基于改进WKNN的蓝牙室内定位方法

大型商超、地下停车场等公共场所对室内定位的需求迫切,而GPS定位技术无法实现室内定位。针对传统定位算法定位精度低的问题,文中提出一种基于改进WKNN的蓝牙室内定位方法。首先构建欧氏距离与曼哈顿距离融合的相似度度量函数,改进权值的计算方法;在此基础上,针对偏差较大的跳跃点以及长时间连续定位采集数据量庞大的特点,提出一种基于粒子群的滤波算法,使预测轨迹更贴近真实轨迹。实验结果表明:与传统WKNN算法相比,所提方法定位精度提高约40 cm;相比传统的卡尔曼滤波,基于粒子群的滤波算法可以进一步将定位精度提高约4 cm。

基于WKNN-UKF算法的超宽带技术在车辆定位的应用

为实现车辆的准确跟踪定位,本文首次将WKNN算法与UKF算法相结合,运用超宽带技术研究车辆跟踪定位问题。针对某停车场内的监控数据,利用WKNN算法正确识别视距和非视距误差,剔除含有较大非视距误差的测量值;利用UKF算法对筛选后的测量值进行计算,得到精确位置坐标。相较于Chan定位算法,本文提出的WKNN-UKF定位算法具有更高精度,能够实现复杂场景下车辆的准确定位。

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RSSI分布重叠的WKNN室内定位方法

针对信号的时变性影响定位精度的问题,提出一种基于接收信号强度指示高斯分布重叠的加权K最近邻室内定位方法.该方法首先根据高斯分布重叠相似度与距离之间的曲线关系设定相似度阈值,再利用支持向量机选取定位点M个最近邻指纹点,然后将定位点与近邻指纹点在各AP上以RSSI概率分布重叠相似度作为特征信息,并利用阈值选取K个近邻指纹点,最后利用WKNN算法获取定位点位置坐标.实验结果表明:该方法不仅定位误差低于其它传统定位方法,同时还具有更好的鲁棒性和实用性.

基于参考位置指纹离散程度的WKNN定位方法

针对目前在室内复杂环境内Wi-Fi无线接入点位置指纹定位精度低且不同位置时定位精度波动较大等问题,提出了基于参考位置指纹离散程度的WKNN定位方法.构建初始位置指纹数据库,基于K-means算法完成数据聚类.采用DD-WKNN指纹定位算法选取与RSSI值欧氏距离最相近的指纹数据,根据离散程度估算参考权重的权值,完成归一化加权求和,估测得到待测位置的坐标.结果表明,该算法有效提高了定位精度,同时误差波动较小,实用性较强.

基于LCS/GA-WKNN算法的指纹室内定位聚类区域划分及性能评估

为了提高指纹室内定位精度,在多尺度核主成分分析过程提取得到定位区域内RP指纹特征基础上,该文提出了一种基于遗传算法优化的WKNN定位算法(GA-WKNN算法)。研究测试结果表明,以随机方式从实验区域选择20个未知节点实施定位分析,分别从不同维度采用本文定位方法评价室内环境定位特性。经过参数优化确定:RP间距为1.2 m,子区域个数3个是最优的。采用PCA指纹特征提取模型能够提取得到精确位置指纹特征,从而降低定位结果受到噪声因素的影响,实现定位精度以及稳定性的显著提升。本文设计的算法估计误差区间介于0.37 m~2.35 m,其中,比例为86.6%的定位误差可以控制在1.2 m以内。本文设计的算法能够克服传统室内定位算法存在的限制,从而降低噪声引起的定位偏差,实现定位精度的显著提升。

基于空间特征分区和前点约束的WKNN室内定位方法

高精度室内定位有着广阔的市场前景.针对传统的WKNN室内定位方法所面临的在处理面积较大目标区域时,位置估计结果跳动跨度较大、精度不高等问题,提出了一种基于空间特征分区和前点约束的WKNN室内定位方法.该方法通过将面积较大的目标区域按其空间特征划分为多个分区,解决了指纹数据库无法实现全域覆盖的问题;又通过考虑行人在相邻时刻所处位置之间的空间约束关系,缩小了参考点的候选范围,很好地提升了位置估计的平顺性.大量真实环境下室内定位实验的结果表明,该方法可以有效地解决大面积目标区域内的室内定位问题;且与传统方法相比,定位精度大幅度提升.

