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 Neighbo...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。展开更多
研究了基于接收信号强度(received signal strength,RSS)的WiFi室内定位,这是一种具有低成本优势的室内定位技术。加权K最近邻搜索(weighted K nearest neighbor,WKNN)算法因为易于实现,可以用于位置的搜索确定。然而,WKNN算法的效率受...研究了基于接收信号强度(received signal strength,RSS)的WiFi室内定位,这是一种具有低成本优势的室内定位技术。加权K最近邻搜索(weighted K nearest neighbor,WKNN)算法因为易于实现,可以用于位置的搜索确定。然而,WKNN算法的效率受最近邻搜索算法使用条件和K值大小的影响,为消除其影响并提高定位精度,提出了一种新的最近邻搜索融合方法,经过大量实验和分析,发现该方法比现有其他方法具有更好的定位性能。展开更多
针对基于接收信号强度RSS(Received Signal Strength)或信道状态信息CSI(Channel State Information)的室内定位方法在现实环境中定位精度低的问题,提出一种RSS和CSI融合的二阶段室内定位方法。离线训练时采集数据构建指纹库;在线测试...针对基于接收信号强度RSS(Received Signal Strength)或信道状态信息CSI(Channel State Information)的室内定位方法在现实环境中定位精度低的问题,提出一种RSS和CSI融合的二阶段室内定位方法。离线训练时采集数据构建指纹库;在线测试时首先利用RSS和改进的k最近邻kNN(k-Nearest Neighbor)算法进行位置粗略估计,然后根据粗略估计结果筛选参考点构建子指纹库,最后使用高斯核函数改进的k最近邻算法进行位置精确估计。将该定位方法在室内复杂环境和空旷环境两种环境中进行实验验证,定位精度分别达到72.4%和75.9%,并将本文方法与两种现有的经典定位方法 DeepFi和Horus在同一环境中进行比较,实验结果表明该方法能够有效地减小定位误差、提高定位精度。展开更多
文摘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。
文摘研究了基于接收信号强度(received signal strength,RSS)的WiFi室内定位,这是一种具有低成本优势的室内定位技术。加权K最近邻搜索(weighted K nearest neighbor,WKNN)算法因为易于实现,可以用于位置的搜索确定。然而,WKNN算法的效率受最近邻搜索算法使用条件和K值大小的影响,为消除其影响并提高定位精度,提出了一种新的最近邻搜索融合方法,经过大量实验和分析,发现该方法比现有其他方法具有更好的定位性能。
文摘针对基于接收信号强度RSS(Received Signal Strength)或信道状态信息CSI(Channel State Information)的室内定位方法在现实环境中定位精度低的问题,提出一种RSS和CSI融合的二阶段室内定位方法。离线训练时采集数据构建指纹库;在线测试时首先利用RSS和改进的k最近邻kNN(k-Nearest Neighbor)算法进行位置粗略估计,然后根据粗略估计结果筛选参考点构建子指纹库,最后使用高斯核函数改进的k最近邻算法进行位置精确估计。将该定位方法在室内复杂环境和空旷环境两种环境中进行实验验证,定位精度分别达到72.4%和75.9%,并将本文方法与两种现有的经典定位方法 DeepFi和Horus在同一环境中进行比较,实验结果表明该方法能够有效地减小定位误差、提高定位精度。