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。     

WiFi的室内定位技术的改进研究

现行传统Wi Fi(wireless fidelity)接收信号强度指示RSSI(receievd signal strength inication)的位置指纹室内定位技术存在定位误差大、稳定性差的缺陷.因此,我们对原有的K最近邻KNN(K-Nearest neighbor)算法提出了改进的方案.同时,在原有的KNN算法的基础上提出了融合朴素贝叶斯概率算法的新算法-BKWNN(Bayes K-Nearest weighted neighbor)算法.通过仿真实验的结果表明:在相同的实验环境下,BKWNN算法显著地提高了室内定位的精确度,BKWNN算法相比于原来其它常用的指纹匹配算法具有更高的稳定性.     

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。     

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.     

基于偏度-峰度检验的无线局域网位置指纹室内定位算法

目前,无线局域网(wireless local area networks,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,RSSI)指纹法是最精确的定位方法,但由于其无线电地图(radio map,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,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,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。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。     

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,经过卡尔曼滤波后,选择数据的方差和均值作为反映RSS变化的特征值;在线阶段,通过采集的信号均值计算近似方差,对欧式距离进行权重修正,最后选择K个最近邻点确定待定点位置。实验结果表明:该文采用的定位方法平均定位精度达到1.248 m,相比于传统的WKNN室内定位方法,平均定位精度提升了20.3%;对比K-均值聚类结合动态加权K最近邻算法(K-means-EWKNN),平均定位精度提升了8.9%。     

基于动态环境自适应WiFi室内定位系统设计

针对室内动态环境中WiFi定位精度低等问题,提出了一种基于位置指纹的自适应定位方案.通过采集参考点处的AP信号强度和终端朝向信息,构建出参考点的位置指纹,再提取待测点位置指纹中的朝向信息,经由KNN算法进行指纹匹配,从而完成预计定位.实验测试表明,方案可有效避免了由于用户手持终端方向及身体遮挡等因素对RSS值的影响.     

融合地图信息与WiFi地标的室内粒子滤波定位算法

目前行人航迹推算(pedestrian dead reckoning,PDR)和WiFi指纹定位成为室内定位的主流技术,WiFi指纹定位由于无线信号的波动性导致定位结果不稳定,PDR算法随着应用时间的延长传感器累计误差增大,同样会导致定位精度降低。本研究提出一种基于地图信息的粒子滤波(particle filter,PF)与WiFi地标相结合的混合定位算法(WL+PF)。该算法通过地图信息约束粒子的位置,同时利用WiFi信号峰值检测相应地标信息,对观测信息修正的同时,更新粒子权重,从而实现最终的定位。实验结果表明,优化后的算法定位精度优于其他常规滤波融合定位算法。     

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。     

基于相似指纹特征的室内定位机制研究

针对指纹定位结果中存在较大定位误差问题,分析了离线相似指纹对应采集点的分布特征,发现存在部分相似指纹对应的采集点位置距离较远的特征,这导致了较大定位误差的出现。据此提出了一种基于阈值的Dynamic-kNN的算法来实现指纹的匹配,并进一步针对相似指纹的聚类特征设计了基于K-Means的聚类优化算法,从而大大减少了定位结果中较大误差的存在。实验表明,该算法能够将最大定位误差缩小到5m以内,同时4m以上的较大定位误差所占比例也明显下降。本研究与其他算法相比,在定位性能和算法开销上具有明显优势。     

基于卡方距离度量的改进KNN算法

K-近邻算法(K-nearest neighbor,KNN)是一种思路简单、易于掌握、分类效果显著的算法。决定K-近邻算法分类效果关键因素之一就是距离的度量,欧氏距离经常作为K-近邻算法中度量函数,欧式距离将样本的不同特征量赋予相同的权重,但是不同特征量对分类结果准确性影响是不同的。采用更能体现特征量之间相对关系的卡方距离度量作为KNN算法的度量函数,并且采用灵敏度法进行特征权重计算,克服欧氏距离的不足。分类实验结果显示,基于卡方距离的改进算法的各项评价指标优于传统的KNN算法。     

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。     

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。     

一种针对异构设备和环境变化的室内定位算法

针对基于蓝牙指纹的室内定位中存在设备异构性和蓝牙信标节点发生变化的问题,提出一种针对异构设备和环境变化的室内定位算法.首先,利用普氏分析法对接收到的信号强度进行标准化处理,使用核极限学习机(kernel extreme learning machine, KELM)对标准化的指纹库建模,减少用户移动终端差异导致的信号强度差异;其次,当接入点(access point, AP)信号发生变化时,利用高斯过程回归重新校准该接入点信号,更新指纹库,消除接入点因信号衰弱、位置移动或环境变化导致的定位误差.测试分析结果表明：该算法能有效克服异构设备产生的影响,并更好地适应环境变化.