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。

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。

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.

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。

基于测量报告信号聚类的指纹定位方法

针对基于加权K最近邻(WKNN)和机器学习算法的指纹库定位方法存在精度和定位效率较低的问题,提出一种基于测量报告(MR)信号聚类的指纹定位方法。首先,把MR信号分为室内、道路和室外这3种属性;其次,利用地理信息系统(GIS)信息将栅格分为建筑物、道路和室外子区域,并将不同属性的MR数据落入对应的属性子区域;最后,借助K均值(K-Means)聚类算法对栅格内的MR信号进行聚类分析,以创建子区域下的虚拟子区域,并采用WKNN算法对MR测试样本进行匹配。此外,利用欧氏距离计算平均定位精度,并通过生产环境的一些MR数据测试了所提方法的定位性能。实验结果表明,所提方法的50 m定位误差占比为71.21%,相较于WKNN算法提升了2.64个百分点;平均定位定位误差为44.73 m,相较于WKNN算法降低了7.60 m。所提方法具备良好的定位精度和效率,可满足生产环境中MR数据的定位需求。

线性不稳定环境下的WIFI室内定位系统

随着位置感知技术的发展,室内定位的需求变得日益强烈。目前室内定位技术在线性环境下的应用较少,本文针对线性不稳定环境下定位耗时的问题,提出了短时路径记忆辅助的加权K最近邻算法SPM-WKNN(weighted Knearest neighbor of short time path memory)来提高定位效率。针对无线访问接入点(AP-access point)变化大的问题,本文提出了基于无线AP相关系数的接入点分簇机制,减小无线AP变化所带来的影响,提高定位精度。通过理论分析及仿真表明本文提出的SPM-WKNN算法和接入点分簇机制相对于原有算法在线性不稳定环境下可以有效缩短定位时间,提高定位精度。

一种基于压缩感知与最近邻的联合定位方法

针对基于压缩感知的Wi-Fi室内定位算法中,由于信号强度的时变性和多径效应等原因,算法恢复的结果有时并不理想而降低了定位精度的问题,提出了一种基于压缩感知与最近邻的联合定位方法。在线定位时,通过条件判断决定是选择压缩感知的定位结果还是最近邻的定位结果。这种联合定位的方式可以使得两种定位方法相互补充各自的不足,定位结果更佳。采集了大量的真实数据进行了实验。实验结果表明,提出的联合定位算法比使用压缩感知和最近邻单项算法分别提高了5%和11%。

ARIMA-BP神经网络高速列车隧道压力波预测模型研究

为更精准地进行车内压力波动控制,需要预测高速列车通过隧道时车外隧道压力波的实时变化值。在对列车历史运行重复隧道压力波数据的分析基础上,采用工况匹配(WCM)与加权K最近邻(WKNN)算法从数据库中选取若干与本次工况相接近的运行状态数据,并根据相似程度确定数据权重,构建预测用的历史数据。分别采用差分自回归滑动平均(ARIMA)与BP神经网络(BPNN)模型对隧道压力波进行预测,并将两种预测结果并联考虑,形成ARIMA-BPNN隧道压力波组合预测模型。利用武广客运专线某隧道压力波实测数据进行仿真。仿真结果表明:与WCM-WKNN-ARIMA及WCM-WKNN-BPNN单一预测模型以及WCM-ARIMA-BPNN组合预测模型相比,所建立组合模型能有效对隧道压力波进行预测,且能够取得更高精度的预测结果。

参考点对WiFi位置指纹算法的影响

随着室内定位技术的发展,WiFi位置指纹定位算法得到了人们的广泛关注,主要探讨了参考点数量与参考点间隔对于算法精度的影响。采用Matlab软件对位置指纹算法分别在实验环境和模拟环境中进行了仿真,通过实验数据得出随着参考点数量的增加,KNN与WKNN算法定位精度差不断减小,参考点数量越多,后改进的WKNN算法相比于KNN算法的定位精度提高的也越来越小,基本无明显差别。参考点数量越多计算越复杂,采用白化的K-Means聚类算法提高计算效率和定位精度,对参考点间隔对于定位精度的影响进行了实验,得出定位精度并不是参考点间隔越小越精确,而是在1.5 m左右的间隔为佳。

WiFi辅助的IMU室内定位方法的研究

无线网络的大量普及使得利用无线定位成为可能,目前的WiFi定位技术已经取得一定的成果。惯性导航定位具有对环境适应性高、不需要额外辅助的优点,但在长距离定位上,受到累积误差因素的影响,传统的惯性导航定位具有很大的局限性。在传统的惯性导航基础上,提出利用Wi Fi指纹定位对惯性导航定位的结果进行周期性辅助校正的处理,使得惯性导航定位的结果更为准确。

一种基于灰色关联度的改进位置指纹定位方法

针对传统位置指纹算法中没有充分挖掘和利用原始数据中的方差信息的问题,提出一种基于灰色关联度的改进加权K最近邻法(WKNN)的定位方法:将方差应用到关联度的计算中,通过对关联系数求加权平均值,一定程度上削弱了WiFi信号不稳定带来的影响。实验结果表明,该方法能有效提高定位精度。

一种改进的WIFI位置指纹室内定位算法

WIFI位置指纹定位作为目前常见的室内定位方法,存在接收信号强度(received signal strength,RSS)波动和时变等问题,导致定位精度不高。文章为此设计了一种采用结合卡尔曼滤波的方差修正加权K最近邻(weighted K-nearest neighbor,WKNN)算法的室内定位方法。离线阶段,经过卡尔曼滤波后,选择数据的方差和均值作为反映RSS变化的特征值;在线阶段,通过采集的信号均值计算近似方差,对欧式距离进行权重修正,最后选择K个最近邻点确定待定点位置。实验结果表明:该文采用的定位方法平均定位精度达到1.248 m,相比于传统的WKNN室内定位方法,平均定位精度提升了20.3%;对比K-均值聚类结合动态加权K最近邻算法(K-means-EWKNN),平均定位精度提升了8.9%。

基于WIFI的位置指纹参考节点密度与定位精度关系研究

为探究基于WIFI的位置指纹室内定位中定位精度与离线数据库参考节点密度关系,本文采用待测节点与参考节点位置关系原理理论推导、正方形、三角形和六边形三种不同参考节点的排布方式的计算机拟合并以正方形排布方式为例进行实际验证的方法,对参考节点密度与定位精度关系开展研究。回归分析结果表明,参考节点密度与定位精度在不同排布方式下均呈现显著正相关线性关系。

基于深度神经网络的WiFi室内定位算法研究

在机场、车站、养老院等场所都需要实时可靠地提供用户所在室内的位置,而当前主流的KNN、WKNN等定位算法定位耗时较长,基于层次聚类和基于K-Means聚类等聚类定位算法定位精度不高。针对以上问题,本文提出了一种基于深度神经网络的WiFi室内定位算法(DV-WKNN算法)。该算法采用深度神经网络算法预测的点为离散点动态生成泰森多边形以确定定位区域,再利用位置指纹算法,通过计算环境偏差值以改进WKNN算法进行精确定位。仿真结果表明,与KNN、WKNN和基于K-Means聚类的KNN相比,DV-WKNN算法的平均位置误差分别降低了38.9%,18.9%和10.2%;最大位置误差降低了43.3%。DV-WKNN算法由于采用了泰森多边形来动态划分区域,减少了全局遍历时间,提高了定位效率;利用深度神经网络算法加强了非线性学习能力,因此本文的算法在不同的定位环境中皆具有良好的性能。