基于jupyter notebook的python编程-----通过python编程实现RSSI指纹定位技术仿真(KNN、WKNN、NN)

最新推荐文章于 2022-12-31 11:46:38 发布
最新推荐文章于 2022-12-31 11:46:38 发布
阅读量3.4k 收藏 78
点赞数 10
分类专栏： Python语言学习 物联网定位技术 文章标签： python KNN、WKNN、NN算法 matlab 物联网定位技术 RSSI指纹定位技术
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42451251/article/details/106787687
版权

基于jupyter notebook的python编程-----通过python编程实现RSSI指纹定位技术仿真目录


在进行物联网定位的学习时，各种定位方法是我们物联网或者是通信专业必须要了解的算法，只有理解各个算法之间的优劣，我们才能够知道如何进行定位通信的设定，本次博客，林君学长主要带大家了解，如何通过python语言，实现对KNN、WKNN、NN三种RSSI指纹定位算法的比较试验，一起来看吧！

一、RSSI指纹定位简介

1、什么是RSSI指纹定位？

基于RSSI最传统的指纹识别——首先分两个阶段：离线和在线。我的理解是离线阶段选取参考点，测参考点处多个AP的RSSI值，存到指纹数据库里。在线阶段也是测未知点处多个AP的RSSI值，然后跟指纹数据里对，哪个接近就是哪个参考点位置

2、RSSI指纹定位原理

基于位置指纹的室内定位算法原理分为数据库建立阶段和位置估计阶段，如下图所示：
在这里插入图片描述
1）、数据库建立阶段—位置指纹库原理
在这里插入图片描述
2）、位置估计阶段算法原理
在这里插入图片描述
通过以上原理，我们便可以试验对RSSI指纹定位的算法编写，可以看到，以上的主要算法就是KNN、WKNN、NN三种指纹定位算法，我们需要做的就是通过python代码实现对三种指纹算法的比较，接下来，就通过python代码实现对三种算法的拟合吧！

二、RSSI指纹定位python代码仿真

1、指纹定位python代码仿真

1）、导入需要的python库

import numpy as np
from numpy import random
import matplotlib.pyplot as plt
  • numpy:做矩阵运算和产生随机数
  • matplotlib:作CDF曲线图

2）、指纹数据库的函数定义

def database1(A,sigma):
    A=np.array(A)
    pd0=0
    n=3
    m=A.shape[0]
    tt=5
    coor=np.array([0,0])
    RSSI=np.array([0,0,0,0])
    rssi=np.array([[],[],[],[]])
    for i in range(10,500,10):
        for j in range(10,500,10):
            coor1=[i,j]
            coor=np.vstack((coor,coor1))
            d1=A-np.ones((m,1))*coor1
            d2=np.sqrt(np.array([np.sum(d1**2,axis=1)]).T)
            d=d2**(1/2)
            for k in range(tt):
                t=pd0-10*n*np.log10(d)-(10**(sigma/10))*random.random(size=(m,1))
                rssi=np.hstack((rssi,t))
            RSS_m=np.array([np.mean(rssi,1)])
            RSSI=np.vstack((RSSI,RSS_m))
            rssi=np.array([[],[],[],[]])
    coor=np.delete(coor,0,axis=0)
    RSSI=np.delete(RSSI,0,axis=0)
    X=np.hstack((coor,RSSI))
    return X

