宋明智，錢建生，胡青松

（1.徐州工程學(xué)院 信息工程學(xué)院，江蘇 徐州 221018；2.中國(guó)礦業(yè)大學(xué) 信息與控制工程學(xué)院，江蘇 徐州 221116）

0 引 言

近10 年，電子通信技術(shù)、計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)和移動(dòng)互聯(lián)技術(shù)的快速發(fā)展為井下人員定位系統(tǒng)的研究與 應(yīng) 用 提 供 了 必 要 的 技 術(shù) 支 持［1－2］。 RFID［3］、UWB［4］、WSN［5－6］、WLAN［7］等都已在井下人員定位問題中有相應(yīng)的研究與應(yīng)用［8］。 其中，WLAN 技術(shù)與位置指紋定位算法相結(jié)合的應(yīng)用方案以其成本低、非測(cè)距、精度可控等特點(diǎn)已逐漸得到廣泛的應(yīng)用。

由于煤礦井下巷道地理結(jié)構(gòu)的特殊性，在實(shí)際的井下WLAN 位置指紋定位應(yīng)用中，往往需要采用區(qū)域劃分技術(shù)［9］來輔助提升定位的精度和效率。除此之外，在線定位階段采用位置指紋特征提取技術(shù)能夠進(jìn)一步提升人員定位的精度。 比較常用的特征提取技術(shù)包括LDA（Linear Discrimination Analy?sis）［10－11］、 LLE （ Local Linear Embedding ）［12］、LDE （ Local Discriminant Embedding ）［13－14］、ISOMAP （ Isometric Feature Mapping ）［15－16］和KPCA［17］等。 其中，KPCA 相比其他幾種特征提取技術(shù)在WLAN 位置指紋定位應(yīng)用中有更好的噪聲抑制性能，因此有著更好的實(shí)用性。 KPCA 算法的關(guān)鍵環(huán)節(jié)是本征維數(shù)的計(jì)算與確定，本征維數(shù)選取的恰當(dāng)與否直接決定了位置指紋定位系統(tǒng)的定位精度。 目前，對(duì)于本征維數(shù)的計(jì)算主要通過最大似然估計(jì)獲得。 這一方式雖然計(jì)算效率高且無需準(zhǔn)備大量經(jīng)驗(yàn)數(shù)據(jù)，但由于該方法中的本征維數(shù)大小主要依賴于以數(shù)據(jù)中心點(diǎn)為半徑的球形覆蓋范圍內(nèi)近鄰數(shù)據(jù)點(diǎn)固定個(gè)數(shù)L的取值，而L的取值又和井下定位巷道結(jié)構(gòu)有一定的關(guān)系。 聚類劃分后的位置指紋數(shù)據(jù)庫被分為多個(gè)由不同巷道結(jié)構(gòu)的參考點(diǎn)的位置指紋樣本組成的子位置指紋圖，如果此時(shí)設(shè)定相同的L，這些子位置指紋圖可能會(huì)有不同的本征維數(shù)。因此，對(duì)位置指紋數(shù)據(jù)庫整體求解本征維度的方法將不再適用，而分區(qū)域求解本征維數(shù)的最大似然估計(jì)又會(huì)導(dǎo)致運(yùn)算復(fù)雜度的增加。

為解決上述問題，提出了基于最優(yōu)AP 選擇算法的、能夠自適應(yīng)動(dòng)態(tài)調(diào)整本征維數(shù)的AKPCA 算法。 試驗(yàn)結(jié)果顯示，AKPCA 算法在本征維數(shù)的計(jì)算上比KPCA 算法更具有針對(duì)性，且相比其他特征提取算法有著更好的定位精度。

1 WLAN 位置指紋定位原理

在特定的WLAN 環(huán)境中，空間內(nèi)的某一個(gè)點(diǎn)或某一個(gè)小范圍區(qū)域的物理位置可以與該點(diǎn)或區(qū)域處從多個(gè)AP（Access Point）信號(hào)接收到的一組RSS 序列唯一對(duì)應(yīng)，這就是所謂的位置指紋［18－19］。

