一種基于WiFi相異度的群組感知分析方法
發(fā)布時間：2022-01-05 00:21
利用智能手機跟蹤分析WiFi環(huán)境中群體結(jié)構(gòu)的動態(tài)變化是一種非侵擾感知技術(shù)的新思路�；赪iFi信號差異與節(jié)點距離間的關(guān)系,設(shè)計了一種WiFi相異度的計算方法,根據(jù)節(jié)點之間的WiFi相異度統(tǒng)計出相異度距離,再利用提出的GSGA-RSS算法迭代計算得到節(jié)點坐標,最后利用DBSCAN進行分層次群組結(jié)構(gòu)分析。文中提出了一種基于質(zhì)心的節(jié)點序列位均差表示方法,基于該方法對不同節(jié)點間距條件下的隊列和環(huán)狀結(jié)構(gòu)群組進行了實驗分析。實驗結(jié)果表明:在組間最小間距5 m、組內(nèi)最大間距3 m的條件下,所提方法能夠以94%的精度識別出85%的群體;節(jié)點間距為0.5 m的隊列的位均差約為0.5,節(jié)點間距為1 m的環(huán)狀結(jié)構(gòu)的位均差約為1。
【文章來源】：計算機科學(xué). 2020,47(10)北大核心CSCD
【文章頁數(shù)】：6 頁
【部分圖文】：
距離與WiFi相異度的關(guān)系
從理想和現(xiàn)實兩種狀況來對比考查算法的收斂性。在理想狀況下,假設(shè)相異度距離d(τij)為節(jié)點i和j之間的真實距離。以圖3(a)所示的正方形結(jié)構(gòu)群組為例,AB,BC,CD,DA,AC與BD的實際距離分別為10,10,10,10,14.14與14.14,將其作為相異度距離,經(jīng)第35次迭代后的節(jié)點坐標如圖3(b)所示,分別為:(-4.02,3.62),(-5.16,-6.30),(4.76,-7.44)和(5.91,2.48)。網(wǎng)絡(luò)殘余勢能?E從第一次迭代后的73 609、第二次迭代后的3 264,逐漸減小到第35次后的2.0×1022,如圖3(c)所示,?E的收斂趨勢為0。經(jīng)過多次理想實驗可知,算法在每次迭代時微調(diào)每個節(jié)點的坐標,使得依據(jù)坐標計算出的距離逐漸逼近節(jié)點之間的真實距離,由節(jié)點坐標構(gòu)成的拓撲逐漸收斂于該群組的真實結(jié)構(gòu),?E逐漸得到完全釋放。在現(xiàn)實狀況中,由于相異度距離d(τij)與節(jié)點i和j之間的真實距離存在誤差,依賴所有節(jié)點彼此之間的相異度距離難以準確描述所有節(jié)點之間的統(tǒng)一位置關(guān)系。因此,基于相異度構(gòu)建的彈性網(wǎng)絡(luò)的?E將不能通過迭代計算得到完全釋放。例如,在4.2節(jié)中圖5(a)所示的WiFi環(huán)境中對以環(huán)狀部署且臨近間隔為2 m的5人群組和8人群組的相異度距離進行迭代計算,?E的收斂趨勢如圖4(a)所示,5人組案例的?E收斂于6 219.92附近,8人組案例的?E收斂于38 367.38附近。雖然不同案例的?E的收斂數(shù)值不一樣,但是每次迭代的網(wǎng)絡(luò)殘余勢能差分|?E-?Epre|是逐漸減少的,且收斂于0,如圖4(b)所示。因此,實際計算的迭代終止條件是給|?E-?Epre|設(shè)定一個閾值。本文實驗分析中設(shè)置的差分閾值為1×105。由于算法是基于位置矢量的,每次迭代同時從X,Y兩個方向調(diào)整坐標,因此算法能夠快速收斂。圖4 現(xiàn)實狀況下的算法收斂性
為了考查算法應(yīng)用于各種WiFi環(huán)境的普適性,在50 m×30 m的空間邊緣內(nèi)以間距3m或隨機設(shè)置WiFi AP,構(gòu)建了矩形、帶狀、田字(window)和隨機等4種WiFi AP部署結(jié)構(gòu),如圖5所示。針對4種部署結(jié)構(gòu)采用第2節(jié)所述統(tǒng)計方法,4種部署產(chǎn)生的關(guān)系曲線基本一致,從分組1到分組30保持了單調(diào)遞增性,這種單調(diào)遞增趨勢與圖1所示的實測結(jié)果相吻合。在圖5中部署的4個群組分別由1,2,3,4個節(jié)點組成,經(jīng)GSGA-RSS算法重構(gòu)后節(jié)點的分布如圖6所示。由于重構(gòu)后節(jié)點的樣本集是非凸樣本集,而且不能確定群組的個數(shù),只能根據(jù)節(jié)點密度來劃分,因此采用DBSCAN算法對圖4的分布進行聚類。從圖4的聚類結(jié)果來看,雖然對于不同的WiFi AP部署結(jié)構(gòu),組與組之間的相對位置、組距差別較大,但DBSCAN算法均能準確劃分出群組及每個群組的群組成員。圖6 GSGA-RSS算法重構(gòu)后的節(jié)點坐標
