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.     

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...     

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.     

基于网格的无线网络室内协作定位算法

针对室内定位精度低的问题,通过多种无线网络间的协作定位,提出一种基于网格的无线网络室内协作定位算法.与区域单一定位方式不同,该算法将信号覆盖区域划分为网格的形式,获取多种信号信息,以判断网格的可定位性,并为网格内所有网络分配权值,判定是否可进行多种网络的协作定位,给出最优定位组合方案.只须在离线阶段采集室外网络信号,扩充协作定位指纹库,该算法即可直接扩展到室外定位.仿真结果表明:与单一网络定位算法以及等权分配算法相比,提出的方案不仅有效提高了定位精度,而且提高了网络覆盖区域的可定位率.     

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。     

RFID室内定位算法的研究与改进

首先对低成本、高精度的VIRE算法进行简单的介绍,并对算法中的小概率位置排除法进行分析,发现仍可能出现离目标标签比较远的"邻近区域"的问题,进而提出了一种在小概率位置排除法之后,添加半径阀值进行优化的方法,来降低参考标签之间的信号干扰以及多径效应带来的影响,从而减少邻近区域过多的情况。仿真结果表明,相比于VIRE算法,通过增加半径阀值优化后,算法在室内定位精度上有了进一步提升。     

一种基于DV-Hop节点的室内定位改进算法

对现有基于最小二乘法的DV-Hop定位算法进行分析和仿真,针对该算法定位精度依赖信标节点之间跳距和跳数这两个信息的不足,给出一种可对信标节点之间的跳距和跳数关系做出误差修正的改进的误差修正DV-Hop(ECDV-Hop)算法.仿真结果表明:在相同的室内环境下,ECDV-Hop算法与传统DV-Hop算法相比,定位精度得到一定的提高.     

基于聚类的PCA和GRNN的CSI指纹定位算法

针对多径效应影响指纹定位算法中定位精度的问题,提出了一种基于聚类的主成分分析(principal compo-nent analysis,PCA)和广义回归神经网络(generalized regression neural network,GRNN)的信道状态信息(channel state information,...     

基于动态时间间隔的超声波定位系统设计

针对传统的被动式超声波定位方法,无法对快速移动物体进行精确定位的问题,提出一种改进被动式定位方法。通过射频信号实现发送端与接收端的时间同步,根据移动目标的上一次位置信息,动态调整超声波发射端的发射间隔,使其既能保持多个物体同时定位的优点,又能保证系统的实时性。基于STC 12LE5612AD单片机搭建了自动导引运输车(automated guided vehicle,AGV)室内定位系统,对改进前后的超声波定位方法进行验证对比,结果表明,改进后的方法弥补了传统定位方法的不足,可以显著提高快速移动物体的定位精度。     

基于WiFi的便携式室内定位系统

针对全球定位系统无法满足室内定位的问题,基于Android平台开发了利用Wi Fi信号特征的便携式室内定位系统.该系统由移动定位终端、服务器和数据库组成,移动定位终端和服务器联合完成定位功能.定位算法采用基于接收信号强度指示(RSSI)的指纹算法,以场景分析的手段估算出移动定位终端的坐标.在线定位阶段,采用欧氏距离平方倒数作为权重系数对K最近邻算法的权重系数进行改进,以减小在线阶段的误差.实验表明,系统便于携带,操作简单,单次定位速度小于3 s,并且系统3 m内的定位精度达到80%以上.     

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.     

一种面向位置服务的超宽带室内定位算法

超宽带技术由于较高的测距精度和穿透性能,对于位置服务有着重要的应用价值。在实际的高密度定位环境中,传统的定位算法受非视距误差和多径效应的影响,很难实时准确解算出实际位置坐标。虽然增加基站数量可以有效提高定位的精度,但是其成本也在不断提高。针对超宽带在高密度室内定位中实时性差、定位精度低的问题,提出了一种基于支持向量机的超宽带定位方法,提高了定位的精确性和鲁棒性;给出了基于到达时间差(TDOA, time difference of arrival)的支持向量机模型,重点在于将定位问题转化为分类问题的求解;通过TDOA值和坐标值来建立支持向量机分类模型,利用一对一分类模型实现了坐标值的解算,提高了坐标解算速度。仿真结果表明,在高密度实时定位中,相比于传统的Chan算法和Taylor算法,文中方法在定位精度近似的情况下,实时性要高于传统算法,满足实际定位中低功耗、快速高精度定位的要求。     

基于相对测距的水下目标定位算法

在没有星基、地基及水下时空基准信息的辅助下,为解决对水下目标精密定位问题,提出了一种基于水面舰船间相对测距和目标到达角的水下机动目标定位算法(UTPA)。通过联合水面舰船间电磁波相对距离观测和水下声学测角信息建立定位方程,考虑到目标定位方程求解中的异类信息融合权比失配问题,利用Helmert方差分量估计完成目标相对位置的迭代求解。Monte Carlo仿真表明:基于Helmert权比自适应调整的UTPA的定位偏差仅为典型的单平台声学定位技术的10%。     

基于神经网络的室内外场景识别方法

针对目前室内外场景识别方法所面临的低精度、低可靠性和低稳定性的问题,提出了一种基于神经网络算法的高精度室内外场景识别的方法.该方法利用智能手机内置的光传感器、磁传感器和全球导航卫星系统(global navigation satellite system,GNSS)模块采集训练数据,根据卫星数量、高度角、信噪比数据在室...