井下WLAN位置指紋人員定位系統(tǒng)主要是通過聚類算法來實現(xiàn)位置指紋樣本的整體性劃分,但現(xiàn)有的聚類算法只是針對接收信號強度的統(tǒng)計分布特性進(jìn)行聚類劃分,并沒有充分考慮奇點問題。針對該問題,提出了一種基于類關(guān)系的K-Means（CRK-Means）算法,該算法以類內(nèi)離散度和類間離散度的比值為目標(biāo)函數(shù),通過使該比值最小的聚類的聚合、分離過程即可得到避免了奇點問題的最優(yōu)聚類,完成定位區(qū)域的合理劃分。針對采用隨機森林（RF）算法對聚類劃分后的定位區(qū)域進(jìn)行粗定位存在誤判的問題,提出了遺傳算法與隨機森林相結(jié)合的（GA-RF）算法,該算法以GA中的選擇、交叉和變異優(yōu)化過程確保了RF算法的選擇樹總數(shù)和位置指紋參考點特征數(shù)的最優(yōu)取值。實驗結(jié)果表明:CRK-Meams算法有效解決了奇點問題,且在一定程度上提升了系統(tǒng)定位精度;采用CRK-Meams算法和GA-RF算法后,子區(qū)域粗定位的準(zhǔn)確率相比RF算法提升了4%,達(dá)到98%;置信概率大于90%的最小定位誤差達(dá)到了3m,優(yōu)于傳統(tǒng)的聚類算法。 

【文章來源】：工礦自動化. 2020,46(03)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

井下子區(qū)域粗定位實驗巷道平面圖

實驗1分別使用K-Means算法、FCM算法和CRK-Means算法對井下定位區(qū)域進(jìn)行聚類劃分，并根據(jù)定位區(qū)域的結(jié)構(gòu)特征，設(shè)置聚類總數(shù)為5。圖2—圖4分別給出了使用K-Means算法、FCM算法和CRK-Means算法時井下區(qū)域的劃分結(jié)果，其中T1-T5表示劃分后的5個子區(qū)域。3種算法在5個子區(qū)域的劃分上區(qū)別很小，但K-Means算法和FCM算法的區(qū)域劃分結(jié)果中都存在奇點，使用CRK-Means算法則有效解決了奇點問題。圖3 FCM算法聚類劃分結(jié)果

圖2 K-Means算法聚類劃分結(jié)果實驗2在實驗1的基礎(chǔ)上，對CRK-Means算法聚類劃分后的區(qū)域分別使用RF算法和GA-RF算法進(jìn)行在線子區(qū)域粗定位，每組定位實驗中在5個子區(qū)域中分別進(jìn)行200次子區(qū)域粗定位。為了保證粗定位的實驗效率，每個子區(qū)域中的粗定位位置都盡量靠近劃分區(qū)域的區(qū)分處。子區(qū)域粗定位只對用戶所在子區(qū)域進(jìn)行判定，不對具體的位置進(jìn)行估計。表1給出了子區(qū)域粗定位結(jié)果。RF算法子區(qū)域粗定位的平均正確率為94.7%，而將GA算法與RF算法結(jié)合后，RF算法中的決策樹總數(shù)D和參考點特征選擇數(shù)Re經(jīng)過GA算法的自適應(yīng)調(diào)整機制與當(dāng)前的聚類劃分更匹配，子區(qū)域粗定位的平均正確率為97.9%，因此，GA-RF算法在用戶所處區(qū)域的實時判斷上有著更好的決策機制。


本文編號：3410935