LI Lun，DING Enjie*，HAO Lina，ZHANG Lei

(1.School of Information and Electrical Engineering，China University of Mining and Technology，Xuzhou Jiangsu 221116，China; 2.Internet of Things Perception Mine Research Center，China University of Mining and Technology，Xuzhou Jiangsu 221008，China)

An Improved Location Fingerprint Localization Matching Algorithm in Coal Mine*

LI Lun1，2，DING Enjie1，2*，HAO Lina1，2，ZHANG Lei1，2

(1.School of Information and Electrical Engineering，China University of Mining and Technology，Xuzhou Jiangsu 221116，China; 2.Internet of Things Perception Mine Research Center，China University of Mining and Technology，Xuzhou Jiangsu 221008，China)

The environment of coal mine is very complicated，which requires great accuracy of personnel positioning. Currently，in the mine roadway，the location of the fingerprint localization algorithm based on RSSI(Received Signal Strength Indication)has some deficiencies，such as targeting drift，jitter，and low positioning accuracy.This paper proposes a modified matching localization algorithm.This algorithm combines K nearest neighbor algorithm with the shortest historical path matching and uses speed-limited location estimation compensation algorithm to correct the positioning accuracy.Based on the authentic-measured data from the coal mine tunnel，this article verifies and analyses the error for the improved matching algorithm.The simulation results show that the improved matching algorithm can improve positioning accuracy and meet the requirements of mine personnel positioning，target tracking，and target trajectory querying.

wireless sensor networks;RSSI;location fingerprint;mine tunnels;matching algorithm

隨著傳感器網(wǎng)絡(luò)技術(shù)、礦山機(jī)電通信技術(shù)、微機(jī)電系統(tǒng)(MEMS)、物聯(lián)網(wǎng)、云計算技術(shù)和大數(shù)據(jù)的快速發(fā)展，感知礦山物聯(lián)網(wǎng)技術(shù)正廣泛應(yīng)用于煤礦開采。然而礦山地質(zhì)開采條件復(fù)雜、生產(chǎn)體系龐大、采掘環(huán)境惡劣，需要應(yīng)用物聯(lián)網(wǎng)技術(shù)進(jìn)行實時監(jiān)測監(jiān)控［1］。感知礦山物聯(lián)網(wǎng)分別由感知層、傳輸層和應(yīng)用層組成［2］。作為運行在應(yīng)用層的人員定位系統(tǒng)，能夠提供井上/下人員信息交流、人員位置感知和環(huán)境參數(shù)感知等功能。當(dāng)?shù)V井遭受自然災(zāi)害時，系統(tǒng)可以提供實時的礦工位置信息，輔助決策者快速及時地制定出營救方案，減少煤礦人員傷亡和財產(chǎn)損失。

在煤礦巷道中，基于無線傳感器網(wǎng)絡(luò)WSN (Wireless Sensor Networks)的人員定位技術(shù)是煤礦安全開采技術(shù)中的重要組成部分，它可以保障煤礦企業(yè)日常生產(chǎn)安全，提高生產(chǎn)效率。傳感器節(jié)點定位技術(shù)有許多種分類，目前大致可分為基于距離的節(jié)點定位和與距離無關(guān)的節(jié)點定位兩大類［3-4］?；诰嚯x的節(jié)點定位主要是通過測量傳感器節(jié)點之間的距離或角度來實現(xiàn)對未知節(jié)點的定位，如RSSI (接收信號強(qiáng)度指示)測試法、TOA(到達(dá)時間)法、TDOA(到達(dá)時間差)法和AOA(到達(dá)角)測量法等;與距離無關(guān)定位是利用網(wǎng)絡(luò)內(nèi)部連通性來實現(xiàn)對未知節(jié)點的定位，如質(zhì)心方法、DV-Hop、Amorphous和APIT是常見的定位方法?？偟膩碚f，這兩種定位方法應(yīng)用于不同場景，各有其優(yōu)缺點。前者對收發(fā)節(jié)點之間的時間性有嚴(yán)格要求，對硬件條件要求較高，但定位精度相對較高;后者簡單易于實現(xiàn)，對硬件要求低，定位精度差。

