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。     

基于遗传算法优化的支持向量回归的室内定位算法

基于zigbee接收信号强度指标的室内定位由于成本低,硬件功耗低,易于实现而受到越来越多的关注。为了提高zigbee技术的室内定位精度,减少环境因素的不利影响,本文提出了一种遗传算法优化支持向量回归的室内定位方法。该算法分为离线采集和在线预测两个阶段,离线采集进行指纹数据库的建立,在线预测则根据训练模型进行位置预测。首先所有的采集数据通过卡尔曼滤波进行处理,然后通过遗传算法优化支持向量回归(GA-SVR)的惩罚参数 、RBF核宽度 和损失函数变量 ,从而使支持向量回归达到最好的位置预测性能。在实际场景中的实验结果表明,与PSO-SVR, GS-SVR, SVR和WKNN算法相比,该算法具有较好的定位性能。     

基于高斯混合模型的无线传感器网络定位算法

针对距离误差对定位结果的影响, 提出一种基于高斯混合模型的无线传感器网络定位算法. 该算法将高斯混合模型方法引入到无线传感器网络的定位问题中, 通过高斯混合模型分析找出误差较大的距离信息并将其剔除, 对剩余距离信息使用三边测量定位法进行定位求解, 同时结合加权定位算法进行位置估计. 仿真实验结果表明, 改进算法能提高定位精度, 且定位结果更稳定.     

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.     

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.     

随机网络中分布式节点高精度自定位算法

随机网络不确定性高,较为复杂,当前节点定位算法无法准确对随机网络中分布式节点进行准确定位,且适应性差。为此,提出一种新的基于标记传递的随机网络中分布式节点高精度自定位算法,标记传递算法将随机网络中的分布式节点用有标记数据和无标记数据进行描述,依据节点间的相似度将节点标记传递至其相邻节点。对节点定位问题进行描述,介绍了标记传递算法,在此基础上通过标记传递算法对随机网络中分布式节点进行高精度自定位,定位过程主要分为离线训练阶段与在线自定位阶段,给出定位详细实现过程,对定位结果进行滤波处理。实验结果表明,所用所提算法对随机网络中分布式节点进行自定位,定位精度高,适应性强。     

随机网络中分布式节点高精度自定位算法研究

随机网络不确定性高,较为复杂,当前节点定位算法无法准确对随机网络中分布式节点进行准确定位,且适应性差。为此,提出一种新的基于标记传递的随机网络中分布式节点高精度自定位算法,标记传递算法将随机网络中的分布式节点用有标记数据和无标记数据进行描述,依据节点间的相似度将节点标记传递至其相邻节点。对节点定位问题进行描述,介绍了标记传递算法,在此基础上通过标记传递算法对随机网络中分布式节点进行高精度自定位,定位过程主要分为离线训练阶段与在线自定位阶段,给出定位详细实现过程,对定位结果进行滤波处理。实验结果表明,所用所提算法对随机网络中分布式节点进行自定位,定位精度高,适应性强。     

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。     

基于多元增量分析的全网络在线异常检测方法

现有的全网络流量异常检测方法大多是离线方法或是对其进行数据更新的简单在线化改造,无法提供良好的在线检测性能.以全网络多维流量数据为研究的数据源,采用多元增量分析的方法,提出一种非先验自适应的在线异常检测算法.该算法以增量的方式构建流量矩阵的常态模型,不需要特殊的训练数据和独立的训练阶段.采用仿真实验数据和骨干网Abilene的采集数据,并通过与现有广泛采用的离线和在线方法进行对比分析,结果表明该算法在保持较好的检测性能的基础上实现了全网络在线异常检测.     

改进的蜂窝网室内定位匹配算法

针对无线信道的动态衰落特性,基于蜂窝网的室内定位存在较大误差,提出一种改进的蜂窝网室内定位匹配算法——基于主成分分析法(principal component analysis,PCA)的子空间匹配算法,不仅保证系统实时性,而且有效地剔除大误差点,提高定位精度.该算法利用无线蜂窝信号非视距传播造成的位置特性构建离线指纹数据库,根据在线接收信号从离线指纹库中提取子指纹库,利用PCA算法对在线实测数据及子指纹库进行有效地降维,构建子空间,并结合加权K近邻匹配算法(weighted K nearest neighborhood,WKNN)估计出多个位置坐标,利用3σ准则对这些位置做筛选,输出最终定位结果.实验结果表明,基于PCA的子空间匹配算法在保证定位实时性的前提下,能有效剔除大误差点,提高整体定位性能.     

