基于群智指纹的指纹库建立及优化算法

为解决群智采集的指纹数据量较大且分布状况复杂的问题,提出了一种基于AP聚类算法的指纹库建立及优化算法.通过AP聚类算法将位置接近且相似度较高的指纹聚成一类,相较于其他聚类算法,使用AP聚类可以更好地反映当前指纹的分布状况.对聚类生成的每一类指纹建立莱斯分布模型,以莱斯分布模型的参数作为指纹.仿真结果表明基于AP聚类的方法与传统指纹法在具有相似的定位效果的前提下,前者所占用的存储量只有后者的50%.     

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％.     

基于位置指纹的室内定位算法研究

位置指纹定位技术因定位精度更高、更具可实施性等特点,成为了当前室内定位技术的主流方法.针对室内定位中环境复杂多变和存在噪声干扰等问题,采用卡尔曼滤波算法进行滤波处理,提升定位精度和算法稳定性;为了凸显卡尔曼滤波算法在定位算法中较好的去噪效果,同时采用最小二乘法和卡尔曼滤波算法估算目标节点坐标,从MATLAB仿真结果分析推断定位算法的真实性能以及引入卡尔曼滤波算法去噪处理后对于定位精度的影响.     

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。     

基于差分隐私的群智频谱感知算法

认知无线电的关键技术是频谱感知,将保护隐私的激励机制与协作频谱感知结合起来,有助于提高频谱检测的准确性.文中引入了差分隐私的概念,将指数机制应用于平台与用户间的反向拍卖,提出了一种具有隐私保护的基于拍卖的频谱感知算法.平台选择获胜用户时将用户的信誉值考虑在内,并且使用了一种基于指数机制的线性得分函数选择最优的用户集.仿...     

基于WiFi指纹的高精度室内定位融合算法

针对室内环境中指纹定位接收信号强度信息的高维时变特性以及动态目标定位误差的累积问题,提出了一种基于梯度提升决策树与粒子滤波相结合的融合算法。该算法首先利用梯度提升决策树算法建立的位置坐标与接收信号强度之间的非线性映射模型,对在线接收的信号强度数据进行特征分类判别,实现位置的初步估计;随着目标的运动,进一步结合粒子滤波方法,迭代地实现动态目标位置的精确预测;另外,将定位轨迹与实际轨迹进行对比,以验证该算法的稳定性。实验仿真结果表明:累积分布函数在80%的百分位处,提出算法的定位精度控制在1.19 m以内,明显优于基于支持向量机、随机森林等定位算法;同时较基于梯度提升决策树算法的定位精度提升了34.9%;所获得的定位轨迹与实际轨迹的趋势一致且趋于收敛。     

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...     

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.     

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。     

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。     

融合差分改正的RSSI指纹库室内定位研究

基于RSSI指纹库的室内定位中,由于受到室内复杂环境的影响,实时采集的指纹数据会存在一定的误差,将其直接用于定位,必将降低室内定位的精度。考虑定位区域内接收的不同RSSI信号值具有相关性,采用RSSI差分改正的方式提高定位精度。误差改正数的计算与定位是本算法的关键,直接决定了定位的准确率。而选择不同数量与不同位置的参考点都将影响误差改正数的结果。泰森多边形能构建整体角度最大化的多边形网络,并在空间信息领域具有广泛的应用。为此,运用泰森多边形的空间邻接性质选择用于误差改正数计算的参考点,设计定位区域坐标改正数和RSSI向量元素改正数的计算方法,得到共用误差,并应用到指纹数据的校正与定位。最后,在Eclipse编程环境下,配合PostgreSQL/PostGIS空间数据库与Mybatis数据库映射工具,开发了实验原型系统,并对提出的融合差分改正的算法进行实验测试,从实验结果得出相较于未差分改正前,定位准确率有一定的提高。     

基于CNN的超分辨率信道冲激响应室内指纹定位算法

针对室内环境中多径效应影响定位精度的问题,提出了一种基于卷积神经网络(CNN)的室内定位(PI-CNN)算法.以多重信号分类(MUSIC)算法处理后的信道状态信息(CSI)作为特征图像,基于室内环境中不同位置点具有独特多径信息的特点,利用各收发天线间所形成的子信道信息,获得具有更高时间分辨率的多径到达时间,将获取的伪谱...     

基于层次聚类的WiFi室内位置指纹定位算法

提出一种利用WiFi信号指纹实现对室内区域进行定位的CL-KNN(complete linkage K-nearest neighbor)算法.该算法先采用层次聚类方法对测试环境进行区域划分,再根据相应的WiFi信号指纹信息进行匹配,最后通过加权计算确定定位结果.实验结果表明,在WiFi热点数量足够多的情况下,与原始KNN算法和kmeans-KNN算法相比,CL-KNN算法可以获得更高的定位精度和准确率.     

基于区域覆盖的群智感知激励机制

针对群智感知中的区域覆盖和用户参与两大问题,提出一种基于反向拍卖的区域覆盖最大化激励机制.首先用户根据参与成本给出标价参与拍卖,服务器平台在预算固定情况下,根据区域覆盖最大化算法选择拍卖中获胜的用户并向其购买感知数据,然后参与用户通过收益率判断是否继续参与,退出用户计算预期收益率并尝试重返拍卖.仿真结果表明,与动态定价反向拍卖机制相比,该机制可以在保证用户参与的同时,增大服务器平台选择用户的感知覆盖面积.     

面向群智感知车联网的异常数据检测算法

群智感知车联网利用普通用户的手机或平板电脑等智能终端获得交通数据,解决了车联网以低成本获取足够数据的问题,但却凸显了数据质的问题.为此,在分析群智感知车联网的数据结构及数据异常特点的基础上,提出一种适用于群智感知车联网的异常数据检测算法,并依此剔除异常数据,提高数据质量.算法利用核密度估计理论对车联网数据的概率密度进行估计,进而构建信任函数计算被检数据的信任度,后根据统计学理论将信任度小于0的数据判定为异常数据.最后对该算法的可行性及性能进行了仿真,结果表明该算法的性能可满足实用需求,且对比传统的统计检测法在检测率和误检率上具有更好的性能.     

群智感知中基于损失厌恶的激励机制

当前,群智感知中的激励机制大多是基于传统经济学的,而行为经济学的研究结果表明,由于损失厌恶的存在,用户不是总追求自身经济效用的最大化,基于传统经济学的机制并不能完全有效地激励用户.为此,文中设计了一种基于用户损失厌恶的激励机制(LA-RAIM).该机制基于用户的损失厌恶心理,设计了用户的奖励因子,通过在激励时间内给予用户额外奖励,让用户感受到不参与任务就会有损失,以此激励更多用户参与感知任务.仿真实验结果表明,与经典的RVA-IM相比,LA-RAIM既能促进更多的用户参与系统感知任务,也同时提升了系统的平台效用和获胜者平均效用.     

基于群智感知的交通违章举报系统设计方法

基于群智感知技术设计了一个交通违章举报系统,并对现有的数据选择机制进行了分析。针对这些机制在评价感知数据质量和用户可信程度方面存在的不足,提出一种新的基于信誉模型的数据选择方法,用户的信誉值可以根据其历史感知数据的质量动态计算得出,并将该方法应用于违章举报系统设计之中,有效地限制了恶意举报行为,提高了举报数据的质量和系统运行效率。根据实际性能测试,系统运行稳定可靠,是对现有交通监控系统的一个很好的补充。