何 堅(jiān) 萬(wàn)志江 劉金偉

?

基于電源線(xiàn)和位置指紋的室內(nèi)定位技術(shù)

何 堅(jiān)①萬(wàn)志江*①劉金偉②

①(北京工業(yè)大學(xué)軟件學(xué)院 北京 100124)②(北京工業(yè)大學(xué)信息中心 北京 100124)

該文提出將室內(nèi)環(huán)境不可或缺的電源線(xiàn)作為天線(xiàn)，通過(guò)在電源線(xiàn)上注入寬帶高頻信號(hào)構(gòu)造室內(nèi)空間的位置指紋，進(jìn)而實(shí)現(xiàn)室內(nèi)空間精確定位。首先介紹了電源線(xiàn)上寬帶高頻信號(hào)注入模塊的實(shí)現(xiàn)技術(shù)，以及室內(nèi)空間位置指紋的構(gòu)造方法；其次，介紹了基于樸素貝葉斯分類(lèi)算法的室內(nèi)定位原理；最后，通過(guò)實(shí)驗(yàn)分析證明在多訓(xùn)練樣本情況下，基于樸素貝葉斯分類(lèi)算法的定位算法比基于K最鄰近點(diǎn)(KNN)分類(lèi)算法的定位算法有更好的定位準(zhǔn)確率和時(shí)間遷移適應(yīng)能力。

室內(nèi)定位；位置指紋；樸素貝葉斯分類(lèi)算法；K最鄰近點(diǎn)

1 引言

本文首先介紹基于電源線(xiàn)的室內(nèi)定位原理，220 V電源線(xiàn)上寬帶高頻信號(hào)注入模塊的實(shí)現(xiàn)技術(shù)，以及室內(nèi)空間位置指紋的構(gòu)造方法；其次，介紹基于樸素貝葉斯的室內(nèi)空間定位原理和實(shí)現(xiàn)方法；最后，通過(guò)實(shí)驗(yàn)分析證明在多訓(xùn)練樣本情況下，基于樸素貝葉斯的定位算法比基于KNN的定位算法有更好的定位準(zhǔn)確率和時(shí)間遷移適應(yīng)能力。

2 相關(guān)基礎(chǔ)工作

本文將室內(nèi)空間劃分為等間距的不同節(jié)點(diǎn)，并以部署在房間墻體內(nèi)的電源線(xiàn)作為天線(xiàn)，在電源線(xiàn)上輸入寬帶高頻信號(hào)。寬帶高頻信號(hào)在室內(nèi)傳播過(guò)程中會(huì)有信號(hào)衰減，若合理設(shè)定電源線(xiàn)上注入信號(hào)的頻段，使每個(gè)節(jié)點(diǎn)接收到的信號(hào)強(qiáng)度不同(即構(gòu)造室內(nèi)空間的位置指紋)，就可依據(jù)定位目標(biāo)在室內(nèi)空間接收到的信號(hào)強(qiáng)度確定其所在室內(nèi)空間的位置。基于電源線(xiàn)的定位需要解決電源線(xiàn)上寬帶信號(hào)注入、位置指紋構(gòu)造和定位算法3方面的問(wèn)題。

2.1電源線(xiàn)上寬帶高頻信號(hào)注入模塊

向電源線(xiàn)注入抗干擾能力強(qiáng)、失真度小的信號(hào)是基于電源線(xiàn)的定位技術(shù)的基礎(chǔ)。Shwetak等[10]通過(guò)濾除110 V電源(美國(guó)民用電壓為110 V)，并直接使用昂貴的Agilent 33220A信號(hào)發(fā)生器向電源線(xiàn)上注入信號(hào)。目前國(guó)內(nèi)外尚未有針對(duì)220 V電源線(xiàn)的專(zhuān)用信號(hào)發(fā)生器，而已有信號(hào)發(fā)生器無(wú)法濾除電源線(xiàn)上220 V的50~60 Hz的工頻信號(hào)，會(huì)被強(qiáng)電燒壞。因此本文采用Arduino Mega開(kāi)發(fā)板和通用高頻信號(hào)發(fā)生器AD9850構(gòu)造了220 V電源線(xiàn)上的寬帶高頻信號(hào)注入模塊，模塊結(jié)構(gòu)圖如圖1所示。