【參考文獻】：
期刊論文
[1]基于移動感知數(shù)據(jù)的用戶畫像系統(tǒng)[J]. 徐恩,於志文,杜賀,郭斌. 鄭州大學(xué)學(xué)報(理學(xué)版). 2019(04)
本文編號：3569345
【文章來源】：計算機科學(xué). 2020,47(10)北大核心CSCD
【文章頁數(shù)】：6 頁
【部分圖文】：
距離與WiFi相異度的關(guān)系
從理想和現(xiàn)實兩種狀況來對比考查算法的收斂性。在理想狀況下,假設(shè)相異度距離d(τij)為節(jié)點i和j之間的真實距離。以圖3(a)所示的正方形結(jié)構(gòu)群組為例,AB,BC,CD,DA,AC與BD的實際距離分別為10,10,10,10,14.14與14.14,將其作為相異度距離,經(jīng)第35次迭代后的節(jié)點坐標如圖3(b)所示,分別為:(-4.02,3.62),(-5.16,-6.30),(4.76,-7.44)和(5.91,2.48)。網(wǎng)絡(luò)殘余勢能?E從第一次迭代后的73 609、第二次迭代后的3 264,逐漸減小到第35次后的2.0×1022,如圖3(c)所示,?E的收斂趨勢為0。經(jīng)過多次理想實驗可知,算法在每次迭代時微調(diào)每個節(jié)點的坐標,使得依據(jù)坐標計算出的距離逐漸逼近節(jié)點之間的真實距離,由節(jié)點坐標構(gòu)成的拓撲逐漸收斂于該群組的真實結(jié)構(gòu),?E逐漸得到完全釋放。在現(xiàn)實狀況中,由于相異度距離d(τij)與節(jié)點i和j之間的真實距離存在誤差,依賴所有節(jié)點彼此之間的相異度距離難以準確描述所有節(jié)點之間的統(tǒng)一位置關(guān)系。因此,基于相異度構(gòu)建的彈性網(wǎng)絡(luò)的?E將不能通過迭代計算得到完全釋放。例如,在4.2節(jié)中圖5(a)所示的WiFi環(huán)境中對以環(huán)狀部署且臨近間隔為2 m的5人群組和8人群組的相異度距離進行迭代計算,?E的收斂趨勢如圖4(a)所示,5人組案例的?E收斂于6 219.92附近,8人組案例的?E收斂于38 367.38附近。雖然不同案例的?E的收斂數(shù)值不一樣,但是每次迭代的網(wǎng)絡(luò)殘余勢能差分|?E-?Epre|是逐漸減少的,且收斂于0,如圖4(b)所示。因此,實際計算的迭代終止條件是給|?E-?Epre|設(shè)定一個閾值。本文實驗分析中設(shè)置的差分閾值為1×105。由于算法是基于位置矢量的,每次迭代同時從X,Y兩個方向調(diào)整坐標,因此算法能夠快速收斂。圖4 現(xiàn)實狀況下的算法收斂性
為了考查算法應(yīng)用于各種WiFi環(huán)境的普適性,在50 m×30 m的空間邊緣內(nèi)以間距3m或隨機設(shè)置WiFi AP,構(gòu)建了矩形、帶狀、田字(window)和隨機等4種WiFi AP部署結(jié)構(gòu),如圖5所示。針對4種部署結(jié)構(gòu)采用第2節(jié)所述統(tǒng)計方法,4種部署產(chǎn)生的關(guān)系曲線基本一致,從分組1到分組30保持了單調(diào)遞增性,這種單調(diào)遞增趨勢與圖1所示的實測結(jié)果相吻合。在圖5中部署的4個群組分別由1,2,3,4個節(jié)點組成,經(jīng)GSGA-RSS算法重構(gòu)后節(jié)點的分布如圖6所示。由于重構(gòu)后節(jié)點的樣本集是非凸樣本集,而且不能確定群組的個數(shù),只能根據(jù)節(jié)點密度來劃分,因此采用DBSCAN算法對圖4的分布進行聚類。從圖4的聚類結(jié)果來看,雖然對于不同的WiFi AP部署結(jié)構(gòu),組與組之間的相對位置、組距差別較大,但DBSCAN算法均能準確劃分出群組及每個群組的群組成員。圖6 GSGA-RSS算法重構(gòu)后的節(jié)點坐標
【參考文獻】：
期刊論文
[1]基于移動感知數(shù)據(jù)的用戶畫像系統(tǒng)[J]. 徐恩,於志文,杜賀,郭斌. 鄭州大學(xué)學(xué)報(理學(xué)版). 2019(04)
本文編號：3569345
本文鏈接：http://www.sikaile.net/kejilunwen/xinxigongchenglunwen/3569345.html
最近更新
教材專著
