融合地图信息与WiFi地标的室内粒子滤波定位算法

目前行人航迹推算(pedestrian dead reckoning,PDR)和WiFi指纹定位成为室内定位的主流技术,WiFi指纹定位由于无线信号的波动性导致定位结果不稳定,PDR算法随着应用时间的延长传感器累计误差增大,同样会导致定位精度降低。本研究提出一种基于地图信息的粒子滤波(particle filter,PF)与WiFi地标相结合的混合定位算法(WL+PF)。该算法通过地图信息约束粒子的位置,同时利用WiFi信号峰值检测相应地标信息,对观测信息修正的同时,更新粒子权重,从而实现最终的定位。实验结果表明,优化后的算法定位精度优于其他常规滤波融合定位算法。     

基于位置指纹的WiFi室内定位算法研究

本文主要探讨分析基于位置指纹的WiFi室内定位算法,该算法主要是通过层次聚类方式划分测试环境区域,再匹配对应的WiFi信号指纹信息,之后利用加权计算确定定位位置。按照此次研究结果显示,在充足的WiFi热点数量之下,对比分析k-means-KNN算法以及原始KNN算法,位置指纹室内定位算法在地位给精准度以及准确率方面表现良好,此外,还分析加权最近邻算法和最近邻算法等相关内容,希望可以为位置指纹的WiFi室内定位算法研究提供参考性价值。     

基于2.4与5GHz信号的WiFi指纹定位算法研究

为了减小2.4 GHz信号强度波动对无线定位的影响,在保证定位范围的前提下提高定位精度,通过分析2.4 GHz和5 GHz信号的传播特点,构建了基于2.4 GHz与5 GHz信号的WiFi指纹定位算法,该算法以加权平均的方式同时考虑2.4GHz与5 GHz信号.以深圳大学土木工程学院院馆作为实验场景,对算法进行了验证.实验结果表明,将2.4 GHz与5 GHz信号强度的方差倒数作为两者的稳定性系数是有效的;本定位算法比传统算法在定位精度和稳定性两个方面都有提高.     

基于Android的室内定位系统的研究与实现

为满足定位市场的服务需求,改进传统的定位技术在室内使用存在着定位精确度低、耗电量大等缺点,作者对基于WiFi位置特征匹配的室内定位技术进行了深入研究,分析了各种因素对WiFi信号的影响以及一些常用定位算法的对比,通过在特征库建立阶段采用高斯过滤法剔除误差较大的信号强度值,提高了数据库中采集值的数据精度.在定位阶段采用改进的K加权近邻法,将改进后的算法作为在线匹配算法,有效地避免定位过程中偶然的信号波动给定位带来误差,设计与实现了一个基于Android系统的WiFi室内定位系统.     

基于动态环境自适应WiFi室内定位系统设计

针对室内动态环境中WiFi定位精度低等问题,提出了一种基于位置指纹的自适应定位方案.通过采集参考点处的AP信号强度和终端朝向信息,构建出参考点的位置指纹,再提取待测点位置指纹中的朝向信息,经由KNN算法进行指纹匹配,从而完成预计定位.实验测试表明,方案可有效避免了由于用户手持终端方向及身体遮挡等因素对RSS值的影响.     

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.     

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。     

基于三角定位算法的WiFi室内定位系统设计

【目的】改善室内定位系统的质量,提高室内定位的准确率和效率。【方法】利用无线WiFi信号自身的特点,在Android平台的基础上设计一种基于三角定位算法的WiFi室内定位系统。【结果】实验测试结果表明该WiFi室内定位系统能准确地进行室内定位。【结论】基于三角定位算法的WiFi室内定位系统定位准确率高,具有很高的商业使用价值。     

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.     

基于深度神经网络的WiFi室内定位系统设计

针对地下停车场、地下矿井等用户场景定位服务的高精度需求,设计了一种基于WiFi信号的室内定位系统.系统的设计引入了深度神经网络算法,对WiFi指纹数据进行训练,得到一种室内定位模型.通过对UJIIndoorLoc数据进行实验仿真,结果表明,该室内定位模型的楼层定位准确率较传统机器学习模型提升约6%,位置定位精度较传统模型提升约7%.通过对实际应用场景进行测试,测试结果表明该室内定位模型的定位精度优于传统机器学习模型,提升约5%.     

