基于投票机制的室内WiFi指纹定位算法

针对传统室内WiFi指纹定位算法中单个距离度量的局限性且未考虑到dBm表示与功率之间的关系的问题,提出一种基于投票机制的室内WiFi指纹定位算法。在采集到接收信号强度(RSS)数据后,首先,对RSS数据进行预处理;然后,基于投票机制对每种距离度量选中的近邻点取交集组成公共近邻点,并统计每个公共近邻点出现的频率;最后,通过概率加权得到最终定位结果。实验结果表明,所提出方法的定位精度为1.63 m,与K近邻(KNN)、斯皮尔曼(Spearman)和肯德尔相关系数(KTCC)方法的定位精度相比,平均定位精度分别提升了10%、33%和58%。此外,与MAN2数据集中的最优定位精度1.86 m相比,定位精度提高了12%。

一种轻量化CNN的WIFI指纹室内定位模型

为了提高室内WiFi指纹定位技术的定位精度,减少模型参数量。本文提出一种基于卷积神经网络(Convolutional Neural Network, CNN)的轻量化室内定位模型。首先将接收信号的强度指示 (RSSI) 处理为二维灰度图,然后使用深度可分离卷积进行特征提取,将提取后的特征通过自适应池化层(Adaptive Avg Pool 2d)固定输出大小,减少全连接层参数量;最后输入到全连接层进行分类。在UJIIndoorLoc数据集和Tampere数据集上的实验结果表明:模型的楼层定位分别达到了99%和99.7%的准确度,坐标定位的平均误差为6.51 m,训练参数为48685个。与现有的先进室内定位模型相比,定位精度更高、模型参数更少。

一种基于行人航位推算、地图匹配和WIFI指纹的室内融合定位算法

室内位置信息在人们日常生活和工作中发挥着十分重要的作用。与室外环境相比,室内环境一般为封闭或半封闭空间,存在着信号变弱、障碍物多、干扰源多等特点。为了解决室内复杂环境下的定位问题,提出了一种基于行人航位推算(PDR)、地图匹配和WIFI指纹的室内定位算法。该算法首先利用WIFI指纹进行行人位置的初始化定位,然后通过航位推算算法推算行人行走轨迹,并利用地图匹配算法对行人航位推算误差进行实时修正,最后使用卡尔曼滤波算法对行人轨迹进行进一步的修正。初步研究表明,该算法具有较好的实用价值,可在博物馆、超市、机场等场所为消费者提供精确的导航与定位。

WiFi指纹定位中AP个数对定位精度的影响

基于RSSI的WiFi指纹定位算法离线建立指纹数据库阶段受AP个数影响,因此AP个数也将影响到指纹定位算法精度。为了探究AP个数对定位精度的影响,文中在室内环境下进行实验,选取不同的AP进行基于RSSI的WiFi指纹定位实验和分析,定位精度和可靠性作为定位结果的衡量指标。实验结果表明:在单个办公室内,5~6个AP时定位精度较高且定位结果可靠性达到最高。

传感器辅助的WiFi指纹室内定位方法

针对Wi Fi指纹室内定位技术中信号传播时变性大导致定位精度低的问题,提出一种传感器辅助的Wi Fi指纹定位方法。首先根据移动终端内置的加速度传感器判断用户的走步状态,以减少信号时变所引起的定位误差;然后利用终端中的磁力计与陀螺仪,通过传感器融合来计算用户的运动方向。最后结合所得的方向信息和历史位置计算终端位置,以减少指纹图中与终端反向的指纹带来的干扰,从而减少指纹匹配计算的复杂度。实验结果表明,提出的传感器辅助Wi Fi指纹定位技术能减小位置估计误差并提高定位的鲁棒性。

WiFi指纹辅助的惯性传感器室内定位技术研究

为了提高基于移动终端的室内定位精度,结合Wi Fi指纹定位和传感器惯性导航技术的优点,本文提出了一种Wi Fi指纹辅助的惯性传感器室内定位技术。首先,利用移动终端自带的陀螺仪、加速度传感器和磁力计,通过所提动态阈值调整算法判断行人行走状态,并通过方向检测算法计算行人运动方向。然后,采用改进的地图匹配粒子滤波算法实时计算行人位置,并结合Wi Fi指纹定位信息和惯性传感器导航信息提出联合定位算法周期地校正行人位置。实验结果表明,所提Wi Fi指纹辅助的惯性传感器室内定位技术能够有效提高定位精度。