WLAN 位置指紋定位分為離線數(shù)據(jù)采集和在線定位2 個(gè)階段，如圖1 所示。

圖1 WLAN 位置指紋定位原理Fig.1 Principle of WLAN location fingerprint positioning

離線階段主要是位置指紋數(shù)據(jù)的采集工作。 在線定位階段，用戶通過隨身攜帶的移動(dòng)終端實(shí)時(shí)采集多個(gè)AP 信號(hào)的RSS，并將采集的RSS 序列與位置指紋數(shù)據(jù)庫中已存儲(chǔ)的所有RSS 序列進(jìn)行比較，選取最相似的1 組RSS 序列所對(duì)應(yīng)的參考點(diǎn)的物理位置作為用戶的估計(jì)位置。 在線定位過程中，一般采用K 近鄰算法（K－Nearest Neighbors，KNN）［20］或加權(quán)K 近鄰算法（Weight K－Nearest Neighbors，WKNN）［21］進(jìn)行位置指紋匹配。 這類算法雖然運(yùn)算復(fù)雜度低，但定位誤差較大。 為了保證井下人員定位的精度，考慮到位置指紋樣本存儲(chǔ)的數(shù)據(jù)結(jié)構(gòu)特點(diǎn)，采用特征提取技術(shù)能夠更好地完成在線位置指紋匹配的工作。 位置指紋的特征提取主要是將位置指紋樣本序列從原始維度空間通過函數(shù)變換映射至新的維度空間中，以更高的計(jì)算復(fù)雜度為代價(jià)換取對(duì)噪聲樣本的進(jìn)一步濾除。 采用特征提取技術(shù)的井下位置指紋定位系統(tǒng)的原理如圖2 所示。

圖2 采用特征提取技術(shù)的井下位置指紋定位系統(tǒng)Fig.2 Underground location fingerprints localization system using feature extraction technology

2 基于KPCA 算法的井下WLAN 位置指紋定位

KPCA 算法是PCA（Principal Component Analy?sis）算法與核函數(shù)法相結(jié)合的應(yīng)用算法［22］。 PCA算法的主要原理是以從原始數(shù)據(jù)集中提取出的含有最大信息量的綜合變量來表征原始的數(shù)據(jù)集。 提取出的綜合變量就是所謂的原始數(shù)據(jù)集的主成分，這些綜合變量彼此間互不相關(guān)，且最大程度的保留了原始數(shù)據(jù)信息。 但PCA 算法屬于線性特征提取技術(shù)，對(duì)于位置指紋定位這類非線性問題的求解存在失真性。 KPCA 算法使用核方法將位置指紋樣本集映射至高維空間，使得原本具有非線性特征的樣本集具備了線性可分性，此時(shí)便可以使用PCA 算法對(duì)轉(zhuǎn)換后的線性樣本集進(jìn)行特征提取，從而實(shí)現(xiàn)非線性樣本集的降維處理并一定程度上提升位置指紋定位的精確性。 而無效信息或噪聲干擾通常都存在于較小特征值對(duì)應(yīng)的特征向量中。 因此，正確選擇合理的核函數(shù)，使映射至高維空間的位置指紋樣本集中有效數(shù)據(jù)能夠更好的被提取保留，這可以進(jìn)一步的提升位置指紋定位系統(tǒng)的定位精度。 使用KPCA算法的定位運(yùn)算步驟如下：

步驟1：設(shè)定已構(gòu)建的位置指紋數(shù)據(jù)庫中的RSS 樣本序列為原始數(shù)據(jù)集，用矩陣形式表示為Φ＝［f1，…，fi，…，fN］T，其中fi為參考點(diǎn)i處采集到的來自R個(gè)AP 信號(hào)源的RSS 向量，N為參考點(diǎn)總數(shù)，矩陣Φ的維度為N×R。

