基于WiFi指纹定位技术的智能考勤系统的设计与实现

基于WiFi指纹定位技术的智能考勤系统的设计与实现
孙建梅;樊晓勇;郭文书
【摘要】文中针对智能教室中考勤问题,提出了一种基于WiFi指纹定位技术的考勤系统,在定位中提出了一种基于缩放权重的KNN算法(Scale Weight KNN,SW-KNN),通过实验得出SW-KNN算法比经典的K最近邻法算法定位精度提高,通过该算法的指纹定位能够实现对学生的非觉察式考勤,提高教师的工作效率,节约人力物力,提高了教学活动的智能化.%In this paper, an attendance system based on WiFi fingerprint location technology is proposed for the problem of attendance in the intelligent classroom. A KNN algorithm (Scale Weight KNN, SWKNN) based on the scaling weight is proposed in the location. The experimental results show that the SW-KNN algorithm is more accurate than the classic K nearest neighbor algorithm, and through the algorithm, the location accuracy is improved. It can realize students' unaware attendance by the method of location, and it can improve teachers' work efficiency, save manpower and material resources, and improve the intelligence of teaching activities.
【期刊名称】《电子设计工程》
【年(卷),期】2019(027)004
【总页数】6页(P74-78,83)
【关键词】指纹定位;K最近邻法算法;智能教室;考勤
【作者】孙建梅;樊晓勇;郭文书
【作者单位】大连科技学院信息科学学院,辽宁大连 116052;大连科技学院信息科学学院,辽宁大连 116052;大连科技学院信息科学学院,辽宁大连 116052
【正文语种】中文
【中图分类】TP311
随着智慧校园、智能教室概念的出现，现在校园越来越趋向于智能化。

校园的智能化一方面体现在于能够提高校园师生的日常生活效率，方便大家的生活，而在学校中主要的活动则为上课，而为了保证上课的质量及学生的听课效果，每次课上对学生考勤则是教师必要的一项工作。

而传统的考勤系统则是教师把考勤信息人工记录在纸质点名册上，或者录入电子系统中，这样的方式既浪费时间，又无法避免冒名顶替的事情发生，所以对于一种方便快捷的考勤方式则是教师们一直探讨的问题。

现代的智能教室考勤系统，必将采用一种非觉察性的方式。

而本文意在介绍一种基于WiFi指纹定位技术的考勤系统，以提高系统的效率。

1 系统总体设计
文中提出的考勤系统只需利用网络基础设施和每位学生的手机，就可以完成考勤，同时还可以定位学生在教室中的具体位置，以方便老师对学生具体情况的掌握。

由于WiFi环境的便利性，那么基于WiFi的室内定位技术已经成为学术界和企业的研究热点。

基于WiFi的室内定位可以分为基于传播模型的定位和基于指纹的定位[1-3]。

基于传播模型的定位方法是根据无线电信号的传播模型，将用户测得的接收信号强度值（Received Signal Strength Indicator，RSSI）映射成到对应的无线接入点（Access Point，AP）的距离，但在室内环境无线传播的多径现象，利用传播模
型估算距离时容易产生误差，精度有限。

而基于指纹的定位是采集检测到的AP的RSS值，建立射频指纹库，然后使用模式匹配的方法来估计用户的位置，基于指
纹的定位不需要建立复杂的传播模型，且精度也高于传播模型，同时具有开放接入、低成本的特点，因此目前国内外研究领域多采用此方法。

该智能考勤系统主要包括3个子系统，一个是教室无线覆盖环境系统，科学合理
的WiFi接入点APs部署方案；一个是学生用户的APP程序，能够获取Aps的RSS值，并能够和匹配算法服务器进行通信；另外就是指纹的存储、匹配算法计算、考勤数据管理、学生位置显示等任务，可安排在系统配置优良的一台服务器上完成，统称为计算中心[4]。

