一、仿真要求
要求一:RSSI的测量值由对数路径损耗模型产生,为减小波动造成的误差,其值可由多次测量取平均值来得到。
要求二:定位指纹数据库的建立是基于网格形式产生不同的指纹节点。
要求三: 比较KNN算法与WKNN算法的CDF曲线对比图,横坐标为定位误差,纵坐标为CDF。
二、仿真方案的设计、仿真结果及结论
1.仿真方案的设计
由接收端位置节点接收多个参考节点RSSI值所构成的矢量—指纹,位置指纹的定位算法分为数据库建立和位置估计阶段。(离线阶段:构建位置WiFi指纹数据库获取参考点的RSSI;线上阶段:把接收端接收的指纹与数据库中的指纹进行匹配并输出待定位置的RSSI信息,最后得到目标位置估计。)如图:
位置指纹库(获取RSSI值:对于每一个参考节点,都能够接收到部署到其各自周围的M个的信号强度,这些RSSI值通常是多次测量求平均值构成的的指纹,N个PR点就构建了指纹数据库。)如图:
对于某个未知指纹究竟对应指纹数据库参考节点RP指纹的哪一个,用到位置估计算法(基于位置指纹的定位算法分为确定性的定位算法包括最近邻算法NN、K近邻算法KNN、加权K近邻算法WKNN;基于概率的定位算法包括基于贝叶斯的概率法。)
最近邻算法NN:当待测目标进入定位区域,得到一个指纹,将这个实测指纹与数据库中的指纹数据进行匹配,相似度大(待测指纹与数据库中的指纹构成M维空间点与点的距离越小)的那个指纹对应的位置便是待测目标的位置估计。
K近邻算法KNN:当待测目标进入定位区域,得到一个指纹,将这个实测指纹与数据库中的指纹数据进行匹配,提取最相似的K个指纹,假设权值一样均为1,其中K个指纹分别对应的参考节点的坐标
取重心。
加权K近邻算法WKNN:当待测目标进入定位区域,得到一个指纹,将这个实测指纹与数据库中的指纹数据进行匹配,提取最相似的K个指纹,其中K个指纹的距离衡量相似度(距离越小相似度越高,用距离的倒数作为加权指数),权值不一样,相似度高的权重越大权值越多,这样可以提高定位精度。
2.仿真结果
从图中可以看出,横坐标为定位误差,纵坐标为累计分布函数CDF,红色代表加权K近邻算法WKNN、蓝色代表K近邻算法KNN、黄色代表最近邻算法NN。
3.结论
RSSI的测量值由对数路径损耗模型产生,为减小波动造成的误差,其值可由多次测量取平均值得到;定位指纹数据库的建立是基于网格形式产生不同的指纹节点;累积分布函数 (CDF) 计算给定x值的累积概率;定位精度的性能WKNN算法大于KNN算法大于NN算法;随着定位误差的逐渐增大,KNN和WKNN的优势更明显,CDF概率曲线分布增加更快,这意味着定位精度更精确。
三、完整的仿真代码
- main.m函数代码如下:
clear all;
clc;
BS1=[0,0];
BS2=[500,0];
BS3=[500,500];
BS4=[0,500];
std_var=4;
A=[BS1;BS2;BS3;BS4];
pd0=0;
n=3;
tt=5;
% the number of RSSI measurement for each BS
number=1000;
for i=1:number
MS=[400*rand,400*rand];
r1=A-ones(4,1)*MS;
r2=(sum(r1.^2,2)).^(1/2);
for k=1:tt
rssi(:,k)=pd0-10*n*log10(r2)-10^(std_var/10)*randn(4,1);
end
RSSIoone=mean(rssi,2);
%database
X=databaseone(A,std_var);
%matching
[m,~]=size(X);
for j=1:m
distance(j)=norm(X(j,3:end)-RSSIoone');
end
[C,I]=sort(distance);
%KNN algorithm
K=50;
match_result=X(I(1:K),1:2);
est1=mean(match_result);
RMSE1(i)=norm(est1-MS);
%WKNN algorithm
weight=1./C(1:K);
weight=weight'/sum(weight);
est2=sum([weight.*match_result(:,1),weight.*match_result(:,2)]);
RMSE2(i)=norm(est2-MS);
est3=X(I(1),1:2);
RMSE3(i)=norm(est3-MS);
end
RMSE=0:20;
for i=1:length(RMSE)
n1=0;
n2=0;
n3=0;
for j=1:number-5
if RMSE1(j)<=RMSE(i)
n1=n1+1;
end
if RMSE2(j)<=RMSE(i)
n2=n2+1;
end
if RMSE3(j)<=RMSE(i)
n3=n3+1;
end
end
p1(i)=n1/number;
p2(i)=n2/number;
p3(i)=n3/number;
end
% plot
plot(RMSE,p1,'-O',RMSE,p2,'-s',RMSE,p3,'-x')
xlabel('The localization error (m)');
ylabel('CDF');
legend('KNN','WKNN','NN');
- databaseone.m函数代码如下:
function [X]=databaseone(A,sigma)
% A is the coordinate of BSS
% sigma is the standard deviation of RSSI measurement
pd0=0;
n=3;
[m,~]=size(A);
tt=5;
coor=[];
RSSIone=[];
for i=20:20:480
for j=20:20:480
coor1=[i,j];
coor=[coor;coor1];
d1=A-ones(m,1)*coor1;
d2=sum(d1.^2,2);
d=d2.^(1/2);
for k=1:tt
rssi(:,k)=pd0-10*n*log10(d)-10^(sigma/10)*randn(m,1);
end
RSS_m=mean(rssi,2)';
RSSIone=[RSSIone;RSS_m];
end
end
X=[coor,RSSIone];
本次的RSSI指纹定位技术性能仿真基本完成,运行的时候速度不是太快很正常,thanks!