步驟2：非線性映射定義。ζ：SRPR→H，其中SRPR為參考點(diǎn)所屬的歐式空間，H為高維的希爾伯特泛函空間，利用核函數(shù)可以計(jì)算H中的內(nèi)積。

步驟3：對(duì)原始數(shù)據(jù)集進(jìn)行中心化處理，生成新的中心化數(shù)據(jù)集，其中更新后的fi為

中心數(shù)據(jù)集的協(xié)方差矩陣ΦC為通過上述的操作步驟，中心化處理后的位置指紋原始數(shù)據(jù)集中的任意數(shù)據(jù)元f?在高維特征空間中i方向分量上的投影表示為：

其中，Φ?為歸一化處理后的位置指紋樣本矩陣，矩陣維度為N×R。

在線定位階段，利用式（13）將實(shí)時(shí)采集的RSS序列均值化處理后與特征變換矩陣相乘，求得D維實(shí)時(shí)特征向量。 之后，可以使用WKNN 算法將實(shí)時(shí)特征向量與位置指紋特征矩陣進(jìn)行比較，最終獲得估計(jì)位置坐標(biāo)。

目前，KPCA 算法中本征維數(shù)D的確定主要通過最大似然估計(jì)法獲得，具體的計(jì)算公式為：

其中，L為設(shè)定的近鄰點(diǎn)數(shù)量；TK（fi） 為以數(shù)據(jù)元fi為球心的超球體能夠覆蓋L個(gè)近鄰點(diǎn)時(shí)超球體的最小半徑；DL為特征位置指紋數(shù)據(jù)庫的本征維度。 為進(jìn)一步提升定位精度，通過對(duì)近鄰點(diǎn)的差值選擇獲取最優(yōu)本征維數(shù)：

其中，D為多個(gè)結(jié)果統(tǒng)一分析后的最優(yōu)本征維數(shù)。 雖然最大似然估計(jì)法在一定程度上解決了需要依靠經(jīng)驗(yàn)數(shù)據(jù)求解本征維數(shù)的問題。 但是最大似然估計(jì)法一般是針對(duì)整個(gè)位置指紋數(shù)據(jù)庫進(jìn)行的本征維數(shù)計(jì)算，如果需要結(jié)合區(qū)域劃分定位方法的話，還需要對(duì)劃分后的位置指紋子數(shù)據(jù)庫分別進(jìn)行KPCA和最大似然估計(jì)過程，這會(huì)影響位置指紋定位系統(tǒng)的運(yùn)行效率。 而井下定位區(qū)域結(jié)構(gòu)導(dǎo)致了區(qū)域劃分技術(shù)的采用是必然的，那么為了在保證定位精度的前提下，盡可能簡(jiǎn)化實(shí)時(shí)定位過程中的運(yùn)算環(huán)節(jié)，第3 節(jié)將根據(jù)定位區(qū)域聚類劃分的思想，利用最優(yōu)AP選擇算法，提出具有本征維數(shù)自適應(yīng)性取值的AKPCA 定位算法。

3 基于AKPCA 算法的井下WLAN 位置指紋定位

3.1 最優(yōu)AP 選擇算法

在實(shí)際井下定位環(huán)境中，定位區(qū)域一般較大，將有多個(gè)AP 設(shè)備被合理部署在區(qū)域的各個(gè)位置處，那么每個(gè)參考點(diǎn)處只能接收到小部分AP 信號(hào)的RSS 數(shù)據(jù)，RSS 序列中的大部分?jǐn)?shù)據(jù)將由數(shù)據(jù)庫默認(rèn)值（－80 dBm）填補(bǔ)從而屬于無效數(shù)據(jù)。 如果RSS序列使用未經(jīng)處理的全數(shù)據(jù)向量進(jìn)行運(yùn)算，則會(huì)導(dǎo)致大量的資源浪費(fèi)以及定位效率的下降［23－25］。 因此，可以考慮采用最優(yōu)AP 選擇算法解決上述問題。