系统的体系结构如图1所示。

图1 系统体系结构图
该考勤系统的业务流程为，在部署无线网络的教室内，学生携带手机，运行手机APP获取APs的RSS值，同时向计算中心发送询问位置请求，之后每个手机的RSS值与指纹数据库数据运用匹配算法估算位置，手机MAC与学生基本信息绑定，经过定位换算后在软件系统中可视化的显示每个出勤学生的具体位置，教师可操作可视化软件进行个性化的教学活动，系统并有相应的输出接口供考勤信息的查看和管理。

该系统的业务流程如图2所示。

图2 系统业务流程图
为保证该考勤系统的可视化定位、个性化的教学活动及考勤信息的管理工作，核心工作在完成学生手机用户的定位和识别，即为基于WiFi的指纹识别的位置匹配计算，其次就是实现位置和手机用户信息的对应。

2 技术方案
2.1 经典KNN算法
基于WiFi指纹的定位算法分为两个阶段：离线的数据采集阶段和在线的实时定位阶段。

在离线数据采集阶段，目标区域覆盖一组预定的参考点（Reference Point，
RP）的坐标。

参考点的集合为P={pi=（xi，yi），i=1，2，…，m}，其中m为RP 的总数，（xi，yi）表示第i个RP的坐标。

AP的集合为A={AP1，AP2，…，APn}，n为目标区域内的 AP总数。

在pi处测量队各个AP的RSS，得到另一个数据RSSi=（RSSi1，RSSi2，…，RSSij，…，RSSin），其中 RSSij表示在pi处采集APj的RSS的均值。

将（pi，RSSi）存入指纹库中，以完成离线的数据采集[5]，流程示意如图3所示。

图3 离线数据采集示意图
在线实时定位阶段，用户在未知位置发出定位请求，用户手机采集该点的AP的RSS信息并传送至数据库，通过匹配算法得到位置坐标，已完成定位。

KNN算法是较为常用的一种匹配算法。

K最近邻法（K Nearest Neighbor，KNN）算法是一种简单直观的算法，近年来被广泛应用于室内定位系统中。

该算法核心来比较手机用户未知位置的RSS值的强度与存储指纹数据库，计算各个RP参考点与未知位置RSS误差均方根，均方根越小则参考点与未知位置的相似度越高，即具有最大的权值系数，根据权值系数返回K个最近邻指纹，并计算得到最优的位置解[6-8]。

未知位置的手机将从不同的AP采样获得RSS的值，表示为R=（R1，R2，…，Rn），由式（1）计算di，di为各个参考点与未知位置RSS误差均方根，可表示待测点与参考点之间的有效信号距离，di越小，表示未知位置距离参考点越近。

根据di的大小对指纹库进行从小到大的排序，选取前k个参考点的坐标。

传统的KNN算法算得待测点的位置坐标为这k个参考点的质心，由式（2）得到。

由于室内的环境复杂，障碍物的阻挡会使WiFi信号发生衰减，那么在传统的KNN算法基础上，对距离进行加权处理，加大贡献大的距离的权值，减小贡献小
的距离的权值。

由式（3）得到k个参考点的权值系数，当参考点离待测点越近时
di越小，相应的ωi权值越大，那么该参考点所采集到的RSSI值越大，对定位影
响越大，因此可以提高定位的精度。

最后根据式（4）得到估计的位置。

在线实时定位的流程如图4所示。

图4 在线实时位置估算示意图
2.2 改进的SW-KNN算法
加上权值系数的经典KNN算法虽然比传统的KNN算法定位精度有所改进，但还
是存在一定的误差，为改进定位的误差，提出了一种基于缩放权重的KNN算法（Scale Weight KNN，SW-KNN）[9]，在不同的信号强度下给信号分配不同的
权重。

基于RSS的缩放权重模型计算有效信号距离，可以改写为：
式（5）比式（1）多了一个缩放权重函数w(∙)，它的值随移动设备在待测位置的RSS值Rj而变化，引入缩放权重后所计算的有效信号距离比经典的KNN算法更
精确地表示待测点与参考点之间的信号距离。

