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...     

基于稀疏指纹采集和改进WKNN的定位算法

为解决位置指纹定位算法中指纹采集工作量大、定位精度低的问题,提出一种基于稀疏指纹采集和改进加权K最近邻(weighted k-nearest neighbor,WKNN)的定位算法。稀疏选定参考点并采集来自各接入点(access point,AP)的接收信号强度(received signal strength,RSS),根据容错四分位法对采集的RSS进行异常值预处理;利用经过预处理的指纹数据训练高斯过程回归(Gaussian process regression,GPR)模型,通过共栖生物搜索算法(symbiotic organisms search,SOS)求取模型最优超参数以提高模型的泛化能力,进而预测定位区域内非参考点的RSS;由有限参考点数据通过SOS-GPR模型的训练与预测生成密集位置指纹库,结合由卡方距离和AP加权改进的WKNN算法完成仿真验证。实验结果表明,在保证定位精度的前提下,稀疏指纹采集法较传统全采集法减少50%的采集工作量;与原WKNN算法和M-KWNN算法相比,提出的WKNN算法有效提高了定位精度。     

自适应动态K的WKNN室内定位方法

WiFi室内定位已被广泛研究,并且提出了许多解决方案,其中以接收信号强度(received signal strength, RSS)作为位置指纹的加权K-最近邻(weighted K-Nearest neighbor, WKNN)算法是目前使用最广泛的位置指纹算法之一。由于WKNN算法通常采用固定的K值,其定位精度在实际使用时具有局限性。尽管动态K的方案被提出,但是由于引入了新的不确定性参数,因此,并未真正解决问题。针对这个问题,提出了一种自适应动态K的WKNN室内定位方法。提出的算法的K值自适应调整仅依赖于离线和在线数据,即可以不引入新的不确定参数。在这个前提下,提出的算法采用“多雷达搜索策略”的方式自适应选择近邻数K值进行在线位置估计。在真实环境中采样了大量数据进行了试验。试验结果表明,提出的算法可根据在线情况自适应调整K值,获得了较好的定位结果。     

基于模拟退火算法的卡尔曼滤波在室内定位中的应用研究

卡尔曼滤波算法是用来解决定位中滤波的问题的一个重要内容,但由于预测和测量值之间的误差比较大,算法并没有达到最优,因为在室内定位中温湿度(高斯白噪声)对其有影响,以及非平面中的位置信息影响人员物品的位置定位精确度。针对卡尔曼滤波算法的这一问题,引进模拟退火算法。结合模拟退火算法的降温思想,采用迭代选取最优解,以此为基础,得到的最优解用于卡尔曼的初始值;将得到的最优距离作为对象,并以此建立邻域,最后再用线性插值法得到坐标。仿真实验表明,此种方法有效提高了室内定位精确度,减小降低了各种因素的干扰。     

基于核函数与卡尔曼滤波的室内定位方法

针对室内定位中存在的定位精度不高、定位稳定性较差的问题,提出了一种基于核函数与卡尔曼滤波结合的室内定位算法.首先利用核函数作为匹配算法进行初步定位,高斯核函数可以充分捕获参考点指纹与测试点RSS之间的非线性相关性,取得比K最近邻算法更好的匹配效果,再利用卡尔曼滤波对核函数的定位结果作滤波处理.实验结果表明,在真实无线局域网环境下,对核函数定位的结果作卡尔曼滤波处理后,均方根误差降低了25%,2m以内的定位准确度由75%提高到90%,定位稳定性提高了29%.     

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WIFI的室内机器人新型定位算法

随着移动终端的飞速发展,对于位置的服务需求越来越方便,WIFI由于在室内传输距离远、使用方便等优点而被研究者广泛应用于实现室内定位功能中。为了提高室内定位准确度,论文采用WKNN算法与改进粒子群算法相结合的混合定位算法,首先应用高斯滤波算法对WIFI采集的原始数据进行预处理,离线构建完整的指纹数据库;然后采用WKNN算法得到待定位点的估计位置;最后应用改进粒子群算法,实现对待定位点的精确定位。经过实验测试证明,所采用的混合定位算法比传统的位置指纹算法在定位精度上有显著的提高。     

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.     

基于粒子群算法的边界盒定位改进算法研究

在传统的边界盒(Ｂｏｕｎｄｉｎｇ－ｂｏｘ)定位算法中 采用正方形交集区域的质心作为定位结果 定位误差相对较大 针对该问题 给出粒子群算法(ＰＳＯ)改进的边界盒定位算法 该方法定位时 在取得交集区域后 先通过粒子群算法对该区域进行并行搜索 从而取得优化定位坐标 仿真实验结果表明:基于粒子群算法的边界盒定位改进算法减少了定位过程的计算的迭代过程 使得计算速度增快 且定位误差减少 定位精度值得到了提升     

一种改进的遗传卡尔曼算法在室内定位中的研究

提出了一种基于改进卡尔曼滤波和遗传算法的室内定位方法。首先利用共轭梯度收敛法计算稳态卡尔曼滤波器的增益值和离散时间卡尔曼滤波器的Riccati方程的解,该算法利用逼近自回归模型建立一步预测方程,所有非线性方程都可化为该线性方程求解。新方法利用卡尔曼滤波预测目标在下一时刻可能出现的位置,以该位置为中心建立该点的邻域,以预测目标坐标范围为模板,并且基于欧氏距离公式原则建立适应度函数,候选区的中心坐标为参数编码,结合遗传算法进行定位,对适应度函数通过泰勒级数展开式进一步优化定位坐标。实验结果表明,这种方法稳定性好,收敛速度快,有效消除噪声干扰,得到比较准确的位置坐标。     