設(shè)定參考點(diǎn)i處位置指紋樣本序列fi中第k個(gè)AP 信號(hào)的權(quán)重為FRAPk，表示位置指紋樣本采集過程中，第k個(gè)AP 信號(hào)出現(xiàn)的頻率，計(jì)算公式為：

其中，TAPki為在參考點(diǎn)i處的Ti次采集總數(shù)中第k個(gè)AP 信號(hào)被采集的總次數(shù)。

通過位置指紋樣本的離線采集過程，每個(gè)參考點(diǎn)都有一個(gè)最優(yōu)AP 選擇因子序列FACi，結(jié)合井下定位區(qū)域聚類劃分方法［9］在實(shí)時(shí)定位過程中使用FACi對(duì)實(shí)時(shí)采集的RSS 序列中的無效數(shù)據(jù)進(jìn)行濾除。 假設(shè)用戶實(shí)時(shí)采集的RSS 序列為fW＝｛fAP1，…，fAPk，…，fAPR｝ ，經(jīng)過定位區(qū)域判別后fW所屬聚類e內(nèi)的參考點(diǎn)編號(hào)為｛1，…，i，…，Ne｝ ，這些參考點(diǎn)對(duì)應(yīng)的最優(yōu)AP 選擇因子為FACi＝｛FACAP1i，…，F(xiàn)ACAPki，…，F(xiàn)ACAPRi｝ 。fW中無效AP 信號(hào)數(shù)據(jù)的濾除條件為：

其中，ηAP為AP 信號(hào)有效因子。 式（20）表示如果AP 信號(hào)k在聚類e內(nèi)的每個(gè)參考點(diǎn)處的最優(yōu)AP 選擇因子都小于ηAP，則fW中可以濾除fAPk使其不參與位置指紋匹配運(yùn)算。 最優(yōu)AP 選擇因子FACi就是對(duì)KPCA 算法本征維數(shù)自適應(yīng)性取值改進(jìn)上的重要參數(shù)。

3.2 AKPCA 算法

基于最優(yōu)AP 選擇算法的本征維數(shù)求解過程相對(duì)簡(jiǎn)單。 根據(jù)3.1 節(jié)所述內(nèi)容，經(jīng)過聚類劃分后的區(qū)域e對(duì)應(yīng)的子位置指紋庫的本征維數(shù)De通過下述公式求得：

其中，i＝｛1，…，Ne｝ ；k＝｛1，…，R｝ ；FAC?i為濾除無效AP 信號(hào)分量后的最優(yōu)AP 選擇因子序列，需要通過迭代計(jì)算獲得；count（·） 為向量中含有數(shù)據(jù)分量個(gè)數(shù)的統(tǒng)計(jì)函數(shù)。

式（21）所表達(dá)的主要思想是，根據(jù)對(duì)位置指紋數(shù)據(jù)庫的聚類劃分，對(duì)每一個(gè)聚類中能夠接收到的有效AP 信號(hào)的最大個(gè)數(shù)進(jìn)行統(tǒng)計(jì)，統(tǒng)計(jì)的結(jié)果就是聚類區(qū)域子位置指紋庫的最優(yōu)本征維數(shù)。 最優(yōu)AP 選擇算法的引入，使KPCA 算法的運(yùn)用更加靈活，在位置指紋數(shù)據(jù)庫聚類劃分的過程中即可完成各劃分區(qū)域?qū)?yīng)本征維數(shù)的計(jì)算。

AKPCA 算法主要是針對(duì)本征維數(shù)取值的改進(jìn)，其他計(jì)算過程與第2 節(jié)中所闡述的KPCA 算法的運(yùn)算步驟相同。 理論上，AKPCA 算法不僅在執(zhí)行效率上要優(yōu)于KPCA 算法，且本證維數(shù)確定的合理性也要優(yōu)于使用最大似然估計(jì)法的計(jì)算結(jié)果，從而保證了特征提取過程中無效位置指紋樣本信息的最優(yōu)濾除，也保證了位置指紋定位的精度。

