基于位置连续性的室内定位算法

为了减小RSSI波动和多径干扰对定位精度和稳定性的影响,提出了一种基于位置连续性的室内指纹定位改进算法.依据用户位置具有连续性的特点,应用室内布局结构来缩减指纹搜索空间,去除位置歧义点,在此基础上,采用基于改进的贝叶斯方法进一步提高定位计算的精度和稳定性.分析与实验表明,该算法能有效降低RSSI波动对定位的影响,提高精度,同时也降低了实时定位的计算开销.     

基于偏度-峰度检验的WLAN位置指纹室内定位算法

目前,无线局域网（Wireless Local Area Networks,简称WLAN）技术因其成本低、配置简单、精度高等特点,被认为是室内定位的最佳选择之一。虽然WLAN接收信号强度指标(Received Signal Strength Indicator,简称RSSI)指纹法是最精确的定位方法,但由于其无线电地图(Radio Map,简称RM)在发生环境变化时已经过时,具有很大的缺陷,且重新校准RM是一个耗时的过程。因此,本文提出基于偏度-峰度检验进行WLAN位置指纹室内定位算法改进。在离线阶段,通过偏度-峰度检验样本总体是否服从高斯分布,对于严重偏离高斯分布的样本直接舍去,而对于与高斯分布接近的样本,利用核函数估计其概率密度。在线阶段,利用K最近邻(K-Nearest Neighbor,简称KNN）,将移动终端设备接收到的RSSI与建立的指纹数据库中的RSSI,通过欧几里得公式计算样本点到观测点的欧氏距离,并从中选择欧氏距离最短的样本点的位置作为研究位置的无偏估计。通过实验结果,本文提出的算法比传统定位算法的精度提高了11%,证明了该算法具有更高的定位精度和更少的离线工作量等优点,而且在RSS(Received Signal Strength)信号容量较小时该算法的定位误差比其他算法更小,具有显著的稳定性。     

基于偏度-峰度检验的无线局域网位置指纹室内定位算法

目前,无线局域网(wireless local area networks,WLAN)技术因其成本低、配置简单、精度高等特点,被认为是室内定位的最佳选择之一。虽然WLAN接收信号强度指标(received signal strength indicator,RSSI)指纹法是最精确的定位方法,但由于其无线电地图(radio map,RM)在发生环境变化时已经过时,具有很大的缺陷,且重新校准RM是一个耗时的过程。因此,提出基于偏度-峰度检验进行WLAN位置指纹室内定位算法改进。在离线阶段,通过偏度-峰度检验样本总体是否服从高斯分布,对于严重偏离高斯分布的样本直接舍去,而对于与高斯分布接近的样本,利用核函数估计其概率密度。在线阶段,利用K最近邻(K-nearest neighbor,KNN),将移动终端设备接收到的RSSI与建立的指纹数据库中的RSSI,通过欧几里得公式计算样本点到观测点的欧氏距离,并从中选择欧氏距离最短的样本点的位置作为研究位置的无偏估计。实验结果:本文提出的算法比传统定位算法的精度提高了11%,证明了该算法具有更高的定位精度和更少的离线工作量等优点,而且在RSS(received signal strength)信号容量较小时该算法的定位误差比其他算法更小,具有显著的稳定性。     

基于RSSI的WSN节点室内定位分析

基于实验的基础,对基于接收信号强度（received signal strength indication,RSSI）的无线传感器网络（wireless sensor network,WSN）节点室内定位的几种不同情况进行分析.根据室内无线传播模型和实际测量数据得到RSSI室内传播模型;比较在不同位置的未知节点定位精度的不同;针对三点定位结果不理想的问题,采用粒子群优化（particle swarm optimization,PSO）算法对定位结果进行优化;比较不同数量的源节点对于节点定位精度的影响.当信标节点数量比较多时,通过筛选一些可靠的信标节点来提高定位精度.     

