1、石河子科技总第2 6 7期中图分类号：TN92文献标识码：B文章编号：1008-0899（2023）02-0054-03随着科技发展，定位技术发展越来越快，几乎延伸到了各行各业，人们对定位要求越来越精准，仅凭借全球定位系统（GPS）的室外定位已经无法满足人们需求1-3。因为移动通讯设备和Wi-Fi信号的广泛覆盖，基于Wi-Fi的室内定位算法凭借其成本低、定位精度高且无需其他外设等优点，逐渐成为现阶段的研究热点之一4。该定位方法在定位收集信号的过程中，基于Wi-Fi的室内定位仅依靠信号接受强度指示（RSSI）就可以完成定位，但由于障碍物遮挡、环境变化等多重因素引起的时效性、多径效应等问题，RSS
2、I信号存在误差，在极大程度上影响着室内定位的精度5。因此，对基于Wi-Fi的室内定位研究十分必要。1分区聚类算法1.1WAP聚类算法目前，通常可以选择在无线传感器网络（Wireless sensor network，WSN）应用系统中加入移动节点的方法来实现更加灵活地完成现场监测过程，但是如何对动态过程采用具备低能耗与高精度的WSN节点进行定位是现阶段众多研究人员需要解决的问题等。AP聚类算法中以p作为节点为聚类中心的度量。由于环境、人员流动、多径效应等因素的影响，不同信号接收装置接收到RSSI信号值存在差异，仅凭借欧氏距离计算S，选取矩阵中值或者均值作为相似性度量，会导致定位结果不准确。针对
3、上述问题，本文引入熵值法对S相似度进行优化后，对优化后的p进行加权处理，已获得更加准确的粗定位结果。熵值法用来判断指标的离散程度。将每个节点的一组RSSI值作为输入计算权重，并将得到的权重作为不同信号接收装置对该节点的影响因子。其中，针对异质特征维数同质化问题，需要将特征维数的标准化处理。首先归一化处理数据，计算正向特征维数和负向特征维数数值。正向特征维数：负向特征维数：将一组RSSI值作为输入，熵值法具体计算公式如下：基于KWAP-KNN分区聚类算法的室内定位分析（河南工业贸易职业学院，信息工程系，河南郑州市，450000）张海霞摘要针对单一聚类算法存在的多种问题，提出一种基于KWAP-KN
4、N的分区聚类算法。首先，结合信号发射装置和实际定位环境进行区域粗划分，之后通过K-means聚类对该方法中未覆盖节点及交叉节点进行聚类，得到最新分区结果。区域划分之后，通过熵值法对仿射传播算法（WAP）中偏向参数p进行优化，以进一步提高其聚类的效率，最后通过K最近邻算法（KNN）算法得到粗定位结果。实验结果证明，区域划分后，KWAP-KNN算法得到的粗定位结果更准确，定位精度可达到1.8m左右。相比较其他算法，WAP-KNN算法的平均误差、最大最小误差值最小。关键词室内定位；网络覆盖；聚类算法；平均误差；精度作者简介：张海霞（1980），女，汉，河南郑州人，硕士，讲师，研究方向：电子设计。基
5、金 项 目：河 南 省 软 科 学 研 究 计 划 项 目（152400410203）；河 南 省 科 技 攻 关 项 目（192102210134）-54第1期2 0 2 3年2 月石河子科技其中，RSSIij为指纹库中第i个数据点的第j个RSSI值，i=1，2，n；j=1，2，N，n为样本数，N为RSSI值数，j表示权重。则节点i，k之间的相似度计算方式为：通过得到的权值计算数据点之间的相似度，对相似度进行均值加权处理，则p的值为：1.2基于KWAP-KNN算法原理及流程距离信号发射装置越近，则RSSI信号接收更准确。且RSSI信号值在空间上区分能力有限，通常都在1m以上，所以为了避免相邻
6、指纹信息在位置上二异性，两个信号发射装置布置距离应该在1m以上。以信号接收装置为圆心，根据实际环境确定覆盖区域半径，尽量保障大部分区域在划分的覆盖区域范围内。区域划分依据为位置信息，选择K-means进行分区，该方法简单且容易实现，选取信号发射装置所在位置为K个聚类中心的位置，通过聚类对未覆盖区域和交叉区域进行分区。当对未知节点进行区域划分时，根据RSSI值差异确定归属区域，如果属于覆盖区域，直接进行WAP聚类，如果属于未覆盖或者交叉区域，通过K-means重新进行归类，当所有的节点被划分到不同区域时，划定小区域。最后通过KNN聚类在小区域内获取粗定位结果。整个区域划分及定位流程如图1所示。图
7、1区域划分流程图2实验结果及分析区域划分以实际室内环境和信号发射装置布置为准，以信号发射装置位置为圆心，固定距离为圆心，划分区域。实验在 14m11m 的区域进行，现场布置了共6个路由器作为信号发射装置。通过Matlab软件来仿真验证本文的定位算法。进行仿真测试时，按照表1数据来设定各项参数。在100m的范围内以随机方式设置共60个节点，将节点的通信半径设定为20m。节点分布图如图2所示。表1参数设置参数部署区域节点个数描点个数采样数节点最大/最小移动速度节点移动模型取值100m*100m501010020/2m.s-1CRM图2节点分布图图3为AP聚类和WAP两种聚类的效果图。图3聚类效果图