4 試驗(yàn)及結(jié)果分析

圖3 給出了巷道同一位置處連續(xù)采樣同一AP信號(hào)1 000 次的RSS 值分布情況。 從圖3 中可以看出，由于受到電磁噪聲的影響，同一位置處接收到同一井下AP 信號(hào)的RSS 值并不是一成不變的，并且某些情況下會(huì)有較大的波動(dòng)。 如果使用傳統(tǒng)的RSS測(cè)距進(jìn)行井下人員定位，其同一位置處的測(cè)距結(jié)果具有不確定性，大概率會(huì)使最終的位置估計(jì)產(chǎn)生較大的誤差。 這是本文選擇位置指紋定位方法的重要原因，而提出的AKPCA 算法也能夠進(jìn)一步減小RSS樣本隨機(jī)動(dòng)態(tài)分布對(duì)定位精度的影響。 下面將分別進(jìn)行最優(yōu)本征維數(shù)驗(yàn)證試驗(yàn)和特征提取算法定位試驗(yàn)。

圖3 井下AP 信號(hào)連續(xù)采樣分布Fig.3 Continuous sampling distribution of underground AP signal

4.1 最優(yōu)本征維數(shù)驗(yàn)證試驗(yàn)

從式（19）和式（21）中可以分析得出，ηAP是影響本征維數(shù)計(jì)算的主要參數(shù)，而某一個(gè)AP 信號(hào)在屬于同一區(qū)域內(nèi)所有參考點(diǎn)處的采樣樣本中的出現(xiàn)頻率及其樣本標(biāo)準(zhǔn)差是影響該AP 信號(hào)選擇因子的主要原因。 過小的出現(xiàn)頻率或者過高的樣本標(biāo)準(zhǔn)差，都說明AP 信號(hào)在某一個(gè)區(qū)域的覆蓋性很差，而如果FACAiPk的值為0，則說明AP 信號(hào)在某一個(gè)區(qū)域內(nèi)沒有信號(hào)覆蓋。 因此，合理設(shè)定ηAP的值是保證本征維數(shù)能夠取得最優(yōu)值的前提。

為分析ηAP的取值對(duì)本征維數(shù)取值及定位精度的影響，將在如圖4 所示的定位巷道環(huán)境中在ηAP取不同值的情況下使用AKPCA 算法分別進(jìn)行多組定位試驗(yàn)。 由于參考點(diǎn)選取密度與定位精度直接相關(guān)，試驗(yàn)中參考點(diǎn)選取間隔為1 m，并在巷道轉(zhuǎn)角處增加輔助參考點(diǎn)。 試驗(yàn)巷道平面圖、參考點(diǎn)選取位置及定位區(qū)域大小如圖5 所示。 位置指紋數(shù)據(jù)庫主要由離線階段研究人員在每個(gè)參考點(diǎn)處采集的1 000 組RSS 序列構(gòu)成，每組RSS 序列包含了該參考點(diǎn)處接收到的10 個(gè)AP 信號(hào)的RSS 值。 其中，未接收到的AP 信號(hào)，其RSS 值以默認(rèn)值－80 dBm填充。

圖4 井下WLAN 定位試驗(yàn)巷道Fig.4 Experiments tunnel of underground WLAN localization

圖5 井下WLAN 定位試驗(yàn)巷道平面圖Fig.5 Tunnel plane of underground WLAN localization experiment

