买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河北师范大学

摘要：本发明属于室内定位技术领域，公开了一种基于DBSCAN的室内超宽带货架分层定位方法，包括：S1、建立室内超宽带定位模型，解算出标签的初始定位坐标；S2、进行降维处理并分析，确定参数；S3、进行DBSCAN聚类，调整参数，直至所有簇的离散程度满足条件；S4、将离散程度满足条件且能够合并的簇进行合并，并计算合并后形成的簇和无法合并的簇的加权质心，设置噪声点的权重因子，并将该噪声点归于相应的簇中，计算最终定位坐标，恢复到三维空间，确定标签的目标层。本发明能够根据数据特征自动调整参数，降低了噪声点的权重，确保了货物被定位在货架的正确层，提高了智能仓储系统的运行效率。本发明适用于定位货物在货架上的位置。

主权项：1.一种基于DBSCAN的室内超宽带货架分层定位方法，其特征在于，包括依次进行的以下步骤：S1、建立室内超宽带定位模型，解算出标签的初始定位坐标；具体为：建立的室内超宽带定位模型中存在n个基站和一个标签，基站接收由标签发射出的信号，基于TOA算法确定标签位置，再采用chan算法解算出标签的初始定位坐标，第r个基站的坐标为ar，br，cr，标签的坐标为x，y，z，基站到标签的距离为Rr，标签发射信号的时间戳为Tt，信号的传播速率为c，信号到达第r个基站的时间戳为tr，其中r＝1,2,3，……，n，则 因此Rr2-ar-x2-br-y2-cr-z2＝0，Rq2-aq-x2-bq-y2-cq-z2＝0,其中，q＝1,2,3，……，n,r≠q,设第1个基站为固定站，距离差的基准都以该固定站为准，则R12-a1-x2-b1-y2-c1-z2＝Rq2-aq-x2-bq-y2-cq-z2；令Kr＝ar2+br2+cr2，Kq＝aq2+bq2+cq2,则R12-K1+2a1x+2b1y+2c1z＝Rq2-Kq+2aqx+2bqy+2cqz，即 建立以za为变量的线性方程组为 其中，B＝diag{R1,R2…Rn}，u＝[u1u2…un]，表示误差向量，u表示时延误差，⊙表示Hadamard乘积，通过第一次加权最小二乘，得到za的第一次估计值为za＝GTΨ-1G-1GTΨ-1h，其中，Ψ表示误差向量的协方差矩阵，E表示单位矩阵，Q表示TOA测距值的协方差矩阵，Q＝E[uuT]；建立以z′a为变量的线性方程组为 其中，为更新后线性方程组的误差向量，za,1＝x+e1，za,2＝y+e2，za,3＝z+e3，e1、e2和e3为标签坐标的估计误差，通过第二次加权最小二乘，得到的第二次估计值为z′a＝[G′TΨ′-1G′]-1[G′TΨ′-1h′]，解算出标签的初始定位坐标为 其中，Ψ′表示误差向量的协方差矩阵，B′＝diag{xyz}，Δza表示za的估计误差；S2、对标签的初始定位坐标进行降维处理，得到二维数据，分析二维数据特征，并确定阈值、邻域半径和最少点参数；具体为：采用主成分分析方法对标签的初始定位坐标进行降维处理，将三维坐标数据映射到二维上，当计算出一个标签的初始定位坐标zt为m个三维坐标时，则令对数据进行去中心化，得 其中，i＝1,2,3，……，m，在坐标数据空间中找到一个方向，使得坐标数据在这个方向上的投影的方差最大，令这个方向为w，||w||2＝1，去中心化后的坐标数据在这个方向下的坐标值为：wTXi,则可得到方差DX为 其中，就是w方向下样本的协方差矩阵，令则目标函数为 用拉格朗日常数法求解，构造函数为Lw,λ＝wTCw+λ1-wTw，λ表示拉格朗日乘子，求解 解得代入到目标函数中，得maxDX＝maxwTCw＝maxwTλw＝maxλ；要找的最大方差maxDX就是协方差矩阵C的最大特征值，而此时的方向w就是最大特征值所对应的特征向量，那么坐标数据投影的方差第二大的方向就是第二大特征值对应的特征向量，依此类推，找出K个特征向量，以这K个特征向量作为新的坐标系，然后将原始数据投影到这个新的坐标系上，K＝2，新的坐标系为由x′轴和y′轴构成的二维坐标系，可得到降维后的二维数据分析二维数据特征，确定阈值和邻域半径，对于二维数据进行参数估计，当二维数据满足正态总体Nμ,σ2分布时，则样本方差式中Xi′表示降维后的二维数据X′中第i组二维数据；根据样本方差S2来估计总体方差σ2，根据公式可求得总体方差σ2落在对应区域内的概率，χ表示卡方分布，以95％的置信水平估计数据的总体方差的置信区间，百分数100×1-a％称为置信水平，95％的置信水平时候a＝0.05，a表示显著性水平，置信区间的计算公式为 