A为BSs的坐标，sigma是RSSI测量的标准差，通过以上函数，便实现对位置指纹库模拟
3）、位置估计算法KNN、NN、WKNN的python代码如下所示

for i in range(number):  
    MS=[400*random.random(),400*random.random()]
    r1=A-np.ones((4,1))*MS
    r2=np.sqrt(np.array([np.sum(r1**2,axis=1)]).T)
    for k in range(tt):
        t=pd0-10*n*np.log10(r2)-(10**(std_var/10))*random.randn(4,1)
        rssi=np.hstack((rssi,t))
    RSSI=np.array([np.mean(rssi,1)]).T
    rssi=np.array([[],[],[],[]])
    X=database1(A,std_var)
    m=X.shape[0]
    for j in range(m):
        distance=np.insert(distance,j,np.linalg.norm(X[j,2:]-RSSI.T))
    C=np.sort(distance)
    I=np.argsort(distance)
    distance=np.array([])
    K=3
    match_result=X[I[0:K],0:2]
    est1=np.mean(match_result,0)
    RMSE1=np.insert(RMSE1,i,np.linalg.norm(est1-MS))
    weight=1/C[0:K]
    weight=np.array([weight.T/np.sum(weight,axis=0)]).T
    a=np.hstack((weight*np.array([match_result[:,0]]).T,weight*np.array([match_result[:,1]]).T))
    est2=np.sum(a,0)
    RMSE2=np.insert(RMSE2,i,np.linalg.norm(est2-MS))
    est3=X[I[0],0:2]
    RMSE3=np.insert(RMSE3,i,np.linalg.norm(est3-MS))
RMSE=np.array([])
for i in range(21):
    RMSE=np.insert(RMSE,i,i)
p1=np.array([])
p2=np.array([])
p3=np.array([])
for h in range(len(RMSE)):
    n1=0
    n2=0
    n3=0
    for j in range(number):
        if RMSE1[j]<=RMSE[h]:
            n1=n1+1
        if RMSE2[j]<=RMSE[h]:
            n2=n2+1
        if RMSE3[j]<=RMSE[h]:
            n3=n3+1
    p1=np.insert(p1,h,n1/number)
    p2=np.insert(p2,h,n2/number)
    p3=np.insert(p3,h,n3/number)

根据对KNN、WKNN、NN三种不同的算法原理，完成三种不同算法的而产生的结果，p1、p2、p3分别对应KNN、WKNN、NN三种算法的结果
4）、做出结果曲线图

plt.plot(RMSE,p1,"-o",RMSE,p2,"-s",RMSE,p3,"-x")
plt.legend(["KNN","WKNN","NN"],loc='upper left')
plt.xlabel('The localization error(m)')
plt.ylabel('CDF')
plt.title('m-cdf')
plt.show()

2、仿真结果

1）、python仿真结果如下所示：
在这里插入图片描述
2）、对比matlab的仿真结果：
在这里插入图片描述

3、仿真结论

1）、RSSI的测量值由对数路径损耗模型产生，为减小波动造成的误差，其值可由多次测量取平均值来得到
2）、定位指纹数据库的建立是基于网格形式产生不同的指纹节点。
3）、由上图可以得出结论，对于KNN和WKNN算法的拟合性比NN拟合性较好，对出现在一个区域识别的概率较大，定位精度就越高
4）、累积分布函数（CDF）是概率密度函数的积分，能完整描述一个实随机变量X的概率分布
5）、随着定位误差的逐渐增大，KNN和WKNN的优势逐渐凸显出来，CDF概率曲线分布更加明显，这意味着定位越精确！

三、RSSI指纹定位技术源码

提示： 对于RSSI指纹定位Python代码，需要运行大约3分钟，所以每当我们运行的时候，不要着急关闭，3分钟之后，结果才会出来，这是因为循环的次数过多，代码运算量大，等待就好！
对于Matlab代码，需要等待大约1分钟，所以Matlab在运行的时候，我们也需要等待一会就好，同样是因为代码运算量大的原因！