在圖1中，用Arduino Mega開(kāi)發(fā)板上的處理器是信號(hào)注入設(shè)備的控制器。其接收用戶(hù)輸入的頻率值，按照式(1)計(jì)算出頻率控制字，并將頻率控制字送往AD9850信號(hào)發(fā)生器。AD9850信號(hào)發(fā)生器根據(jù)頻率控制字輸出高頻正弦信號(hào)。由于AD9850產(chǎn)生的正弦高頻信號(hào)的最大電壓只有1 V左右，該高頻信號(hào)在電源線(xiàn)上傳播時(shí)，會(huì)受到電源線(xiàn)上220 V的工頻信號(hào)及其他干擾信號(hào)的影響，且1 V的信號(hào)電壓太低導(dǎo)致信號(hào)迅速衰減。因此本文采用LT1226CS8運(yùn)算放大器對(duì)AD9850產(chǎn)生的高頻信號(hào)進(jìn)行二級(jí)放大，使得AD9850產(chǎn)生的1 V高頻正弦波被放大到10 V高頻正弦波，并且波形不失真。最后，放大后的高頻信號(hào)通過(guò)220 V電壓濾波器注入電源線(xiàn)。220 V電壓濾波器具有通高頻阻低頻的特點(diǎn)，可以濾除220 V工頻信號(hào)，保護(hù)LT1226CS8運(yùn)算放大器和AD9850信號(hào)發(fā)生器，以防其被電源線(xiàn)上的220 V電壓擊穿。盡管AD9850信號(hào)發(fā)生器可以產(chǎn)生100 kHz~30 MHz的信號(hào)，但圖1所示模塊生成的信號(hào)超過(guò)20 MHz時(shí)不穩(wěn)定，因此本文采用頻率低于20 MHz的寬帶高頻信號(hào)作為注入信號(hào)。

2.2 位置指紋構(gòu)造

位置指紋構(gòu)造是基于電源線(xiàn)的室內(nèi)定位的關(guān)鍵。Shwetak等人[10]選取房間中相距最遠(yuǎn)的兩個(gè)電源插座作為信號(hào)注入點(diǎn)，分別注入447 kHz和33 kHz的信號(hào)構(gòu)造位置指紋，即每個(gè)節(jié)點(diǎn)的位置指紋由接收到的447 kHz和33 kHz信號(hào)的強(qiáng)度來(lái)確定。該方法構(gòu)造的位置指紋時(shí)間遷移適應(yīng)能力較弱，定位準(zhǔn)確率隨著定位時(shí)間與位置指紋構(gòu)造時(shí)間的時(shí)間差增加而快速下降。因此本文分別在電源線(xiàn)上注入頻率為1 MHz~8 MHz(步長(zhǎng)為500 kHz)共15種頻率信號(hào)來(lái)構(gòu)造位置指紋，即房間中每個(gè)節(jié)點(diǎn)的位置指紋由接收到的15種頻率值的信號(hào)強(qiáng)度共同確定。

位置指紋構(gòu)造環(huán)境如圖2所示。其中，選取819A室東北角墻上的電源插座作為信號(hào)注入點(diǎn)，注入1~8 MHz共15種頻率值的高頻信號(hào)；選擇819B室(面積3.6 m×8.1 m)作為位置指紋構(gòu)造及實(shí)驗(yàn)房間。在819B室中，以0.9 m×0.9 m的正方形為單位，將房間劃分為36個(gè)子空間(本文將每個(gè)子空間稱(chēng)為一個(gè)節(jié)點(diǎn))，每個(gè)節(jié)點(diǎn)分別標(biāo)記為A1~I4，其中，字母A~I為行標(biāo)記，數(shù)字1~4為列標(biāo)記。

圖2 室內(nèi)位置指紋構(gòu)造環(huán)境

2012年課題組從10月6日至12月1日按照每周2次的數(shù)據(jù)采樣頻度，共采集了12組位置指紋數(shù)據(jù)。為了保證采集數(shù)據(jù)的可對(duì)比性，實(shí)驗(yàn)人員每次均從傍晚7點(diǎn)開(kāi)始采集數(shù)據(jù)，每次數(shù)據(jù)采集花費(fèi)1.5 h。表1所示為1 MHz信號(hào)在819B室36個(gè)節(jié)點(diǎn)上的信號(hào)強(qiáng)度。表中G1和H1(靠近電源線(xiàn)插座)節(jié)點(diǎn)的信號(hào)較強(qiáng)，表明信號(hào)確實(shí)在電源線(xiàn)上傳播，將電源線(xiàn)作為天線(xiàn)的方法確實(shí)可行。

