基于5G子基站的室内定位卷积神经网络模型

针对目前GPS技术在室内定位中精度差的问题,本文将5G技术与卷积神经网络算法相结合,提出基于5G全新无线空口(NR)参数的室内定位方案.通过采集5G NR数据,与参考点编号形成指纹数据存入指纹库,以精确率、召回率和微平均等值作为评价指标,采用卷积神经网络算法对指纹库进行训练以获得定位模型,并使用Adam方法进行模型优化...     

基于压缩感知的室内定位系统的定位性能分析

随着Wi-Fi技术的普及,Wi-Fi室内定位技术也越来越受到关注。压缩感知(compressive sensing, CS)技术被提出应用于Wi-Fi室内定位,为了研究各类CS算法在室内定位系统中的定位性能,构建出一套基于CS算法的室内位置指纹定位系统。在离线阶段采集数据并构建指纹库,在在线定位阶段采用不同压缩感知算法比较各类算法的定位性能。实验结果表明,设备朝向包含多方向,参考点数据量越多时定位性能更优;CS的算法参数会影响定位性能;在设定的实验环境下,压缩感知中的分段弱正交匹配追踪(stage-wise weak orthogonal matching pursuit, SWOMP)算法的定位精度比K最近邻算法(k-nearest neighbor, KNN)优21.9%;在各类压缩感知算法中,正交匹配追踪(orthogonal matching pursuit, OMP)相较于其他CS算法表现较差,并且这种差距随参考点数据量的增多而愈加明显。     

基于群智指纹的指纹库建立及优化算法

为解决群智采集的指纹数据量较大且分布状况复杂的问题,提出了一种基于AP聚类算法的指纹库建立及优化算法.通过AP聚类算法将位置接近且相似度较高的指纹聚成一类,相较于其他聚类算法,使用AP聚类可以更好地反映当前指纹的分布状况.对聚类生成的每一类指纹建立莱斯分布模型,以莱斯分布模型的参数作为指纹.仿真结果表明基于AP聚类的方法与传统指纹法在具有相似的定位效果的前提下,前者所占用的存储量只有后者的50%.     

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.     

基于零先验知识的室内指纹定位优化算法

针对众包方法构建指纹库数据质量低和指纹模糊相似性等问题,提出了一种基于SLAM技术的指纹数据质量优化和指纹唯一性增强的算法。利用ICNN算法完成数据关联优化,并在指纹向量中加入可信度指标来优化指纹更新过程;随后针对指纹模糊相似性设计了基于高斯插值的指纹唯一性增强优化算法,保证了指纹数据质量,从本质上提高了指纹定位的性能。实验表明,该算法能够将指纹定位的中位数误差从原始指纹的3m提高到2m,最大定位误差从8m左右下降到4m以内。     

一种基于轨迹指纹优化的室内定位算法

针对指纹数据质量大幅下降的问题,提出了一种基于轨迹指纹建模的新型数据结构来替换原有的单点指纹,在兼容现有指纹定位框架的前提下,对传统离线指纹库进行了轨迹指纹库建模,同时也对在线采集的实时指纹进行了轨迹指纹映射。实验结果表明基于轨迹指纹优化的定位算法能够将室内指纹定位精度提高近一倍,定位性能明显优于其他单点室内指纹定位算法。     

基于改进支持向量回归的联合指纹定位算法

该文针对复杂的室内环境下,传统的RFID室内定位技术获得的接收信号强度特征向量维数较低,不能充分描述环境信息,无法获得良好的定位效果的问题,基于联合指纹提出一种鲁棒性强的高精度室内定位算法。该算法首先从RFID阅读器接收到的信号中提取信号强度和相位差数据,建立指纹库。然后利用凹函数递减策略改进PSO算法,优化SVR模型训练样本数据,建立参考标签的指纹特征和其与阅读器距离的映射关系。最后利用改进PSO算法迭代寻优,从而提高室内定位精度和鲁棒性。在仿真中,将该算法与GA-SVR和PSO-SVR算法进行比较,分析了不同指纹数据集和噪声对定位性能的影响。仿真结果表明,在相同指纹数据集和环境下,该算法的定位精度和系统稳定性均优于其他两种算法。     

一种改进的候选位置指纹算法的室内定位方法

针对Wi Fi位置指纹定位时由于受到室内环境变化的影响而造成精度严重下降的问题,本文提出了一种基于混合遗传粒子群算法和候选位置指纹的室内定位系统,本系统采用在定位服务阶段选择多个位置指纹作为候选位置指纹,利用遗传算法搜索全局较优的位置指纹组合,并采用粒子群优化算法快速准确地找到最佳的位置指纹。仿真结果表明,基于混合遗传粒子群算法提高了室内定位精度,可以快速精确地搜索到最佳位置,同时减小了遗传算法时延较大的缺点,避免了局部最优解问题。     

蓝牙4.0标准规范下的模糊指纹定位算法

蓝牙技术的普及以及蓝牙4.0标准规范的提出, 使得利用蓝牙技术实现室内定位具有极其广阔的应用前景.把模糊理论应用于蓝牙室内定位系统, 提出一种模糊指纹定位算法. 基于该算法的定位过程分为离线和在线两个阶段: 离线阶段建立模糊指纹库; 在线阶段对手机客户端进行实时模糊决策定位. 仿真实验结果表明, 该算法的平均定位误差为1.36 m, 相比于传统的指纹标定法, 其定位精度提高约49%, 而计算量缩减至原来的1/c, 其中c为模糊聚类类别数.     