整理得 即σ2的置信区间为分别计算二维空间中两个坐标轴方向的数据的置信区间，可得到k个总体方差的置信区间o＝1,…,k，其中，为第o个置信区间的下限，为第o个置信区间的上限，取k个置信区间中最大上限，设置阈值为并将阈值的1倍范围作为波动区，使用欧式距离计算二维坐标点之间的距离，对于二维空间的欧氏距离公式为其中，j＝1,2,3，……，m，构建数据点之间的距离矩阵得 由于[d1,1,d2,2,d3,3,…dm,m]为0，设置邻域半径Eps为二维空间中所有数据点之间距离的均值，即根据经验确定最少点参数的值；S3、对降维后的二维数据点进行DBSCAN聚类，获取多个由核心点组成的F簇和一个由噪声点组成的H簇，分析离散程度不满足条件的F簇的数据特征，调整阈值和邻域半径，直至所有F簇的离散程度满足条件；DBSCAN聚类具体为：计算二维空间中每个数据点的邻域，即寻找与该数据点之间的距离小于邻域半径Eps的数据点，如果某个数据点的邻域中的数据点的数量大于或等于最少点参数MinPts的值，那么这个数据点就被标记为核心点，没有被标记为核心点的数据点被标记为噪声点，对于每一个核心点，寻找所有与其密度相连的数据点，与核心点密度相连但不是核心点的数据点被标记为边界点，为每一个核心点或与其密度相连的数据点赋予一个独立的簇标签，如果一个数据点与多个核心点密度相连，则为该数据点赋予在遍历过程中首先遇到的核心点所属的簇标签，所有的噪声点形成一个独立的簇；通过对二维数据点进行DBSCAN聚类，可以得到f个核心点组成的F簇和一个由g个噪声点组成的H簇，F簇表示由核心点或与其密度相连的数据点形成的簇，当F簇中有p个数据点时，p＜m，计算每个F簇中x′轴方向上数据的总体方差为计算y′轴方向上数据的总体方差为将两个方向中任一方向数据的总体方差不满足σ2＜ε条件的F簇提取出来，并计算出提取出的F簇中两个方向上数据的总体方差之和最大的F簇为Fmax簇，Fmax簇的分散最大，取Fmax簇中两个方向上数据的总体方差的最大值为根据退火原理调整阈值ε和邻域半径Eps，设置退火因子更新后的Eps′＝α×Eps，分别计算Fmax簇两个方向数据的总体方差的置信区间v＝1,2，其中，为第v个置信区间的下限，为第v个置信区间的上限，取两个置信区间中最大上限，更新后的阈值为v＝1,2，设置其1倍范围作为波动区，使用更新后的邻域半径Eps′和ε′再次进行DBSCAN聚类，直到所有F簇的任一方向数据的总体方差都满足σ2＜ε的条件；S4、将离散程度满足条件且能够合并的F簇进行合并，形成M簇，并计算M簇和无法合并的F簇的加权质心，设置噪声点的权重因子为与该噪声点距离最近的簇之间的反距离，并将该噪声点归于与该噪声点距离最近的簇中，结合加权质心和噪声点计算标签的最终定位坐标，再将最终定位坐标恢复到三维空间，确定标签在货架中的目标层；具体为：基于爬山原理进行簇的合并，将两个F簇合并得到簇，η∈[1,2,…,f],如果簇的任一方向数据的总体方差满足σ2＜ε的条件，则加入一个F簇合并得到簇，η∈[1,2,…,f]，ξ∈[1,2,…,f]，如果簇的任一方向数据的总体方差满足σ2＜ε的条件，则再加入一个F簇进行合并，依次类推，直到合并后得到的新的簇的任一方向数据的总体方差不满足σ2＜ε的条件，然后将未合并的F簇再次通过爬山原理进行合并，重复上述过程直至找不到满足合并条件的F簇；令F簇进行合并后得到M簇和无法合并的F簇的数量为f′，设置M簇和无法合并的F簇中每个簇的权重为γ＝1,2,…,f′，其中，dataγ为第γ个簇中数据点的数量，设置第γ个簇的中心点为centerγ,γ＝1,2,…,f′，则f′个簇的总加权质心为γ＝1,2,…,f′，将每个噪声点归于与该噪声点距离最近的簇中，第ζ个噪声点的坐标为noiseζ,ζ＝1,2,…,g，设置噪声点的权重因子为dζ为第ζ个噪声点到其归于的簇的距离，其中，ζ＝1,2,…,g,γ′＝1,2,…,f′，noise为由g个噪声点组成的H簇的加权坐标，ωγ′为噪声点归于的簇的权重，结合噪声点计算出标签在二维空间的最终坐标为x′,y′＝center+noise，最后将x′,y′恢复到三维空间，即得标签在三维空间的最终坐标x,y,z，通过坐标数据z的值和货架每一层的高度，判断出标签在货架中的目标层。

全文数据：

权利要求：

百度查询： 河北师范大学 一种基于DBSCAN的室内超宽带货架分层定位方法