表1 1 MHz信號(hào)在36個(gè)節(jié)點(diǎn)上的信號(hào)強(qiáng)度(dB)

3 基于樸素貝葉斯的室內(nèi)定位算法

室內(nèi)環(huán)境中通常包含多種電器設(shè)備，且具有人員隨機(jī)活動(dòng)，環(huán)境經(jīng)常變化等特征。因此選擇和構(gòu)造適應(yīng)環(huán)境變化的算法是實(shí)現(xiàn)基于電源線(xiàn)的室內(nèi)空間準(zhǔn)確定位的關(guān)鍵。Shwetak在WPLP[16]中采用了KNN算法。雖然提高了KNN算法的時(shí)間遷移適應(yīng)能力，但是該算法在精確度為0.9 m×0.9 m的子空間中得到的定位準(zhǔn)確率具有較大波動(dòng)。本文采用基于樸素貝葉斯分類(lèi)的位置指紋匹配算法。

3.1 樸素貝葉斯分類(lèi)算法

樸素貝葉斯分類(lèi)算法的思想基礎(chǔ)是：對(duì)于給出的待分類(lèi)項(xiàng)，求解在此項(xiàng)出現(xiàn)的條件下各個(gè)類(lèi)別出現(xiàn)的概率，哪個(gè)最大，就認(rèn)為此待分類(lèi)項(xiàng)屬于哪個(gè)類(lèi)別。樸素貝葉斯分類(lèi)的工作過(guò)程如下：

在引入訓(xùn)練樣本集后，可采用如下步驟計(jì)算第3步中的各個(gè)條件概率：

步驟..1 找到一個(gè)已知分類(lèi)的待分類(lèi)項(xiàng)集合，這個(gè)集合叫做訓(xùn)練樣本集；

步驟.3 如果各特征屬性是條件獨(dú)立的，則根據(jù)貝葉斯定理有如下推導(dǎo)：

在式(2)中，由于分母對(duì)于所有類(lèi)別為常數(shù)，因此只要使分子最大化即可。此外，由于各屬性是條件獨(dú)立的，根據(jù)式(2)可知：

3.2 基于樸素貝葉斯分類(lèi)的定位原理

若將室內(nèi)空間中特定區(qū)域?qū)?yīng)于分類(lèi)算法中特定類(lèi)別，就可將室內(nèi)空間定位視作采用樸素貝葉斯分類(lèi)算法判斷待確定節(jié)點(diǎn)屬于哪個(gè)區(qū)域。

采用樸素貝葉斯分類(lèi)算法進(jìn)行室內(nèi)定位，其流程包括以下3個(gè)階段：

(1)準(zhǔn)備工作階段：主要工作是對(duì)智能空間中的不同位置進(jìn)行劃分。在圖2所示的819B室中，包含A1~I4累計(jì)64個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)由15個(gè)不同強(qiáng)度的高頻信號(hào)標(biāo)識(shí)(即每個(gè)節(jié)點(diǎn)包含15維屬性)。此外，為了分析室內(nèi)定位算法精度與準(zhǔn)確率間的關(guān)系，課題組將819B室分別劃分為包含3, 6, 10及36類(lèi)子空間(如圖3所示)。其中，3, 6, 10和36類(lèi)子空間的定位精度分別為3.6 m×2.7 m, 1.8 m×2.7 m, 1.8 m×1.8 m和0.9 m×0.9 m。針對(duì)這些不同類(lèi)別子空間，由人工對(duì)樣本分類(lèi)訓(xùn)練，以形成訓(xùn)練樣本集合。

(2)分類(lèi)器訓(xùn)練階段：主要工作是計(jì)算每個(gè)類(lèi)別在訓(xùn)練樣本中的出現(xiàn)頻率及每個(gè)特征屬性劃分對(duì)每個(gè)類(lèi)別的條件概率估計(jì)，得到貝葉斯分類(lèi)器。此階段由程序根據(jù)式(2)自動(dòng)計(jì)算完成。