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.     

基于加权余弦相似度的WiFi指纹室内定位

基于Wi Fi的室内定位具有低成本、易部署、覆盖范围广、精度高等优点,成为室内定位技术研究的热点.Wi Fi指纹定位法可以对抗多径的影响,具有较高的定位精度.但是由于智能移动终端的种类繁多,使得室内定位系统离线建立的指纹数据库难以兼容不同的智能移动设备,降低了定位系统的适用性.为解决此问题,提出了加权余弦相似度算法,使用信号强度的加权余弦相似度作为匹配特征.实测表明,采用加权余弦相似度算法可有效解决终端差异性,提高了室内定位系统的精度和普适性.     

基于改进LightGBM的室内指纹定位算法

针对室内定位算法在定位时所用时间较长和定位精度较低的问题,提出了一种基于改进LightGBM算法的室内定位算法。该算法首先针对指纹库中的数据进行预处理,通过KNN算法去除异常点和离群点,降低环境噪声干扰,提高数据可靠性。接下来,将样本集划分为训练集和测试集,使用LightGBM算法对进行建模。同时,使用遗传算法调整LightGBM算法中的参数,并根据适应度函数寻找最优参数,得到LightGBM+GA坐标预测模型。最后,根据优化后的参数建立预测模型实现坐标预测。实验结果表明,该算法在WiFi定位的精度上较与XGBoost算法提高0.1m,相较于GBDT算法提高0.19m,在定位时间上,LightGBM+GA算法比GBDT算法快5.10s,比XGBoost算法快5.97s,具有较好的实用性。     

改进K-means聚类的自适应加权K近邻指纹定位算法

针对指纹定位精度易受指纹数据K-means聚类预处理效果不佳、加权K近邻算法采用固定K值进行匹配定位精度差等问题,提出一种基于改进K-means聚类的自适应加权K近邻算法.算法在对指纹数据进行聚类计算过程中充分考虑参考点间接收信号强度值与实际物理坐标的双重影响,以避免参考点分类不明确;根据每个测试点的匹配参考点之间实际距离的均值和标准差设置阈值,动态选择K值.实验结果证明,改进K-means聚类的自适应加权K近邻算法相较于传统室内定位算法定位精度提高了44％,可为相关应用提供更精确的定位服务.     

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.     

基于空间分集和轨迹连续的实时Fingerprint定位算法

在室外复杂环境下,接收信号强度的浮动是制约Fingerprint定位精度的一个主要问题。传统的方法利用时间分集和平均滤波器来减小信号的浮动,这增加了定位的延迟,无法满足室外实时定位的需求。为了解决信号浮动和定位延迟问题,在分析接收信号强度空间相关性的基础上,提出了一种实时的Fingerprint定位算法,利用空间分集减小信号的浮动和定位延迟,同时根据运动物体轨迹的连续性提高定位精度。室外环境下的实验结果表明了所提算法能显著提高Fingerprint定位系统的性能。     

基于时空相似模型的蓝牙室内定位RSSI指纹插值方法

随着蓝牙无线通信技术迅速发展,蓝牙技术结合位置指纹定位算法来进行室内定位,具有方便快捷、低成本等优势。然而,构建一个细粒度的指纹库需要耗费大量的人力和时间。为减少离线阶段的工作量,提出了一个时空相似性模型,并定义了4个度量指标(空间距离,信号相似度,相似性可能性,RSSI向量距离),利用时空相关性来对未采样点进行插值。在部署有蓝牙室内定位系统的环境中获取数据,将该方法与四种常用的插值方法(线性插值、立方插值、最近邻插值和压缩感知)进行对比。实验结果表明,基于时空相似模型的插值精度,在采样率为60%时比其他四种插值方法提高了7.64%。     

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。