1、python仿真源码如下所示

import numpy as np
from numpy import random
import matplotlib.pyplot as plt
def database1(A,sigma):
    A=np.array(A)
    pd0=0
    n=3
    m=A.shape[0]
    tt=5
    coor=np.array([0,0])
    RSSI=np.array([0,0,0,0])
    rssi=np.array([[],[],[],[]])
    for i in range(10,500,10):
        for j in range(10,500,10):
            coor1=[i,j]
            coor=np.vstack((coor,coor1))
            d1=A-np.ones((m,1))*coor1
            d2=np.sqrt(np.array([np.sum(d1**2,axis=1)]).T)
            d=d2**(1/2)
            for k in range(tt):
                t=pd0-10*n*np.log10(d)-(10**(sigma/10))*random.random(size=(m,1))
                rssi=np.hstack((rssi,t))
            RSS_m=np.array([np.mean(rssi,1)])
            RSSI=np.vstack((RSSI,RSS_m))
            rssi=np.array([[],[],[],[]])
    coor=np.delete(coor,0,axis=0)
    RSSI=np.delete(RSSI,0,axis=0)
    X=np.hstack((coor,RSSI))
    return X
BS1=[0,0]
BS2=[500,0]
BS3=[500,500]
BS4=[0,500]
std_var=4
A=[BS1,BS2,BS3,BS4]
pd0=0
n=3
tt=5
number=1000
RMSE1=np.array([])
RMSE2=np.array([])
RMSE3=np.array([])
distance=np.array([])
rssi=np.array([[],[],[],[]])
for i in range(number):  
    MS=[400*random.random(),400*random.random()]
    r1=A-np.ones((4,1))*MS
    r2=np.sqrt(np.array([np.sum(r1**2,axis=1)]).T)
    for k in range(tt):
        t=pd0-10*n*np.log10(r2)-(10**(std_var/10))*random.randn(4,1)
        rssi=np.hstack((rssi,t))
    RSSI=np.array([np.mean(rssi,1)]).T
    rssi=np.array([[],[],[],[]])
    X=database1(A,std_var)
    m=X.shape[0]
    for j in range(m):
        distance=np.insert(distance,j,np.linalg.norm(X[j,2:]-RSSI.T))
    C=np.sort(distance)
    I=np.argsort(distance)
    distance=np.array([])
    K=3
    match_result=X[I[0:K],0:2]
    est1=np.mean(match_result,0)
    RMSE1=np.insert(RMSE1,i,np.linalg.norm(est1-MS))
    weight=1/C[0:K]
    weight=np.array([weight.T/np.sum(weight,axis=0)]).T
    a=np.hstack((weight*np.array([match_result[:,0]]).T,weight*np.array([match_result[:,1]]).T))
    est2=np.sum(a,0)
    RMSE2=np.insert(RMSE2,i,np.linalg.norm(est2-MS))
    est3=X[I[0],0:2]
    RMSE3=np.insert(RMSE3,i,np.linalg.norm(est3-MS))
RMSE=np.array([])
for i in range(21):
    RMSE=np.insert(RMSE,i,i)
p1=np.array([])
p2=np.array([])
p3=np.array([])
for h in range(len(RMSE)):
    n1=0
    n2=0
    n3=0
    for j in range(number):
        if RMSE1[j]<=RMSE[h]:
            n1=n1+1
        if RMSE2[j]<=RMSE[h]:
            n2=n2+1
        if RMSE3[j]<=RMSE[h]:
            n3=n3+1
    p1=np.insert(p1,h,n1/number)
    p2=np.insert(p2,h,n2/number)
    p3=np.insert(p3,h,n3/number)
plt.plot(RMSE,p1,"-o",RMSE,p2,"-s",RMSE,p3,"-x")
plt.legend(["KNN","WKNN","NN"],loc='upper left')
plt.xlabel('The localization error(m)')
plt.ylabel('CDF')
plt.title('m-cdf')
plt.show()

2、matlab仿真源码如下所示

% %% the simulation of RSSI localization algorithm
clear all;
clc;
BS1=[0,0];BS2=[500,0];BS3=[500, 500];BS4=[0,500];
std_var=4;
A=[BS1;BS2;BS3;BS4];
pd0=0;n=3;
tt=5; % the number of RSSI measurement for each BS
number= 1000;
for i=1:number
    MS=[400*rand,400*rand];
    r1=A-ones(4,1)*MS;
    r2=(sum(r1.^2,2)).^(1/2);
    w=randn(4,1)
    for k=1:tt
        rssi(:,k)=pd0-10* n*log(r2)-10^(std_var/10)*randn(4,1);
    end
    RSSI=mean(rssi,2);
    X=database1(A,std_var);
    [m,~]=size(X);
    for j=1:m
        distance(j)=norm(X(j,3:end)-RSSI');
    end
    [C,I]=sort(distance);
    K=3
    match_result=X(I(1:K),1:2);
    est1=mean(match_result);
    RMSE1(i)=norm(est1-MS);
    a6=norm(est1-MS);
    weight=1./C(1:K);
    weight=weight'/sum(weight);
    est2=sum([weight.*match_result(:,1),weight.*match_result(:,2)]);
    a7=norm(est2-MS);
    RMSE2(i)=norm(est2-MS);
    est3=X(I(1),1:2);
    a8=norm(est2-MS);
    RMSE3(i)=norm(est3-MS);
end
RMSE=0:20;
for i=1:length(RMSE)
    n1=0;n2=0;n3=0;
    for j=1:number
        if RMSE1(j)<=RMSE(i)
            n1=n1+1;
        end
        if RMSE2(j)<=RMSE(i)
            n2=n2+1;
        end
        if RMSE3(j)<=RMSE(i)
            n3=n3+1;
        end
    end
        p1(i)=n1/number;p2(i)=n2/number;p3(i)=n3/number;
end
plot(RMSE,p1,'-O',RMSE,p2,'-s' ,RMSE,p3,'-x')
xlabel('The localization error (m)');
ylabel('CDF');
legend('KNN','WKNN','NN');
function[X]=database1(A,sigma)
pd0=0;n=3;
[m,~]=size(A);tt=5;
coor=[];RSSI=[];
for i=10:10:490
    for j=10:10:490
        coor1=[i,j];
        coor=[coor;coor1];
        d1=A-ones(m,1)*coor1;
        d2=sum(d1.^2,2);
        d=d2.^(1/2);
        for k=1:tt
            rssi(:,k)=pd0-10* n*log10(d)-10^(sigma/10)*randn(m,1);
        end
        RSS_m=mean(rssi,2)';
        RSSI=[RSSI;RSS_m];
    end
end
X=[coor,RSSI];
end

