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。     

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。     

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%.     

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。     

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.     

基于卷积神经网络的室内场景识别

场景识别一直是图像处理领域的重要问题之一,对研究移动机器人定位、计算机视觉等方面具有重要意义.然而,室内场景的复杂性与无序性使室内场景识别研究面临许多挑战.传统的手工提取特征无法充分描述室内场景的信息,而卷积神经网络提取的特征能够包含丰富的场景语义和结构信息,且对于平移、比例缩放、倾斜等形式的变形具有高度不变性,因此提出了应用基于卷积神经网络的GoogLeNet网络模型来完成识别任务的方法.该网络模型在深度学习框架Caffe上对MIT_Indoor数据集的识别准确率为59.7%,高于使用传统手工提取特征的算法的准确率,对比结果说明了深度卷积神经网络在室内场景识别问题上的有效性.