基于MVO-SVR的室内指纹定位算法

针对室内定位过程中由非视距和环境干扰导致的定位精度不高的问题,提出一种基于多元宇宙优化支持向量回归的室内指纹定位算法。首先通过基于超宽带通信技术的双边双向测距算法计算得到测距信息;然后利用测距值作为指纹特征并建立指纹库,使用SVR算法构建定位坐标和测距值之间的映射关系;最后使用MVO优化算法寻优SVR算法的cost和γ参数,以提升定位精度。实验显示,选择径向基函数作为SVR模型的核函数能够有效提高定位精度,并将MVO-SVR的结果与三边定位、随机森林算法、极致梯度提升算法、SVR的结果进行对比和分析,X方向平均绝对误差分别降低了20.12%、54.43%、60.66%和16.21%,Y方向平均绝对误差分别降低了79.57%、54.18%、59.29%和38.17%,平均定位误差Ep分别降低了60.73%、54.38%、60.01%和22.84%,且MVO-SVR算法在X和Y方向平均绝对误差均达到了厘米级。结果证明:基于MVO-SVR的室内指纹定位算法明显提升了定位精度,在复杂室内环境中具有良好的应用前景。

基于高斯过程回归的Wi-Fi RTT/RSS测距与指纹定位研究

基于往返时间(RTT)测量的智能手机Wi-Fi测距定位受限于室内环境的复杂性,仍面临稳定性差、精度低等问题。利用同步量测的Wi-Fi RTT和信号接收强度(RSS)数据,分别从测距与指纹补偿、测距定位与匹配定位优化等方面开展研究。首先,通过分析RTT测距误差规律,建立了基于高斯过程回归(GPR)的非参数测距误差补偿模型;研究了RSS数据分布,通过拟合Wi-Fi信号路径衰减模型,构建了基于GPR的RSS补偿模型。其次,开发了基于Web端的指纹库生成和指纹定位软件,可支持RSS指纹库、RTT测距指纹库自主建设和RSS/RTT指纹定位。最后,设计了基于GPR补偿的RTT测距定位、RTT指纹定位和Wi-Fi RSS指纹匹配定位算法,并综合分析了3种方法的定位性能。实验结果表明,经过高斯补偿的RTT测距定位、RTT指纹定位和RSS指纹定位的平均精度分别提升了50.81%、52.85%和48.72%,证明了高斯过程回归模型可有效提升Wi-Fi RTT/RSS测距与指纹定位的精度与稳定性。

基于差分进化改进混合核极限学习机的指纹定位

针对极限学习机(extreme learning machine,ELM)指纹定位泛化性能弱、鲁棒性差等问题,提出一种改进的差分进化算法优化混合核极限学习机的指纹定位方法。该方法利用改进型的Logistic混沌映射提高差分进化算法全局搜索的能力,同时利用动态控制参数法避免差分进化算法陷入局部最优,然后通过改进差分进化算法自适应调整混合核极限学习机的参数,提高训练效率。在线阶段,利用混合核函数提高极限学习机的学习性能和泛化性能,并引入L1惩罚函数防止过拟合。其泛化能力相较于单一核极限学习机提升明显。该方法有92%的测试点定位误差小于0.5 m,平均误差相较于加权K近邻法(weighted Knearest neighbor,WKNN)降低了32.6%。

室内多用户在线协同指纹定位算法

针对室内环境中多个用户同时申请定位服务的场景,提出一种基于多用户在线协同的室内指纹定位算法.考虑到邻近的多个用户在同一时段观测的Wi-Fi接入点(Access Point,AP)的接收信号强度指示(Received Signal Strength Indicator,RSSI)信号服从相似的空间分布,从而可利用该信号强度的大小来校准用户的估计位置.算法首先由目标用户的AP覆盖向量确定邻近的候选参考节点(Reference Point,RP)以及协同定位用户;利用协同定位用户观测的RSSI信息对候选RP进行可信度评估,并结合目标用户的RSSI信号与各候选RP指纹的相似度,筛选候选RP,利用WKNN(Weighted K-Nearest Neighbors)算法获得经协同定位用户校准后的目标用户的校准估计位置;同时,算法还融合了子集定位的思想,利用目标用户的在线RSSI信号构建用于校准定位的多个AP子集,并由位置密度检测方法剔除异常校准位置,确定目标的最终估计位置.算法涉及的协同用户的发现和位置的校准都无需额外的硬件支持,对用户透明.典型室内环境中的实验结果表明,多用户在线协同定位算法有效抑制了大定位误差,提高了定位性能.