以上就是本次博客的全部内容啦，通过本次博客，大家可以更好的了解到RSSI指纹定位的算法原理，同时，林君学长也希望大家能够深入的了解代码的具体意思，理解原理；代码有错误的地方记得给林君学长留言改正。
遇到问题的小伙伴也记得评论区留言，林君学长看到会给大家回复解答的，这个学长不太冷！
陈一月的又一天编程岁月^ _ ^

RSSI定位算法
旭日的博客
08-19 1328
定位终端接收到iBeacon基站发来的信号强度，然后根据无线信号强度的渐变模型得出基站与被定位终端的直线距离，然后再根据高度补偿法，得出基站与终端的平面距离，当终端接收到三个以上不同基站的信号，即能得出与三个以上不同基站的水平距离，且这些基站的坐标坐标已知，就可以对这个终端进行定位。
基于MATLAB的指纹定位算法 NN KNN WKNN
09-07
基于位置指纹算法实现定位 MATLAB完整程序 包含NN KNN WKNN BAYES 四种定位算法
基于jupyter notebook的python编程-----通过python编程实现RSSI测距定位技术仿真
qq_42451251的博客
06-05 3467
基于jupyter notebook的python编程-----通过python编程实现RSSI测距定位技术仿真目录一、RSSI测距定位简介1、什么是RSSI测距定位2、RSSI测距定位优点3、RSSI测距定位技术与其他定位技术的比较二、RSSI测距定位python代码仿真1、RSSI测距定位技术原理2、python代码仿真3、仿真结果4、仿真结论三、RSSI测距定位技术源码1、python仿真源码如下所示 对于物联网专业的学生，物联网定位这门课程是肯定需要学习的，对于定位技术，需要学习的有很多，例如：TO
《机器学习实战》第二章，KNN算法在jupyter中实验
CHERRY0926的博客
04-22 2915
1、首先在jupyter中New一个Untitle.ipynb，然后将它重命名为kNN.py，接着在kNN.py中输入一下代码(课本代码)：注：以下代码中，存在我自己的测试数据文件的路径，你们要改为自己测试数据文件的路径from numpy import * import operator def createDataSet(): group = array([[1.0,1.1],...
WIFI室内定位（NN，KNN，WKNN）
Canvaskan的博客
03-11 9151
WIFI室内定位 课程名称：室内定位技术 姓 名：阚昊宇 学 号：*************** 指导教师：*** 目录 WiFi室内定位... 1 一 实验场地及设备介绍... 1 二 指纹库数据采集方法... 1 三 指纹库整理方法... 2 四 定位实验过程... 3 五 指纹匹配算法介绍及数据处理... 4 （一）最近邻法（NN）... 4 （二）K近邻法（KNN）... 4 （三）K加权近邻法（WKNN）... 4 六 定位结果及精度分析...
基于WiFi的室内定位
热门推荐
ice_ly000的博客
12-15 1万+
摘要 GPS难以解决室内环境下的一些定位问题，大部分室内环境下都存在WiFi，因此利用WiFi进行定位无需额外部署硬件设备，是一个非常节省成本的方法。然而WiFi并不是专门为定位而设计的，传统的基于时间和角度的定位方法并不适用于WiFi。近十年来，在室内WiFi场景下的定位中，位置指纹法被广泛研究和采用。本文对WiFi位置指纹法进行综述，提出了这个领域面临的挑战，介绍最新的研究，以及提供一些实际...
指纹定位算法仿真代码.zip_RSSI KNN_Rssi location_WKNN_rssi 指纹_定位对比
07-15
基于rssi的室内定位算法，NN,KNN,WKNN及贝叶斯算法的对比。
基于RSSI测距的多边定位法python仿真
06-30
综上所述，基于RSSI测距的多边定位法是无线传感器网络定位的一个重要手段，通过Python仿真可以有效地模拟和研究其性能。在实际应用中，我们还需要考虑如何优化定位算法，提高抗干扰能力，并确保在各种复杂环境下都能...
Python-iBeacon-Scan：这是一个使用其他参考点及其rssi讲义来假装知道BLE设备相对位置的应用程序
02-04
综上所述，Python-iBeacon-Scan项目涉及了BLE通信、iBeacon技术、RSSI定位以及Python编程，为开发者提供了一个实践和学习蓝牙定位技术的平台。通过理解和应用该项目，可以深入了解蓝牙低功耗通信的原理，并掌握如何...
matlab实现RSSI指纹定位
Time_book的博客
07-04 3312
