众包室内定位系统中基于多维尺度变换的接收信号强度平滑理论

基于WLAN指纹的定位方法具有成本低、可用性好等优点,近年来越来越受到人们的关注。为了实现室内定位系统的快速部署,通常采用众包技术替代传统部署方法。在离线阶段建立radio map时,由于利用众包技术采集的RSS数据量大大减少,使得RSS数据中的噪声和采集误差无法得到有效抑制,造成建立的radio map精度较低,定位误差增大。针对该问题,本文提出了一种基于多维尺度变换（Multidimensional Scaling, MDS）算法的RSS平滑理论。利用相邻位置RSS数据之间的相关性,在每个位置推断出一个最优RSS值,从而实现抑制噪声和消除采集误差的作用,最终得到更平滑的radio map,提高定位精度。实验结果表明,采用MDS方法达到了预期的目标。基于WLAN指纹的定位方法具有成本低、可用性好等优点,近年来越来越受到人们的关注。为了实现室内定位系统的快速部署,通常采用众包技术替代传统部署方法。在离线阶段建立radio map时,由于利用众包技术采集的RSS数据量大大减少,使得RSS数据中的噪声和采集误差无法得到有效抑制,造成建立的radio map精度较低,定位误差增大。针对该问题,本文提出了一种基于多维尺度变换（Multidimensional Scaling, MDS）算法的RSS平滑理论。利用相邻位置RSS数据之间的相关性,在每个位置推断出一个最优RSS值,从而实现抑制噪声和消除采集误差的作用,最终得到更平滑的radio map,提高定位精度。实验结果表明,采用MDS方法达到了预期的目标。基于WLAN指纹的定位方法具有成本低、可用性好等优点,近年来越来越受到人们的关注。为了实现室内定位系统的快速部署,通常采用众包技术替代传统部署方法。在离线阶段建立radio map时,由于利用众包技术采集的RSS数据量大大减少,使得RSS数据中的噪声和采集误差无法得到有效抑制,造成建立的radio map精度较低,定位误差增大。针对该问题,本文提出了一种基于多维尺度变换（Multidimensional Scaling, MDS）算法的RSS平滑理论。利用相邻位置RSS数据之间的相关性,在每个位置推断出一个最优RSS值,从而实现抑制噪声和消除采集误差的作用,最终得到更平滑的radio map,提高定位精度。实验结果表明,采用MDS方法达到了预期的目标。     

基于深度置信网络的超宽带信道环境的分类算法

对超宽带信道环境进行分类、识别,对于实现特定场景分析以及无线网络的优化具有重要意义。针对这一背景提出了一种基于深度置信网络(deep belief network,DBN)的信道环境分类方法,对不同的信道场景特征进行提取、分类。实验结果表明:提出的算法能有效地实现信道环境的分类识别。