一种改进型几何聚类指纹室内定位方法

为解决传统加权K最近邻算法(WKNN,Weighting K-Nearest Neighbor)定位方法中选取K值存在局限性影响定位精度的问题,提出了一种改进型几何聚类指纹室内定位方法。该方法首先利用网格分布在定位区域构建指纹点几何位置分布,采集指纹点接收信号强度(RSS,Received Signal Strength)和位置信息,建立指纹定位数据库;然后,利用支持向量机分类算法在解决高维度和非线性问题上的优势选取定位点的多个近邻指纹点,根据对定位贡献度的大小筛选近邻指纹点并构建几何聚类定位区域;最后利用WKNN算法进行定位。实验结果表明,提出的方法解决了传统WKNN方法中多边形定位区域在K值选取存在局限性的问题,具有更高的定位精度和工程实用性。     

基于无线局域网接收信号强度分析的混合室内定位方法

为了给用户提供丰富的室内位置服务,需要在结构复杂且人员密集的室内环境中进行精确定位。根据对无线局域网接收信号强度的分析,可以利用三角定位算法和指纹定位算法进行混合室内定位。首先在网格划分的基础上离线构造参考点接收信号强度数据库,并采用三角定位算法估算所有无线接入点的位置,然后根据定位精度需求设定混合定位方法的接收信号强度阈值。在线定位时,根据用户终端实际接收到的无线接入点个数和信号强度选择三角定位算法或指纹定位算法进行位置计算。实验表明,该室内定位方法有效且稳定。     

融合差分改正的RSSI指纹库室内定位研究

基于RSSI指纹库的室内定位中,由于受到室内复杂环境的影响,实时采集的指纹数据会存在一定的误差,将其直接用于定位,必将降低室内定位的精度。考虑定位区域内接收的不同RSSI信号值具有相关性,采用RSSI差分改正的方式提高定位精度。误差改正数的计算与定位是本算法的关键,直接决定了定位的准确率。而选择不同数量与不同位置的参考点都将影响误差改正数的结果。泰森多边形能构建整体角度最大化的多边形网络,并在空间信息领域具有广泛的应用。为此,运用泰森多边形的空间邻接性质选择用于误差改正数计算的参考点,设计定位区域坐标改正数和RSSI向量元素改正数的计算方法,得到共用误差,并应用到指纹数据的校正与定位。最后,在Eclipse编程环境下,配合PostgreSQL/PostGIS空间数据库与Mybatis数据库映射工具,开发了实验原型系统,并对提出的融合差分改正的算法进行实验测试,从实验结果得出相较于未差分改正前,定位准确率有一定的提高。     

WiFi的室内定位技术的改进研究

现行传统Wi Fi(wireless fidelity)接收信号强度指示RSSI(receievd signal strength inication)的位置指纹室内定位技术存在定位误差大、稳定性差的缺陷.因此,我们对原有的K最近邻KNN(K-Nearest neighbor)算法提出了改进的方案.同时,在原有的KNN算法的基础上提出了融合朴素贝叶斯概率算法的新算法-BKWNN(Bayes K-Nearest weighted neighbor)算法.通过仿真实验的结果表明:在相同的实验环境下,BKWNN算法显著地提高了室内定位的精确度,BKWNN算法相比于原来其它常用的指纹匹配算法具有更高的稳定性.     

提高基于WLAN的室内定位系统的适用性分析

针对基于WLAN无线信号强度的室内定位系统进行研究分析,主要研究了基于指纹地图法的室内定位,目的是通过增强指纹地图的准确性和适用性,从而提高使用RSSI强度室内定位系统的适用性.首先,分析了WLAN信号强度随时间及不同参考点变化的情况,并提出补偿方法;其次,由于室内信号分布特性的复杂性,提出了在特殊区域使用离散分布对信号样本进行匹配的算法.实验表明本方法提高了系统的适应性.     