8、选取一百组测试点进行实验，未进行区域划分之前，分别使用KNN、AP-KNN、WAP-KNN三种算法进行定位。可以得到如图4所示的误差累积图。图中可以看出，随着节点数目增加，WAP-KNN累积定位误差低于其余两种定位方法。图4平均误差累积图5三种定位方法误差累积分布图图5为三种定位方法误差累积分布图。100个参考点中，定位误差小于 2.5m 的概率，KNN、AP-KNN、WAP-KNN算中算法分别为72%、67%、62%，其中KNN算法概率最高。但是WAP-KNN算法所有参考点的定位误差均小于3.45m，AP-KNN均小于4.00m，WAP-KNN总体定位误差较小。而且AP-KNN和WAP-KN
9、N这两种方法定位没有出现误差较大的点。之后对三种方法求解平均定位误差，并对其最小最大误差进行分析，可得如表2所示的定位误差表。从表中数据看出，（下转第 58 页）-55石河子科技总第2 6 7期的搜索方法进行了详细的介绍。在未来的研究工作中，还需要通过并行策略对蚁群算法进行优化，将其应用于更大规模的路网分析，进一步降低计算时间。参考文献1李勇,柳建.基于遗传算法的智能车行驶路线优化J.电子设计工程,2019,27(06)：83-86.2陈亮,何为,韩力群.RBF神经网络的行车路径代价函数建模J.智能系统学报,2011,6(05)：424-431.3董红召,周敏,陈宁,郭明飞.城市路网中基于空间
10、分析的典型行车路线研究-以杭州市为例J.地理科学,2010,30(05)：673-678.4徐亮.基于MapX的行车路线动态优化算法研究J.吉林建筑工程学院学报,2010,27(02)：77-79.（上接第55页）WAP-KNN算法的平均误差、最大最小误差值都比其余两种算法要小。表2三种定位算法定位误差表算法平均误差/m最大误差值/m最小误差值/mWAP-KNN2.0 1517.8 6090.2 355KNN2.3 5396.5 5430.2 258AP-KNN2.1 5668.0 3590.1 4973结语综上所述，针对单一聚类算法存在的多种问题，提出一种基于KWAP-KNN 的分区聚类算法
11、。实验结果证明，无论从样本点的之间相似性，还是从聚类时间来讲，WAP聚类算法都比AP聚类算法低，聚类效果更好。区域划分后，KWAP-KNN算法得到的粗定位结果更准确，定位精度可达到1.8m左右。参考文献1 马 跃 欣，冯 秀 芳.基 于 有 序 聚 类 和MSKPCA的室内定位算法J.计算机工程与设计，2021，42(04)：963-968.2唐国栋，方明，雷立宏.粗精结合的室内机器人视觉定位方法J.计算机工程与设计，2021，42(03)：805-813.3李鹏杰，李晓青，王瑞雪，等.一种超宽带与惯导融合的LSTM室内定位算法J.电讯技术，2021，61(02)：172-178.4赖朝安，龙
12、漂.基于高斯过程回归和WiFi指纹的室内定位方法J.电子测量与仪器学报，2021，35(02)：186-193.5白晓娟，道伟，关露，等.室内复杂环境处理及泰勒公式改进定位算法研究J.电子测量技术，2021，44(03)：55-59.6胡贤贤，汪云甲，孙猛，等.基于神经网络的室内外场景识别方法J.科学技术与工程，2021，21(03)：1091-1096.我国科学家发现外泌体对雷公藤甲素的靶向递送雷公藤始载于 本草纲目拾遗，临床主要用于治疗红斑狼疮、类风湿关节炎、肾炎等自身免疫性疾病。研究发现，雷公藤甲素是雷公藤的主要活性成分，具有较强的抗炎和免疫抑制等作用，但是其对肝、肾等多脏器具有毒性，限
13、制了其成药性及进一步开发应用。树突状细胞是雷公藤甲素的主要靶点诱导免疫抑制，其产生的外泌体对母细胞具有天然亲和性，可以选择性地进入树突状细胞。近日，中国中医科学院与首都医科大学附属北京友谊医院的研究团队共同合作在British Journal of Pharmacology杂志上发表了题为“Targeted delivery of triptolide by dendritic cell-derived exosomes for colitis and rheumatoid arthritis therapy in murine models”的研究论文。科学家们利用来源于树突状细胞的外泌体封装雷公藤甲素，实现雷公藤甲素向树突状细胞的靶向递送，从而降低多脏器毒性。该研究成果为雷公藤甲素的开发应用提供了新策略，也为自身免疫性疾病的治疗提供了新的思路。(摘自科技部网站：https：/