基于驾驶人技能评判的差分定位算法的改进

为提高驾驶人技能评判的精准度,对差分定位算法进行了改进。将原差分定位算法进行简化,跳过传统的坐标转换,直接进行坐标比对。探讨了改进后的GPS差分定位技术,通过标识驾驶人考试场地线路,对考试车进行动态实时定位,从而实现自动评判。对该算法进行性能测试表明,改进后的算法运算过程简单化,CPU占有率降低,显著降低运行量,能有效提高评判的效率和准确率。差分定位算法的改进为驾驶人考试实时、精准评判打下坚实基础。     

基于质心-Taylor的UWB室内定位算法研究

针对室内环境影响定位精度的非视距传播(non-line-of-sight,NLOS)问题,在对基于到达时间差(time difference of arrival,TDOA)的超宽带(ultra wideband,UWB)室内定位模型和算法进行分析研究的基础上,提出了质心-Taylor混合定位算法。该算法利用对测距误差不敏感的质心算法对目标进行初始粗定位,然后将其作为Taylor级数展开法的迭代初值进行二次精细定位,并动态地将前期定位完毕的节点转化为后续定位过程的参考节点,最大限度地利用不断增加的已知信息,在提高Taylor初值质量的前提下减少预设参考节点数目,降低系统硬件成本。采用MATLAB软件进行了模拟仿真。仿真结果表明,该算法定位性能优越,尤其在NLOS测距误差较大的环境下能有效地提高系统的定位精度。     

室内无线高精度定位的改进MUSIC算法

室内定位在一些特定场合的实用性和必要性已经日趋显著,其应用前景广阔,研究意义非常大。但是目前基于传统RSSI的定位算法不能满足室内定位的要求。针对RSSI测量方法误差较大的问题,提出用MUSIC算法估计信号的波达方向。传统的MUSIC算法只能对非相干信号进行DOA估计,但在室内环境中,存在严重的多径效应,MUSIC算法将会失效。通过构建Toeplitz矩阵,达到去相关的目的,从而对多信号的波达方向做出正确的估计。     

基于接收信号强度测量的室内定位算法

首先对现有的“路径-损耗”模型进行了修正,引入距离估计误差随机变量,由于其一般误差较小,不足以改变现有的模型中遮蔽因子的概率密度函数,所以遮蔽因子仍然满足正态分布．然后,推导了一种迭代最大似然估计算法,通过有限次的迭代,可以将由遮蔽因子导人的误差减小到一定程度,并得到令人满意的用户位置的估计结果．模拟表明,该方法可以提供较高的精度。     

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。     

基于粒子群算法和平方根平淡卡尔曼滤波的北斗导航系统定位估计算法

为提高北斗定位系统(BDS)的估计精度,克服传统平淡卡尔曼滤波(UKF)算法中可能因状态量协方差矩阵失去正定性而导致滤波器发散的问题,将平方根平淡卡尔曼滤波(SRUKF)算法应用于BDS定位估计.在此基础上,为进一步提高SRUKF算法的性能,引入粒子群优化(PSO)算法,提出基于PSO和SRUKF算法的BDS定位估计(PSO-SRUKF)算法.结果表明,PSO-SRUKF算法可以降低系统噪声和测量噪声特性估计不准确带来的误差,有效提高了BDS定位精度和稳定性.     

一种RFID标签定位改进算法

通过分析用于室内定位的传统Monte Carlo算法存在的问题,对MonteCarlo定位算法更新模型进行了改进。改进算法具有更有效的采样、更强的稳定性、更少的计算量等优势。通过试验发现改进算法比传统算法具有更高的定位精度。     

无线传感器网络中DV-Hop定位算法的改进

通过分析DV-Hop算法定位过程误差产生的主要原因,在限制节点间跳数、校正相同跳数的节点之间的跳距和循环升级等3个方面进行改进,并对改进算法进行仿真实验,结果表明:在相同的环境下,本文提出的改进算法能显著提高节点定位精度和覆盖率.     

基于ISRUKF的UWB/INS组合室内定位方法研究

超宽带(UWB)定位技术是室内定位领域中极具竞争力的技术,但是在室内非视距(NLOS)环境下,UWB定位技术会出现精度低和稳定性差等问题,难以满足较高的室内定位精度需求.UWB定位技术和惯性导航系统(INS)结合,可以减轻NLOS环境对UWB定位的影响,因此提出了一种基于改进平方根无迹卡尔曼滤波(ISRUKF)的UWB...     

基于RSSI的无线传感器网络改进定位算法

为了提高无线传感器网络的节点定位精度,分析了基于RSSI测距定位的ERSS算法,研究了RSSI值的预处理方法,修正了质心法中的加权因子,避免了权值选取的不合理性,从而实现了对ERSS算法的改进.仿真实验表明,采用这种改进定位算法可提高距离计算的精度,获得较为精确的定位.