基于二维卷积神经网络的无线局域网室内定位系统

为改善现有无线局域网（Wireless Fidelity, WIFI）室内定位算法的精度与复杂度问题,提出了一种基于二维卷积神经网络（2D-Convolutional Neural Network,2D-CNN）的WIFI室内定位算法。该算法将在线阶段的复杂性转移到离线阶段,在线阶段中仅使用2D-CNN网络进行训练;在离线阶段中,采集定位区域各采集点可接收到的所有无线接入点（Access Point,AP）的接受信号强度（Received Signal Strength Indicator,RSSI）值,并根据其计算峰值,二者结合构成位置指纹图像。再使用滑动窗口进行数据集扩充,最后将其引入到2D-CNN网络模型中进行训练,建立定位模型并完成定位。实验结果表明,在当前室内环境中,该算法的平均定位精度达99.58%,证实了不同参数、优化算法及模型架构选择的正确性。     

基于信标节点间距离的改进RSSI定位算法

针对无线传感器网络应用于室内定位时,传统RSSI平均值算法精度较低的问题,提出了一种改进的RSSI算法。该算法利用RSSI平均值对所测量的每个RSSI值进行估量,消除波动大、严重失真数据,从而使所保留的RSSI值能更好的与距离关系对应。并根据室内不同位置的节点环境参数差别大的特征,提出了把信标节点间的固定距离及其测量得到的对应RSSI值带入信号传输模型,从而消除环境因素对距离估计的影响。仿真结果表明:改进RSSI算法与传统的平均值距离估计算法比较,距离估计误差明显降低,可以满足室内定位精度的要求。     

基于Voronoi图的无线传感器网络节点定位改进算法

在基于Voronoi图的定位算法中,因使用了接收到锚节点的接收信号强度(RSSI)而影响定位精确性.本文对Voronoi图定位算法进行改进,修正了RSSI的大小顺序,充分利用了收到的锚节点信息,实现了减少Voronoi区域交集为空的可能性,增加了定位精确性,使该算法可以适用于非视距、anchor节点稀少的环境.     

基于矩阵填充的室内定位位置指纹库构建

位置指纹定位方法因其定位精度高、受环境因素影响小而成为无线室内定位技术中的主流方法,但因离线指纹信息采集工作量较大,位置指纹库构建效率较低,而在一定程度上影响了算法的实用性,鉴于此,引入低秩矩阵填充理论,利用采集到的少量的位置指纹数据,通过凸优化方法来填充其他参考点的位置指纹数据,从而准确的重构出完整的位置指纹数据库,大大降低了离线采集阶段的工作量.仿真实验结果验证了本文算法的有效性.     

RSSI和PC-CSI加权融合的指纹定位方法

针对基于RSSI和CSI的指纹定位技术易受环境干扰、定位精度较低的问题,提出了一种基于RSSI指纹和相位修正信道状态信息(phase correct based channel state information, PC-CSI)指纹的加权融合指纹定位技术。基于PC-CSI的指纹定位在传统基于CSI幅值的指纹定位基础上增加相位信息对定位结果进行修正,之后对RSSI指纹和PC-CSI指纹的定位结果加权重定位。实验结果表明,提出的加权融合指纹定位算法与基于CSI的主动定位算法相比,平均定位误差(mean position error,MPE)降低了36.2%,能满足室内定位需求。     

改进的蜂窝网室内定位匹配算法

针对无线信道的动态衰落特性,基于蜂窝网的室内定位存在较大误差,提出一种改进的蜂窝网室内定位匹配算法——基于主成分分析法(principal component analysis,PCA)的子空间匹配算法,不仅保证系统实时性,而且有效地剔除大误差点,提高定位精度.该算法利用无线蜂窝信号非视距传播造成的位置特性构建离线指纹数据库,根据在线接收信号从离线指纹库中提取子指纹库,利用PCA算法对在线实测数据及子指纹库进行有效地降维,构建子空间,并结合加权K近邻匹配算法(weighted K nearest neighborhood,WKNN)估计出多个位置坐标,利用3σ准则对这些位置做筛选,输出最终定位结果.实验结果表明,基于PCA的子空间匹配算法在保证定位实时性的前提下,能有效剔除大误差点,提高整体定位性能.     

