基于K均值聚类算法的位置指纹定位技术

为了减小位置指纹定位算法的计算量,提出一种基于K均值聚类分析的位置指纹定位算法。通过对指纹数据库进行K聚类分析,形成聚类索引,定位时通过查询聚类索引来缩小指纹库查询空间。利用改进后的算法进行室内定位实验,并将其与K近邻法进行对比测试。实验结果表明,改进后的定位算法有效减小了定位过程的计算量,而且还能保证定位精度,在短距离范围内定位平均误差可限制在2m以内。

基于LTE-R信号强度特征的列车位置指纹定位技术研究

高速铁路隧道环境中采用LTE-R(long term evolution-railway)无线通信位置指纹定位解算时,针对加权K值邻近位置指纹解算精度低的问题,利用混沌粒子群算法优化权值的良好性能,提出基于混沌粒子群优化的加权K值邻近算法对列车位置指纹定位在线阶段进行指纹匹配解算,分别讨论了指纹间距取25 m、50 m、100 m时混沌粒子群优化加权K值邻近算法的收敛性和精确性.仿真结果表明:经混沌粒子群优化的加权K值邻近算法收敛速度更快,定位解算结果精度更高;在提高列车位置指纹定位精度方面,比单纯的加权K值邻近算法以及经粒子群优化的加权K值邻近算法更具优越性,当指纹间距取25 m时,列车定位误差小于25 m的概率高达96%,使隧道环境中列车位置指纹定位精度得到有效改善.

基于随机部署RP的位置指纹定位算法

随着人们对位置信息需求的不断增加,室内定位技术迎来了前所未有的研究热潮.在分析影响基于位置指纹定位算法性能主要因素的基础上,提出了基于随机部署参考点(RP)的位置指纹定位算法.该方法首先将目标环境划分成多个子区域,在每个子区域中采用随机方式部署RP,从而减少定位成本、提高灵活性;为了在保证定位性能的前提下缩短定位时间,给出了两种数据剔除方法.仿真结果表明,该方法能够获得良好的定位性能,具有实际的应用价值.

基于蝙蝠算法的位置指纹定位技术的研究

为了改进室内位置指纹定位技术存在离线阶段工作量大、定位精度有限、鲁棒性较差的缺点,提出了一种基于蝙蝠算法的位置指纹定位技术的方法。该方法利用中点插值法和信道衰减模型自动生成指纹数据库从而代替了离线训练阶段,实现了定时自动更新数据库的功能,并且将K近邻算法和蝙蝠算法结合应用于匹配算法的阶段,最终实现定位功能。该方法与传统位置定位技术相比降低了整体定位的工作量,能快速应对环境变化对定位结果的影响,最后在给定的仿真环境下进行了定位性能的测试,结果显示该方法较其他算法相比平均定位精度大约提高了23.14%,绝大部分的盲节点的定位误差范围在1.5 m以内,显示出在定位精度、鲁棒性和适应环境变化方面的优势。

基于层次聚类的WiFi室内位置指纹定位算法

提出一种利用WiFi信号指纹实现对室内区域进行定位的CL-KNN(complete linkage K-nearest neighbor)算法.该算法先采用层次聚类方法对测试环境进行区域划分,再根据相应的WiFi信号指纹信息进行匹配,最后通过加权计算确定定位结果.实验结果表明,在WiFi热点数量足够多的情况下,与原始KNN算法和kmeans-KNN算法相比,CL-KNN算法可以获得更高的定位精度和准确率.

井下WLAN位置指纹定位中改进区域划分方法研究

井下WLAN位置指纹人员定位系统主要是通过聚类算法来实现位置指纹样本的整体性划分,但现有的聚类算法只是针对接收信号强度的统计分布特性进行聚类划分,并没有充分考虑奇点问题。针对该问题,提出了一种基于类关系的K-Means(CRK-Means)算法,该算法以类内离散度和类间离散度的比值为目标函数,通过使该比值最小的聚类的聚合、分离过程即可得到避免了奇点问题的最优聚类,完成定位区域的合理划分。针对采用随机森林(RF)算法对聚类划分后的定位区域进行粗定位存在误判的问题,提出了遗传算法与随机森林相结合的(GA-RF)算法,该算法以GA中的选择、交叉和变异优化过程确保了RF算法的选择树总数和位置指纹参考点特征数的最优取值。实验结果表明:CRK-Meams算法有效解决了奇点问题,且在一定程度上提升了系统定位精度;采用CRK-Meams算法和GA-RF算法后,子区域粗定位的准确率相比RF算法提升了4%,达到98%;置信概率大于90%的最小定位误差达到了3m,优于传统的聚类算法。

