基于多传感器数据融合的室内定位算法

基于惯性测量单元(IMU)的定位方法是一种全自主定位方法,该方法通常是基于单个IMU(Single-IMU)实施定位,其具有较大的漂移误差和累积误差.因此,提出了一种基于多个可穿戴式IMU(Multi-IMUs)与室内无线传感器网络(IWSN)的多传感器数据融合的室内定位算法,根据佩戴于不同部位的Multi-IMUs信息协同,提高人体姿态检测的有效性,并且利用模糊投票机制(Fuzzy Voting Scheme)融合Multi-IMUs位置信息;此外,结合IWSN,采用卡尔曼滤波算法(Kalman Filter Algorithm)融合IWSN解算出的位置信息与Multi-IMUs计算出的位置信息降低基于IMU的累积误差.实验结果表明,所提出的基于多传感器数据融合的室内定位算法能够识别出行走的姿态,与基于Single-IMU的定位算法相比,该算法有效地降低了累积误差和漂移误差,提高了室内定位的有效性和可靠性.     

协作室内定位优化算法

在三角质心定位算法的基础上,将协作的思想利用到室内定位方面.针对待测环境中含有两个待测节点的情况,设计出圆域型优化算法.通过仿真实验验证得出,在误差平均值方面,经过圆域型优化算法优化后的三角质心定位算法相对于传统三角质心算法的定位精度约提高11.62%.在优化误差最大值方面,经过圆域型优化算法优化后的三角质心定位算法相对于传统三角质心算法,误差约减小7.74%.在优化误差最小值方面,经过圆域型优化算法优化后的三角质心定位算法相对于传统三角质心算法,误差约减小22.66%.在优化程度方面,优化程度最高约为28.63%,最低约为0.05%.     

基于能量的ZigBee定位算法研究

为了提高无线传感器网络中基于接收信号强度指示(RSSI)方式的定位精度,分析了不同类别的经典定位方法,提出了基于能量的具有环境适应性的定位算法.在对ZigBee协议栈进行分析和研究的基础上,针对实际的定位需求,设计了能计算环境参数和定位的通信帧.通过在实际环境下对该算法进行实验验证,结果显示:在空旷环境下60m×60m的区域内,定位精度达到2m,相对误差<2.8%.     

双层PSO-ELM融合室内定位算法

随着基于位置服务需求的增长,室内定位成为国内外学者研究的重点领域.研究发现采用多传感器信息融合方法可以提高定位准确度,目前人们普遍认为利用多传感器的互补特性,结合各融合算法提升导航系统的整体精度是室内定位领域未来的发展趋势.本文提出一种基于双层粒子群极限学习机(PSO-ELM)神经网络的融合视觉和惯性信息的室内定位算法...     

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。     

ZigBee系统中基于RSSI算法的定位方法研究与实现

在分析无线定位技术在无线传感器网络中的应用现状以及目前常用定位算法的基础上,研究如何基于RSSI算法的主要思想并结合三边测量算法对移动节点实现定位.并基于ZigBee系统芯片CC2530组建了无线传感器网络,完成了软硬件设计与实现,最后通过实验验证了该研究的有效性和可行性.     

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。     

多传感器数据融合室内定位方法

研究了基于超宽带技术（ultra wide band,UWB）定位和视觉定位的多传感器融合室内定位方法,设计了UWB定位单元软硬件平台,调用修改了基于MMTracking的视觉定位方法,实现了两种室内定位技术,构建了基于贝叶斯估计的双传感器数据融合模型。实验结果表明,该方法具有较好的定位效果,提高了室内定位的测量精度和稳定性。     

基于神经网络的UWB室内定位算法

定位技术的迅速发展,使它渗透到了人们的生产生活中,因此,对定位技术的完善和提升变得尤为重要.一些传统定位技术,如红外线、超声波、蓝牙、RFID等,由于室内环境的复杂性,导致定位精度有所损失.UWB作为一种无载波通信技术,其诸多优点可以使它在视距传输中获得良好的定位效果,但是实际环境中的非视距传输,会使其受到影响而产生误差.采用TOA定位方法,辅以神经网络算法,可在寻求优化解的过程中不断减小误差,实验仿真表明,该算法在复杂的室内传输中具有较高的定位精度.     

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KNN-SVM算法的室内定位系统设计

以室内的用户定位需求为应用背景,提高定位精度为目标,针对室内中复杂的环境,基于最近邻法(KNN)和支持向量机(SVM),提出了新的室内定位算法.先采用KNN去除训练样本中的奇异点,再采用支持向量机进行定位.与KNN法、朴素贝叶斯法、SVM回归法等室内定位算法比较,结果表明该定位算法有效提高了定位精度和定位速度.进一步提出了基于Android平台的室内定位系统的设计方案,采用Java语言编程实现了该系统,并进行了系统测试.实验数据表明:该室内定位系统的平均误差为1.7m,最大误差为4.9m,该系统在满足速度要求的前提下,有效提高了室内定位精度.     