試驗(yàn)過程中使用了FCM（Fuzzy C－Means）聚類劃分算法［9］和子區(qū)域定位方法，聚類劃分后的定位區(qū)域如圖6 所示。 針對(duì)每個(gè)ηAP的取值，研究人員都在定位區(qū)域中隨機(jī)進(jìn)行了500 次動(dòng)態(tài)定位。試驗(yàn)結(jié)果如圖7 所示，見表1。ηAP越大，某些區(qū)域中會(huì)有更多的AP 信號(hào)因被標(biāo)記為無效覆蓋信號(hào)而被濾除，使得本征維數(shù)取值較小，導(dǎo)致了某些有效數(shù)據(jù)信息可能被濾除，致使定位精度下降。 當(dāng)ηAP取值為0.06、0.04 和0.02 時(shí)，定位精度有所提升且3 組定位結(jié)果非常相近，但ηAP＝0.06 時(shí)5 個(gè)子區(qū)域的本征維數(shù)總數(shù)最小，所消耗的系統(tǒng)資源是3 組中最低的。 因此，ηAP的合理取值能夠在保證系統(tǒng)定位精度的前提下，盡可能降低系統(tǒng)資源的開銷。

圖7 不同ηAP 取值時(shí)定位結(jié)果比較Fig.7 Comparison of localization results with different ηAP

表1 ηAP 的取值對(duì)本征維數(shù)取值的影響Table 1 Intrinsic influenced by ηAP

為比較KPCA 算法和AKPCA 算法在本征維數(shù)取值處理上的不同對(duì)定位性能的影響，在如圖5 所示的定位巷道環(huán)境中分別使用KPCA 算法和AKPCA 算法進(jìn)行人員定位試驗(yàn)。 其中KPCA 算法使用最大似然估計(jì)法求解本征維數(shù)，AKPCA 算法使用如圖6 所示的聚類劃分結(jié)果對(duì)子區(qū)域分別求解本征維數(shù)。 2 組試驗(yàn)中，使用KPCA 算法定位時(shí)研究人員在定位區(qū)域中隨機(jī)行走并隨機(jī)進(jìn)行500 次動(dòng)態(tài)定位，而使用AKPCA 算法定位時(shí)研究人員在已聚類劃分后的5 個(gè)子區(qū)域中分別進(jìn)行500 次隨機(jī)動(dòng)態(tài)定位。

KPCA 算法和AKPCA 算法計(jì)算出的最優(yōu)本征維數(shù)見表2，從對(duì)比結(jié)果中可以看出AKPCA 算法與區(qū)域劃分技術(shù)相結(jié)合后能更好地針對(duì)具體的子區(qū)域計(jì)算出相應(yīng)的最優(yōu)本征維數(shù)。 2 種算法的定位結(jié)果對(duì)比如圖8 所示，從對(duì)比結(jié)果中可以看出AKPCA算法的定位精度要略微優(yōu)于KPCA 算法，定位誤差為4 m 時(shí)的置信概率近似達(dá)到100%。 定位精度的提升主要是因?yàn)閰^(qū)域劃分后各子區(qū)域本證維數(shù)的正確選擇。 例如T2區(qū)域的本征維數(shù)為5，而KPCA 算法計(jì)算出的本征維數(shù)對(duì)于所有定位區(qū)域都為4，因此當(dāng)使用KPCA 算法對(duì)處于區(qū)域T2的用戶進(jìn)行實(shí)時(shí)定位時(shí)有可能會(huì)有部分定位信息丟失，從而導(dǎo)致定位精度下降。

表2 KPCA 算法和AKPCA 算法最優(yōu)本征維數(shù)對(duì)比Table 2 Comparison of optimal eigendimension between KPCA and AKPCA

圖8 KPCA 算法和AKPCA 算法定位結(jié)果對(duì)比Fig.8 Localization results comparison between KPCA and AKPCA

4.2 特征提取算法定位試驗(yàn)