基于MR位置指纹定位的优化算法分析和实践

基于MR的无线优化方法在无线网络中正逐步推广应用,而其中位置指纹定位算法可应用在2G/3G通信网络的无线优化中。分析比较了几种不同的定位算法优劣性,并就其中位置指纹定位的优化算法作了优化改进,使用余弦距离函数作为与指纹库的匹配算法,兼顾计算量和存储空间2方面,使其具有对传播模型、站间距的依赖度较低、对单次测量的偏差不敏感、定位精度较高等优点。通过现网的数据弱覆盖和邻区优化实践,验证了其有效性。

与强度无关的位置指纹在线定位改进算法

将现有的研究较热的固定发射端、定位接收端的室内位置指纹定位系统应用到固定接收端、定位发射端的室内无线电干扰源定位中,研究了一种考虑干扰源发射强度的在线定位算法,以克服直接使用以一固定发射强度信号源建立的指纹数据库和现有的在线定位方法无法实现对不同发射强度干扰源定位问题。在分析信号传播模型和现有在线定位方法的基础上,利用强度差的均方差进行定位计算。给出了算法实现依据和流程,对改进的算法进行了仿真和实验验证,结果证明了改进算法的实用性。同时,改进算法的思想对现有的考虑接收端异质的位置指纹定位系统也有一定的指导意义。

RSSI位置指纹的定位误差分析与仿真

为了确立RSSI位置指纹定位技术中定位误差与影响其主要参数的关系,提出了表示定位平均误差的数学模型,通过计算整个定位区域误差的期望,公式化地表达了接入点个数、接入点摆放位置、采样点间距、最邻近点个数各因素取值不同对定位精度的影响.通过对实验数据的统计分析,仿真结果表明:接入点个数取4个可满足定位要求,当选择多于5个接入点实现定位时,可以不考虑接入点摆放位置,采样点间距取1 m可满足定位要求,K的取值对定位精度影响不明显.

结合位置指纹和行人航迹的室内定位技术

主要对室内定位技术展开研究,首先通过手持智能设备收集指定范围样本点的坐标及wifi热点信息;然后应用位置指纹定位方法进行绝对定位;为了提高行走过程中定位的准确性和实时性,采用行人航迹推算算法,即通过手机传感器采集并经处理的数据进行步频检测、步长估算和方向检测,实现相对位置变化的估算.行人航迹算法克服位置指纹定位的不稳定性,而位置指纹定位算法及时调整行人航迹算法带来的累积误差.实验结果表明两种室内定位技术的结合有效提高了室内定位的准确性,能充分应用到实际生活中.

一种基于AP ID过滤的WLAN位置指纹定位算法

非视距传播是影响定位精度的主要因素,深入研究信号强度的统计特性有利于定位精度的提高。基于RSSI的位置指纹定位技术因其设备简单,定位精度高而成为近年来定位技术研究的焦点。在对信号强度的统计特性深入分析的基础上,结合AP ID与移动台位置之间的关系提出一种改进的基于AP ID过滤的无线局域网位置指纹定位算法。并借助MATLAB仿真对比了改进前后的算法性能,证明了改进算法的不仅降低了计算复杂度,且提高了定位精度。

具有位置指纹定位功能的WCDMA移动终端设计

针对TDOA、GPS等定位技术在室内、城市环境中对移动终端进行定位存在的各种问题和不足,设计了一种基于位置指纹定位原理的3G WCDMA位置指纹定位系统,并完成了包括系统结构、系统电路、开发环境、系统软件、通讯帧格式在内的移动终端软硬件的设计及系统实现。现场实验及测试结果表明,在城市环境中该系统能对3G移动终端取得较高的定位精度,达到了预期的设计目的。

一种位置指纹-最小二乘融合的蓝牙室内定位方法及实现

在复杂的室内环境中,结合最小二乘法的数据误差优化和位置指纹定位法数据库匹配,提出了一种基于位置指纹-最小二乘融合(F-LS)的高精度低功耗蓝牙(Bluetooth Low Energy, BLE)室内定位方法。采用位置估计、模型优化的方法,并在Android上实现了室内准确定位,将结果以二维图像形式显示出来。经实际测定,在6.51 m×10.12 m的室内环境下,F-LS的定位精度优于75 cm,完全可以满足人们对日常目标定位的要求。该方法的实现程序已开源至GitHub:https://github.com/Charmve/Bluetooth-Location;D。

