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.

一种改进的WKNN匹配算法

在WiFi室内定位方法中,基于接收信号强度(RSSI)离线指纹数据库的加权K最邻近点(WKNN)算法得到了深入研究,但目前的WKNN算法未考虑实测数据维度高、无效缺省数据多等特点,不利于匹配定位精确度的提高。为此,在对实测RSSI指纹向量按照由大到小进行排序的基础上,只选取大于设定RSSI阈值的有效RSSI指纹数据进行后续的匹配;按照欧式距离的统计量自适应调整K值;按照欧式距离的均值,调整高斯权重系数。实验结果表明,与未改进的WKNN算法相比,改进后的WKNN算法定位精确度更高。

基于归一化RSS和约束WKNN的WiFi指纹定位算法

针对基于加权K最近邻(WKNN)的WiFi指纹定位算法精度低的问题,提出了基于归一化接收信号强度(RSS)和约束WKNN的WiFi指纹定位算法。采用高斯滤波对离线阶段和在线阶段采集的RSS值去噪,降低信号的随机误差,并建立位置指纹库(radio map);采用基于4—域系统的WKNN算法匹配定位,防止离待测点较远的参考点参与匹配造成的误差。实验结果表明:改进后的WiFi指纹定位算法可以更好地估计用户的实际位置,平均定位误差降低了19.4%。

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。

RSSI和PC-CSI加权融合的指纹定位方法

针对基于RSSI和CSI的指纹定位技术易受环境干扰、定位精度较低的问题,提出了一种基于RSSI指纹和相位修正信道状态信息(phase correct based channel state information,PC-CSI)指纹的加权融合指纹定位技术。基于PC-CSI的指纹定位在传统基于CSI幅值的指纹定位基础上增加相位信息对定位结果进行修正,之后对RSSI指纹和PC-CSI指纹的定位结果加权重定位。实验结果表明,提出的加权融合指纹定位算法与基于CSI的主动定位算法相比,平均定位误差(mean position error,MPE)降低了36.2%,能满足室内定位需求。

一种基于线性邻域传播的加权K近邻算法

为提高高光谱遥感影像在训练样本不足时的分类精度,提出一种基于线性邻域传播的改进加权K近邻算法。采用线性邻域传播(LNP)算法获取无标签数据属于各类别的概率,将其作为类别信息,以增加训练样本数量,提高K近邻算法的分类效果,并降低错误分类带来的风险。实验结果表明,对于高光谱遥感影像,该算法具有较好的分类效果,优于传统的KNN算法、距离加权KNN算法以及LNP等半监督分类算法。

基于加权的K近邻线性混合显著性目标检测

显著性目标检测旨在于一个场景中自动检测能够引起人类注意的目标或区域,在自底向上的方法中,基于多核支持向量机(SVM)的集成学习取得了卓越的效果。然而,针对每一张要处理的图像,该方法都要重新训练,每一次训练都非常耗时。因此,该文提出一个基于加权的K近邻线性混合(WKNNLB)显著性目标检测方法:利用现有的方法来产生初始的弱显著图并获得训练样本,引入加权的K近邻(WKNN)模型来预测样本的显著性值,该模型不需要任何训练过程,仅需选择一个最优的K值和计算与测试样本最近的K个训练样本的欧式距离。为了减少选择K值带来的影响,多个加权的K近邻模型通过线性混合的方式融合来产生强的显著图。最后,将多尺度的弱显著图和强显著图融合来进一步提高检测效果。在常用的ASD和复杂的DUT-OMRON数据集上的实验结果表明了该算法在运行时间和性能上的有效性和优越性。当采用较好的弱显著图时,该算法能够取得更好的效果。