在基于缩放权重的模型中w(∙)起到了关键性的作用，在复杂的室内环境中，为w(∙)给出一个固定的形式还是有困难的，为解决该问题。

可将整个RSS空间划分为n
个相等的间隔，然后通过大量的测量和调节，为每一个间隔找到一个常量缩放权重系数{α1,α2,…αn}。

通过调节得到合适的间隔数n和每个间隔的系数，最终以获得较高的定位精度。

如式（6）所示，给出了缩放权重系数w(∙)。

式子中x为实际信号强度RSS值，w(x)为RSS值为x处的实际信号差的缩放权重。

让Ai表示第i个RSS区间，αi第i个区间的系数，χi(x)是区间Ai的函数，χi(x)
函数如式（7）所示。

根据式（7），如RSS的值x属于间隔Ai，则χi(x)为1，不属于Ai则χi(x) 为0，根据式（6），计算w(x)的值为缩放权值系数αi。

那么接下来的主要工作就是确定间隔数n和缩放权值系数{α1,α2,…αn} 。

文中借鉴模拟退火法（Simulated Annealing，SA）来优化调节缩放权值系数[9-11]。

调整流程如图5所示。

图5 系数调整流程图
系数调整流程分为3个部分：
1）准备阶段：使用holdout方法将待测无线覆盖区域分为训练集和测试集两部分。

训练集为已知参考点的坐标集合，测试集用于不断调整缩放权值系数以提高定位精度。

2）评估阶段：随机获得一组缩放权值系数输入基于缩放权值模型中，由式（6）
和式（5）获得有效信号距离，再由KNN核心算法由式（4）和式（3）来算得测
试集的估计坐标，与测试集中参考点的第i个实际坐标(xi,yi)由式（8）来计算距离误差和cost，来评估定位精度，L为测试集中参考点的个数。

cost值越小意味着
定位精度越高。

3）优化阶段：应用SA算法搜素定位精度更高的一组系数{α1,α2,…αn} ，实现迭
代计算新的cost值，当cost值较小时将成为新的当前系数，否则一直迭代计算下去直至达到迭代次数上限。

如此得到合适的一组缩放权值系数，再据此算得待测点的估算位置，使得定位精度最高。

3 系统部署与实验
本文选择学校的一个标准教室进行实验。

教室大小为7 m*11 m，面积为77 m2。

训练集中有30个参考点，每个参考点之间的间距为1.5 m。

测试集中有113个参考点，每个参考点之间的间隔为0.5 m。

所有的参考点分布在11*13的网格交叉点。

教室共布设了6个AP，如图6所示。

图6 教室布局
本系统中采用华为手机作为信号检测设备，在离线阶段，对每个参考点分别进行6个AP的RSS采集，并把坐标和RSS的信息存储在指纹库中。

KNN算法中选择K=3。

实验中，使用不同的间隔数来考查对SW-KNN算法性能影响，结果表明间隔数<20时，定位误差越大，而当间隔数＞20时，定位误差没有明显的下降趋势，故此在调整系数时确定采用间隔数为20。

把测试RSS的信号范围[-90 dBm，-48 dBm]平均分成20个间隔，采用SA来优化调节缩放权值系数，迭代次数上限设置为3 000，得到权值系数如表1所示。

表1 SW-KNN算法不同间隔系数系数间隔序号间隔系数间隔序号间隔1 2 3 4 5 6 7 8 9 1 0[-90,-88)[-88,-86)[-86,-84)[-84,-82)[-82,-80)[-80,-78)[-78,-76)[-76,-74)[-74,-72)[-72,-70)1.7 1.5 1.3 3.6 1.7 2.5 2.9 3.5 2.8 3 11 12 13 14 15 16 17 18 19 20[-70,-68)[-68,-66)[-66,-64)[-64,-62)[-62,-60)[-60,-58)[-58,-56)[-56,-53)[-53,-50)[-50,-48)2.4 3.4 4 2.8 2.5 2.6 3 1.4 1.3 1.1
实验之后，使用平均定位误差和累积分布函数（CDF）对经典KNN算法和SW-KNN算法进行比较[12-14]。

计算出经典KNN算法和SW-KNN算法的定位误差如表2所示。

经典KNN算法的平均定位误差为3.04 m，SW-KNN算法的平均定位误差为1.72 m。

表2 定位误差定位误差/m 3.04 1.72算法经典KNN SW-KNN
图7所示为经典KNN算法与SW-KNN算法累计分布函数，SW-KNN算法的定位精度高，以分布概率0.9为例，SW-KNN算法的误差距离在1.7 m左右，而经
典KNN算法的误差距离为在3.1 m左右。