基于顶部标签的RFID室内定位优化算法研究

RFID室内定位技术有信号穿透性强,成本低廉等诸多优点,但其识别距离有限且定位精度不佳。提出一种采用顶部标签布置的RFID识别方法和双重指纹匹配的搜索算法,并进行了相应的实验验证,实验过程表明利用RFID识别范围形成的区域将实验空间进行划分提高了K近邻系列算法的匹配精度。文中采用KNN(K-Nearest Neighbor)、WKNN(Weight KNearest Neighbor)和BWKNN(Bayes Weight K-Nearest Neighbor)三种不同的算法分析了相同RFID目标的定位性能。实验结果显示,BWKNN算法能够有效的提升RFID指纹算法定位精度:BWKNN算法的平均定位精度为31.24mm,相较于KNN算法提升64.55%;相较于WKNN算法提升50.03%。

基于局部迭代插值的位置指纹听觉定位方法

针对位置指纹听觉定位方法采样周期长和定位运算量大的问题,提出了一种局部迭代插值方法来提高其定位效率。首先,在离线采样阶段,通过减少初始参考点数量的方式来提高定位数据库的构建效率;然后,在在线定位阶段,采用迭代插值方法对数据库进行扩展以达到定位精度要求。与传统插值方法不同,局部迭代插值方法基于定位目标的临近参考点产生虚拟参考点,并且可通过对位置估计过程的监控避免冗余虚拟参考点的产生。此外,采用贪婪搜索算法缩小定位目标的临近参考点匹配范围,从而进一步提高在线定位阶段的效率。实验结果表明,采用局部迭代插值方法可以在保证定位精度的前提下有效提高位置指纹听觉定位过程的效率。

多映射数据结构位置指纹库滤波算法

基于WiFi中RSSI信号的分布特征,构建了多映射数据结构的位置标签,建立了离线数据库构建,减少了以单向量形式构建位置标签所产生误差。

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。

基于最小值的多映射数据结构指纹库定位算法

在离线阶段对指纹库的构建采用多映射的数据结构,使每个采样点坐标对应同一AP的一个或多个RSSI信息值。在线匹配阶段,通过计算待定位点的RSSI信息与离线数据库的指纹信息的欧式距离,欧式距离值越小,说明两者的拟合程度越高,计算出两者拟合程度的最小值,以此找出与待定位点相关的指纹点。最后,使用WKNN匹配算法求出待定位点的估计坐标。

煤矿井下动态环境下的改进OSELM定位算法

在复杂多变的煤矿井下环境及时并准确地获取井下作业人员位置非常重要,井下通信环境高动态变化导致模型定位精度降低。本文将在线顺序极限学习机(OSELM)算法用于井下定位,与批量式定位算法GA-BP和ELM相比,OSELM算法能更有效地维持原模型定位精度。但OSELM算法存在病态矩阵求逆和平等对待所有新增数据的不足,导致该算法的稳定性和对动态环境的适应能力较差。本文在OSELM算法的基础上分别提出正则化OSELM算法、遗忘因子OSELM算法,以及融合正则化技术和遗忘因子机制的OSELM算法。试验表明,试验环境变化后,OSELM算法的定位精度比GA-BP和ELM算法的定位精度分别高1.4282和1.1622 m;在3 m误差距离范围内,所提正则化和遗忘因子的OSELM算法的定位精度均比OSELM算法高,融合两种机制的OSELM算法的定位准确率最高,比OSELM算法高5%左右。OSELM及其改进算法均能有效提高模型定位精度。

基于蜂窝网格划分的指纹定位算法的改进

针对传统的K近邻算法计算量大、定位实时性低的问题,提出一种基于蜂窝网格的改进方法。对收集的RSS采用高斯滤波处理,正确显示无线信号的波动特性;针对定位现场会出现不同楼层的情况,提出根据位置指纹内的MAC地址区别不同楼层指纹的方法;使用K-means算法对指纹库聚类,缩小指纹搜索空间,在二分法的投票机制下确定最终的定位区域。仿真结果表明,在缩小定位区域之后,在保证定位精度的前提下,大幅度缩短了定位时间,保证了定位的实时性。