本文提出了一種改進(jìn)的指紋定位匹配算法，該算法將K鄰近算法和最短歷史路徑匹配法聯(lián)合，并利用速度限定位置估計補(bǔ)償算法對定位精度進(jìn)行修正，以此獲得較高的定位精度。利用在山煤霍爾辛赫煤業(yè)井下主運大巷中的實測數(shù)據(jù)，對改進(jìn)的匹配算法進(jìn)行了驗證與誤差分析。仿真結(jié)果表明，由于巷道空間狹窄、并布有支架、電纜和各種管道、時有機(jī)車和工人通過、多徑干擾、折射、散射、駐波和非視距傳輸?shù)纫蛩氐挠绊懀?］，對無線射頻信號的發(fā)送與接收存在干擾，改進(jìn)后的算法能夠提高定位精度，誤差相對較小，滿足礦井人員定位要求。

1 基于RSSI的位置指紋定位算法

位置指紋定位算法［7］是根據(jù)傳感器節(jié)點所在的位置定位卡(標(biāo)簽卡)所接收到的各無線接入點AP(Wireless Access Point)發(fā)送的信號強(qiáng)度值大小和待定位傳感器節(jié)點的坐標(biāo)信息來計算匹配用戶的位置坐標(biāo)［8］。

1.1 位置指紋算法描述

位置指紋算法分為兩個階段:離線采樣階段和實時定位階段［9-10］。離線采樣階段的工作是在待定位區(qū)域內(nèi)按照一定的間隔距離確定若干采樣點，形成一個采樣網(wǎng)格圖，并將每個傳感器節(jié)點測得的信號強(qiáng)度值及其位置信息一同存儲在數(shù)據(jù)庫中，這些信息被稱為位置指紋(Location Fingerprints)。

離線指紋模擬采樣的巷道如圖1所示，巷道實際寬度約為3 m，長達(dá)幾十km，所以在設(shè)定采樣點坐標(biāo)時，縱坐標(biāo)y值根據(jù)巷道巖壁的坐標(biāo)而定(多數(shù)巷道呈直線型，拐彎處較少，故此y值變化不大)，而橫坐標(biāo)x值變化較大。為了提高定位精確度，采樣間距設(shè)定為2 m，即每隔2 m進(jìn)行一次指紋采樣，采樣時間為60 s，遍歷所需定位巷道，把采樣到的數(shù)據(jù)存儲到數(shù)據(jù)庫中，結(jié)構(gòu)和內(nèi)容如表1。在實驗測試過程時，采樣時間設(shè)定為60 s，然而在實際的工程項目中，為了節(jié)省時間及減小項目復(fù)雜度，采樣時間可以適當(dāng)減少，減至40 s或者30 s。

圖1 巷道模擬采樣點

表1 采樣點信號特征

由表1采樣點特征可得，采樣點(m1，m2，m3，…，mi)的坐標(biāo)為(x，y，z)，其中x=2，4，6，8，…，2n;采掘水平，單位為m，Z值需要自定義設(shè)定，依據(jù)不同礦山的采掘水平定義Z值。

離線采樣階段指紋信息數(shù)據(jù)庫建立之后，在實時定位階段，對當(dāng)前接收到的信號強(qiáng)度值進(jìn)行處理，通過指紋匹配算法，使得當(dāng)前的信號強(qiáng)度值和數(shù)據(jù)庫中信號強(qiáng)度值進(jìn)行最佳匹配度相比，此時終端的位置就估計約為數(shù)據(jù)庫中這個有最佳匹配度信號強(qiáng)度值所在的位置坐標(biāo)。

實時定位階段接收到信號強(qiáng)度值也需要進(jìn)行預(yù)處理:若Wi-Fi終端在實時定位階段沒有檢測到某個AP的信號強(qiáng)度值，而在離線采樣階段能監(jiān)測到該AP，則取一個較小的值作為其信號強(qiáng)度值，如-90 dBm。對于實時定位周期內(nèi)(本文中周期為3 s)，為了減小誤差，監(jiān)測到的同一個AP的信號強(qiáng)度值處理方法與采樣階段相同，由式(1)計算它們的平均值。實時定位階段對定位的實時性要求較高，接收到的信號強(qiáng)度值個數(shù)肯定比采樣時的要少，所以數(shù)據(jù)處理速度也很快，保證了實時性。

