基于基于Kmeans聚类的聚类的CSI室内定位 室内定位 多径效应导致基于接收信号强度指示(RSSI)的室内定位精度不高，采用高细粒度的物理层信道状态信息(CSI)可 以更好地描述室内多径环境，提高基于指纹的室内定位的精度。利用聚类算法提取CSI，提高了不同位置之间指 纹的区分性。在定位阶段采用一种简单有效的方法进行类的匹配。实验结果表明，在使用单个信标的情况下， 定位精度较以往算法提高了24%。 0 引言引言 随着无线网络技术的发展，基于位置的服务得到了相应的发展。基于无线局域网(Wireless Local Area Network，WLAN) 的[1]中，支持[2]，可以获取正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)子载波中30个子载波的CSI。 CSI描述了信号从发端到收端的衰减因子，包括散射、反射、路径衰落等。通过对CSI的统计，其结果描述了空间相关性，可 以作为基于 目前，基于CSI的室内定位研究已经取得了一定的成果[3]，达到了米级甚至亚米级的定位精度。文献[4]利用CSI的频率差异 性，建立了CSI衰落与距离的模型，使用三边测距定位，由于受带宽的限制，多径区分能力有限，测距精度不高，从而影响定 位精度。文献[5]利用CSI的频率差异性，将30个信道CSI合成为5个子信道，并将多个天线的CSI求平均值处理，建立起一个基 于概率模型的指纹定位模型。文献[6]利用CSI信道间的关系提取指纹，建立了一个基于欧式距离作为相似度比较的指纹模型。 以上基于指纹的研究在提取指纹时都是将多个数据包的CSI做均值处理作为指纹。由于室内多径效应，CSI存在成簇分布的 状况，采用取平均值的方法不能很好地反映位置的多径传播，从而影响了定位精度。本文通过采用Kmeans聚类算法，提取多 条CSI向量作为指纹来描述位置特性。实验证明，对比文献[6]的CSI-MIMO算法，定位精度得到提高。 1 指纹定位系统模型 指纹定位系统模型 基于指纹的定位模型分为离线训练阶段和在线定位阶段，模型如图1所示。 离线训练阶段的任务是建立一个位置指纹数据库。首先要选择参考点的位置，然后在每个参考点处测量来自信标的信号特 征，最后处理信号特征保存在数据库中。这个数据库也被称为位置指纹地图。 在线定位阶段是指通过测量获得未知位置的信号特征并加以处理，通过相应的匹配算法，比较测量数据与离线训练建立的 数据库中的数据，找出相似的数据，作为位置的估计值。 2 基于基于Kmeans的聚类的 的聚类的CSI室内定位算法 室内定位算法 2.1 离线训练阶段 离线训练阶段 在室内定位区域选定L个参考点，参考点位置已知，采用二维坐标(x，y)表示。在每个参考点接收n个CSI数据包。每个数据 包有一个p×q×30的复数矩阵HMIMO，其中p为发射天线数，q为接收天线数。m=p×q为天线对个数。 

无线信号在室内环境中存在着多径传播的情况，CSI幅值也受此影响，存在着成簇分布的情况，如图2所示，簇内CSI幅值 多径传播经相似。通过Kmeans算法处理相同天线对中n个数据包的CSI幅值。Kmeans算法能够使聚类域中的所有CSI幅值向 量到聚类中心距离的平方和最小。其原理为： 输入：聚类个数k，包含n个数据对象的数据集。 输出：k个聚类。 (1)从n个数据对象中任意选取k个对象作为初始的聚类中心。 (2)分别计算每个对象到各个聚类中心的距离，再把对象分配到距离最近的聚类中。 (3)所有对象分配完成后，重新计算k个聚类的中心。 (4)与前一次得到的k个聚类中心比较，如果聚类中心未发生变化，进行下一步，否则转到步骤(2)。 (5)输出聚类结果。 通过此算法，从n个数据包的值中得到k个具有代表性的CSI幅值向量作为位置指纹fin： 根据已有文献的实验观测表明[7]，超过80%的CSI幅值向量只存在4个以内的分簇，但是由于实际的测量过程中存在干扰， 分簇数目增加，所以本算法中设置分簇个数k=10。 对于单个天线对得到fin，对于m个天线的每个天线对使用Kmeans算法，得到训练向量： 