基于本地差分隐私的Wi-Fi指纹定位隐私保护方法

针对当前位置隐私保护中遭遇的背景知识攻击,服务器不可靠等原因所造成的问题,在Wi-Fi指纹定位技术的基础上,结合RAPPOR算法,提出了一种满足本地差分隐私的室内位置隐私保护方法.该方法通过参考点的无线电信号特征来划分位室内环境的区域,使得用户数据满足RAPPOR算法的输入,最后将扰动向量作为输出发送到服务器端.在真实数据集上的实验也表明,该方案在保证位置隐私的前提下也能得到不错的数据效用性.

基于匿名指纹集的室内指纹定位隐私保护算法

基于Wi-Fi无线信号的指纹定位技术是实现室内定位、追踪等物联网相关应用的重要手段之一。在用户向服务器请求定位服务的同时,如何保护用户的定位隐私和服务器的数据安全是其商业化应用中亟需解决的重要问题。针对目前通过加密算法进行隐私保护时,算法的实时性不足和定位精度不高的问题,设计了一种具有隐私保护的轻量级室内指纹定位算法。采用k匿名算法保护用户的请求隐私,Paillier同态加密算法保护用户的定位隐私和服务器的数据隐私;通过独特的指纹请求子集设计,改进方案进一步降低了定位中的计算开销和通信开销,并实现了定位精度的提升。理论分析和实验研究均表明,所提方案在实现隐私保护的同时,克服了现有同态加密巨大的计算开销问题,并提高了定位性能。

混合滤波与改进贝叶斯相融合的室内可见光指纹定位方法

针对室内环境光、噪声等因素会对移动终端接收到的可见光信号强度产生干扰从而导致定位精度不高的问题,本文提出了一种将高斯拟合+卡尔曼滤波(GF-KF)与改进贝叶斯(Improved-Bayes)融合的室内可见光指纹定位方法。首先通过GF-KF算法修正采集到的接收信号强度(RSS)作为指纹库数据,再通过对加权K近邻法的权值系数改造后与贝叶斯算法融合的方法将待测点与指纹点RSS数据进行匹配,计算分析出位置。试验结果表明,在该算法模型下,平均定位误差为1.42 cm,92.83%的测试点定位误差不大于2 cm,相较于卷积神经网络算法、加权K近邻算法和支持向量机法精度更高,稳健性更强。

基于Hadoop云平台的矿井指纹定位算法

针对现有矿井指纹定位算法定位精度不高、实时性不强的问题,结合Hadoop云平台技术,提出了一种基于Hadoop云平台的矿井指纹定位算法。该算法首先在指纹特征提取前对矿井中的多基站信号源进行数据预处理,提高指纹特征的可靠性和鲁棒性;其次,利用小波基函数对源指纹信号进行线性变换,并将多个基站信号分解成不同尺度的频带,得到具有代表性的指纹特征向量;再次,将每个待定位的矿工或移动设备信号分解为若干个子信号区域,并逐区域计算待测信号源与特征集之间的相关系数矩阵,根据相关系数矩阵实现指纹信息匹配;最后,利用多普勒效应和信号衰减原理,对每个节点的位置进行估计,获得每个节点的具体位置信息。在国内某矿井进行了定位试验,结果表明:相对于主流的指纹定位算法,所提出的矿井指纹定位算法能够快速、准确地定位矿井中的人或移动设备,具有较高的定位精度和实时性。该算法可以应用于实际的矿井安全监测和管理中,为矿井安全和高效生产提供支持。

基于随机森林算法的室内可见光指纹定位方法

为进一步提高动态目标室内可见光定位追踪系统性能,提出了一种基于随机森林(RF)算法的室内可见光指纹定位方法。利用发光二极管(LED)的光强信号作为特征构建指纹数据库,应用指纹库中的数据训练决策树,引入RF算法进行初始定位,再通过卡尔曼滤波对初始位置估计进行优化,从而获得更准确的定位轨迹。仿真结果表明:在5 m×5 m×3 m的室内场景下,通过所提定位方法能获得大部分采样点误差分布在4 cm之内的定位效果;此外,通过与不同室内可见光定位算法的性能进行对比,验证了所提算法的技术优势。

基于LightGBM和LSTM指纹定位算法的研究

为进一步提高用户室外指纹定位的预测精度,提出了一种基于LightGBM(轻度提升机)算法和LSTM(长短期记忆神经网络)相结合的模型,通过分析比较基站收集到的用户信息,分别利用LightGBM与LSTM算法进行用户位置的预测,对两种方法预测的结果用误差倒数法减小误差同时对权重进行更新,得到结果作为新的预测值,在用户真实数据集上进行测试。测试结果表明,在对基站收集的用户信息进行指纹定位时,与其它模型相比,文章提出的模型在运行时间和预测精度方面均表现出良好的性能。

