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%,.     

基于无线局域网接收信号强度分析的混合室内定位方法

为了给用户提供丰富的室内位置服务,需要在结构复杂且人员密集的室内环境中进行精确定位。根据对无线局域网接收信号强度的分析,可以利用三角定位算法和指纹定位算法进行混合室内定位。首先在网格划分的基础上离线构造参考点接收信号强度数据库,并采用三角定位算法估算所有无线接入点的位置,然后根据定位精度需求设定混合定位方法的接收信号强度阈值。在线定位时,根据用户终端实际接收到的无线接入点个数和信号强度选择三角定位算法或指纹定位算法进行位置计算。实验表明,该室内定位方法有效且稳定。     

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。     

一种自适应的指纹更新定位方法

指纹定位具有低成本、易部署等特点,已成为室内定位的主要方案之一.然而,由于信号强度会随着环境而动态变化,因此在离线阶段构建的指纹库容易过时,而为每个环境变化重新测量信号强度是费时费力的.针对上述问题,提出了一种自适应的指纹更新定位方法.首先根据信号传播路径损耗参数不同,利用模糊聚类方法将定位区域聚类成不同分区,确保每隔分区具有相近的路径损耗参数;然后,分别在不同分区中部署一个校正节点,负责实时测量其他信标节点的信号强度;最后,根据矫正节点的实时观测值,周期更新各分区的定位指纹.实验结果表明,该方法能够有效提高定位系统的定位精度.     

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.     

基于众包校正的多源融合室内定位算法

为了提高室内定位算法的精度，本文融合Wi-Fi和蓝牙两种信号源，提出了一种结合粗定位和众包校正的适用于多用户环境的室内定位算法。该定位算法分为离线和在线两个阶段，离线阶段的主要任务是构建多个指纹库，在线阶段的主要任务是进行粗定位和众包校正。粗定位分别利用Wi-Fi接收信号强度指示和蓝牙接收信号强度指示计算用户的粗略位置和用户间的距离；众包校正包括聚类校正和虚拟空间校正两个部分，它利用用户间的距离和用户组的位置分布提高定位精度。在UJIIndoorLoc和IPIN2017-CAR数据集上进行验证，实验结果表明，提出的定位算法将平均定位误差分别降至4.96 m和4.35 m。     

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.     

基于WiFi和蓝牙融合的误差区域加权算法研究

基于接收信号强度(RSSI)的室内定位易受干扰且信号波动较大,导致定位误差较大,为解决这一问题,提出了一种基于Wi Fi和蓝牙融合的误差区域加权定位算法(ERWLA)。该算法在离线阶段采用Wi Fi和蓝牙信号强度的多边测量,得到相应定位可取区域,并利用区域面积设立置信度,进行融合加权得到Wi Fi和蓝牙融合位置信息。随后建立位置信息融合误差模型进行误差分析,利用移动最小二乘插值法(MLSI)对误差进行曲面拟合得到误差的拟合函数。在线采集实时位置信息,由算法得到融合位置信息并传递给误差拟合函数,得到加权拟合误差,从而获得最终的位置优化估计,实现高精度的定位服务。实验验证了该算法在定位精度和稳定性方面有较大的提升。     

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.     

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.     

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%。     

基于深度置信网络的室内指纹定位算法

基于WLAN的指纹识别技术是在每个指纹定位测量来自不同APs的接收信号强度RSS(re-ceived signal strength,RSS)以构建指纹.然而,指纹的收集由于环境的变化,需要定期更新指纹库以提高准确性.因此,为减少指纹识别的工作量,提出将深度置信网络算法应用到未标记的RSS测量中,利用生成概率模型来表示...     

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%。     

采用确定性信号传播模型的普适寻优定位方法

Wi-Fi定位由于不需要额外的基础设施和专门的硬件设备,在室内定位领域有重要应用,不可预测的环境变化引起的接收信号强度(received signal strength,RSS)波动是导致Wi-Fi定位系统精度低的主要原因.提出一种基于测距的普适室内定位方法,使用快速数据聚类训练原始RSS数据,以确保RSS数据的稳定性和有效性;在此基础上,针对提取的RSS信号进行拟合,建立一种确定性信号传播模型,利用天牛须优化方法实现位置求解的高效寻优.通过仿真结果分析,提出的CB-DSPM(clustering by fast search and find of density peaks beetle antennae search-de-terministic signal propagation model)定位算法的误差在1.5 m左右,且迭代10～30次之后基本可以收敛到最优位置.