基于偏度-峰度检验的WLAN位置指纹室内定位算法

目前,无线局域网（Wireless Local Area Networks,简称WLAN）技术因其成本低、配置简单、精度高等特点,被认为是室内定位的最佳选择之一。虽然WLAN接收信号强度指标(Received Signal Strength Indicator,简称RSSI)指纹法是最精确的定位方法,但由于其无线电地图(Radio Map,简称RM)在发生环境变化时已经过时,具有很大的缺陷,且重新校准RM是一个耗时的过程。因此,本文提出基于偏度-峰度检验进行WLAN位置指纹室内定位算法改进。在离线阶段,通过偏度-峰度检验样本总体是否服从高斯分布,对于严重偏离高斯分布的样本直接舍去,而对于与高斯分布接近的样本,利用核函数估计其概率密度。在线阶段,利用K最近邻(K-Nearest Neighbor,简称KNN）,将移动终端设备接收到的RSSI与建立的指纹数据库中的RSSI,通过欧几里得公式计算样本点到观测点的欧氏距离,并从中选择欧氏距离最短的样本点的位置作为研究位置的无偏估计。通过实验结果,本文提出的算法比传统定位算法的精度提高了11%,证明了该算法具有更高的定位精度和更少的离线工作量等优点,而且在RSS(Received Signal Strength)信号容量较小时该算法的定位误差比其他算法更小,具有显著的稳定性。     

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。     

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.     

一种改进的WIFI位置指纹室内定位算法

WIFI位置指纹定位作为目前常见的室内定位方法,存在接收信号强度(received signal strength,RSS)波动和时变等问题,导致定位精度不高.文章为此设计了一种采用结合卡尔曼滤波的方差修正加权K最近邻(weighted K-nearest neighbor,WKNN)算法的室内定位方法.离线阶段,经过...     

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.     

一种基于位置指纹的室内定位方法

随着无线通信的快速发展,基于室内的位置服务得到了广泛的关注。针对室内存在大量的非视距情况,本文提出了一种基于位置指纹的室内定位方法,该方法结构简单,易于实现。通过实验验证了该方法具有较好的定位精度。     

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.     

一种改进的候选位置指纹算法的室内定位方法

针对Wi Fi位置指纹定位时由于受到室内环境变化的影响而造成精度严重下降的问题,本文提出了一种基于混合遗传粒子群算法和候选位置指纹的室内定位系统,本系统采用在定位服务阶段选择多个位置指纹作为候选位置指纹,利用遗传算法搜索全局较优的位置指纹组合,并采用粒子群优化算法快速准确地找到最佳的位置指纹。仿真结果表明,基于混合遗传粒子群算法提高了室内定位精度,可以快速精确地搜索到最佳位置,同时减小了遗传算法时延较大的缺点,避免了局部最优解问题。     

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...     

基于随机部署RP的位置指纹定位算法

随着人们对位置信息需求的不断增加,室内定位技术迎来了前所未有的研究热潮.在分析影响基于位置指纹定位算法性能主要因素的基础上,提出了基于随机部署参考点(RP)的位置指纹定位算法.该方法首先将目标环境划分成多个子区域,在每个子区域中采用随机方式部署RP,从而减少定位成本、提高灵活性;为了在保证定位性能的前提下缩短定位时间,给出了两种数据剔除方法.仿真结果表明,该方法能够获得良好的定位性能,具有实际的应用价值.     

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%。     

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.     

一种基于偏度和峰度联合检测的频谱感知算法

通过对接收信号样本偏度和样本峰度进行归一化处理,设计了一种基于偏度和峰度联合检测的频谱感知算法(联合检测算法).利用卡方分布的概率密度函数分析非渐近条件下算法的理论虚警性能,推导出相应的理论判决门限.仿真实验结果表明,联合检测算法在小样本条件下仍然可以保证可靠的检测结果,并表现出比经典的Jarque-Bera频谱感知算法更优的检测性能.     

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。