1.2 K鄰近法描述

K鄰近法屬于典型的確定性定位算法［11］。1968年，Hart和Cover提出了K鄰近法，它是在手指模數(shù)據(jù)庫中搜索與待定位節(jié)點接收到的信號強(qiáng)度值進(jìn)行比較鄰近性，K鄰近法中K值可取任意值，根據(jù)定位環(huán)境取合適的K值［12-13］。該理論研究比較成熟，思路簡單，易于實現(xiàn)，廣泛應(yīng)用于模式識別領(lǐng)域。

在現(xiàn)有的定位系統(tǒng)中，使用K鄰近法的有LandMark和RADAR［14］等。它的定位思想主要是: Wi-Fi終端在某處實時接收到的信號強(qiáng)度特征信息，根據(jù)歐氏距離公式計算與該信號數(shù)據(jù)庫中每一個采樣點信息的距離，選擇距離最小的K個采樣點位置，根據(jù)這K個點再估計Wi-Fi終端的位置。

在微軟RADAR定位系統(tǒng)中，數(shù)據(jù)庫中存儲的是來自各個AP信號強(qiáng)度的平均值，實時數(shù)據(jù)信息和數(shù)據(jù)庫中信息計算完歐氏距離后，取最小值所對應(yīng)的采樣點的位置作為定位估計的位置。用式(2)表示。

其中，n是AP的個數(shù)，RSSi是指Wi-Fi終端實時監(jiān)測到第i個AP的信號強(qiáng)度值，RSSi是指信號數(shù)據(jù)庫中存儲的采樣點接收到的信號強(qiáng)度平均值。

取K=3時，求由3個最近估測點組成三角形的質(zhì)心，將質(zhì)心的坐標(biāo)作為定位估計的位置坐標(biāo)，用式(3)計算。

2 改進(jìn)的定位估計匹配算法

對于位置指紋定位算法來說，實時定位階段的位置匹配算法是至關(guān)重要。礦井巷道與室內(nèi)環(huán)境無線信號傳輸所受的影響不同，巷道狹長的特點以及多徑效應(yīng)影響對實際收發(fā)干擾嚴(yán)重，都使得在研究匹配算法時要契合巷道的需求。在實時定位階段，Wi-Fi終端接收到信號強(qiáng)度值后首先會對其求均值進(jìn)行預(yù)處理，然后通過K鄰近法選出歐氏距離較小的3個匹配值，再次經(jīng)過深度為3的最短歷史路徑匹配算法和速度限定位置估計補(bǔ)償算法共同定位，定位估算出最佳匹配位置。

算法步驟1

K鄰近法采用確定性的定位算法是在K鄰近法的基礎(chǔ)之上，提出適用于煤礦井下改進(jìn)的定位匹配算法。K鄰近法應(yīng)用在本文算法的前期估計位置的處理上，取K=3，先選出3個最鄰近的估測值，用式(4)所示。

通過計算歐氏距離選出3個最鄰近點，之后再用最短歷史路徑匹配算法和速度限定位置估計補(bǔ)償算法進(jìn)行改進(jìn)補(bǔ)償，提高定位精度。

算法步驟2

最短歷史路徑匹配算法在定位時，假設(shè)t1時刻，待定位節(jié)點接收到的信號強(qiáng)度經(jīng)過前期預(yù)處理后的值為S1，其位置為L(t1)，根據(jù)計算得出的歐幾里德距離，L(t1)對應(yīng)地圖中的3個可能的位置點，而每隔一個較小的時間Δt(Δt=1 s，終端會相應(yīng)地移動一個小的距離)，待定位的點會接收到新的信號強(qiáng)度值，假設(shè)此時的信號強(qiáng)度值為S2，其位置為L(Δt+t1)，根據(jù)計算得出的歐幾里德距離，選出最小的3個歐氏距離，L(Δt+t1)對應(yīng)地圖中的3個可能的位置點，這樣可以濾掉一部分不合理的位置點。隨著采集次數(shù)的增加，最終能夠得出一條歐氏距離最小路徑，路徑終點即為定位點位置。

