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％.     

基于蓝牙4.0的室内定位及信息服务应用模型研究

分析了目前基于蓝牙4.0的室内定位技术,提出了通用的室内定位应用模型.该通用模型中包含多个模块,数据管理、服务管理、应用管理等内容可以基于室内定位实现,而室内定位依赖于蓝牙4.0来提高准确性和可连接性.针对利用该模型进行信息服务进行了分析研究,提出了利用蓝牙4.0来实现室内定位及信息服务的一种方法.     

室内定位:挑战与机遇

随着移动计算的飞速发展,人们对高精度室内定位技术的需求日益强烈。由于在复杂室内环境之中无法接收到室外定位中的GPS信号,众多其他替代信号被应用于室内定位,而其中最普及的当属以WiFi、蓝牙为代表的无线通信信号。该文回顾了基于无线通信信号的室内定位技术,阐述了利用信号指纹进行室内定位的基础算法,并且详细地分析了在实际工作环境下传统定位技术面临的众多挑战。在此基础上,该文讨论了如何发掘信号指纹之间的时空关系,以及融合多模态传感器数据来提升系统的定位精度。最后,该文比较了主流定位方法的效果,并讨论了室内定位技术的未来发展方向。     

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。     

基于线性回归的蓝牙室内定位算法

对蓝牙用于室内精确定位的可能进行了探索。在蓝牙传播模型为基础的前提下,通过用现代化的智能手机对室内数据的采集,选用线性回归的方法来对蓝牙节点的传播模型进行求解,从而来确定人在室内的具体位置。此种计算方法可以在不同的环境下进行,基本可以满足大部分室内定位的需求,并且83%的定位误差比较小,没有超过3m。     

基于TS-KNN的室内定位算法

室内定位是智慧城市的硬性需求,大量智慧城市相关应用都离不开位置服务。主要室内定位技术包括:蓝牙、RFID、UWB、地磁等,但由于成本、部署便捷性等问题,限制了其应用发展。笔者提出了一种基于指纹时序特征的KNN(k-nearest neighbor)定位算法(TS-KNN,timing sequence based KNN),该算法使用当前时刻的指纹进行基准坐标选择,并利用前几个时刻的定位结果对每个基准坐标进行权值修正。在重庆市某广场进行实验测试结果表明,提出的TS-KNN方法与KNN和WKNN等其他算法相比较,具有更高准确率,可有效提高室内定位精度,降低平均定位误差。     

基于蚁群算法的支持向量机室内蓝牙标定定位

针对不同型号的智能手机之间存在硬件差异,导致在使用不同的智能手机进行室内定位时,采集同一蓝牙信号强度观测值存在偏差而影响定位精度的问题,提出了一种基于蚁群算法的支持向量机室内定位蓝牙标定方法.由于支持向量机参数的选取对其预测精度影响较大,因此利用蚁群算法避免人为盲目地选择支持向量机的参数,优化模型并提高预测精度.实验结果表明:基于蚁群算法的支持向量机室内定位蓝牙标定方法相比标定前的精度提高了37.3%,可以有效地进行室内定位.     

箕型纹三角区域相似性规律研究

相似异源指纹已经成为指纹鉴定理论的重要研究方向之一。但是指纹面积大、特征点多,目前的研究还没有完全归纳出指纹各区域的相似性规律。选取形态较为复杂的箕型纹三角区域为研究对象,对60枚箕型纹的三角区域点取细节特征发起查询,从相似异源指纹数量、相似区域频率、相似异源指纹类型、手位指位分析、同异源排位情况5个方面系统总结箕型纹三角区域的相似性规律,以补充完善指纹相似性理论。结果发现,细节特征数量越多,发现高度相似异源指纹的难度越大,但仍能找到具有16个符合点的高度相似异源指纹;其次,下支线以下部分较其他区域更易出现相似异源指纹,距离下支线顶点越近,出现相似异源现象的频率越高;箕型纹三角区域存在纹型之间和不同角度之间的相似性;相似异源指纹与现场指纹来自同一手位的可能性比较大;仅出现相似异源指纹和相似异源指纹在同源指纹排位之前这两种情况是指纹鉴定的主要风险,分别占比17.2%、3.3%。本实验有助于提高指纹鉴定人员对于箕型纹三角区域相似性的认识,为AFIS系统算法研究和指纹鉴定提供一定的参考价值。     

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%,.     

