基于相似指纹特征的室内定位机制研究

针对指纹定位结果中存在较大定位误差问题,分析了离线相似指纹对应采集点的分布特征,发现存在部分相似指纹对应的采集点位置距离较远的特征,这导致了较大定位误差的出现。据此提出了一种基于阈值的Dynamic-kNN的算法来实现指纹的匹配,并进一步针对相似指纹的聚类特征设计了基于K-Means的聚类优化算法,从而大大减少了定位结果中较大误差的存在。实验表明,该算法能够将最大定位误差缩小到5m以内,同时4m以上的较大定位误差所占比例也明显下降。本研究与其他算法相比,在定位性能和算法开销上具有明显优势。     

基于群智感知和非监督式学习的室内定位指纹库构建算法

针对指纹法定位中的指纹库构建耗费大量人力和时间的问题,提出了一种基于群智感知和非监督式学习的室内定位指纹库构建算法.首先利用群智感知的方式采集无线接入点的接收信号强度获取原始指纹数据集.然后针对原始指纹数据的冗余杂乱和指纹注释问题,提出基于学习向量量化(LVQ)和多维标度(MDS)结合的一种新颖算法FLM来解决.最终有效构建室内定位指纹库.最后基于射线跟踪模型(ray-tracing)建立仿真实验场景,仿真结果表明其指纹库建立效率得到显著提高,应用于基本定位算法的定位误差80%,在2.6,m以下,而且单次定位的计算量下降63%,.     

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。     

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.     

基于滑动窗口最长公共子序列Wi Fi指纹定位算法

针对基于Wi Fi瞬时指纹定位算法中由于RSS信号的时变特性引起的Wi Fi定位精度差问题,提出了一种基于滑动窗口最长公共子序列指纹定位算法.该算法将时间序列的RSS信号指纹转化为基于滑动窗口的数据模型,增加了指纹特征信息,提高比对准确性.通过计算请求定位数据与样本的最长公共子序列来获得样本点的相似性,解决由于窗口伸缩或滑动窗口中个别采样点无信号引起的比对不准确问题,从而提高了定位的精确性和鲁棒性.实验结果表明,所提定位算法的结果明显优于瞬时指纹定位算法.     

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。     

基于位置范围限定的WiFi-KNN室内定位算法

针对传统的基于WiFi的最近邻(K-nearest neighbor algorithm, WiFi-KNN)室内定位算法精确度不能达到精准定位的需求的问题,本文提出了一种基于位置范围限定的K近邻(K-nearest neighbor based on the location range limit, LRL-KNN)室内定位算法。LRL-KNN算法通过利用用户的先前位置与WiFi指纹数据库中的参考点位置之间的物理距离组成的相关范围因子来缩放指纹距离,以此来减少定位的空间歧义性。尽管利用了先前的位置,但是该算法并不需要知道用户的确切移动速度和方向。与此同时,考虑到WiFi接收信号强度的时间波动性,将RSS直方图合并到距离计算中来减小时间波动带来的影响。实验结果表明:传统KNN算法的平均定位误差为2.13 m,新算法的平均定位误差为1.80 m,该误差在相同的测试环境下比传统的KNN算法减少15%。     

一种基于K-L变换聚类的室内定位算法

室内定位环境中接入节点(access point,AP)部署密集时,针对参考节点(reference point,RP)接收到邻近AP的接收信号强度(received signal strength,RSS)数据相关性大,而导致聚类过程中聚类中心相关性高、聚类不准确等问题,提出了一种基于K-L变换的聚类算法;该算法通过K-L变换对RSS指纹数据去相关处理来保留原始指纹数据最大的特征信息数据,然后通过k-means聚类算法聚类能够得到更高的聚类准确率,从而来提高定位精度。实验结果表明,该算法比没有经过K-L变换去相关处理的聚类算法聚类准确率要高;并且在实验过程中确定RSS数据经K-L变换降维之后的维数为5、聚类中心数为5时,定位误差在2 m以内的概率提高了9.3%。     

基于粒子群优化算法的井下目标定位方法

针对矿井结构复杂,井下未知节点定位存在信标节点布置冗余、定位精度低等问题,提出了一种基于粒子群优化算法的井下目标定位方法。根据矿井环境特点区块化布置信标节点,通过引入线性递减权重的粒子群算法对未知节点与信标节点的测量距离和估计距离的误差进行优化,降低定位误差。与四边测量法、加权最小二乘法和RSSI加权质心算法进行Matlab仿真对比实验。仿真结果显示:信标节点为5个,节点总数为15时,平均定位误差为0.877 m。高斯白噪声标准差取值范围从5递增到20,平均定位误差由1.21 m增长到4.65 m,增长幅度最小,抗噪性最好。信标节点密度由10%增加到40%,平均定位误差从2.82 m下降到0.76 m,定位精度明显好于其他三种算法,稳定性好于RSSI加权质心算法。定位精度更高,抗噪性更好,可靠稳定,在井下巷道环境中适应性更强。     

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。     

位置指纹算法关键参数的提取

针对传统的位置指纹定位算法在室内定位中存在着接收信号强度值不稳定以及不同终端设备获取AP信号强度能力不一样的问题,对传统的位置指纹定位算法进行了改进.对离线阶段采集到的RSSI值进行处理,去除了较大误差的样本,利用RSSI信号强度差值取代RSSI值作为信号特征录入Radio Map,减小了由于设备差异而产生的指纹信息误差.测试阶段,在Android和PC平台上进行验证,实验结果表明,改进的算法可以有效地去除离线阶段误差较大的样本并提高了该算法针对不同终端应用的能力.     

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。     

基于全局空间相似性的模糊聚类算法

用传统模糊C均值聚类算法分割图像时,类内数据空间分布离散．针对这一问题,提出一种基于全局空间相似性模糊聚类算法．算法建立全局空间相似性度量标准和全局灰度相似性度量标准,分别计算图像中任意一点与聚类中心点的空间相似性和灰度相似性;通过调整参数来控制两种特征在节点间差异计算中所占的比重,增强了分割结果中类内数据样本空间分布...     

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。     

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.     

基于核函数与卡尔曼滤波的室内定位方法

针对室内定位中存在的定位精度不高、定位稳定性较差的问题,提出了一种基于核函数与卡尔曼滤波结合的室内定位算法.首先利用核函数作为匹配算法进行初步定位,高斯核函数可以充分捕获参考点指纹与测试点RSS之间的非线性相关性,取得比K最近邻算法更好的匹配效果,再利用卡尔曼滤波对核函数的定位结果作滤波处理.实验结果表明,在真实无线局域网环境下,对核函数定位的结果作卡尔曼滤波处理后,均方根误差降低了25%,2m以内的定位准确度由75%提高到90%,定位稳定性提高了29%.     

基于地图匹配的导航定位数据模糊校正算法

为了提高农用智能移动平台导航定位的精度，改善航线跟踪的质量，提出了一种基于地图匹配的导航定位数据模糊校正算法．首先将DGPS、航位推算定位数据点与地图上已知航线进行对比．判定定位数据点的可信度，然后用该可信度作为加权值生成新的定位数据点即校正数据点，把校正点作为当前农用智能移动平台车体真实位置的估计值．在验证试验中，定位数据经模糊校正后其精度明显优于原始DGPS数据的精度，定位数据的距离均方根差均数从校正前的1．021m提高到校正后的0．568m．试验结果表明，该方法可以在一定程度上提高定位数据的精度，校正大部分可信度低的坏点．     

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...