如圖2所示，終端經(jīng)過三次位置計算后，最終通過歷史路徑法得出最短歷史路徑［15］，估算出黑色六邊形的位置即估計位置。圖2中所有的點均是離線采樣階段數(shù)據(jù)庫中存儲的，每2 m有一個采樣點，黑色圓形是t1時刻經(jīng)歐幾里德距離得出的3個位置，黑色正方形是t2時刻經(jīng)歐幾里德距離得出的3個位置，黑色六邊形是t3時刻歐幾里德距離得出的3個位置，經(jīng)過歷史路徑最短距離匹配算法，最終估計的位置是圖中標(biāo)定位節(jié)點的位置。其中，紅色圓形是離線采樣階段規(guī)劃的采樣點，而在本次實時定位階段并未估計到的位置。

圖2最短歷史路徑匹配算法(有唯一估計值時)

圖2 中的歷史路徑軌跡是常見的，但是也有找不出唯一定位點的情況出現(xiàn)。如果經(jīng)過深度為3的最短歷史路徑找不出唯一定位點時，如圖3所示，標(biāo)有數(shù)字1、2、3中的黑色六邊形為t3時刻歐幾里德距離得出的3個位置。但根據(jù)最近歷史路徑算法，t2時刻的黑色正方形在2 m的步長內(nèi)找不到唯一的黑色六邊形的位置，此處情況下，選定1、2、3定位點的平均值坐標(biāo)為估算位置，由式(5)所示。

圖3 最短歷史路徑匹配算法(沒有唯一估計值時)

算法步驟3

礦井下基于信號強(qiáng)度的位置指紋匹配算法，主要由上述的兩種匹配算法組成，為了保證算法的定位精度，提出了速度限定位置估計補(bǔ)償算法進(jìn)行算法修正。該補(bǔ)償算法的基本思想是:礦井下需要定位的有礦工和運輸機(jī)車，礦工在井下的運動狀態(tài)有靜止、步行和乘坐載人機(jī)車，靜止和步行時速度較慢，使用上述兩種算法的結(jié)合算法后定位精度也很高;而在礦工乘坐機(jī)車時，機(jī)車運行的速度小于10 m/s，若本次定位估計值和上一次定位估計值之間的距離大于10 m時，取兩個坐標(biāo)的均值坐標(biāo)作為定位估計值，對機(jī)車的定位算法補(bǔ)償也適用該方法。

在礦井巷道的定位過程中，Wi-Fi終端通常可設(shè)置每一秒發(fā)送和接收到的信號強(qiáng)度值，定位引擎服務(wù)器在t時刻根據(jù)以上算法(K鄰近法和最短歷史路徑匹配算法)后估算出Wi-Fi終端當(dāng)前所在位置的坐標(biāo)為(xt，yt，z)，在(t-1)時刻估計的位置坐標(biāo)為(xt-1，yt-1，z)，執(zhí)行以下具體步驟:

①若經(jīng)式(6)計算得出d＜10 m，則當(dāng)前估計的位置有效，坐標(biāo)定為(xt，yt，z);定位結(jié)束;修正為

③若修正后的坐標(biāo)和上一時刻的坐標(biāo)經(jīng)式(6)計算得出d;

④若d＜10 m，執(zhí)行①;

⑤若d≥10 m，執(zhí)行②;

速度限定位置估計補(bǔ)償算法可以消除因Wi-Fi終端位置跳變過大而引起的較大誤差，采用礦井下最大運行速度來限定定位估計位置，這種方法在一定程度上減小了定位誤差。

本文算法流程簡易圖4所示。

圖4 算法流程

3 實驗性能比較與結(jié)果分析

3.1 實驗測試平臺

由于煤礦巷道電磁環(huán)境的特殊性，無線信號傳播的規(guī)律與室內(nèi)傳播規(guī)律有很大的差別。文中的信號強(qiáng)度值實驗數(shù)據(jù)取自于山煤集團(tuán)霍爾辛赫煤業(yè)有限公司國家物聯(lián)網(wǎng)示范工程項目所測得，實驗平臺架構(gòu)圖如圖5所示。

圖5 實驗測試結(jié)構(gòu)

實驗平臺:Wi-Fi用戶終端、無線接入點AP、定位引擎服務(wù)器、Aero Scout Analysis無線信號分析軟件等;

實驗環(huán)境:山煤霍爾辛赫煤業(yè)井下主運大巷;

實驗內(nèi)容:記錄Wi-Fi終端接收到的AP的信號強(qiáng)度值，主要對接收信號強(qiáng)度值(RSSI)在巷道中因時間變化而呈現(xiàn)的浮動和信號強(qiáng)度值隨距離變化而呈現(xiàn)的衰減。巷道中的AP安裝在墻壁一側(cè)，這是考慮巷道中電纜和通風(fēng)設(shè)備等放置規(guī)范而設(shè)定的，如圖6所示。