多类智能终端基于灰色关联度的WKNN定位效果分析

为了解决WiFi指纹定位中遇到不同智能终端定位时产生的定位精度下降问题,针对多类智能终端情况,研究了以灰色关联度替代欧氏距离的改进加权K最近邻算法(WKNN)的改进效果,并进行了不同设备的定位实验。结果表明,对多类智能终端进行WiFi定位时,相较于传统WKNN算法,基于灰色关联度的改进WKNN算法在定位精度和普适性上均有很大提升。

基于改进WKNN的位置指纹室内定位算法

位置指纹算法是目前解决室内定位问题的主要方法,指纹特征和匹配算法为影响算法精度的两大因素。针对室内复杂环境下Wi-Fi信号强度波动较大的现象,提出了基于方差的加权距离以改进WKNN算法。在离线特征提取阶段,选择了均值和方差两个特征值,既反映该采样点的RSS幅值,也反映该点RSS的波动情况;在线阶段,根据方差提出了加权距离进行相似度的计算,查找距离最近的K近邻点,并以实际环境下采集的数据验证了改进WKNN算法在RSS波动大的情况下对定位效果的改善,在综合考虑了AP组合的影响后,实现了误差均值为1.456m的定位效果。

WKNN在UWB定位中的应用研究

UWB(Ultra-wideband)信号时间分辨率高、测距精度高。考虑到位置指纹定位法在复杂的室内环境中可以有效提供目标位置估计,因此将UWB测距值作为指纹信息,研究基于TOA(time of arrival)的UWB位置指纹定位法,指纹匹配算法选择加权K最近邻(weighted K nearest neighbors,WKNN)算法。仿真结果表明,WKNN算法采用卡方距离作为距离度量方式优于欧氏距离、曼哈顿距离和切比雪夫距离。WKNN算法中K值的大小对定位精度有着很大的影响,K值过大或过小,均会使定位精度降低;且K值的选择与指纹密度有关。

基于改进WKNN的室内定位算法

针对经典的NN算法,K近邻算法,加权K近邻算法中度量相似距离多为简单的欧氏距离,提出了将曼哈顿距离替代欧氏距离作为定位匹配的度量距离改进定位算法。其相比于之前的算法定位精度更高,响应速度更快,适合应用到室内定位相关研究当中。考虑到Wi-Fi信号易受噪声等外界不确定因素的影响以及移动终端接收信号强度指示与真实值存在偏差而导致定位精度不高的问题,引入卡尔曼滤波算法对高斯拟合后的接收信号强度指示数据进行误差修正,结合加权K近邻匹配算法进行定位有很好的效果。

一种基于WKNN定位的改进算法

指纹定位算法是一种基于RSSI的定位算法。常见的指纹定位算法包括NN、KNN、WKNN。其中,WKNN是带有权重的K最近邻法,依据每个样本点对未知节点的贡献程度给每个指纹赋予一个权值。由现有文献可知,WKNN的定位精度优于NN、KNN,但是仍然存在定位精度有限的问题。为进一步提高WKNN算法的定位精度,减少定位误差,提出一种基于WKNN定位的改进算法。改进算法的思路是在WKNN算法的基础上结合极大似然估计算法。在MATLAB平台下进行仿真,仿真结果表明:在相同的仿真环境下,改进算法的定位精度明显高于现有的WKNN算法,定位误差明显小于WKNN算法。

基于局部敏感哈希改进的WKNN室内定位算法

针对室内定位领域加权K近邻(WKNN)算法在大规模指纹库在线定位时存在实时性差的问题,提出一种基于局部敏感哈希(LSH)改进的WKNN算法(LSH-WKNN)。离线阶段,将位置指纹库通过局部敏感哈希进行分桶。在线定位阶段,首先通过局部敏感哈希查找桶号,然后使用WKNN算法查找桶内距离最近的K个指纹,对其位置进行距离加权平均,估计待定位点位置。实验表明:该算法在保证定位精度的前提下具有较高的实时性。

一种改进的WKNN匹配算法

在WiFi室内定位方法中,基于接收信号强度(RSSI)离线指纹数据库的加权K最邻近点(WKNN)算法得到了深入研究,但目前的WKNN算法未考虑实测数据维度高、无效缺省数据多等特点,不利于匹配定位精确度的提高。为此,在对实测RSSI指纹向量按照由大到小进行排序的基础上,只选取大于设定RSSI阈值的有效RSSI指纹数据进行后续的匹配;按照欧式距离的统计量自适应调整K值;按照欧式距离的均值,调整高斯权重系数。实验结果表明,与未改进的WKNN算法相比,改进后的WKNN算法定位精确度更高。