試驗(yàn)在如圖4 和圖5 所示的定位巷道環(huán)境中進(jìn)行，分別使用WKNN 算法、LDA 算法、LDE 算法、ISOMAP 算法、PCA 算法、KPCA 算法和AKPCA 算法進(jìn)行井下真實(shí)環(huán)境人員動(dòng)態(tài)定位，每一種定位算法都使用了區(qū)域劃分及子區(qū)域粗定位。 研究人員使用每種定位算法在定位區(qū)域中各自進(jìn)行500 次隨機(jī)動(dòng)態(tài)定位，且研究人員需盡量保證定位區(qū)域的所有可能位置處都有進(jìn)行動(dòng)態(tài)定位，以保證最終的定位結(jié)果不失一般性。

對(duì)比結(jié)果如圖9 所示，試驗(yàn)過程由于是隨機(jī)進(jìn)行的，所以屬于有噪聲試驗(yàn)。 從定位結(jié)果中可以看出，特征提取算法中ISOMAP 算法、LDA 算法、PCA算法、KPCA 算法和AKPCA 算法有著較為相近的定位精度，但AKPCA 算法不僅有著略微優(yōu)異的定位精度，更在定位系統(tǒng)資源的消耗方面較其他幾種特征提取算法有著更大的優(yōu)勢(shì)。 井下人員定位系統(tǒng)使用的服務(wù)器的內(nèi)存大小為4 GB，圖10 給出了各定位算法在井下人員定位系統(tǒng)實(shí)時(shí)定位過程中系統(tǒng)資源消耗上的性能對(duì)比，AKPCA 算法的平均內(nèi)存使用為0.832 GB，要優(yōu)于KPCA 算法（1.278 GB）和其他位置指紋匹配算法。 在實(shí)際的巷道環(huán)境中，設(shè)備的運(yùn)轉(zhuǎn)、井下工作人員的流動(dòng)、巷道溫度濕度的變化等因素都會(huì)影響會(huì)給定位匹配過程帶來一定的噪聲干擾。 AKPCA 算法在位置指紋數(shù)據(jù)庫聚類劃分的過程中對(duì)每個(gè)子區(qū)域進(jìn)行合理的位置指紋特征提取，濾除無效數(shù)據(jù)和干擾噪聲，在節(jié)省系統(tǒng)資源消耗的同時(shí)一定程度上提升了井下WLAN 位置指紋定位的精度。

圖9 AKPCA 算法與不同特征提取算法的定位性能對(duì)比Fig.9 Localization performance comparison between AKPCA and different feature extraction algorithms

圖10 WKNN 算法與不同特征提取算法系統(tǒng)內(nèi)存使用平均值的對(duì)比Fig.10 Comparison of memory usage average between WKNN algorithm and different feature extraction algorithms

5 結(jié) 論

1）目前，常用的實(shí)時(shí)定位方法是利用特征提取技術(shù)對(duì)位置指紋數(shù)據(jù)庫進(jìn)行特征提取，構(gòu)建的位置指紋特征數(shù)據(jù)庫直接用于實(shí)時(shí)RSS 特征序列的比對(duì)。

2）井下定位巷道區(qū)域相對(duì)較大，基于WLAN 位置指紋的井下人員定位往往需要采用聚類劃分技術(shù)進(jìn)行區(qū)域劃分，而傳統(tǒng)的KPCA 算法對(duì)于劃分后的定位區(qū)域的本征維數(shù)的求解較為繁瑣且單一，并不能較好的適配子區(qū)域定位。

3）提出了AKPCA 算法利用最優(yōu)AP 選擇算法計(jì)算出與定位子區(qū)域相對(duì)應(yīng)的最優(yōu)AP 選擇因子，并以該因子為可變自適應(yīng)參數(shù)，針對(duì)性地求解子區(qū)域?qū)?yīng)位置指紋特征數(shù)據(jù)庫的本征維數(shù)。 試驗(yàn)結(jié)果顯示，AKPCA 算法在本征維數(shù)的計(jì)算上比KPCA 算法更具有針對(duì)性，且相比其他特征提取算法有著更好的定位精度。