基于加权K-近邻分类的非视距识别方法研究

超宽带(UWB)定位系统中,针对复杂的环境下,信号的遮挡、直达信号的错误判断严重影响定位精度问题,该文基于信道冲激响应(CIR)提出一种新型特征参量——饱和度(S),结合前人提出的特征参量利用Relief算法和互信息特征选择(MIFS)算法进行特征选择,在相关性的基础上赋予特征相应的权重,选择最优的特征子集进行加权K-近邻(WKNN)分类,提高了非视距(NLOS)识别系统准确度。并且分析了WKNN算法中的训练数据集数量与近邻数K对算法的影响,确定优选方案,减小了算法计算量,提高了NLOS识别系统实时性。在不同环境下进行实验验证,结果表明,该方法具备较高的识别准确度和环境适用性,识别精度达到95%。

基于D-S证据理论的室内组合定位算法

在非定位系统部署信标的大体量场区环境下,针对基于位置的服务(LBS)的室内定位需求问题,提出了一种基于D-S证据推理理论的无线局域网/惯性测量组件(WiFi/IMU)组合定位算法。该算法首先建立各接入点(AP)单点的信号强度传输模型,并利用卡尔曼滤波对接收到的信号强度指示(RSSI)值进行去噪修正处理;然后通过D-S证据理论对实时采集的WiFi信号强度、偏航角、各轴加速度的多源信息进行融合处理,选取可信度高的指纹区块;最后通过加权K近邻(WKNN)算法得到终端估算位置。单元场区仿真实验结果显示,最大误差2.36 m,综合平均误差1.27m,验证了该算法的可行性与有效性;且误差累计概率分布在小于等于典型距离时为88.20%,优于惩罚参数C支持向量回归机(C-SVR)的70.82%和行人航迹推算(PDR)算法的67.85%。进一步地,算法在全场区实际实验中也表现出了良好的环境适用性。

一种改进的Wi-Fi位置指纹室内定位算法

经典的Wi-Fi位置指纹室内定位算法的在线匹配阶段通常采用加权K近邻算法(Weighted K-Near Neighborhood,WKNN),该算法定位移动对象时容易出现目标漂移,定位精度不高的情况。对此,本文提出了一种基于目标跟踪的加权K近邻算法和卡尔曼滤波的融合定位算法(Weighted K-nearest Neighbor Algorithm and Kalman Filter Fusion Localization Algorithm,WKNN-KF)。该算法充分考虑待定位点移动的连续性,首先利用加权K近邻算法对目标进行定位得到观测值,其次将观测值和卡尔曼滤波预估值进行加权求和,最后得到最优的估计坐标值。仿真实验结果发现,相比于加权K近邻算法,WKNN-KF定位算法对移动对象的运动轨迹定位更准确,算法的定位精度提高了45.7%,具有很好的推广应用价值。

ZigBee通信节点在室内定位中的应用

分析了几种主流无线定位技术的优缺点。提出了一种基于位置指纹法的定位原理,应用于ZigBee网络平台的室内无线定位方法。完成了ZigBee通信节点的软硬件设计,并在搭建的试验平台上对该方法进行了验证。试验结果表明,在不需要专用硬件设备的条件下,采用加权k近邻法,即可获得较好的定位效果。实际应用中,可采用增加网络接入设备和近邻数量的方法提高定位精度。

基于聚类优选自适应KNN的改进定位算法

针对室内复杂环境下,WiFi定位算法选取固定K近邻(KNN)会导致定位精度变差的问题,提出基于MeanShift聚类选取自适应KNN的混合相似度加权KNN(MWKNN)定位算法,并基于几何位置对自适应KNN进行动态优选。通过MeanShift聚类和几何位置动态优选自适应KNN进行加权KNN(WKNN)算法定位估计,削弱了含有较大误差的近邻点参与定位的影响,显著提高了算法的定位精度。实验结果表明:在3 m网格及3 dBm噪声标准差条件下,改进MWKNN定位算法的均方根误差为0.92 m,平均定位误差小于0.74 m;2 m精度下的概率达到96%。定位精度明显优于传统KNN和WKNN算法,同时提升了定位结果的稳定性。