基于高斯过程回归和WiFi指纹的室内定位方法

为了提高室内定位的准确性,同时降低现场勘测的成本,提出了基于高斯过程回归和WiFi指纹的室内定位方法。首先,在离线阶段,采用高斯过程回归模型(GPR)来扩展WiFi指纹数据库,即通过对不同的GPR核函数进行训练,得到最佳的GPR预测模型,进而利用有限的已知数据预测未知区域的信号强度(RSS)。然后,在指纹匹配阶段中,根据离线阶段得到的RSS数据库,分别使用加权最邻近算法(WKNN)、最大似然估计算法(MLE)、和多层神经网络(MLP)对未知点进行定位。其中,为进一步提高定位精度,提出了误差修正模型,并应用到不同的定位算法中。实验结果表明,kRBF+kMatern+kRQ的核函数组合是最佳的GPR预测模型,平均RSS估计误差为4.59 dBm;与原始勘测地图实现的定位结果比较,基于GPR的定位算法具有更高的定位精度,其中GPR-WKNN算法的定位精度最高,其80%的定位误差为1.32 m,表明了使用GPR扩展地图预测位置的准确性和有效性,同时其能满足商品推荐与物资动态管理、应急救援、智慧停车、传染病患跟踪等新型应用场景对定位精度的高要求。

基于WiFi指纹的高精度室内定位融合算法

针对室内环境中指纹定位接收信号强度信息的高维时变特性以及动态目标定位误差的累积问题,提出了一种基于梯度提升决策树与粒子滤波相结合的融合算法。该算法首先利用梯度提升决策树算法建立的位置坐标与接收信号强度之间的非线性映射模型,对在线接收的信号强度数据进行特征分类判别,实现位置的初步估计;随着目标的运动,进一步结合粒子滤波方法,迭代地实现动态目标位置的精确预测;另外,将定位轨迹与实际轨迹进行对比,以验证该算法的稳定性。实验仿真结果表明:累积分布函数在80%的百分位处,提出算法的定位精度控制在1.19 m以内,明显优于基于支持向量机、随机森林等定位算法;同时较基于梯度提升决策树算法的定位精度提升了34.9%;所获得的定位轨迹与实际轨迹的趋势一致且趋于收敛。

基于多视角聚类的WiFi指纹定位方法研究

为了解决在基于聚类方法的WiFi指纹定位中视角单一所导致的定位精度较低的问题,提出了基于多视角聚类的WiFi指纹定位方法。利用阈值-均值滤波方法对原始数据进行处理;结合K-means聚类算法对多视角信号(信号强度和位置)进行区划,并建立离线指纹库;使用基础分类器对实测信号分类,待测信号依据分类结果在其所属区域内估计K个邻近信号点,用近邻以及相应的权重值综合确定该信号的实际位置。通过对比实验分析可知,在考虑多视角的情况下,WiFi指纹定位精度在4 m以内的概率为83%,相比于单视角聚类的定位精度提高了12%。结果表明,该方法提高了定位精度,也为定位领域的研究提供了多元化思路。

WiFi指纹定位中采样间距对定位精度的影响

在Android平台上利用WiFi信号强度特征进行定位,定位系统由安卓客户端、Tomecat服务器以及MySQL数据库组成。基于信号强度指示(RSSI)的WiFi指纹定位在离线阶段建立的指纹数据库受采样间距的影响,因此采样间距必然影响指纹定位的精度。为了探究采样间距对WiFi指纹定位影响,在教室内进行实验,选取不同采样间距进行基于RSSI的WiFi指纹定位实验和分析,以定位的精度和时效性作为定位结果的衡量标准,实验表明,在室内环境下,采样间距为3m的时效性较高且定位精度也能满足要求。

基于MIMU/WiFi指纹组合室内定位系统的研究

微惯性导航系统定位是一种自主定位的方法,不会受到外界环境因素的干扰,这种定位方法具有短时间定位精度高且该定位方法适用于测定高速运动的物体,但缺点是长时间工作,定位误差会随时间积累变大;WiFi指纹室内定位技术,该系统适用于室内低速运动物体的定位且单点定位精度高,系统的实时性不高且依赖于定位区域内的基站分布.分析两个定位系统优劣特性,提出一种用集中式卡尔曼滤波闭环校正方法将两个定位系统进行融合构成组合定位系统,可以实现优势互补,在MATLAB进行仿真,验证MIMU/WiFi指纹组合室内定位系统可以进一步提高室内定位系统的精度.

基于动态环境的WiFi指纹自适应室内定位方法研究

通过WiFi进行室内定位早已不新鲜,然而其运行方法还存在一些问题,无法解决环境动态变化对RSSI值的影响,对此,相关工作者研究出了一种基于动态环境的WiFi指纹自适应室内定位方法,本文中通过相关资料和实验介绍了其研究历程、方法算法和作用,并且提出了一些改进意见,希望对稳定、准确的进行室内定位提供一些理论研究。

基于信号均值滤波+k-means+WKNN的Wifi指纹定位算法研究

首先利用平滑均值滤波方法对采集信号的RSSI值进行均值平滑处理,提高信号采集的精度;其次利用kmeans聚类算法对指纹库进行优化提高指纹库的精度;最后在KNN算法的基础上采用加权的方法来进行改进,形成新的指纹算法WKNN,并将新的指纹匹配算法WKNN应用到文本设计的Wifi指纹定位系统中.实验结果表明:该改进算法在定位精度和稳定性方面较传统Wifi指纹定位算法有大幅度的提高.