由此可知，SW-KNN算法对定位精度有明显的提高[15-16]。

以40人的一个班级在该教室进行定位考勤测试，实验测试软件定位显示信息如图8所示。

从图中可看学生的被检测位置与实际位置存在1～2米之间的误差，但检测出勤人数与实际出勤人数基本相符，由此可知，采用基于WiFi指纹定位技术在智能教室系统中进行考勤可行。

图7 两种算法定位误差的累计分布函数
4 结束语
本文针对智能教室系统中提高考勤效率的问题，提出了基于WiFi指纹定位技术构建的一种非觉察式智能考勤方案。

首先介绍了经典的KNN算法在基于WiFi的指纹定位中的应用，进而提出了一种基于缩放权重的K最近邻算法，以提高定位精度。

实验结果表明，SW-KNN算法在相同的室内环境下定位精度比经典的KNN 算法高。

基于WiFi指纹定位技术的智能考勤在智能教室系统中提高了智能化，降低了传统考勤方式的成本，提高了效率，可以在相关的领域中得到推广和应用。

图8 定位考勤信息显示
【相关文献】
[1]陆音，缪辉辉.复杂室内环境下的WiFi定位技术研究[J].计算机科学，2016，43（11）：152-154.
[2]钱志鸿，孙大洋，LEUNG Victor.无线网络定位综述[J].计算机学报，2016，39（6）：1237-1256.
[3]肖亚龙，张士庚，王建新.一种基于对维标度和区域细化的无线室内定位方法[J].计算机学报，2017，40（8）：1918-1931.
[4]黄旭，范婧，吴茂念，等.基于WiFi指纹定位技术的智能停车场系统的设计与实现[J].计算机科学，2016，43（6）：512-515.
[5]唐洋，白勇，马跃，等.基于WiFi的指纹匹配算法在室内定位中的应用研究[J].计算机科学，2017，43（4）：73-75.
[6]李新春，候跃.基于改进AP选择和K最近邻法算法的室内定位技术[J].计算机应用，2017，37（11）：3276-3280，3287.
[7]辛英.基于k-邻近算法的手写识别系统的研究与实现[J].电子设计工程，2018，26（7）：27-30.
[8]王玙璠，艾浩军，涂卫平.Wi-Fi指纹聚类在室内感兴趣区域定位中的应用[J].计算机应用，2016，36（2）：488-491.
[9]Chengwen Luo，Long Cheng，Mun Choon Chan.Pallas：self-bootstrapping fine-grained passive indoor localization using WiFi monitors[J].IEEE Transactions on Mobile Computing，2017，16（2）：466-481.
[10]Dong Li，Baoxian Zhang，Cheng Li，et al.A featurescaling-based k-nearest neighbor algorithm for indoorpositioning systems[J].IEEE Internetof Things Journal，2016，3（4）：590-597.
[11]Yuanchao Shu，Member，IEEE，Yinghua Huang.Gradient-Based Fingerprinting for Indoor Localiza-tion and Tracking[J].IEEE Transactions on Electronics，2016，63（4）：2424-2433.
[12]韦春玲，王步飞.基于WLAN接收信号强度特征的室内活动识别[J].计算机应用，2017，37（5）：1326-1330.
[13]霍欢，杨沪沪，郑德原，等.一种改进的RSSI指纹库定位算法[J].计算机应用研究，2017，34（9）：2786-2790.
[14]Devijver P.A，Kittler J.Pattern recognition：a statisticalapproach[J].Imageand Vision Computing，1985，3（2）：87-88.
[15]陈淑敏，乔晓田，毛佳，等.基于接收信号强度（RSSI）的室内二次定位方法[J].传感技术学报，2015，28（4）：572-577.
[16]武一，张冀钊.基于Android平台改进的室内WiFi定位算法的研究[J].电子技术应用，2017，43（3）：77-79.。