c2_l)，利用所有參考點(diǎn)RPs的接收信號(hào)強(qiáng)度RSS向量計(jì)算參考度pw，其計(jì)算公 式為：
[0048] 其中yw是一個(gè)由實(shí)驗(yàn)確定的實(shí)數(shù)，本實(shí)例取yw= 0. 95,s(i，j)w為第i個(gè)參 考點(diǎn)和第j個(gè)參考點(diǎn)的接收信號(hào)強(qiáng)度RSS向量的相似度，N為參考點(diǎn)RPs的總數(shù)，本實(shí)例為 37,〇eO= {0。，90。，180。，270。}，median表示求中位數(shù)運(yùn)算D
[0049] lc2_2)，令s(i，i)w =pw，創(chuàng)建N行N列的吸引度矩陣r(c0和N行N列的歸屬度 矩陣aw，其中i= 1，2, . . .，N，兩個(gè)矩陣初始元素全部為零；
[0050] lc2_3)，更新計(jì)算吸引度矩陣和歸屬度矩陣aw的元素值：
[0053] 其中，j= 1，2,…，N，i' = 1，2,…，N，j' = 1，2,…，N，r(i，j)w 為吸引度矩陣 的第i行第j列的元素，a(i，j)w為歸屬度矩陣aw的第i行第j列的元素，s(i，j)w 為第i個(gè)參考點(diǎn)和第j個(gè)參考點(diǎn)的接收信號(hào)強(qiáng)度RSS向量的相似度；
[0054] 1〇2-4)，定義財(cái)隹向量(3，計(jì)算向量(：的第;[個(gè)元素的值：(3(;0=3(;[，;0 (°)+1'(;[，;0 W，判斷c(i)的大?。喝绻鹀(i) >0,則第i個(gè)參考點(diǎn)為聚類(lèi)中心，否則，第i個(gè)參考點(diǎn)不是聚 類(lèi)中心；
[0055]lc2_5)，判斷聚類(lèi)結(jié)果是否收斂：如果收斂，則直接進(jìn)入步驟lc3)，否則，更新計(jì) 算吸引度矩陣和歸屬度矩陣aw的元素值，直至聚類(lèi)結(jié)果收斂或達(dá)到預(yù)設(shè)的最大迭代 次數(shù)，然后進(jìn)入步驟lc3)。
[0056]lc3)將所有參考點(diǎn)劃分到相應(yīng)的簇中，完成第一次吸引子傳播算法AP聚類(lèi)，聚類(lèi) 結(jié)果如圖3所示，圖3中相同形狀的點(diǎn)屬于同一個(gè)簇，37個(gè)參考點(diǎn)被聚成了 6個(gè)簇?？梢钥?出，菱形代表的那個(gè)簇在地理位置上被分成了兩個(gè)部分，星形代表的那個(gè)簇最下方的點(diǎn)是 一個(gè)奇異點(diǎn)；
[0057] Id)對(duì)第一次聚類(lèi)得到的每個(gè)簇，再按照地理位置采用吸引子傳播算法AP進(jìn)行第 二次聚類(lèi)：
[0058] Idl)利用第一次聚類(lèi)得到的每個(gè)簇的參考點(diǎn)RPs的接收信號(hào)強(qiáng)度RSS向量計(jì)算參 考度PdW;
[0059]ld2)利用參考度pdw和參考點(diǎn)接收信號(hào)強(qiáng)度RSS向量迭代求出聚類(lèi)中心，每個(gè)聚 類(lèi)中心代表一個(gè)簇，按如下步驟進(jìn)行：
[0060] ld2-l)，利用第一次聚類(lèi)得到的每個(gè)簇的參考點(diǎn)RPs的接收信號(hào)強(qiáng)度RSS向量計(jì) 算參考度？/^其計(jì)算公式為
[0061] P,, "''=yj""' medicm{d{i, j){,,)yi, je ^J}