圖6AP安裝在巷道中的位置

3.2 實驗算法描述

本文位置指紋定位算法的實驗內(nèi)容為:①對霍爾辛赫煤礦-600 m主運大巷進(jìn)行規(guī)劃區(qū)域采樣，每2 m接收到的信號強(qiáng)度采樣一次，形成采樣指紋數(shù)據(jù)庫。②實時定位階段，測試人員以約1 m/s的速度行走，隨身攜帶Wi-Fi終端，上層定位服務(wù)器Aero Scout Analysis軟件進(jìn)行每秒一次不間斷記錄Wi-Fi終端發(fā)送上來的RSSI值。③根據(jù)以上數(shù)據(jù)利用改進(jìn)后的位置指紋定位算法，求其定位誤差。

3.3 性能比較及其仿真分析

為了驗證算法的可行性，選擇在山西霍爾辛赫煤礦-600 m大巷進(jìn)行離線采樣和實時定位信息指紋采集。在實時定位階段的信號強(qiáng)度值所在位置按1 m/s的速度在計算，最大限度的保證定位的實時性。上層服務(wù)器接收到的信號強(qiáng)度值以3 s為一個單位運用深度為3最短歷史路徑匹配算法計算所得的位置坐標(biāo)與實際坐標(biāo)的對照如圖7所示。最短歷史路徑匹配算法是文章提出算法的其中一步，由于巷道內(nèi)無線信號多徑衰落等因素的影響，定位誤差有比較大的情況，所以后面一步的速度限定算法會矯正一些前后定位結(jié)果浮動較大的情況。速度限定位置估計補(bǔ)償算法［16］是根據(jù)礦井巷道中礦工或機(jī)車的行駛速度一般小于10 m/s，本次定位位置與上一次定位位置之間不會超過10 m，改進(jìn)的算法設(shè)定10 m為界來矯正定位誤差。

圖7 離線采樣點和實時定位點位置比較

從圖8可以看出，最短歷史路徑匹配算法定位估計的前后位置距離大于10 m的只有一次，若在定位過程中把后一次的定位結(jié)果使用速度限定位置估計補(bǔ)償算法進(jìn)行校正后，定位誤差會減小，如圖9所示。比較圖8和圖9來看，經(jīng)速度限定位置估計補(bǔ)償算法矯正之后，定位誤差趨勢曲線變得更緩和。從巷道中的實驗數(shù)據(jù)來看，靠近一個AP距離在40 m以內(nèi)時，算法的定位誤差較小，隨著遠(yuǎn)離一個AP向鄰近的AP靠近的過程中，誤差會呈現(xiàn)先變大后變小的趨勢。

圖8 最短歷史路徑匹配算法的誤差

圖9 速度限定位置估計補(bǔ)償算法矯正后的誤差

如圖10所示，誤差的變化趨勢是開始誤差小，隨著慢慢遠(yuǎn)離AP1，誤差變大，然后隨著遠(yuǎn)離AP1、接近AP2，誤差又變小。整個測試過程是從距離AP1約10 m的距離開始，以1 m/s的速度行走，經(jīng)過90 s后，定位服務(wù)器所采集的信號強(qiáng)度值由位置指紋算法計算后，誤差所呈現(xiàn)的趨勢。從圖9誤差趨勢來看，距離AP越近，誤差就越小。再從礦井下信號強(qiáng)度值變化趨勢圖來看，距離AP越近，信號強(qiáng)度值變化幅度較大，而距離AP約60 m后信號強(qiáng)度值浮動較小。由此可看出，隨著距離增加，信號強(qiáng)度值變化幅度大時，算法對位置的區(qū)別度就越大，誤差就越小。反之，從總體算法誤差趨勢變化圖來看，距離AP越遠(yuǎn)，誤差就越大;當(dāng)靠近下一個AP時，誤差又會變小。

