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...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。展开更多
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(w...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。展开更多
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...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。展开更多
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)...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%。展开更多
文摘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。
文摘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。
文摘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。