[0062] 其中ydW是一個(gè)由實(shí)驗(yàn)確定的實(shí)數(shù)，本實(shí)例取ydW=I. 2,d(i，j)w為第i個(gè) 參考點(diǎn)和第j個(gè)參考點(diǎn)的地理位置歐式距離的相反數(shù)，M為需要聚類(lèi)的參考點(diǎn)RPs的數(shù)量， 〇GO= {〇。，90。，180。，270。}，median表示求中位數(shù)運(yùn)算。
[0063] ld2-2)，令s(i，i)dw =pdw，創(chuàng)建M行M列的吸引度矩陣rdw和M行M列的歸屬 度矩陣adw，其中i= 1，2，...，M，兩個(gè)矩陣初始元素全部為零；
[0064] ld2-3)，更新計(jì)算吸引度矩陣rdw和歸屬度矩陣adw的元素值：

[0067] 其中，j= 1，2,…，M，i' = 1，2,…，M，j' = 1，2,…，M，r(i，j)d(。)為吸引度矩陣 rd(D)的第i行第j列的元素，a(i，j)dw為歸屬度矩陣adw的第i行第j列的元素，s(i，j) d(c0為第i個(gè)參考點(diǎn)與第j個(gè)參考點(diǎn)的地理位置歐式距離的相反數(shù)；
[0068]ld2-4)，定義M維向量Cd，計(jì)算向量Cd的第i個(gè)元素的值：cd(i) =a(i,i) d(c〇+r(i，i)dw，判斷~⑴的大小：如果~⑴> 0,則第i個(gè)參考點(diǎn)為聚類(lèi)中心，否則，第i 個(gè)參考點(diǎn)不是聚類(lèi)中心；
[0069] ld2-5)，判斷聚類(lèi)結(jié)果是否收斂：如果收斂，則直接進(jìn)入步驟ld3)，否則，將參考 度PdW變?yōu)樵瓉?lái)參考度的1. 5倍，更新計(jì)算吸引度矩陣rdw和歸屬度矩陣adw的元素值， 直至聚類(lèi)結(jié)果收斂，然后進(jìn)入步驟ld3)。
[0070] ld3)將所有參考點(diǎn)劃分到相應(yīng)的簇中；
[0071] Ie)判斷第二次聚類(lèi)得到的簇?cái)?shù)量：如果第二次聚類(lèi)得到的簇?cái)?shù)量是大于等于2 的正整數(shù)，則求出這些簇兩兩之間的距離，兩個(gè)簇之間的距離為一個(gè)簇的所有成員與另一 個(gè)簇的所有成員的歐氏距離的平均值。合并距離小于4米的簇為一簇，完成第二次吸引子 傳播算法AP聚類(lèi)，聚類(lèi)結(jié)果如圖4所示。
[0072] 在第二次聚類(lèi)過(guò)程中產(chǎn)生的部分結(jié)果如圖5至圖8所示，其中：
[0073] 圖5為第二次聚類(lèi)過(guò)程中產(chǎn)生的兩個(gè)簇，其距離為7. 9615米，不進(jìn)行合并；
[0074] 圖6為第二次聚類(lèi)得到的簇中的奇異點(diǎn)，即圖6中三角形點(diǎn)，被成功找出，這個(gè)奇 異點(diǎn)單獨(dú)劃為一個(gè)簇；
[0075] 圖7為第二次聚類(lèi)過(guò)程中得到的兩個(gè)簇，其距離為2. 9566米，合并為一個(gè)簇，
[0076] 圖8為圖7中兩個(gè)簇合并的結(jié)果圖；
[0077] 將聚類(lèi)結(jié)果記錄到數(shù)據(jù)庫(kù)中，指紋數(shù)據(jù)庫(kù)構(gòu)建完成。
[0078] 步驟2,在線階段實(shí)時(shí)定位。
[0079] 2a)在待定位點(diǎn)測(cè)得來(lái)自周?chē)鶯= 36個(gè)接入點(diǎn)APs的接收信號(hào)強(qiáng)度RSS向量：
[0080] Xr=[Xlr，…，Xkr，…，XlJt
[0081] 其中{xkr，k= 1，2, ...，36}是移動(dòng)設(shè)備在任意一個(gè)方向上采集的數(shù)據(jù)。
