一种基于样本聚类的RBF神经网络室内定位方法

摘要

本发明是基于样本聚类的RBF神经网络室内定位方法，该方法以不同发射功率下信号丢包率为基础数据，采用聚类算法筛选出具有相似特征点的训练样本集，然后通过RBF神经网络来对这个样本集进行训练，最终达到预测未知移动节点的位置坐标。由通讯距离与信号丢包率的关系，本发明的样本集信息丰富，可以更好的刻画信号与距离的关系；同时采用聚类算法筛选位置相似特征点以及RBF神经网络训练数据，使大规模、大范围情况下收集数据方便简单，真正达到实用的地步，同时算法具有收敛速度快、定位精确等优点。

主权项

基于样本聚类的RBF神经网络室内定位方法，其特征在于，具体包括：S1、在室内定位环境中设置信标节点，记录其位置坐标，在各个信标节点处安装信号接收设备，接收信号源信号；S2、在室内定位环境中选择参考点，记录其位置坐标，在各个参考点处放置信号发射设备，所述信号发射设备以不同的信号发射功率分别向信标节点发送固定数目的定位数据包，记录信标节点处的不同功率数据包的丢包率，构成样本集Q；S3、在样本集Q中，对同一参考点在不同信标节点处的不同发射功率的丢包率进行筛选，每个参考点处选择k个信标节点的数据作为特征数据，构成训练样本集R；S4、利用步骤S3建立的训练样本集R训练RBF神经网络，得到定位模型；S5、采集待定位目标的不同发射功率的丢包率信息，对不同信标节点的丢包率信息进行筛选，选择k个信标节点的数据，利用步骤S4训练得到的定位模型预测待定位目标的位置坐标。