针对传统信号传播模型对环境适变能力差,且定位精度不高的问题,提出一种动态RSSI加权系数模型。在邻近接入点(AP,access point)多次测取信号接收强度(RSS,received signal strength),经过高斯滤波算法对采集的RSSI进行数据滤波处理,再...针对传统信号传播模型对环境适变能力差,且定位精度不高的问题,提出一种动态RSSI加权系数模型。在邻近接入点(AP,access point)多次测取信号接收强度(RSS,received signal strength),经过高斯滤波算法对采集的RSSI进行数据滤波处理,再对分组数据赋予加权系数得到待定位节点邻近点RSSI均值。进而合理改进传统信号传播模型环境参数的A,n值估计,得到满足具体环境的动态自适应室内定位精度要求。实验结果表明:该方法适应多变环境的室内定位要求,并提高了定位精度。展开更多
针对智能终端室内定位问题,提出了一种综合信号传播模型和卷积神经元网络的指纹匹配定位算法.该方法首先根据室内信号传播模型为每个定位参考点构建接收信号强度(RSS,received signal strength)指纹数据集;其次,将该指纹数据集变换为灰...针对智能终端室内定位问题,提出了一种综合信号传播模型和卷积神经元网络的指纹匹配定位算法.该方法首先根据室内信号传播模型为每个定位参考点构建接收信号强度(RSS,received signal strength)指纹数据集;其次,将该指纹数据集变换为灰度图像指纹样本;最后,基于图像样本使用卷积神经元网络训练出分类定位模型.使用智能手机在内廊式室内环境中对本算法的有效性进行测试.实验结果表明,本方法大幅的降低了指纹采集和维护的工作量,在信号传输受到一定干扰时仍能较稳定的保持2米左右的定位精度,优于基于最近邻指纹匹配和信号强度测距定位算法.展开更多
文摘针对传统信号传播模型对环境适变能力差,且定位精度不高的问题,提出一种动态RSSI加权系数模型。在邻近接入点(AP,access point)多次测取信号接收强度(RSS,received signal strength),经过高斯滤波算法对采集的RSSI进行数据滤波处理,再对分组数据赋予加权系数得到待定位节点邻近点RSSI均值。进而合理改进传统信号传播模型环境参数的A,n值估计,得到满足具体环境的动态自适应室内定位精度要求。实验结果表明:该方法适应多变环境的室内定位要求,并提高了定位精度。
文摘针对智能终端室内定位问题,提出了一种综合信号传播模型和卷积神经元网络的指纹匹配定位算法.该方法首先根据室内信号传播模型为每个定位参考点构建接收信号强度(RSS,received signal strength)指纹数据集;其次,将该指纹数据集变换为灰度图像指纹样本;最后,基于图像样本使用卷积神经元网络训练出分类定位模型.使用智能手机在内廊式室内环境中对本算法的有效性进行测试.实验结果表明,本方法大幅的降低了指纹采集和维护的工作量,在信号传输受到一定干扰时仍能较稳定的保持2米左右的定位精度,优于基于最近邻指纹匹配和信号强度测距定位算法.