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。

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RSSI概率统计分布的室内定位方法

针对接收信号强度指示(Received Signal Strength Indication,RSSI)时变现象影响WLAN室内定位精度问题进行了研究,提出了一种基于RSSI概率统计分布(Statistical Probability Distribution,SPD)的加权K最近邻(Weighted K-Nearest Neighbor,WKNN)方法——SPD-WKNN方法。该方法首先利用SPD方法得到指纹点RSSI向量区间;然后运用SVM算法选取测试点K个近邻指纹点,计算测试点RSSI向量到每个近邻指纹点的最小欧氏距离;最后结合WKNN算法获取定位结果。实验结果表明,SPD-WKNN方法与NN、KNN、WKNN、SVR和LSSVM方法相比定位误差分别降低了47.3%、41.6%、31.9%、27.1%和16.3%,呈现了良好的定位效果;利用SVM算法的稀疏性明显减小了运算时间。

一种改进的组合定权的指纹定位算法

室内场景复杂、WiFi信号不稳定等因素,造成基于信号空间K最近邻法的WiFi指纹定位算法匹配的邻近点会出现偏差,使用偏差较大的点计算待定点位置会直接影响定位结果。本文提出了一种改进的组合定权的指纹定位算法,对K个邻近点的几何结构进行分析,剔除其中偏离邻近点几何中心较远的点后,同时分析匹配邻近点中心同待定点几何位置存在理论上的关联,利用选择后的邻近点与其中心点的几何距离、待定点与指纹点欧氏距离组合定权,加权求取坐标。与KNN、WKNN算法定位结果分别进行比较,表明该方法提高了定位准确性和精度。

蓝牙连接模式对室内定位性能的影响

基于低功耗蓝牙(BLE)接收信号强度标识(RSSI)测量的位置指纹定位是最常见和有效的室内定位方法之一。然而,BLE通信协议并非专门为定位而设计,不同通信连接方式下的蓝牙设备测距性能差异较大,显著影响着定位精度。针对这一问题,对不同连接模式下的BLE设备RSSI测距性能进行了测试和分析;进一步地,利用自行搭建的室内定位环境开展实验,验证了其对用户实际定位精度的影响。测试结果表明,当BLE模块设置为“不可连接模式”时,设备RSSI测距稳定性提高了约60%、用户在线定位精度由1.40 m提高到了0.58 m,能够获得明显更优的性能,是室内BLE定位系统的优选通信连接方式。

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。

基于经验模态分解的室内指纹定位算法

WiFi信号的波动问题是影响指纹定位精度的主要因素之一,针对该问题设计了基于经验模态分解(EMD)的室内指纹定位算法,利用EMD方法在保持信号原有特征的同时实现了平滑噪声的目的。同时,针对传统的加权K最邻近(WKNN)算法在参考点数量大、指纹特征维度高时存在的计算量大、定位实时性低的问题,采用Ball Tree的近邻检索方法优化指纹匹配阶段的数据查询结构,提高了指纹匹配的速度。实验结果表明:相较于常用的传统WiFi指纹定位算法,所提基于经验模态分解的室内指纹定位算法可获得17%以上定位误差的改善,同时指纹匹配耗时减少了45%左右,有效提高了定位的精度与实时性。

一种基于Wi-Fi信号的位置指纹定位方法

位置指纹算作为非测距室内定位方法的典型算法是当前室内定位算法研究的热点之一。室内场景复杂、无线信号易受外界干扰,造成以信号接收强度为主要参考因素的加权K近邻法在定位阶段容易出现较大偏差直接影响定位结果。文章对K近邻点和待测点的物理距离关系与信号接收强度值进行分析提出一种改进WKNN权重的算法,并对K近邻点的差分误差进行加权平均,最后对待测点的估计坐标进行误差校正,求取坐标。在MATLAB平台上进行仿真,将改进算法与KNN、WKNN算法定位结果进行比较,实验结果表明,该方法减少了定位误差,提高了定位精度。