基于压缩感知的室内定位系统的定位性能分析

随着Wi-Fi技术的普及,Wi-Fi室内定位技术也越来越受到关注。压缩感知(compressive sensing, CS)技术被提出应用于Wi-Fi室内定位,为了研究各类CS算法在室内定位系统中的定位性能,构建出一套基于CS算法的室内位置指纹定位系统。在离线阶段采集数据并构建指纹库,在在线定位阶段采用不同压缩感知算法比较各类算法的定位性能。实验结果表明,设备朝向包含多方向,参考点数据量越多时定位性能更优;CS的算法参数会影响定位性能;在设定的实验环境下,压缩感知中的分段弱正交匹配追踪(stage-wise weak orthogonal matching pursuit, SWOMP)算法的定位精度比K最近邻算法(k-nearest neighbor, KNN)优21.9%;在各类压缩感知算法中,正交匹配追踪(orthogonal matching pursuit, OMP)相较于其他CS算法表现较差,并且这种差距随参考点数据量的增多而愈加明显。     

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,CSI)指纹定位算法.离线训练阶段,利用中值滤波对CSI幅值进行去噪,并利用线性变换校准CSI相位,将处理后的幅值和相位作为原始联合指纹,利用改进的K-means算法将各个参考点的联合指纹集划分成多个子数据集来描述位置的多径特性,通过高维数据的PCA算法提取子数据集的特征以减少冗余信息、提高不同位置指纹的区分性,最后利用特征指纹训练GRNN模型.在线阶段,利用训练好的GRNN模型对在线测量的CSI数据进行目标对象的位置预测.实验结果表明,该算法可有效反映出位置的多径信息,且与CSI-MIMO,DeepFi和CSI-PCA相比,在定位精度方面有明显的提升.     

基于互相关序列和BP网络的声源定位算法

在基于麦克风阵列的声源定位算法中,一种常用算法的基本思路是通过麦克风接收到信号的相关序列来计算信号之间的时延,进而再根据阵列的结构确定声源的位置。在分析传统的声源定位算法基础上,针对双五元十字阵模型,介绍传统的基于广义互相关相位变换加权(generalized cross correlation-phase transform, GCC-PHAT)时延估计的定位算法,并给出基于GCC-PHAT时延估计和反向传播(back propagation, BP)神经网络的定位算法、基于抛物线互相关时延估计和BP网络的定位算法,进而通过分析影响时延估计的主要因素,提出了基于互相关序列和BP网络的新定位算法,该算法将GCC-PHAT互相关序列最大值点的位置、最大值点及其左右各一点的相关值作为BP网络的输入,通过对BP网络进行训练来实现声源的三维定位。仿真实验表明：与传统的基于GCC-PHAT时延估计的定位算法相比,所提出的各个算法均具有较好的定位效果,后者均比前者的定位精度更高,而且提出的基于互相关序列和BP网络的新定位算法在低信噪比和高混响的条件下,也具有较好的定位效果。     

基于假设检验的NLOS确定及最小残差定位算法

针对室内非视距传播会降低定位精度的情况,提出基于假设检验的NLOS确定算法,并在此基础上提出基于粒子群优化算法的最小残差定位算法.通过联合信号接收强度模型和到达时间模型,利用假设检验的方法确定当前信号是否受到非视距污染.仿真结果表明,与标准差分析法相比,所提出的方法具有计算量小、不需要太多的传播模型参数等特点,具有较高的正确率.在确定信号传播环境后,在非视距干扰比较严重的情况下,提出了基于粒子群优化算法的最小残差定位算法,定位精度优于加权最小二乘法和Fang氏算法.     

一种基于人工神经网络的无线传感器网络定位算法

提出了一种基于人工神经网络(ANN)的无线传感器网络定位方法,RSSI的结果被用来作为人工神经网络的输入,采用遗传算法优化人工神经网络的结构.采用MATLAB进行仿真,模拟20 m×20 m室内静态网络环境下的8个已知位置节点.实验结果表明,该方法比传统方法的定位精度高、适应性强,效果较好.     

基于加权极速学习机室内高动态环境的定位算法

随着人们对室内基于位置服务的需求越来越大,室内定位的研究变得越来越重要.Wi-Fi由于其传输距离适中,在智慧城市发展的推动下,热点的覆盖也非常多.因此基于Wi-Fi的定位技术成为众多室内定位技术中最具有可行性的.面对室内无线环境高动态变化的情况,提出了基于加权极速学习机(W-ELM)的定位方法,实验证明该方法能够有效提高定位精度.     

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。     

室内CDMA用户定位方法研究

提出了一种基于最大似然（ML）法和最小二乘（LS）法的室内CDMA用户定位方法，根据CDMA信号模型和多径信道模型，估计室内用户信号到达已知位置的参考点的幅度衰减系数，然后根据室内传播损耗模型得到用户与参考点的相对距离，再利用参考点位置对用户进行定位，由于参考点可以为固定接收机或已被定位的室内用户，因此本定位方法还适用于多跳通信，本定位方法算法简单，但模拟结果表明却具有较高的定位精度。