2.2 在线定位阶段 在线定位阶段 在线定位阶段采用与离线训练阶段相同的方法提取到m个天线对的指纹： 将提取到的指纹与训练阶段建立的数据库中的指纹作比较，即将获取到的第i个天线对的指纹矩阵与数据库中的第i个天线对 的指纹矩阵，进行两个指纹矩阵中任意两个CSI幅值向量i与j欧式距离的比较： 由于欧式距离反映了两个向量之间的“不相关性”，即数值越大，相关性越低，数值越小，相关性越高。因此，关注这些距离 中数值较小的作为测试点与训练点之间相似度比较的一个依据。所以不再考虑天线对，将m个天线对的所有欧式距离从小到大 排列，共有10×m个距离： 在得到测试点与所有训练点之间的距离之后，使用K近邻算法，从中选出距离较小的K个位置坐标平均作为位置估计坐标， 本文中K=3。 3 实验结果与分析 实验结果与分析 3.1 实验设置 实验设置 为评估算法的定位精度，在家庭客厅及其走廊的环境下测试。共选有22个参考节点，相邻参考节点之间的距离为0.8 m，在 参考节点之间有30个测试节点。实验中使用FAST无线AP作为发射端，使用装配有Intel WiFi Link 5300网卡的ThinkPad R400 作为接收端。接收端使用CSITOOL软件接收CSI。训练阶段，在训练节点接收1 000个数据包的CSI。定位阶段，在测试节点 接收数据包100个。如图3所示，测试环境建立的二维坐标系，其中“★”代表AP位置，“▲”代表参考点位置，“◆”代表测试点的 位置。 

将本算法与CSI-MIMO算法作比较，比较的性能由平均定位精度与累积误差分布函数(Cumulative Distribution Function，CDF)图来表示定位性能。 3.2 参数设置 参数设置 采用不同的T值进行试验评估，T值的选择对于定位精度有一定的影响。试验分别从T值为10、20、30、40、50、60进行测 试，结果如图4所示。当T值为10时，定位精度最高，平均定位精度为1.65 m。CSI-MIMO在同样的测试环境下平均定位精度 为2.18 m，提高了24%。 在T为10的情况下，对比本算法与CSI-MIMO的CDF，如图5所示，50%的定位误差都在1.34 m以内，优于CSI-MIMO算 法。 3.3 定位时间 定位时间 定位时间分为数据包接收时间和程序处理时间。CSITOOl软件每秒大约能接收20个数据包，接收100个数据包需要5 s。执 行定位程序的时间大约为0.5 s，所以完成一次定位的时间大约为5.5 s。 4 结论结论 本文提出了一种基于Kmeans聚类算法提取室内环境多径传播特征的指纹算法，利用CSI的频率特性与MIMO的空间特性， 所获取的指纹较以往算法有更好的空间区分性。由于CSI的测量值存在误差，使用聚类算法生成的多个特征向量能够在一定程 度上减小测量误差所带来的影响，从而提高了定位精度。下一步准备从匹配算法入手进行改进，进一步提高定位精度。 参考文献 参考文献 

[1] IEEE Std 802.11n-2009.IEEE standard for information technology—Local and metropolitan area networks—Specific requirements—Part 11：Wireless LAN medium access control(MAC) and physical layer(PHY) specifications amendment 5：Enhancements for higher throughput[S]. [2] HALPERIN D，HU W，SHETH A，et al.Tool release：gathering 802.11n traces with channel state information[J].ACM Sigcomm Computer Communication Review，2011，41(1)：53-53. [3] YANG Z，ZHOU Z，LIU Y.From RSSI to CSI: Indoor localization via channel response[J].ACM Computing Surveys，2013，46(2)：25. [4] WU K，XIAO J，YI Y，et al.FILA：fine-grained indoor localization[J].Proceedings IEEE INFOCOM，2012，131(5)： 2210-2218. [5] XIAO J，WU K，YI Y，et al.FIFS：fine-grained indoor fingerprinting system[C].International Conference on Computer Communications and Networks，2012：1-7. [6] CHAPRE Y，IGNJATOVIC A，SENEVIRATNE A，et al.CSI-MIMO：an efficient Wi-Fi fingerprinting using channel state information with MIMO[J].Pervasive & Mobile Computing，2015，23：89-103. [7] SEN S，CHOUDHURY R R，RADUNOVIC B，et al.Precise indoor localization using PHY layer information[C].Proceedings of the 10th ACM Workshop on Hot Topics in Networks，ACM，2011：1-6.