基于归一化RSS和约束WKNN的WiFi指纹定位算法

针对基于加权K最近邻(WKNN)的WiFi指纹定位算法精度低的问题,提出了基于归一化接收信号强度(RSS)和约束WKNN的WiFi指纹定位算法。采用高斯滤波对离线阶段和在线阶段采集的RSS值去噪,降低信号的随机误差,并建立位置指纹库(radio map);采用基于4—域系统的WKNN算法匹配定位,防止离待测点较远的参考点参与匹配造成的误差。实验结果表明:改进后的WiFi指纹定位算法可以更好地估计用户的实际位置,平均定位误差降低了19.4%。

一种基于PGD的WIFI位置定位新算法

在利用已知指纹点位置坐标估算定位点位置时,目前大多采用WKNN。考虑到AP信号在不同方向有不同的衰减率,本文在WKNN基础上提出了基于PGD的位置定位新算法。通过实验分析,结果表明:与WKNN相比,本文提出的PGD算法具有更高的定位精度和更强的可靠性。

RSSI和PC-CSI加权融合的指纹定位方法

针对基于RSSI和CSI的指纹定位技术易受环境干扰、定位精度较低的问题,提出了一种基于RSSI指纹和相位修正信道状态信息(phase correct based channel state information,PC-CSI)指纹的加权融合指纹定位技术。基于PC-CSI的指纹定位在传统基于CSI幅值的指纹定位基础上增加相位信息对定位结果进行修正,之后对RSSI指纹和PC-CSI指纹的定位结果加权重定位。实验结果表明,提出的加权融合指纹定位算法与基于CSI的主动定位算法相比,平均定位误差(mean position error,MPE)降低了36.2%,能满足室内定位需求。

基于CSI相位采样密度的室内定位技术研究

基于信道状态信息(CSI)的室内定位技术已经被广泛应用于各种场合,在CSI相位指纹定位方案中,采样点密度大小与定位效果好坏紧密相关。由于数据采集工作量的关系,以往学者们多关注低采样密度场景或通过模拟仿真分析采样密度问题,导致难以找到定位误差最小的采样密度。本文设置不同的采样密度,将数据预处理后的CSI相位信息作为指纹,匹配WKNN算法,分析探究了不同采样点密度对于定位精度的影响。实验结果表明,在4 m×4 m的环境中,采样间隔设置为0.4 m,采样密度为7.6个/m2时,定位精度最高,平均误差为0.34 m,同时兼顾采样工作量,具有较高性价比。

基于稳定AP选择的动态室内定位方法

在室内复杂多变环境下,基于接收信号强度指示(Received Signal Strength Indication,RSSI)的位置指纹算法得到了广泛研究。其中,在线阶段的匹配算法通常采用加权K近邻(Weighted K-Nearest Neighbor,WKNN)算法,但该算法往往采用固定k值方法存在较大的定位误差,具有一定的局限性,并且离线阶段构建位置指纹数据库时并没有考虑到无线接入点(Access Point,AP)信号的波动性。因此,存在大量不同AP的冗余信息,对定位效果产生较大影响。针对上述问题,提出一种基于稳定AP选择的动态室内定位方法。首先,通过高斯滤波对RSSI值进行预处理,滤除随机干扰;然后,通过优选AP算法计算AP的稳定度,筛选出关键AP用于定位;最后,利用距离阈值动态调整k值,并对权重系数进行改善,实现了对WKNN算法的改进。实验结果表明,基于稳定AP选择的动态室内定位方法可以有效去除冗余AP信息,并实现动态k值方案,在定位精度上优于K近邻(K-Nearest Neighbors,KNN)算法、加权K近邻算法和改进的加权K近邻算法,平均定位误差分别降低了26.13%、21.29%和9.89%,定位误差在1.5 m内的累积分布概率达到了60.41%,分别提升了25%、16.66%和8.33%,定位效果提升明显。

基于模糊聚类和动态K值的室内定位算法

针对室内定位中传统指纹定位无法有效筛选参考点以及聚类边缘处定位精度下降问题,提出一种结合改进FCM(Fuzzy C-Means)聚类与动态加权K近邻的算法。离线建库阶段,在传统FCM聚类的基础上通过结合最小隶属度阈值对聚类边缘点进行扩充,降低边缘处的定位误差。在线定位阶段,通过结合指纹强度与空间位置信息,对偏离空间中心的近邻点进行剔除,减少由个别近邻点导致的精度下降问题。仿真结果表明,本文所提算法的平均定位误差为1.19 m,较基于传统FCM聚类的加权K近邻(Weighted K Nearest Neighbors, WKNN)算法和动态加权K近邻(Enhanced Weighted K Nearest Neighbors, EWKNN)算法的平均误差分别降低了27%和16%,具有更高的定位精度。