圖10 總體算法誤差趨勢變化

本文改進(jìn)的定位匹配算法在礦井巷道中的定位情況與在同樣的實驗場景下使用微軟RADAR定位系統(tǒng)的算法進(jìn)行實驗比較:離線采樣階段的信號采集、信息存儲和上面介紹的方法相同，區(qū)別在于實時定位階段的匹配原理不同［17］。這兩種方法使用的實驗數(shù)據(jù)的采集都在霍爾辛赫煤礦-600 m水平主運大巷中測試，每隔2 m進(jìn)行一次信號采樣，實時定位時測試人員手持Wi-Fi終端以1 m/s的速度行走，服務(wù)器中記錄軟件同步對Wi-Fi終端接收到的無線信號特征進(jìn)行記錄。分別使用典型算法和本文提出的改進(jìn)算法進(jìn)行定位估計，得出的定位誤差如圖11所示。

圖11 典型算法和改進(jìn)算法誤差比較

從圖11可以看出，典型算法在礦井巷道中的定位誤差要比改進(jìn)后的算法大很多，這也驗證改進(jìn)后的算法在礦井巷道中使用的可行性。從誤差趨勢角度上來看，改進(jìn)后算法的誤差大小趨勢和典型算法一致，都是隨著Wi-Fi終端遠(yuǎn)離AP，而誤差變大，靠近AP時誤差變小。典型算法中誤差較大，最小誤差5 m，最大誤差達(dá)到26 m，且定位時位置浮動較大。改進(jìn)后的算法得出最大定位誤差為18 m，最小定位誤差為1 m。

4 結(jié)論

針對煤礦巷道自身的電磁環(huán)境特點，在位置指紋定位算法的基礎(chǔ)上提出一種改進(jìn)的定位方法。在算例中，將離線采樣的指紋數(shù)據(jù)庫和實時定位的數(shù)據(jù)進(jìn)行比對，采用K鄰近法、最短歷史路徑匹配法相結(jié)合，并利用速度限定位置估計補(bǔ)償方法逐步修正定位結(jié)果。實驗數(shù)據(jù)的采集全部來自山西霍爾辛赫煤礦-600 m水平主運大巷，通過改進(jìn)匹配算法進(jìn)行匹配定位估計，節(jié)點定位位置浮動較大，利用速度限定位置估計補(bǔ)償算法來減少位置浮動較大的問題，提高了定位精度。仿真分析得出最大定位誤差為18 m，最小定位誤差為1 m，對于長達(dá)幾十km的狹長礦井巷道而言，最大誤差18 m是可以接受的范圍。

［1］吳立新，汪云甲，丁恩杰，等.三論數(shù)字礦山——借力物聯(lián)網(wǎng)保障礦山安全與智能采礦［J］.煤炭學(xué)報，2012，37(3):357 -365.

［2］錢建生，孫彥景.煤礦安全生產(chǎn)物聯(lián)網(wǎng)關(guān)鍵技術(shù)及研究［C］//中國煤炭學(xué)會成立五十周年高層學(xué)術(shù)論壇論文集，2012.

［3］Malekpour A，Ling T C，Lim W C.Location Determination Using Radio Frequency RSSI and Deterministic Algorithm［C］//Communication Networks and Services Research Conference，2008.CNSR 2008.6th Annual.IEEE，2008:488-495.

［4］鄧彬偉，黃光明.無線傳感器網(wǎng)絡(luò)移動節(jié)點輔助定位算法［J］.儀器儀表學(xué)報，2011，32(3):563-570.

［5］陳錫劍，程良倫.基于RSSI的功率匹配定位算法的研究與實現(xiàn)［J］.傳感技術(shù)學(xué)報，2013，26(5):710-714.

［6］任維政，徐連明，鄧中亮，等.基于RSSI的測距差分修正定位算法［J］.傳感技術(shù)學(xué)報，2008，27(7):1247-1248.

［7］Jain A K，F(xiàn)eng J，Nandakumar K.Fingerprint Matching［J］.Computer，2010，43(2):36-44.

［8］張明華，張申生，曹健.無線局域網(wǎng)中基于信號強(qiáng)度的室內(nèi)定位［J］.計算機(jī)科學(xué)，2007，34(6):68-75.

［9］Brunato M，Battiti R.Statistical Learning Theory for Location Fingerprinting in Wireless LANs［J］.Computer Networks，2005，47 (6):825-845.

［10］Fang S H，Lin T N.A Dynamic System Approach for Radio Location Fingerprinting in Wireless Local Area Networks［J］.IEEE Transactions on Communications，2010，58(4):1020-1025.