基于改进WKNN的室内定位算法

针对经典的NN算法,K近邻算法,加权K近邻算法中度量相似距离多为简单的欧氏距离,提出了将曼哈顿距离替代欧氏距离作为定位匹配的度量距离改进定位算法.其相比于之前的算法定位精度更高,响应速度更快,适合应用到室内定位相关研究当中.考虑到Wi-Fi信号易受噪声等外界不确定因素的影响以及移动终端接收信号强度指示与真实值存在偏差而...     

室内超宽带非视距协同定位算法

超宽带以其高分辨率和抗多径的特点,成为室内定位技术的突出代表．室内环境复杂,接收的定位信号中多径干扰和非视距NLOS传播,会产生严重的非视距NLOS效应,导致传统的定位算法出现较大偏差．为了克服NLOS误差的影响并得到满足室内定位的精度要求,提出将带校正因子的WLS算法和Taylor算法相结合,通过协同定位来抑制非视距误差．结果表明：在多种环境下,改进的算法都能够较好地抑制NLOS误差干扰,基本满足了室内定位的精度要求,具有健壮性强的特点．     

基于RSSI的室内定位改进算法

【目的】为提高室内环境的定位精度,提出一种改进的基于RSSI(接受信号强度显示)的室内定位算法。【方法】首先根据室内的实际布局情况对场所进行区域分割,然后采用等边三角形布局信标节点,接着用高斯模型对数据进行预处理,最后使用改进的加权三边测量法定位未知节点的最终坐标。【结果】改进的算法具有定位误差小、精度高的特点。【结论】该算法适用于室内精确定位,有利于无线传感器网络的发展。     

基于位置连续性的室内定位算法

为了减小RSSI波动和多径干扰对定位精度和稳定性的影响,提出了一种基于位置连续性的室内指纹定位改进算法.依据用户位置具有连续性的特点,应用室内布局结构来缩减指纹搜索空间,去除位置歧义点,在此基础上,采用基于改进的贝叶斯方法进一步提高定位计算的精度和稳定性.分析与实验表明,该算法能有效降低RSSI波动对定位的影响,提高精度,同时也降低了实时定位的计算开销.     

RSSI的室内人员卡尔曼滤波定位算法

RSSI定位技术的室内定位算法中,由于室内环境的复杂性及人员的随机性等因素可能会带有噪声影响,所以需要加以抑制。本次设计的室内定位算法首先根据室内特殊环境设计出定位算法流程图,建立算法模型并用卡尔曼滤波算法来抑制环境中噪声因素所引起的误差,然后结合改进的RSSI算法实现室内移动人员的定位,使得定位的结果更接近于真实值。重点研究将卡尔曼滤波算法与改进的RSSI算法相结合估算出更精确的室内人员位置信息。通过实验表明,结合卡尔曼滤波改进的室内人员定位算法的定位精确度有明显的提升,误差相比于文献9所提出的定位算法有所降低。     

室内区域性WiFi定位EKNN算法设计

WiFi由于应用广泛而被作为室内定位的热门技术之一,而定位精度与速度向来是研究的焦点.文中针对室内感兴趣区域(ROI)的定位问题,提出了一种证据理论K近邻(EKNN)算法.首先以接收信号强度指示作为指纹,在各区域分别建立无线指纹数据库作为识别的类;然后利用证据理论在各类别内进行近邻证据组合、类别间进行证据融合;最后确定目标所在ROI类,并在类中进行精定位.与其他算法相比,文中设计的EKNN算法的最佳区域类识别率可以达到97%,最大定位误差约为2.2 m,定位效率也有较大提高.     

基于RSSI的室内定位算法研究

无线传感网络是无线通信技术、传感器技术和微处理技术相集成的产物.随着信息技术的不断发展,WSN已经成为我们日常生活不可或缺的一部分.定位技术作为无线传感网络研究的热点,也受到了各领域的极大关注.本文通过对传统的室内定位算法的研究,综合考虑影响定位精度的因素,提出了改进的定位算法,并进行了仿真验证.     

WSN中基于信道传播特性的室内跟踪定位算法

针对传统的RSSI (received signal strength indication)定位方法会受到室内无线信道传播特性影响的问题,首先在密闭走廊、开放走廊和实验室三种不同场景下,对无线信号强度进行测试并统计其概率分布,构建室内无线信道传播特性模型。然后,锚节点定期测量移动节点信标信号的RSSI,中心节点利用最大似然法和信道传播特性模型来估算其坐标位置、移动速度和行进方向。实验结果证明,该方案可以实现不同室内环境下移动节点的跟踪定位,并满足精度要求。     

人工神经网络BP算法密集型数据的预处理

针对误差反向传播算法密集型数据输入问题，提出一种数据预处理方法。模拟实验表明，采用这种预处理技术可以极大地改善密集型数据输入时网络的学习效率。