(3)應(yīng)用階段：其任務(wù)是使用分類(lèi)器對(duì)測(cè)試樣本中的每個(gè)測(cè)試元組進(jìn)行分類(lèi)，其輸入是測(cè)試樣本，輸出是測(cè)試樣本中每個(gè)測(cè)試元組的類(lèi)別，此階段由程序完成。

4 實(shí)驗(yàn)結(jié)果分析

課題組將采集的12組數(shù)據(jù)中第1~11組數(shù)據(jù)作為訓(xùn)練樣本，將第12組數(shù)據(jù)作為測(cè)試樣本。此外，課題組同時(shí)設(shè)計(jì)實(shí)現(xiàn)了基于KNN的定位算法，以便與基于樸素貝葉斯的定位算法進(jìn)行對(duì)比分析。課題組在進(jìn)行單樣本訓(xùn)練時(shí)分析發(fā)現(xiàn)：KNN算法中K取值2時(shí)，算法對(duì)3, 6, 10和36類(lèi)子空間都有最高定位準(zhǔn)確率，因此本文中K值取2。

4.1 KNN和樸素貝葉斯定位算法的準(zhǔn)確率對(duì)比

為了比較KNN算法和樸素貝葉斯算法的定位效果，課題組采用式(5)來(lái)計(jì)算兩種位置指紋匹配算法的定位準(zhǔn)確率。

準(zhǔn)確率=[TP/(TP+TN)]×100% (5)

其中，TP為正確分類(lèi)的測(cè)試元組數(shù)量，即算法輸出的測(cè)試樣本中每個(gè)測(cè)試元組的類(lèi)別和實(shí)際類(lèi)別一致。TN為錯(cuò)誤分類(lèi)的測(cè)試元組數(shù)量，即算法輸出的測(cè)試樣本中每個(gè)測(cè)試元組的類(lèi)別和實(shí)際類(lèi)別不一致。

KNN算法和樸素貝葉斯算法在單訓(xùn)練樣本情況下的定位準(zhǔn)確率對(duì)比如圖4所示。圖4中，縱軸表示定位準(zhǔn)確率，橫軸表示數(shù)據(jù)采集相對(duì)時(shí)間點(diǎn)，即測(cè)試樣本和訓(xùn)練樣本間以天為單位的時(shí)間偏移值。從圖中可以發(fā)現(xiàn)：以1天為間隔，KNN算法針對(duì)3, 6, 10和36類(lèi)子空間的定位準(zhǔn)確率都達(dá)到100%，樸素貝葉斯算法定位準(zhǔn)確率達(dá)到70%以上，說(shuō)明兩種算法均可有效區(qū)分位置指紋。此外，隨著時(shí)間的推移，兩種算法的匹配準(zhǔn)確率下降，并且定位精度越高，定位準(zhǔn)確率越低。因此課題組采用多組數(shù)據(jù)構(gòu)成訓(xùn)練樣本，以分析兩種算法在多訓(xùn)練樣本下的定位精度和準(zhǔn)確率。

圖5所示為在多訓(xùn)練樣本情況下，基于KNN和樸素貝葉斯的定位算法針對(duì)3, 6, 10和36類(lèi)子空間的定位準(zhǔn)確率對(duì)比。圖中縱軸表示定位準(zhǔn)確率，橫軸表示3, 6, 10和36類(lèi)子空間。其中，圖5(a)選取第1~6組數(shù)據(jù)作為訓(xùn)練樣本；圖5(b)選取第1~9組數(shù)據(jù)作為訓(xùn)練樣本；圖5(c)選取第1~11組數(shù)據(jù)作為訓(xùn)練樣本。為確保定位結(jié)果可對(duì)比，共同選取第12組數(shù)據(jù)作為測(cè)試樣本。由圖5可發(fā)現(xiàn)如下規(guī)律：

(1)隨著樣本數(shù)量的增加，基于樸素貝葉斯的定位算法的定位準(zhǔn)確率逐步提高，基于KNN的定位算法的定位精確度基本保持不變。例如，在6組訓(xùn)練樣本情況下，基于樸素貝葉斯的定位算法針對(duì)36類(lèi)和10類(lèi)子空間的定位準(zhǔn)確率分別為41.67%和72.22%；在11組訓(xùn)練樣本情況下，基于樸素貝葉斯的定位算法針對(duì)36類(lèi)和10類(lèi)子空間的定位準(zhǔn)確率分別為63.89%和75.00%；而基于KNN的定位算法在6組、11組訓(xùn)練樣本情況下，針對(duì)36類(lèi)和10類(lèi)子空間的定位準(zhǔn)確率基本維持在50.00%和72.22%。