［11］Jiang Shengyi，Pang Guansong，Wu Meiling.An Improved K-Nearest-Neighbor Algorithm for Text Categorization［J］.Expert Systems with Applications，2012，29(1):1503-1509.

［12］Saxena M，Gupta P，Jain B N.Experimental Analysis of RSSIBased Location Estimation in Wireless Sensor Networks［C］// Communication Systems Software and Middleware and Workshops，2008.COMSWARE 2008.3rd International Conference on IEEE，2008:503-510.

［13］Huang C N，Chan C T.ZigBee-Based Indoor Location System by k-Nearest Neighbor Algorithm with Weighted RSSI［J］.Procedia Computer Science，2011(5):58-65.

［14］Bahl P，Padmanabhan V N.RADAR:An in-Building RF-Based User Location and Tracking System［C］//INFOCOM 2000.Nineteenth Annual Joint Conference of the IEEE Computer and Communications Societies.Proceedings.IEEE.Ieee，2000，2:775-784.

［15］毛少武，張煥國，黃崇超，等.改進(jìn)的K最短路徑算法在通信網(wǎng)絡(luò)中的應(yīng)用［J］.武漢大學(xué)學(xué)報(理學(xué)版)，2013，59(6):534-538.

［16］郭紅成，羅海勇，尹浩，等.基于線性插值和動態(tài)指紋補(bǔ)償?shù)姆植际蕉ㄎ凰惴ǎ跩］.傳感技術(shù)學(xué)報，2009，22(12):7795-1801.

［17］Narzullaev A，Park Y，Yoo K，et al.A Fast and Accurate Calibration Algorithm for Real-Time Locating Systems Based on The Received Signal Strength Indication［J］.AEU-International Journal of Electronics and Communications，2011，65(4):305-311.

李論(1984-)，男，土家族，貴州省印江縣人，中國礦業(yè)大學(xué)信息與電氣工程學(xué)院通信與信息系統(tǒng)專業(yè)碩士研究生，主要研究方向為無線傳感器網(wǎng)絡(luò)，liluncumt@163.com;

丁恩杰(1962-)，男，山東青島人，博士，教授，博士生導(dǎo)師，中國礦業(yè)大學(xué)物聯(lián)網(wǎng)(感知礦山)研究中心常務(wù)副主任，主要研究方向為無線傳感器網(wǎng)絡(luò)、現(xiàn)場總線與煤礦物聯(lián)網(wǎng)及其自動化，enjied@cumt.edu.cn。

一種改進(jìn)的煤礦井下指紋定位匹配算法*

李論1，2，丁恩杰1，2*，郝麗娜1，2，張雷1，2
(1.中國礦業(yè)大學(xué)信息與電氣工程學(xué)院，江蘇徐州221116;2.中國礦業(yè)大學(xué)物聯(lián)網(wǎng)(感知礦山)研究中心，江蘇徐州221008)

煤礦井下環(huán)境復(fù)雜多變，對人員精確定位技術(shù)挑戰(zhàn)很大。目前礦井巷道中采用基于接收信號強(qiáng)度指示RSSI(Received Signal Strength Indication)的位置指紋定位算法存在定位目標(biāo)漂移、抖動和定位精度不高等問題。提出一種改進(jìn)的指紋定位匹配算法，該算法將K鄰近算法和最短歷史路徑匹配法聯(lián)合并利用速度限定位置估計補(bǔ)償算法對定位精度進(jìn)行修正。利用在煤礦巷道中的實測數(shù)據(jù)，對改進(jìn)的匹配算法進(jìn)行了驗證與誤差分析。仿真結(jié)果表明，改進(jìn)后的算法能夠提高定位精度，滿足礦井人員定位、目標(biāo)跟蹤和目標(biāo)軌跡查詢等要求。

無線傳感器網(wǎng)絡(luò);RSSI;指紋定位;礦井巷道;匹配算法

TP929.4

A

1004－1699(2014)03－0388－06

2013-09-12修改日期:2014-02-25

C:6150;6210C;7110

10.3969/j.issn.1004－1699.2014.03.022

項目來源:國家科技支撐計劃資助項目(2012BAH12B01，2012BAH12B02);國家高技術(shù)研究發(fā)展計劃(863)資助項目(2013AA06A411)