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。     

基于遗传算法优化的支持向量回归的室内定位算法

基于zigbee接收信号强度指标的室内定位由于成本低,硬件功耗低,易于实现而受到越来越多的关注。为了提高zigbee技术的室内定位精度,减少环境因素的不利影响,本文提出了一种遗传算法优化支持向量回归的室内定位方法。该算法分为离线采集和在线预测两个阶段,离线采集进行指纹数据库的建立,在线预测则根据训练模型进行位置预测。首先所有的采集数据通过卡尔曼滤波进行处理,然后通过遗传算法优化支持向量回归(GA-SVR)的惩罚参数 、RBF核宽度 和损失函数变量 ,从而使支持向量回归达到最好的位置预测性能。在实际场景中的实验结果表明,与PSO-SVR, GS-SVR, SVR和WKNN算法相比,该算法具有较好的定位性能。     

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.     

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RFID位置语义的室内移动轨迹聚类算法

面向室内空间的移动轨迹聚类有利于发现室内热点和用户移动模式.针对室内环境在定位技术、距离度量等方面的特殊性,充分考虑室内移动轨迹的空间和语义特征,提出一种基于无线射频识别(radio frequency identi-fication,RFID)位置语义的室内移动轨迹聚类方法.该方法对原始轨迹提取特征点,可简化轨迹以降低算法时间复杂度;从空间形状和位置语义2个方面加权计算轨迹相似度,其中,空间相似度通过定义适用于室内三维空间的距离函数来计算,语义相似度计算基于最长公共子序列思想,并引入移动对象在轨迹点的到达时间和停留时间;利用线性表存储轨迹相似度,采用改进的层次聚类方法对移动轨迹进行聚类.实验结果表明,该方法能够有效地进行室内轨迹聚类并具有较高的效率.     

基于WiFi的便携式室内定位系统

针对全球定位系统无法满足室内定位的问题,基于Android平台开发了利用Wi Fi信号特征的便携式室内定位系统.该系统由移动定位终端、服务器和数据库组成,移动定位终端和服务器联合完成定位功能.定位算法采用基于接收信号强度指示(RSSI)的指纹算法,以场景分析的手段估算出移动定位终端的坐标.在线定位阶段,采用欧氏距离平方倒数作为权重系数对K最近邻算法的权重系数进行改进,以减小在线阶段的误差.实验表明,系统便于携带,操作简单,单次定位速度小于3 s,并且系统3 m内的定位精度达到80%以上.     

煤矿井下基于虚拟Radio-map及Markov链的定位算法

为了在煤矿井下获得更高的定位精度,提出一种基于虚拟Radio-map及Markov链的定位方法。结合井下复杂环境,采用信道衰减模型及线性插值法实现了动态衰减因子,建立虚拟Radio-map的同时降低了工作量;考虑到每处采样点接收信号强度分布先验假设和统计特征,在线阶段采用基于贝叶斯准则框架的加权核函数算法,为每个样本数据赋予一个以自身为"核心"的函数,构建的概率密度分布避免了确定模型带来的误差,从而提高了定位精度;为进一步优化定位结果,考虑先验概率对贝叶斯后验概率的影响,提出了基于高斯模型的Markov链定位算法,抑制了运动目标位置的大幅度跳变,使目标定位更加精确。实验表明,所提算法可以通过较低数据采集工作量达到一定的定位精度,满足井下目标定位需求。