基于小样本的高精度室内停车场指纹定位算法

针对传统指纹定位算法在离线阶段采集样本工作量较大的问题,该文利用一种分区拟合值近似法(P-FP)来建立离线指纹库。为了解决在线阶段由于WiFi信号的波动导致的定位精度较低的问题,提出一种基于P-FP的设定阈值的序贯重要性采样(SIR)粒子滤波算法(PS-FP)来优化定位坐标。首先建立了路径的损耗模型,并对室内停车场进行分区拟合,得到每个分区的环境系数;然后用拟合值与实际测量值的差值来建立误差特性矩阵,并重新部署虚拟的参考节点(RP);最后对离线指纹库进行C均值聚类。通过比较平均定位误差(MLE)寻找PS-FP算法的最优阈值,并采用PS-FP算法来优化在线定位坐标。实验结果表明,在部署很少的RP即获取样本比较少的条件下,PS-FP算法依然能达到较高的定位精度,其平均定位误差约为0.7 m。累积分布函数(CDF)的分析结果表明,采用PS-FP算法在2 m以内的定位误差能达到98%。

一种改进的室内指纹定位算法

针对指纹定位算法在建立离线指纹库时需要部署较多参考节点(RP)的问题,提出一种分区拟合近似算法(PFAM)。为减少指纹定位算法在离线阶段的工作量,对整个目标环境进行分区,并在每个分区内重新部署虚拟RP;采用三阶多项式对数距离路径损耗模型拟合得到每个分区的环境系数,并建立每个分区的误差向量;利用拟合模型和误差向量逆推得到虚拟RP的信号强度,并采用C均值聚类算法对离线指纹库聚类来减少在线阶段的计算量;在在线阶段采用加权K近邻算法(WKNN)对目标进行定位。实验结果表明,在RP部署较少的条件下,PFAM算法依然能达到较高的定位精度,平均定位误差约为1.2 m。累积分布函数(CDF)分析结果表明,有86%的定位误差分布在2 m以内。