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%。

基于人工鱼群优化的BP神经网络WiFi指纹室内定位方法

针对传统的基于反向传播(BP)神经网络室内定位算法存在着低精度和慢收敛问题,且考虑到室内环境复杂,通常存在多径效应,无法使用信号强度衰减测距模型进行精确定位,提出一种改进的人工鱼群优化的BP神经网络WiFi指纹室内定位算法.利用人工鱼群觅食和寻优方式来提高全局寻优搜索的速度和能力,采用改进的人工鱼群算法(IAFSA)优化选取室内定位BP神经网络的权值和阈值,有效避免了传统BP神经网络的预测值易陷入局部最优的缺点,同时利用高斯滤波对信号进行去噪处理,建立采样点获取到的信号强度值(RSSI)与位置坐标的关系.实验结果证明所提方法与传统的BP神经网络方法相比,平均定位误差减少了0.75 m,平均定位精度提高32.2%,提高了定位可靠性,算法具有更好的稳定性.

基于WiFi指纹的层级学习室内定位模型

随着物联网和信息技术的飞速发展,基于移动位置的服务近年来日益受到关注,同时也促进了室内定位技术的发展。基于WiFi指纹的室内定位技术以其部署广泛、成本低廉等优点受到了学术界的广泛研究。针对移动设备在室内环境中的定位问题,提出了一种层级学习室内定位系统(hierarchical deep learning indoor localization framework,HDLIL)。为获取和学习可靠的指纹特征,采用基于变分自编码(variational autoencoder,VAE)的特征提取模块来表征训练数据的潜在表示。通过构建多层神经网络来分析输入特征与位置输出之间的关系,并在输出层连接Softmax分类器,预测移动设备的位置。在定位阶段,移动设备接收测试数据并发送定位请求,然后通过加载HDLIL估计该测试指纹的位置。最后通过实验对HDLIL的定位性能进行了评估,讨论了不同定位因素对结果的影响,验证了该定位算法的精度及鲁棒性。

基于WIFI指纹的无人机室内定位策略

针对无人机室内定位问题,提出一种WIFI指纹定位与多传感器融合的定位方法。分析三维空间的WIFI指纹定位方法应用于无人机定位的难点,利用超声波传感器测量的无人机高度信息将定位匹配范围缩减至邻近的两个层面,提升WIFI定位的速度;设计卡尔曼滤波器,将WIFI定位结果作为卡尔曼滤波器预测阶段的输入,通过融合惯性传感器信息得到更准确的无人机位置估计,采用数据拟合的方法对定位结果进一步优化。仿真结果表明,该定位方法可实现无人机室内定位,有良好的定位速度和精度。

基于INS定位和WIFI指纹定位技术的无人机室内定位方法研究

针对无人机室内定位问题,提出了一种基于惯性导航系统(INS)和WIFI指纹定位技术的四旋翼无人机的室内定位方法。该方法首先利用WIFI模块测量的信号接收强度信息,根据WIFI指纹定位原理求出该定位时刻下的无人机位置;同时,利用惯性传感器信息计算出INS定位下的无人机位置,结合两种定位结果得出更为精确的位置。最后,通过实验验证了INS定位和WIFI指纹定位相结合的无人机室内定位方法的有效性,且该方法较两种单独定位方法的定位精度更高。

基于WIFI指纹定位技术的应用

本文主要探讨基于WIFI指纹定位系统在定位、指引、位置查询等方面的应用。随着社会的不断进步,大型公共场所例如机场、商业中心、停车场等设施都在向大型化、综合化方向发展。建筑物结构日趋复杂,功能日渐丰富,在带给大家便利的同时也带来了困扰。基于WIFI的定位系统可以很好的解决上述问题,该系统通过记录空间WIFI信号特征,形成WIFI指纹库,将WIFI信号与空间位置绑定,利用移动终端或查询终端提供实时定位信息以及路径规划等功能,动态实现方向指引。帮助用户用最短的时间寻找目标,从而提高公共场所的服务水平与用户体验。

多指纹融合和区域细化的WiFi室内定位方法

针对复杂环境中单一指纹特征表示位置信息导致的定位鲁棒性差和精度低的问题,提出一种基于多指纹特征融合和区域细化的无线保真(WiFi)室内定位方法:对特征选择(ReliefF)算法进行改进,采用改进的ReliefF算法确定接收信号强度指示(RSSI)、信号变化率(Rate)、双曲位置指纹(HLF)和信号强度差(SSD)这4种单一指纹特征对位置信息的贡献,并对4种单一指纹特征进行加权融合,得到组合位置特征;然后提出一种基于组合位置特征数据变化率和k均值(k-means)算法的区域细化算法,在离线构建指纹数据库时对定位区域进行细化。实验结果表明,基于多指纹融合和区域细化的WiFi定位方法比采用单一特征的WiFi定位方法具有更高的定位精度、速度和鲁棒性。