基于ZigBee的室内指纹定位算法应用

随着科学技术的快速发展,人们对于定位的需求也随之增加,但室内定位发展尚不成熟。针对目前室内定位的精准度以及成本过高问题,设计一种基于ZigBee的物联网室内定位系统。采用CC2530芯片模块作为无线通信设备,通过ZigBee技术采集定位区域内的各个参考节点的接收信号强度值(RSSI),建立离线指纹库;再利用欧氏距离公式计算出与离线指纹库中差距最小的3组数据,最后根据三边测量法计算出未知节点的坐标,实现室内定位功能。

一种基于指纹定位的高精度农田节点定位算法

针对农田无线传感器网络信号易受开放环境影响、节点定位存在区域空缺导致定位精度低的问题,提出一种基于指纹定位的高精度农田节点定位算法。通过采集农田网络信号数据,构建基于信号、坐标双尺度的K-means聚类指纹;针对开放农田环境因素造成的数据波动,利用XGBoost算法建立接收信号强度(RSSI)与节点位置之间的非线性映射模型,通过接收的信号强度指纹匹配粗定位节点位置;根据待测点与粗定位区域距离关系,进一步引入加权几何优化算法二次定位待测点,缩进定位区域实现节点精确定位。实验结果表明:在80%分位处,研究算法定位误差小于1.05 m,较对比算法定位精度更高、时效性更强,能够为农田无线传感器网络定位系统提供参考。

一种室内伪卫星混合指纹定位方法

目前,复杂的室内环境与伪卫星信号的交互机制尚未得到根本解决,室内定位的稳定性、连续性和准确性仍是技术瓶颈,现有室内指纹定位方法面临指纹采集量与定位精度和定位范围成正比的限制,同时也有非实际采集不能完成定位的弊端。针对现有方法的不足,结合实际测量、数学仿真和人工神经网络的优点,提出了一种基于实际采集指纹、建模仿真指纹和人工神经网络的室内伪卫星混合指纹定位方法。首先对实际环境和信号收发端进行模型构建,其次将利用射线追踪仿真生成的模拟指纹转换后联合实测指纹共同添加到神经网络的输入中,扩展了原来单一实测指纹输入数据集的样本特征,最后利用混合指纹共同训练人工神经网络定位模型,用于在线定位。以某机场环境为例,实验证明混合指纹定位方法可以提高稀疏采集指纹区域的定位精度,均方根定位误差约为0.4850 m,与传统指纹定位方法相比,定位误差降低了约54.7%;在没有采集指纹的区域也可以粗略完成初步定位,均方根定位误差约为1.1237 m,突破了传统指纹定位方法的局限。

一种基于大规模MIMO系统的三维空间指纹定位方法

针对现有指纹定位技术存在指纹数据量较大、存储与处理困难、复杂空间定位适应性不足等问题,提出了一种基于大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的三维室内空间指纹定位方法。首先,提出一种处理速度更快、存储需求更小的角度-时延信道频率功率(Angle Delay Channel Frequency Power,ADCFP)指纹矩阵;其次,引入新的相似度准则即卡方距离以提高定位精度;然后提出一种改进的次方加权K近邻(Weighted K-Nearest Neighbor,WKNN)匹配算法,根据不同次方值对权重下降速度的影响差异,针对指纹相似度的大小分配以不同的权重;最后,对ADCFP指纹采用按行按列压缩的存储方法得到三种压缩指纹,进一步减少指纹数据量,并引入中心到达角(Central Angle of Arrival,CAOA)聚类算法缩短定位时长。仿真结果表明,ADCFP指纹矩阵2 m精度可靠性可达89.2%,采用卡方距离相较于曼哈顿距离的平均定位误差降低了5.63%,改进次方WKNN算法相较于传统WKNN算法平均定位误差降低了4.45%,引入CAOA聚类算法可使定位速度提升为未聚类情况下的1.72倍,平均定位误差较K均值聚类算法降低了44.05%,定位性能有较大提升。

基于LightGBM的LoRa室外指纹定位算法

随着智慧城市、智能工厂、绿色建筑的发展,低功耗物联网作为这类应用场景下最为重要的组网技术之一,对定位技术的需求也愈发迫切。一般的定位方式精度高但同时能耗大不适用于低功耗物联网。针对这个问题设计一种定位算法,以LoRa为基础,利用基于LightGBM(Light Gradient Boosting Machine)的室外指纹定位算法进行室外定位。通过实验结果验证,其平均定位精度达到了90 m左右,相比传统KNN和BP神经网络而言,定位精度提高了35%左右。同时定位的时间相比传统机器学习方法较短,具有较好的实用性。