圖3 子空間分類(lèi)

圖4 單訓(xùn)練樣本下KNN和樸素貝葉斯定位算法準(zhǔn)確度對(duì)比

圖5 KNN算法和樸素貝葉斯算法在多訓(xùn)練樣本情況下定位準(zhǔn)確率的比較結(jié)果

(2)在11組訓(xùn)練樣本情況下，基于樸素貝葉斯的定位算法針對(duì)6, 10和36類(lèi)子空間的定位準(zhǔn)確率基本上都高于基于KNN定位算法的準(zhǔn)確率。因此，在較高定位精度情況下，基于樸素貝葉斯定位算法的定位準(zhǔn)確率高于基于KNN的定位算法。

4.2 KNN和樸素貝葉斯定位算法時(shí)間遷移適應(yīng)能力對(duì)比

在基于位置指紋的室內(nèi)定位技術(shù)中，隨著時(shí)間遷移室內(nèi)環(huán)境經(jīng)常發(fā)生變化，這將影響定位準(zhǔn)確率，因此定位算法能否具有較強(qiáng)的時(shí)間遷移適應(yīng)能力非常重要。本文依據(jù)已采樣的12組數(shù)據(jù)，對(duì)基于KNN和樸素貝葉斯定位算法的時(shí)間遷移適應(yīng)能力進(jìn)行了比較分析。

圖6和圖7所示為在單訓(xùn)練樣本下KNN和樸素貝葉斯定位算法的時(shí)間遷移適應(yīng)能力。其中，縱軸表示定位準(zhǔn)確率，橫軸表示測(cè)試樣本和訓(xùn)練樣本間以天數(shù)為單位的時(shí)間偏移量。對(duì)比圖6和圖7可發(fā)現(xiàn)KNN定位算法對(duì)時(shí)間遷移的適應(yīng)能力曲線(xiàn)不平滑，說(shuō)明KNN定位算法的時(shí)間遷移適應(yīng)能力較弱。而基于樸素貝葉斯的定位算法的定位準(zhǔn)確率隨時(shí)間遷移的變化曲線(xiàn)相對(duì)比較平緩(尤其在3類(lèi)、6類(lèi)和36類(lèi)子空間情況下)。初步可以判斷基于樸素貝葉斯定位算法的時(shí)間遷移適應(yīng)能力強(qiáng)于基于KNN的定位算法。

圖8和圖9所示為6組訓(xùn)練樣本情況下，兩種定位算法的時(shí)間遷移適應(yīng)能力對(duì)比。通過(guò)對(duì)比可發(fā)現(xiàn)，基于樸素貝葉斯的定位算法在3, 6和10類(lèi)子空間情況下隨著時(shí)間遷移，定位精確度相對(duì)穩(wěn)定。其中，在3類(lèi)子空間中，定位準(zhǔn)確率基本維持在65%以上；在6類(lèi)子空間中，定位準(zhǔn)確率基本維持在68%以上；在10類(lèi)子空間條件下，定位準(zhǔn)確率基本維持在70%左右；在36類(lèi)子空間中，在時(shí)間遷移小于20天時(shí)，定位準(zhǔn)確率基本維持在70%以上，但在時(shí)間漂移至27天時(shí)，定位精度又急劇下降。與此相對(duì)，基于KNN的定位算法在3, 6, 10和36類(lèi)子空間中，定位準(zhǔn)確率均有較大波動(dòng)。整體而言，基于樸素貝葉斯定位算法的時(shí)間遷移適應(yīng)能力優(yōu)于基于KNN的定位算法。

圖6 單訓(xùn)練樣本下KNN算法時(shí)間遷移適應(yīng)能力

圖7 單訓(xùn)練樣本下樸素貝葉斯算法的時(shí)間遷移適應(yīng)能力

圖8 6組訓(xùn)練樣本下KNN算法時(shí)間遷移適應(yīng)能力

圖9 6組訓(xùn)練樣本下樸素貝葉斯算法的時(shí)間遷移適應(yīng)能力

4.3 樸素貝葉斯算法的適用性分析

實(shí)驗(yàn)分析證明在多訓(xùn)練樣本情況下，基于樸素貝葉斯算法比KNN算法具有更好的定位準(zhǔn)確率和時(shí)間遷移能力，該結(jié)論符合樸素貝葉斯定位算法的特性。關(guān)于樸素貝葉斯定位算法對(duì)本文位置指紋數(shù)據(jù)分類(lèi)的適用性分析描述為：

