, gruptaki yalnızca ilk n seçilir. Daha büyük veriler daha sonra ölçülecek noktanın tarama verileriyle eşleştirilir ve konumlandırma için daha yakın olan k veri seçilir. Bu yöntem, sadece konumlandırmadaki gereksiz grup bilgilerinin müdahalesini ortadan kaldırmakla kalmaz, aynı zamanda veri grubunu da siler ve konumlandırma sonucuna daha az katkıda bulunan veri grubunu siler, bu da sistemin hızlı bir şekilde konumlandırma sonucunu elde etmesini sağlayabilir ve sistemin konumlandırma verimliliğini artırabilir. .
Karşılaştırıcı arabirimi, Java'da koleksiyon veya dizi nesnelerini sıralayan bir karşılaştırıcıdır. Karşılaştırıcı arayüzünün uygulama işlevi int karşılaştırmadır (Nesne o1, Nesne o2) ve sıralama, artan ve azalan sıraya bölünmüştür. O1 olduğunda < o2 -1 (negatif sayı) verir, o1 = o20, o1 döndürür > O21 (pozitif sayı) döndürdüğünde, artan sıradadır; o1 olduğunda < o21 (pozitif sayı) verir, o1 = o20, o1 döndürür > O2 -1 (negatif sayı) döndürdüğünde, azalan düzende sıralanır. İyileştirilmiş algoritmada, veriler önce Gro.Entry'e yerleştirilir. < Tamsayı, Tamsayı > Karşılaştırma yoluyla (Gro.Entry < Tamsayı, Tamsayı > o1, Gro.Entry < Tamsayı, Tamsayı > o2) Fonksiyonlar artan sırada sıralanır.
3 deney
3.1 Çevrimdışı veri toplama aşaması
Deney alanında 10 AP vardır, her 2,5 m'de bir örnekleme, toplam 12 örnekleme noktası. Önce WiFi sinyal kararlılığını test edin. Rastgele bir WiFi sinyali seçin ve her 10 saniyede bir tarayın.Sonuç Şekil 1'de gösterilmiştir.
Şekil 1'de gösterildiği gibi, WiFi sinyal gücü temelde -77 dBm ile -83 dBm arasında dağıtılır, bireysel zamanlarda büyük dalgalanmalar ve genel kararlılık. Ortalama değer, toplama sırasında veri depolama olarak kullanılır, bu da büyük dalgalanmaların etkisini azaltabilir ve konumlandırma için referans veri olarak kullanılabilir.
Çevrimdışı veri toplama aşamasında, örnekleme noktasında her AP 10 kez örneklenir ve RSS'nin ortalama değeri veritabanına dahil edilir. RSSIj, j'inci AP'nin ortalama RSSI'sini temsil etsin, MACi, i-inci örnekleme noktasının 10 AP'sinden oluşan mac adres kümesini temsil eder ve (xi, yi) i-inci örnekleme noktasının koordinatlarını temsil eder. Ri = {RSSIi1, RSSIi2, ..., RSSIi10} i-inci örnekleme noktasında toplanan 10 AP'nin RSSI ortalama değerleri kümesini temsil eder. Veritabanındaki eksiksiz bir bilgi.
3.2 Çevrimiçi konumlandırma aşaması
Çevrimiçi konumlandırma aşamasında, konumlandırma için 7 test noktası rastgele seçilir ve her test noktası 3 kez konumlandırılır ve koordinatların ortalama değeri, Şekil 2'de gösterildiği gibi nihai test sonucu olarak alınır. Şekil 2, konumlandırma sonucu olan test noktasının koordinatlarını, test noktasının doğru koordinatları olan orijinal koordinatları ve geleneksel algoritma konumlandırma ile elde edilen koordinatları göstermektedir. Şekilde gösterildiği gibi, geliştirilmiş koordinatlar, geleneksel algoritma ile elde edilenlerden orijinal koordinatlara daha yakındır. Makro açıdan bakıldığında, geliştirilmiş algoritma geleneksel algoritmadan daha doğrudur.
Geliştirilmiş algoritma WR-kNN ve geleneksel algoritma ile elde edilen konumlandırma sonuçlarına göre hata analizi yapılır ve Şekil 3'te gösterilen hata dağılım diyagramı elde edilir. Şekilden, geliştirilmiş algoritmanın hatasının geleneksel algoritmanınkinden daha küçük olduğu görülebilir. Tablo 1, Şekil 3'teki 7 örnekleme noktasına karşılık gelen hata verilerini göstermektedir.