一、要求 要求一：RSSI的测量值由对数路径损耗模型产生，为减小波动造成的误差，其值可由多次测量取平均值来得到。 要求二：定位指纹数据库的建立是基于网格形式产生不同的指纹节点。 要求三： 比较KNN算法与WKNN算法的CDF曲线对比图，横坐标为定位误差，纵坐标为CDF。 二、设计 三、代码 Database： function [X]=databaseone(A,sigma) pd0=0; n=3; [m,~]=size(A); tt=2; coor=[]; RSSIone=[]; for i=30:30
RSSI指纹库
06-20
用于蓝牙定位里指纹库的建立，基于MATLAB进行仿真，随机生成路径并添加噪声，通过去燥进行定位 精度达2米
Weighted K-Nearest Neighbors (WKNN)：加权 K-Nearest Neighbors (WKNN) 分类器-matlab开发
05-29
加权 K-最近邻 (WKNN) 分类器。 每个邻居样本都有一个基于它与测试样本的距离的权重。 近邻在投票中具有更大的权重。
室内定位wknn代码
03-22
室内定位wknn代码,基于指纹的室内定位。
KNN算法的MATLAB实现
07-10
邻近算法，或者说K最近邻（KNN，K-NearestNeighbor）分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻近值来代表。近邻算法就是将数据集合中每一个记录进行分类的方法 。
室内CSI指纹定位数据集参考
09-05
随着WiFi技术的发展，IEEE802.11n系列通信协议及其之后的无线局域网协议应用了多输入多输出（multiple－input multiple－output，MI-MO）和正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）等技术，使得WiFi收发设备之间的信道特征可以在物理层进行估计，并以信道状态信息（channel status information，CSI）的形式存储下来。实验使用一个无线路由AP作为发射机（共2根发射天线），使用一台配备了Intel WiFi Link 5300无线网卡和Ｕbuntu操作系统的台式机作为接收机（共3根接收天线）。通过修改NIC的设备驱动程序，来读取每个数据包接收时以CSI的形式记录在硬件中的CSI值，并生成包含CSI信息的dat文件。这些dat文件是以二进制进行保存的，最后我们还要使用MATLAB或者Python程序来读取dat文件，从而获取丰富的csi信息。每个位置点测试1500个数据包。
基于Wi-Fi指纹和深度神经网络的室内定位系统设计代码详解（一）
weixin_37354464的博客
04-09 3396
本文讲解的代码可在GitHub上获取 https://github.com/kyeongsoo/can405_indoor_localization 首先我们需要知道为什么要通过WIFI指纹实现室内定位，这是因为卫星定位系统在室内环境或高层建筑密集地区无法检测到卫星信号，无法满足人们对定位精度的要求。而良好的网络稳定性、高速高质量的数据传输，以及Wi-Fi通信模块在智能移动终端上的广泛应用，使得室内使用WIFI无线定位转变成一种低成本和易于实现技术。 话不多说，下面直接开始讲解代码。本文主要讲解如何预处理数
RSSI指纹定位技术性能仿真（matlab，详细介绍仿真方案的设计、结果及结论、完整代码）
mango
06-17 6395
RSSI指纹定位技术性能仿真目录一、仿真要求二、仿真方案的设计、仿真结果及结论1.仿真方案的设计2.仿真结果3.结论三、完整的仿真代码 一、仿真要求 要求一：RSSI的测量值由对数路径损耗模型产生，为减小波动造成的误差，其值可由多次测量取平均值来得到。 要求二：定位指纹数据库的建立是基于网格形式产生不同的指纹节点。 要求三： 比较KNN算法与WKNN算法的CDF曲线对比图，横坐标为定位误差，纵坐标为CDF。 二、仿真方案的设计、仿真结果及结论 1.仿真方案的设计 由接收端位置节点接收多个参考节点RSSI值所
基于RSSI的室内定位系统设计——使用PythonWeb开发
最新发布
m0_70109786的博客
12-31 2351
RSSI是一种基于测距的定位技术，其测距原理为接收机通过测量射频信号的能量来确定与发送机的距离。本文使用Python web开发中的flask框架，并结合数据库设计了一个web系统，实现了RSSI室内定位。
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

陈一月的编程岁月

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值