一种基于KNN的室内位置指纹定位算法

提出了一种基于KNN 的FM、DTMB 联合信号位置指纹匹配算法,并根据不同位置具有不同信号强度将匹配过程设计为一个多分类算法模型. 离线阶段,通过采集FM 信号与DTMB 信号的强度信息,完成位置指纹库的构建. 在线匹配阶段,利用KNN 算法对新采集到的数据进行加权欧氏距离匹配,通过对K 值以及特征向 量的选取对定位误差进行了分析. 仿真结果表明,该算法在室内定位中具有良好的鲁棒性和准确度,90% 概率下定位精度2.3 m.     

基于改进克里金插值的室内定位位置指纹库构建方法

当今社会对基于位置服务尤其是室内位置服务的需求日益迫切.位置指纹法利用室内无线信号强度来进行定位,具有方便快捷、低成本等优势,但构建一个细粒度的位置指纹库需要耗费大量的人力和时间.为提高位置指纹库的构建效率,提出一种基于改进克里金插值的位置指纹库构建方法.通过部分测量数据结合克里金插值法进行插值,并利用模拟退火算法提高理论变异函数拟合精度,进而估计出未测量点处的信号强度,提高插值精度和指纹库的构建效率.实验表明:相比反距离加权插值和传统克里金插值,该方法不但具有较高插值和定位精度,而且可将指纹数据人工采集工作量降低50％.     

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。     

一种针对异构设备和环境变化的室内定位算法

针对基于蓝牙指纹的室内定位中存在设备异构性和蓝牙信标节点发生变化的问题,提出一种针对异构设备和环境变化的室内定位算法.首先,利用普氏分析法对接收到的信号强度进行标准化处理,使用核极限学习机(kernel extreme learning machine, KELM)对标准化的指纹库建模,减少用户移动终端差异导致的信号强度差异;其次,当接入点(access point, AP)信号发生变化时,利用高斯过程回归重新校准该接入点信号,更新指纹库,消除接入点因信号衰弱、位置移动或环境变化导致的定位误差.测试分析结果表明：该算法能有效克服异构设备产生的影响,并更好地适应环境变化.     

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。     

基于神经网络的Wi-Fi室内定位安全性问题研究

针对现有的基于深度学习的室内定位解决方案容易受到无线接入点AP攻击的问题,提出了基于卷积神经网络(CNN)的室内定位框架,构建了一种基于深度学习的Wi-Fi指纹室内安全定位系统(DS-LocCNN),使得多建筑和多楼层在面对恶意攻击时的定位精度得到了保证．通过在UJIIndoorLoc数据集上评估此系统,证明了所提出的DS-LocCNN能很好地抵御基于AP的恶意攻击,且在建筑级定位和楼层级定位上的成功率优于现有的解决方案．     

面向群智感知车联网的异常数据检测算法

群智感知车联网利用普通用户的手机或平板电脑等智能终端获得交通数据,解决了车联网以低成本获取足够数据的问题,但却凸显了数据"质"的问题.为此,在分析群智感知车联网的数据结构及数据异常特点的基础上,提出一种适用于群智感知车联网的异常数据检测算法,并依此剔除异常数据,提高数据质量.算法利用核密度估计理论对车联网数据的概率密度进行估计,进而构建信任函数计算被检数据的信任度,后根据统计学理论将信任度小于0的数据判定为异常数据.最后对该算法的可行性及性能进行了仿真,结果表明该算法的性能可满足实用需求,且对比传统的统计检测法在检测率和误检率上具有更好的性能.     

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.     

基于网格的无线网络室内协作定位算法

针对室内定位精度低的问题,通过多种无线网络间的协作定位,提出一种基于网格的无线网络室内协作定位算法.与区域单一定位方式不同,该算法将信号覆盖区域划分为网格的形式,获取多种信号信息,以判断网格的可定位性,并为网格内所有网络分配权值,判定是否可进行多种网络的协作定位,给出最优定位组合方案.只须在离线阶段采集室外网络信号,扩充协作定位指纹库,该算法即可直接扩展到室外定位.仿真结果表明:与单一网络定位算法以及等权分配算法相比,提出的方案不仅有效提高了定位精度,而且提高了网络覆盖区域的可定位率.     

基于集成学习与BP神经网络的室内地磁定位算法

本文针对当前室内地磁定位技术存在地磁信号不稳定和地磁指纹不唯一所造成定位误差大等问题,提出一种基于集成学习与BP神经网络的室内地磁定位方法,提高地磁定位精度。将BP神经网络作为弱预测器,通过集成学习的方法把多组弱预测器集成为强预测器,使用地磁数据进行室内定位,与地磁指纹库中的真实位置信息进行对比并计算出定位误差。结果表明本方法与KNN、DTW以及BP神经网络相比,总平均定位误差分别降低了2.55、1.33和0.4 m。     

基于RSSI的指纹法与几何法联合的室内无源感知定位

提出基于斯皮尔曼相关系数的指纹法,具有非空间属性的指纹向量间的相似度可用该指纹法进行比较.在指纹法和几何法基础上,提出一种基于RSSI的指纹法与几何法联合的室内无源感知定位方法(F&G法).仿真结果表明,相对指纹法和几何法,F&G法能提高定位精度.