Tablo 1'den, geleneksel algoritmanın ortalama hatasının 2.55 m, minimum hatanın 1.48 m, maksimum hatanın 4.09 m olduğu ve hatanın büyük ölçüde dalgalandığı sonucuna varılabilir. Geleneksel algoritma doğrudan gerçek zamanlı verileri kullandığından, iç ortam karmaşık olduğundan ve insanlar sık sık hareket ettiğinden, WiFi sinyali büyük ölçüde dalgalanır ve işlenmeden doğrudan veritabanında saklanır, bu da konumlandırma sonucunu gerçek durumdan uzak yapar. Geleneksel konumlandırma algoritması daha karmaşıktır, kümülatif hata büyüktür ve eşleşen nesnelerin seçimi bilimsel değildir, bu da konumlandırma sonuçlarında sapmalara ve uzun bir konumlandırma süresine yol açar. WR-kNN algoritması, veri toplama sırasında birden çok kez toplanan verilerin ortalama değerini alır ve ardından üzerinde ağırlıklandırma işlemi gerçekleştirerek sinyal dalgalanmalarının etkisinden kaçınır ve uzak AP'lerin neden olduğu hatayı azaltır. Konumlandırma aşamasında, çağrılan verilerin ön işlenmesiyle konumlandırma süreci basitleştirilir, konumlandırma için gereken süre azaltılır, verimlilik artırılır ve biriken hata azaltılır. Bu nedenle, geliştirilmiş algoritmanın hatası küçüktür, ortalama hata yalnızca 1,93 m'dir, bu da geleneksel algoritmanın ortalama hatasından 0,62 m daha azdır ve hata, nispeten kararlı olan 2 m civarında dalgalanır.
4. Sonuç
Bu makale, Android platformuna dayalı olarak parmak izi iç mekan konumlandırmasını incelemek için geliştirilmiş bir kNN algoritması kullanır. Çevrimdışı konumlandırma aşamasında, toplanan verilerin ağırlıklandırılmasıyla, yararlı verilerin ağırlığı artırılır ve yararsız verilerin ağırlığı azaltılır; çevrimiçi konumlandırma aşamasında, aranan veriler, işe yaramaz grupları kaldırmak ve kararsız sinyalleri azaltmak için önceden sıralanır Konumlandırma sonuçlarına etkisi. Deneyler, geliştirilmiş algoritmanın konumlandırma sonucunun daha doğru olduğunu, bu da geleneksel algoritmadan 0,62 m daha yüksek olduğunu göstermektedir. Deneysel ortam daha karmaşık olduğu için, deneysel sonuçları etkileyen daha fazla personel, daha fazla AP ve daha fazla rastgele dağıtım vardır. Test sahası nispeten açıksa ve AP dağıtımı nispeten standartlaştırılmışsa, konumlandırma sonuçları daha doğru olacaktır.
Referanslar
Ni Wei, Wang Zongxin Alınan sinyal gücünün ölçümüne dayalı iç mekan konumlandırma algoritması Journal of Fudan University (Natural Science Edition), 2004, 43 (1): 72-76.
RANTAKOKKO J, RYDELL J, STROMBACK P, ve diğerleri. Doğru ve güvenilir asker ve ilk müdahale eden iç mekan konumlandırma: çok sensörlü sistemler ve işbirliğine dayalı yerelleştirme Kablosuz İletişim, IEEE, 2011, 18 (2): 10-18.
Liang Yuancheng. Kablosuz yerel alan ağına dayalı iç mekan konumlandırma teknolojisinin araştırılması ve uygulanması Chengdu: Çin Elektronik Bilimi ve Teknolojisi Üniversitesi, 2009.
Cui Bin, Zhao Xi'an. Yayılma modeli ve konum parmak izine dayalı hibrit bir iç mekan konumlandırma yöntemi. Etüt ve Haritalama Bülteni, 2015 (6): 35-38, 43.
Zhang Minghua, Zhang Shensheng, Cao Jian. Kablosuz yerel alan ağındaki sinyal gücüne dayalı iç mekan konumlandırma Bilgisayar Bilimi, 2007, 34 (6); 68-71.
Zhang Liwen, Wang Yunjia, Wang Xingfeng.Kapalı konumlandırma parmak izi veri tabanında afin yayılım kümelemesinin uygulama araştırması Etüt ve Haritalama Bülteni, 2014 (12): 36-39.
Zhang Minghua. WLAN'a dayalı iç mekan konumlandırma teknolojisi üzerine araştırma. Şangay: Shanghai Jiaotong Üniversitesi, 2009.
YANG Z, WU C, LIU Y. Parmak izi alanına yerleştirme: çok az insan müdahalesi ile kablosuz iç mekan lokalizasyonu 18. Yıllık Uluslararası Mobil Bilgisayar ve Ağ Konferansı Bildirileri ACM, 2012: 269-280.
Zhang Xiaoliang, Zhao Ping, Xu Guanqing ve diğerleri.İç mekan konumlandırmada optimize edilmiş bir KNN algoritmasına dayalı uygulama araştırması. Elektronik Tasarım Mühendisliği, 2013, 21 (7): 44-46.
Yang Kai, Guo Ying, Bi Jingxue. Android platformuna dayalı iç mekan gerçek zamanlı konumlandırma. Science of Surveying and Mapping, 2015, 40 (6): 125-128.
Chen Zhenzhou, Li Lei, Yao Zhengan. SVM'ye dayalı özellik ağırlıklı KNN algoritması. Sun Yat-sen Üniversitesi Dergisi (Natural Science Edition), 2005, 44 (1): 17-20.
yazar bilgileri:
Wu Yi, Zhang Jizhao
(Elektronik Bilgi Mühendisliği Okulu, Hebei Teknoloji Üniversitesi, Tianjin 300400)