[0082] 2b)求出待定位點(diǎn)的接收信號(hào)強(qiáng)度RSS向量X1^與指紋數(shù)據(jù)庫(kù)中各個(gè)簇的聚類(lèi)中 心的接收信號(hào)強(qiáng)度RSS向量之間的相似度，相似度被定義為：
[0084] 其中為第j個(gè)簇的聚類(lèi)中心在方向〇上的接收信號(hào)強(qiáng)度RSS向量，H為所有簇 的聚類(lèi)中心的集合，〇 = {0°，90° ,180° ,270° };
[0085] 設(shè)置閾值：
其中ai+a2= 1，本 實(shí)例a1= 0.95 ;
[0086] 將相似度s(r，j)W大于閾值a的簇作為粗定位匹配的簇；
[0087] 2c)精確定位：隨機(jī)選取8個(gè)接入點(diǎn)APs，利用這8個(gè)接入點(diǎn)APs和粗定位匹配得 到的簇的簇成員的接收信號(hào)強(qiáng)度RSS，通過(guò)壓縮感知算法求出待定位點(diǎn)的精確位置，完成待 定位點(diǎn)的定位。
[0088] 本發(fā)明的效果可通過(guò)以下實(shí)驗(yàn)進(jìn)一步詳細(xì)說(shuō)明。
[0089] 用本發(fā)明與現(xiàn)有的Wi-Fi室內(nèi)定位技術(shù)進(jìn)行定位。
[0090] 現(xiàn)有Wi-Fi室內(nèi)定位技術(shù)為：
[0091] 在離線階段采集參考點(diǎn)的接收信號(hào)強(qiáng)度RSS指紋數(shù)據(jù)，根據(jù)接收信號(hào)強(qiáng)度RSS對(duì) 參考點(diǎn)進(jìn)行一次聚類(lèi)，構(gòu)建指紋數(shù)據(jù)庫(kù)，而不進(jìn)行第二次聚類(lèi)；在線階段進(jìn)行實(shí)時(shí)定位，采 集待定位點(diǎn)處的接收信號(hào)強(qiáng)度RSS，粗定位階段匹配若干個(gè)簇，精確定位階段利用粗定位階 段匹配得到的簇，通過(guò)壓縮感知算法得出待定位點(diǎn)的位置。
[0092] 選取10個(gè)待定位點(diǎn)，每個(gè)點(diǎn)采用本發(fā)明和現(xiàn)有技術(shù)分別定位10次，記錄待定位點(diǎn) 實(shí)際位置和每次定位的結(jié)果，計(jì)算定位誤差，定位誤差為待定位點(diǎn)的實(shí)際位置和定位結(jié)果 之間的歐氏距離。計(jì)算本發(fā)明和現(xiàn)有技術(shù)的平均定位誤差，并統(tǒng)計(jì)其誤差的概率分布，結(jié)果 如圖9所示。
[0093] 從圖9可以看出：除了最初1米，帶圈實(shí)線遠(yuǎn)在帶星花實(shí)線之上，說(shuō)明在同樣環(huán)境 條件下，本發(fā)明的定位精度明顯高于現(xiàn)有技術(shù)的定位精度。
[0094] 從圖9還可以看出：現(xiàn)有技術(shù)定位誤差在3米以?xún)?nèi)的概率為0.5,而本發(fā)明定位誤 差在3米以?xún)?nèi)的概率為0. 7 ;現(xiàn)有技術(shù)定位誤差在4米以?xún)?nèi)的概率為0. 66,而本發(fā)明定位誤 差在4米以?xún)?nèi)的概率為0.88 ;現(xiàn)有技術(shù)的最大定位誤差約11米，而本發(fā)明的最大定位誤差 約為5米。
[0095] 通過(guò)計(jì)算得知，現(xiàn)有技術(shù)的平均定位誤差為3. 2919米，本發(fā)明的平均定位誤差為 2. 4225 米。
[0096] 綜上，本發(fā)明的定位精度高于現(xiàn)有技