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.     

基于时空相似模型的蓝牙室内定位RSSI指纹插值方法

随着蓝牙无线通信技术迅速发展,蓝牙技术结合位置指纹定位算法来进行室内定位,具有方便快捷、低成本等优势。然而,构建一个细粒度的指纹库需要耗费大量的人力和时间。为减少离线阶段的工作量,提出了一个时空相似性模型,并定义了4个度量指标(空间距离,信号相似度,相似性可能性,RSSI向量距离),利用时空相关性来对未采样点进行插值。在部署有蓝牙室内定位系统的环境中获取数据,将该方法与四种常用的插值方法(线性插值、立方插值、最近邻插值和压缩感知)进行对比。实验结果表明,基于时空相似模型的插值精度,在采样率为60%时比其他四种插值方法提高了7.64%。     

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.     

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.     

基于约束粒子群优化的克里金插值算法

针对常规克里金插值算法中的不足之处,通过改变粒子群算法中粒子多样性,结合地质变量的特征和数据特征,提出了一种改进的插值方法——基于约束粒子群优化的克里金插值算法,在粒子群优化过程中,通过高斯变异、样本点权重系数设定、搜索范围约束等方式提高了插值精度。实验结果表明:基于约束粒子群优化的克里金插值算法可以获得高精度的插值效果,优于常规的克里金插值。     

基于5G子基站的室内定位卷积神经网络模型

针对目前GPS技术在室内定位中精度差的问题,本文将5G技术与卷积神经网络算法相结合,提出基于5G全新无线空口(NR)参数的室内定位方案.通过采集5G NR数据,与参考点编号形成指纹数据存入指纹库,以精确率、召回率和微平均等值作为评价指标,采用卷积神经网络算法对指纹库进行训练以获得定位模型,并使用Adam方法进行模型优化...     

WLAN indoor location method based on artificial neural network

WLAN indoor location method based on artificial neural network (ANN) is analyzed.A three layer feed-forward ANN model offers the benefits of reducing time cost of the layout of an indoor location system, saving storage cost of the radio map establishment and enhancing real-time capacity in the on-line phase.According to the analysis of SNR distributions of recorded beacon signal samples and discussion about the multi-mode phenomenon, the one map method is proposed for the purpose of simplifying ANN input values and increasing location performances.Based on the simulations and comparison analysis with other two typical indoor location methods, K-nearest neighbor (KNN) and probability, the feasibility and effectiveness of ANN-based indoor location method are verified with average location error of 2.37m and location accuracy of 78.6% in 3m.     

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。     

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。     

普通Kriging法在空间插值中的运用

目的为提高矿产出储量计算的精确性。方法运用普通克里格法解决空间插值问题。针对地质人员采集数据信息的局限性,采用普通克里格插值方法弥补数据量的缺乏。对新疆贝克滩水系沉积物化探数据进行空间分析。结果预测值参数——均值为106.39,峰度为-0.30,最大值为148.76,标准差为27.57,偏度为-1.12,最小值为53.91;交叉验证法参数:指标值为10.86。结论通过交叉检验、QQ检验、预测直方图方法验证表明,采用普通克里格法得到的预测值效果较好。     

非线性热传导问题的基于滑动Kriging插值的MLPG法

利用基于滑动Kriging插值的无网格局部Petrov-Galerkin(MLPG)法来求解二维非线性稳态和瞬态热传导问题,Heaviside分段函数作为局部弱形式的权函数,并通过加权余量法推导相应的离散方程.该问题考虑了材料热传导系数随温度的线性变化,并通过拟线性法来求解非线性问题的解,时间域的离散通过向后差分法来实现.基于滑动Kriging插值构造MLPG中的形函数由于满足克罗内克δ性质,因此可以直接准确地施加本质边界条件.在构造刚度矩阵过程中,只涉及边界积分,不涉及区域积分和奇异积分.将数值计算结果与有限元法得到的结果加以对比可以看出,基于滑动Kriging插值的MLPG法能够很好地解决此类热传导问题.     

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。     

改进K-means聚类的自适应加权K近邻指纹定位算法

针对指纹定位精度易受指纹数据K-means聚类预处理效果不佳、加权K近邻算法采用固定K值进行匹配定位精度差等问题,提出一种基于改进K-means聚类的自适应加权K近邻算法.算法在对指纹数据进行聚类计算过程中充分考虑参考点间接收信号强度值与实际物理坐标的双重影响,以避免参考点分类不明确;根据每个测试点的匹配参考点之间实际距离的均值和标准差设置阈值,动态选择K值.实验结果证明,改进K-means聚类的自适应加权K近邻算法相较于传统室内定位算法定位精度提高了44％,可为相关应用提供更精确的定位服务.     

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...