为了克服指纹定位过程中,由于信号不稳定所造成的定位精确不高,指纹漂移等问题,利用卡尔曼滤波对采集的蓝牙接收信号强度(RSS)数据进行预处理,并通过K-means算法对数据进行初始聚类;计算待测数据与各聚类中心的距离,将与待测数据临近的类簇数据进行融合。线定位阶段在线定位过程与离线过程相仿，首先对待测数据进行滤波预处理，根据离线阶段所产生的聚类中心，计算待测数据x与各聚类中心μi(1≤i≤k)的距离di=‖x－μi‖2(9)选取距离最近的q个聚类中心，以此选择由离线阶段确定的重组数据集TS训练而成的分类器模型进行待测点定位。本文由公司网站张家港切管机网站采集转载中国知网网络资源整理! http://www.qieguanji.cc经过上一阶段的预处理，确定待测点所属的分类器模型f(x)=sign(w*TSx+b*TS)(10)式中x为输入待测数据，最终输出待测点的预测空间位置l。3实验与结果分析实验测试环境如图3所示，定位区域面积为140m2，其中包括会议室、工作区、实验室蓝牙室内定位算法-电动折弯机数控滚圆机滚弧机张家港液压滚圆机滚弧机折弯机、休息室。在此区域内部署4台信号采集基站，目标区域以1m×1m为间隔进行分割，总计54个参考点，通过采集各个参考点上的信号强度数据进行定位算法测试。图3定位区域平面3．1实验平台与数据采集实验平台采用了C2541硬件平台，搭载BLE4．0协议栈。数据采集分为两个阶段:离线建库和在线匹配阶段。为使数据集尽可能独立，训练集、测试集分别在不同的时期进行采集。其中，对54个参考点进行信号采集，每个参考点采集500组ＲSS向量构造出训练集。随机挑选其中的10个参考点，在每个参考点上采集500组ＲSS向量构造出测试集数据。3．2定位结果分析图4(a)所示为使用传统单模型的方式，针对上述构造的数据集所产生的定位结果。可以看出，如果直接进行指纹匹配，算法整体的精度不高，而其中采用SVM分类器的方法，定位精度收敛最慢。图4(b)所示为本文方法的实验结果，可以看出，通过聚类在定位初始阶段对待测点定位误差范围的约束，能够有效地提高整体的定位精度，另外，在对重组完的簇内进行待测点精确匹配的过程中，针对融合形成的新数据子集,训练出对应的支持向量机(SVM)模型,并完成待测数据的分类。经过测试,结果表明:算法的定位精度稳定在1. 5m以内,达到预期目标。 蓝牙室内定位算法-电动折弯机数控滚圆机滚弧机张家港液压滚圆机滚弧机折弯机本文由公司网站张家港切管机网站采集转载中国知网网络资源整理! http://www.qieguanji.cc