基于CSW的全球地表覆盖信息共享

元数据是信息共享的重要技术之一,地表覆盖信息具有类型多样、处理复杂、变化较快等特点,目前还没有相应的元数据标准规范对其进行描述。本文分析了地表覆盖信息的特征,以此为基础,扩展现有的地理信息元数据标准,构建了全球地表覆盖信息元数据模型;并结合OGC的CSW规范提出了全球地表覆盖元数据目录服务共享方案;最后实现了全球地表覆盖信息元数据目录原型系统,提供了用户发现、发布和管理元数据的功能,促进了全球地表覆盖信息的共享。

基于LOS/NLOS识别的WiFi FTM定位

在室内定位领域,IEEE于2016年提出了802.11mc协议,实现了高精度的WiFi测距,并可以提供米级的定位精度。针对此测距方法精度受非视距(NLOS)影响严重,影响室内定位精度的问题,提出了一种基于视距(LOS)非视距识别的RTT定位方法,建立了一个视距非视距模型用于识别非视距测距结果,将非视距剔除后用最小二乘法进行单点定位。验证结果表明,该方法的识别模型查准率为83.01%,查全率为74.97%。与未剔除非视距的定位结果比,在定位精度与稳定性方面均有提升。

一组用于UWB室内定位的新信道特征参数

针对现有超宽带(UWB)信道识别参数精度低及鲁棒性差的问题,提出一组基于信道脉冲响应的新信道特征参数,并结合支持向量机构建非视距信道识别算法,然后根据波形特征分类测距误差并制定优化策略。在优化定位精度的基础上,本文引入模糊度为原始定位结果提供可信度评估。实验结果表明:引入新参数后信道识别算法的平均精度为93.94%;视距、非视距数据的准确率分别为90.13%、96.96%;修正后视距测距精度平均提高22.84%;非视距测距误差平均减低1 m以上;动态定位结果中厘米级精度占比提升41.5%。

全球地表覆盖信息语义目录服务共享

针对元数据缺乏语义描述和隐含关系推理能力,用户无法获得匹配度较高的地表覆盖信息并且检索到的相关资源数量较少的问题,本文在传统OGC目录服务中加入本体推理机制提出了地表覆盖语义目录服务,并以国家地理信息元数据标准为原型设计了地表覆盖元数据模型。随后以此为基础构建了地表覆盖元数据本体模型,并使用网络本体语言OWL对其进行形式化表达。最终通过构建地表覆盖语义目录服务,有效提高了地表覆盖资源的查全率和查准率,实现了地表覆盖信息的精准共享。

一种基于Wi-Fi FTM指纹与测距的动态加权混合定位

针对传统的指纹定位与测距定位混合需要提前确定两者权重的问题,该文提出了一种新的动态加权混合定位方法。该方法利用Wi-Fi精细时间测量(FTM)协议同时返回接收信号强度(RSS)与测距数据的条件,在分析指纹定位与测距定位原理的基础上,分别对两种定位方法生成的定位结果动态确定权值,最后根据间接平差原理对两种定位结果进行融合,得到最终定位结果。在相同的实验条件下,该文所提的动态加权混合定位方法的平均定位误差(ME)为1.42 m,均方根误差(RMSE)为1.85 m,与指纹定位、测距定位和确定性加权混合定位方法相比,ME分别减小了27.6%、18.4%和21.9%,RMSE分别减小了37.3%、15.5%和15.5%。实验结果表明:与指纹定位、测距定位单种定位方法和确定性加权混合定位方法相比,该文提出的动态加权混合定位方法可以提高定位结果的精度和稳定性。

一种基于快速动态时间规整的地磁定位算法

针对地磁序列匹配定位中动态时间规整算法计算耗时长、实时性差的问题,该文提出一种基于快速动态时间规整的地磁定位算法。该算法首先利用粗粒度化的方法缩短地磁序列长度,得到"粗粒度"化的地磁数据;然后采用减小搜索空间的策略快速得出匹配地磁数据与指纹数据的相似距离和规整路径;最后将"粗粒度"化的地磁数据与规整路径再规整回原来地磁数据序列的大小。在该文提出的定位算法中,缩短地磁数据长度与控制搜索空间的策略较好地改善了地磁序列匹配定位的计算耗时问题。实验结果表明,当匹配定位的地磁序列数据长度为100时,基于快速动态时间规整的地磁定位算法的平均定位误差为1.31 m,均方根误差为1.44 m,且其单次定位时间比动态时间规整算法缩短了2.63 s,算法执行效率提升了78.5%。该文提出的地磁定位算法在保证定位精度的同时加快了算法运行速率,能满足室内定位实时性的需求,具有较高的应用价值。

顾及接入点部署密度差异的室内楼层识别方法

针对目前基于WiFi的室内楼层识别方法大多要求各楼层接入点(AP)部署密度相近的问题,本文通过模拟了楼层识别率低的环境并进行实验验证,分析了造成识别率下降的原因,设计了一种顾及AP部署密度差异的室内楼层识别方法。该方法根据扫描到AP的局域网地址(Mac)和信号强度进行二次判断获得楼层估计。实验模拟了不同楼层AP部署密度相差较大的环境,并分别使用基于K最近邻(KNN)的楼层识别方法和本文方法进行实验对比。实验结果表明:在AP部署密度相差较大情况下基于KNN的楼层识别方法识别率为88%,较正常部署环境下降了10%,而本文方法识别率仍可达98%,且在不同部署情况下识别率均高于基于KNN的楼层识别方法。