基于KNN和XGBoost的室内指纹定位算法

针对KNN算法定位精度有待提高以及定位稳定性较差的问题,本文提出了一种基于KNN算法和XGBoost算法的室内指纹定位算法。该算法首先将样本集划分为训练集和测试集,将训练集中AP的RSSI数据作为特征,坐标作为标签,使用XGBoost算法进行建模。其次,融合KNN模型,将KNN算法寻找到的近邻集合引入XGBoost模型中,再结合单独XGBoost算法的预测结果,以实现坐标定位。最后,在实际环境下研究了算法的K值、回归树数量、决策树深度和学习率对误差的影响,确定算法的相关参数。通过搭建的实际实验环境进行了测试,实验结果表明,本文提出算法的平均定位误差为1.55 m,较于KNN算法和XGBoost算法分别减少了24.76%和11.93%,并且累积分布函数曲线的收敛速度更快,具有较好的定位性能。

基于AP筛选的节能WiFi指纹定位算法

针对智能手机WiFi室内定位普遍存在计算复杂度高、能量消耗大、实时性差等问题,提出了一种基于AP筛选的节能WiFi指纹定位算法.根据AP接收信号强度值与物理距离的非线性关系,利用AP信号路径损耗模型公式一阶求导来获得AP接收信号强度梯度,只筛选梯度较高数量合适的AP参与定位,从而确保定位精度不显著降低的情况下,降低计算复杂度,从而实现WiFi指纹定位的节能.实验结果表明:所提出的方法较传统WiFi指纹定位方法定位精度高9.6%,能耗低22.2%,验证了所提出的节能方法在不影响定位精度的前提下降低了能耗,获得了较好的节能效果.

模糊空间下双标签指纹定位算法

针对指纹定位中传统的空间划分方法所伴随的指纹点区归属识别困难和邻界匹配误判的问题,提出一种适用于区域中心识别和过渡双域判别的空间模糊划分方法,利用参考点类间距离与类内距离的差异度,衡量子区域边界的模糊度,保证实验场景定位开销最优化的同时,兼顾空间重叠划分优势,缓解子区域间绝对判别的负效应,提高定位匹配的泛化能力。在位置估计阶段,综合考虑参考点邻域间接收信号波动差异,将参考点与待定位点间信号域的距离度量转化为同源差异下的无量纲排序,并以修正后的多源排序均衡结果间接映射待定位点与参考点之间的相似度;此外,引入空间密度可达搜索强相关参考点集,结合信号域和空间域迭代约束参考点,实现目标近邻集的动态选择和集聚效应,有效克服环境变化与信号波动的干扰,提高定位方法的环境适应性。经路演下的实测数据对定位性能的评估,所提算法的定位精度优于同类区划分算法4.7%~11.8%,且在同全局匹配方法的比较中,平均定位误差最佳可降低0.422 m。

基于频谱地图的辐射源指纹定位方法研究

基于指纹的定位方法是定位技术中的重点研究内容。现有指纹定位方法大多数是为接收端设备的自定位而设计的,无法直接应用到对信号发射端的定位中。为此,设计一种适用于信号发射端的辐射源指纹定位模型,并提出相应的定位算法。利用频谱地图进行指纹定位,基于信号指纹生成算法和指纹匹配定位算法实现指纹匹配定位。信号指纹生成算法将空间插值转化为机器学习多变量回归问题,基于测量点的数据建立数据集并训练随机森林回归模型,结合蛇优化算法改进模型的参数设置,利用改进的随机森林回归模型补全频谱地图中的缺失数据,进而得到信号指纹。指纹匹配定位算法通过深度学习框架完成,利用卷积神经网络从频谱地图中估计辐射源的位置坐标。仿真实验结果表明,该定位模型在使用10%的测量数据时,平均定位误差为12.91 m,且定位误差在20 m以内的置信概率达到了84.5%,能够实现对信号发射端的指纹定位,与其他方法相比,具有较优的定位精度和定位稳定性。

一种基于GACNN改进的室内可见光指纹定位算法

为提高室内可见光定位系统性能,提出了基于遗传算法训练卷积神经网络(Genetic Algorithm Convolutional Neural Network,GACNN)的室内可见光指纹定位算法。该算法引入一维卷积神经网络学习模型,针对卷积神经网络的超参数设置,利用遗传算法对卷积神经网络进行训练,将超参数进行二进制编码后采用精英遗传算法对CNN进行训练,来解决卷积神经网络模型参数调节依靠经验和模糊最优化的过程。实验结果表明:在室内4 m×4 m×2.5 m的定位场景下,定位算法可以获得平均定位误差4.11 cm的定位精度。相较于卷积神经网络定位算法,平均定位误差降低了25%。对比分析了不同室内可见光定位算法的性能,验证了算法的技术优势。