(2)從表1中可知G1和H1(靠近電源線(xiàn)插座)節(jié)點(diǎn)的信號(hào)較強(qiáng)，即電源線(xiàn)附近節(jié)點(diǎn)具有較高的寬頻信號(hào)強(qiáng)度，在越靠近電源線(xiàn)的位置，出現(xiàn)高強(qiáng)度的寬頻信號(hào)概率越大。因此，以條件概率為基礎(chǔ)的樸素貝葉斯算法將具有較高寬頻信號(hào)強(qiáng)度的節(jié)點(diǎn)分類(lèi)到靠近電源線(xiàn)的區(qū)域。

綜上所述，由于樸素貝葉斯算法基于條件概率進(jìn)行決策的特性和寬帶高頻信號(hào)在基于電源線(xiàn)的室內(nèi)定位系統(tǒng)中信號(hào)強(qiáng)度分布的特點(diǎn)，不僅從整體上提高了該算法的定位準(zhǔn)確率，而且較高的定位準(zhǔn)確率也有效保證了樸素貝葉斯算法穩(wěn)定的時(shí)間遷移能力。因此，樸素貝葉斯算法對(duì)基于電源線(xiàn)和位置指紋分類(lèi)具有較強(qiáng)的適用性。

5 結(jié)束語(yǔ)

本文將室內(nèi)環(huán)境不可或缺的電源線(xiàn)作為天線(xiàn)，通過(guò)在電源線(xiàn)上注入寬帶高頻信號(hào)構(gòu)造室內(nèi)空間的位置指紋，設(shè)計(jì)實(shí)現(xiàn)了基于樸素貝葉斯的定位算法，實(shí)現(xiàn)室內(nèi)空間的精確定位。同時(shí)，實(shí)驗(yàn)分析證明基于樸素貝葉斯的室內(nèi)定位算法在多訓(xùn)練樣本情況下，比KNN算法有更高的定位準(zhǔn)確率和時(shí)間遷移適應(yīng)能力。下一步，課題組將設(shè)計(jì)開(kāi)發(fā)電源線(xiàn)上傳輸?shù)膶拵Ц哳l信號(hào)接收模塊；探索應(yīng)用支持向量機(jī)(SVM)、人工神經(jīng)網(wǎng)絡(luò)(ANN)等算法，進(jìn)一步提高定位精度和準(zhǔn)確率。

[1] Ward A, Jones A, and Harper A. A new location technique for the active office[J]., 1997, 4(5): 42-47.

[2] Bahl and Padmanabhan V N. RADAR. an in-building RF-based user location and tracking system[C]. Proceedings of the Nineteenth Annual Joint Conference of the IEEE Computer and Communications Societies, Piscataway, NJ, USA, 2000: 775-784.

[3] Priyantha N B, Chakraborty A, and Balakrishnan H. The cricket location-support system[C]. Proceedings of the 6th Annual International Conference on Mobile Computing and Networking, New York, NJ, USA, 2000: 32-43.

[4] Lorincz K and Welsh M. MoteTrack. a robust, decentralized approach to RF -based location tracking[C]. Proceedings of the International Workshop on Location and Context- Awareness, Berlin, Germany, 2005: 63-82.

[5] Li H B, Shen X F, Zhao J,INEMO: distributed RF-based indoor location determination with confidence indicator[J]., 2007, 3(4): 86-96.

[6] 王珊珊, 殷建平, 蔡志平, 等. 基于 RSSI 的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自身定位算法[J]. 計(jì)算機(jī)研究與發(fā)展, 2008, 45(1): 385-388.

Wang Shan-shan, Yin Jian-ping, Cai Zhi-ping,A RSSI-based self-localization algorithm for wireless sensor networks[J]., 2008, 45(1): 385-388.

[7] Lionel M N, Liu Y H, Lau Y C,LANDMARC: indoor location sensing using active RFID[J]., 2004, 10(6): 701-710.