一种基于接收信号强度指示的改进型定位算法

针对无线传感器网络在道路监控、管道传输等一维环境中出现的因经验模型基站移动或环境发生改变时需要重新建立数据库的问题,提出了一种基于接收信号强度指示(RSSI)的一维经验模型定位算法(1-DEMRSSI).该算法基于一维线性定位的思想,利用信号强度比值来确定未知节点的位置,所以只需要建立一次信号强度比值数据库.仿真结果表明,1-DEMRSSI 算法比 RSSI 算法的运算量小,且一次定位时间可缩短10%左右,定位精度提高 14.2%～66.4%,其在一维线性应用领域表现出了良好的灵活性和实用性.     

基于改进的RSSI的车间移动节点MCL算法

针对蒙特卡罗定位（MCL）算法在无线传感网络定位精度和取样效率中存在的不足,提出了一种基于接收信号强度指示（RSSI）改进的MCL算法（R-MCL算法）,并对车间移动节点进行定位.通过分析车间移动资源的移动规律,引入RSSI模型测距预测,减少取样区域,从而提高了取样效率和定位精度.仿真结果表明,R-MCL算法在定位精度、收敛速度和计算量等方面的性能均有提升.     

基于3DCNN的CSI-cluster室内指纹定位算法

针对室内环境中复杂的多径效应影响定位精度问题,提出一种基于3维卷积神经网络(3 dimensional convolutional neural network,3DCNN)多径程度划分的自校准指纹定位算法。该算法利用MeanShift方法分析定位区域内每一个采样点的信道状态信息数据分布特性,得到其可代表多径效应程度的簇类数量,结合阈值原则将指纹库划分为2种不同多径程度的子库,从而减少多径程度差异较大的指纹点对后续定位影响利用3DCNN深度学习2类指纹子库。在定位阶段,根据校准算法判断待测数据所属子库,并采用相应的3DCNN模型估计位置。通过仿真实验验证,该方法在保证指纹库构建合理性和高效性的同时,在定位精度方面实现了明显的提升,优于与之对比的相关算法。     

一种利用信道状态信息的室内指纹定位方法

传统的室内指纹定位技术通常是利用接收信号强度指示(RSSI)来生成指纹,然而由于RSSI易受到环境变化等因素的影响,无法进一步提高定位精度。本文提出了一种利用信道状态信息(CSI)的指纹定位方法。充分利用多入多出(MIMO)和正交频分复用(OFDM)技术的频率分集和空间分集的优势,以接收天线为单位对信号进行聚合,将处理后CSI子载波的幅度和相位信息作为位置指纹。在会议室和实验室测试了影响定位精度因素,并分别与1种基于RSSI的指纹定位方法和2种基于CSI的指纹定位方法进行了对比分析。实验结果表明:本文提出的定位方法在会议室和实验室中的定位误差分别是0. 85 m和1. 28 m,定位精度优于其他3种方法。     

室内区域性WiFi定位EKNN算法设计

WiFi由于应用广泛而被作为室内定位的热门技术之一,而定位精度与速度向来是研究的焦点.文中针对室内感兴趣区域(ROI)的定位问题,提出了一种证据理论K近邻(EKNN)算法.首先以接收信号强度指示作为指纹,在各区域分别建立无线指纹数据库作为识别的类;然后利用证据理论在各类别内进行近邻证据组合、类别间进行证据融合;最后确定目标所在ROI类,并在类中进行精定位.与其他算法相比,文中设计的EKNN算法的最佳区域类识别率可以达到97%,最大定位误差约为2.2 m,定位效率也有较大提高.