基于WiFi-GM指纹的室内定位算法

针对室内环境中单一指纹定位方法存在定位误差较大、定位漂移的问题,提出了一种融合室内Wi-Fi指纹和地磁指纹的定位算法。首先在大范围区域中通过K-means聚类方法将较大的匹配区域划分成更小的且特征更加明显集中的子区域,然后在在线阶段通过WiFi指纹粗定位到小区域,再通过地磁指纹定位系统进行近一步精匹配定位。实验表明,该融合算法缩小了地磁匹配的初始搜索范围,大大减少了指纹定位中的误匹配问题。实验中,平均定位误差仅2.17 m,最大定位误差3.61 m,较单一指纹定位系统性能均有大幅度提升,证明该定位方法具有一定的可行性与先进性。

基于移动众包的地磁传感器阵列室内指纹定位技术

针对有源的室内定位技术应用场景局限,布置设备成本高昂的现状,提出了一种无源高效的基于移动众包方式的地磁指纹定位技术。创新地提出了基于传感器阵列的地磁指纹采集与匹配方法,通过移动众包的方式来解决指纹采集更新工作量大、专业性强的技术适用性难题。通过基于核模糊C均值地磁指纹聚类算法训练离线指纹库,在20次重复实验的情况下,地磁指纹定位平均定位误差为1. 87 m,90%的定位误差小于3 m,较地磁线图匹配算法定位精度及性能均有较大的提升。

基于改进HC算法的WiFi室内楼层识别方法

为了解决室内楼层识别中,依靠WiFi电磁指纹定位方法对楼层进行判别时存在误差大、效率低的问题,提出了一种基于改进的层次聚类(HC)算法的室内楼层判别方法。通过密度分层的思想,对基本层次聚类算法进行改进,解决了普通层次聚类对孤立点敏感的问题,提高了室内WiFi指纹数据聚类的准确性,并结合切分数据的算法,将离线阶段的指纹数据进行切分,使得较大的数据集变成若干小数据集的聚类,降低了指纹定位数据的计算复杂度。仿真实验结果表明:本文提出的室内楼层判别方法,能够有效地提高楼层定位精度和识别率,该方法与经典K-means、CURE、ROCK聚类算法相比,在楼层判别上具有更好的定位效果。

基于改进BKM聚类算法的WiFi室内定位方法

为了解决用户在室内定位中,依靠WiFi指纹定位存在精度不高、误差偏大的问题,提出一种基于改进二分K-means聚类算法的室内定位方法。通过层次聚类的思想对二分K-means聚类算法(BKM)进行改进,解决了BKM聚类算法需要提前确定聚类中心、导致指纹定位中聚类结果受初始聚类个数影响的缺陷,并结合变色龙算法(Chameleon),将部分划分过细的簇合并,优化定位指纹库的可靠性。仿真实验结果表明所提出的方法有效降低了计算复杂度,提高了定位精度。此外,该方法与目前常用的BKM聚类算法相比,具有更好的聚类效果和定位精度。