[8] 孫佩剛, 趙海, 張文波, 等. 普適計(jì)算中定位服務(wù)的參考點(diǎn)布置及選擇算法[J]. 電子學(xué)報(bào), 2006, 34(8): 1456-1463.

Sun Pei-gang, Zhao Hai, Zhang Wen-bo,Research on reference nodes placement and selection of ubiquitous computing locating service[J]., 2006, 34(8): 1456-1463.

[9] 孫佩剛, 趙海, 羅玎玎, 等. 智能空間 RSSI 定位問(wèn)題研究[J]. 電子學(xué)報(bào), 2007, 35(7): 1240-1245.

Sun Pei-gang, Zhao Hai, Luo Ding-ding,Research on RSSI-based location in smart space[J]., 2007, 35(7): 1240-1245.

[10] Shwetak N P, Khai N T, and Gregory D A. PowerLine positioning: a practical sub-room-level indoor location system for domestic use[C]. Proceedings of the Eighth International Conference of Ubiquitous Computing, USA, 2006: 441-458.

[11] 張浩, 劉興, 崔學(xué)榮, 等. 基于單基站天線(xiàn)陣列的超寬帶定位 AOA 估計(jì)方法[J]. 電子與信息學(xué)報(bào), 2013, 8(6): 2024-2028.

Zhang Hao, Liu Xing, Cui Xue-rong,AOA estimation for UWB positioning using a mono-station antenna array [J].&, 2013, 8(6): 2024-2028.

[12] Hossain S, Ariffin S H S, Fisal N,Accuracy enhancement of fingerprint indoor positioning system[C]. Intelligent Systems, Modelling and Simulation (ISMS), Malaysia, 2012: 600-605.

[13] Le Dortz N, Gain F, and Zetterberg P. WiFi fingerprint indoor positioning system using probability distribution comparison[C]. Acoustics, Speech and Signal Processing (ICASSP), Japan, 2012: 2301-2304.

[14] Zhang Yue-xing, Zhu Ying, Lu Ming-ming,Using compressive sensing to reduce fingerprint collection for indoor localization[C]. Wireless Communications and Networking Conference (WCNC), China, 2013: 4540-4545.

[15] Phimmasean S, Chuenurajit T, and Cherntonomwong P. Indoor localization system based on fingerprint technique using RFID passive tag[C]. Electrical Engineering/ Electronics, Computer, Telecommunications and Information Technology (ECTI-CON), Thailand, 2013: 1-6.

[16] Stuntebeck E P, Patel S N, Robertson T,Wideband powerline positioning for indoorlocalization[C]. Proceedings of the 10th International Conference on Ubiquitous Computing, ACM, USA, 2008: 94-103.

何 堅(jiān)： 男，1969年生，副教授，研究方向?yàn)榍度胧杰浖c系統(tǒng)和普適計(jì)算.

萬(wàn)志江： 男，1989年生，碩士生，研究方向?yàn)榍度胧杰浖c系統(tǒng)和室內(nèi)定位.

Indoor Positioning Technology Based onPowerline and Location Fingerprint

He Jian①Wan Zhi-jiang①Liu Jin-wei②

①(,,100124,)②(,,100124,)

The power line being indispensable under indoor environment is firstly introduced to be as the antenna, which wideband high-frequency signals are injected into it to obtain the location fingerprint so as to achieve precise indoor positioning. Firstly, the realization technology about the injection of the wideband high-frequency signal analysis is proposed, and the construction method of the indoor location fingerprint is deeply described. Meanwhile, the indoor positioning technology based on the naive Bias classification algorithm is discussed at detail. Finally, the experimental analysis shows that the positioning technology based on naive Bayes classification algorithm has higher positioning accuracy and better adaptive ability of time migration than the positioning technology based on K-Nearest Neighbor (KNN) classification algorithm, in the case of multiple training samples.

Indoor positioning; Location fingerprint; Naive Bayes classification algorithm; K-Nearest Neighbor (KNN)

TP391

A

1009-5896(2014)12-2902-07

10.3724/SP.J.1146.2013.02022

萬(wàn)志江 wandndn@gmail.com

2013-12-25收到，2014-04-15改回

國(guó)家自然科學(xué)基金(61040039)，北京市自然科學(xué)基金(4102005)和北京市教委科研計(jì)劃(KM201210005029)資助課題