基于RFID技术的室内定位算法优化方法研究

随着无线通信、物联网和计算机技术的蓬勃发展,室内无线定位技术正逐渐受到越来越多人的关注。在研究了几种基于射频识别技术的室内定位算法基础上,提出改进算法—基于牛顿插值和信号强度衰减模型插值的BVIRE定位算法(NTOR_BVIRE)。实验结果表明,改进算法在不额外增加参考标签的前提下,定位精度得到提高,达到了预期效果。

基于改进卷积神经网络结构的机器视觉室内定位算法

针对当前基于卷积神经网络的机器视觉室内定位算法定位精度低及需要庞大的图像数据库训练神经网络等问题,提出一种改进卷积神经网络结构及基于多层迁移学习的复杂神经网络模型训练方法。新的卷积神经网络结构由一个完整的UNet、两个VGG16Net的前13层、一个VGG16Net的后3层全连接层及ArcFace分类器构成。U-Net的作用是从RGB图像中提取出语义分割图像;两个VGG16Net的前13层用于分别从RGB图像及语义分割图像中提取位置特征;VGG16Net的后3层全连接层用于融合这两类位置特征;ArcFace分类器用于获得最终的分类结果。为实现仅使用小的数据集就能训练复杂深度卷积神经网络,设计了一种基于多层迁移学习的复杂卷积神经网络训练方法。实验证明,所提算法能准确定位室内移动机器人,较基于RGB图像及基于语义分割图像的方法,定位准确率分别提高了10.7%及11.8%。

基于位置指纹的WiFi室内定位算法研究

本文主要探讨分析基于位置指纹的WiFi室内定位算法,该算法主要是通过层次聚类方式划分测试环境区域,再匹配对应的WiFi信号指纹信息,之后利用加权计算确定定位位置。按照此次研究结果显示,在充足的WiFi热点数量之下,对比分析k-means-KNN算法以及原始KNN算法,位置指纹室内定位算法在地位给精准度以及准确率方面表现良好,此外,还分析加权最近邻算法和最近邻算法等相关内容,希望可以为位置指纹的WiFi室内定位算法研究提供参考性价值。

基于卡尔曼滤波和粒子滤波融合的UWB室内定位算法

基于超宽带(ultra-wideband,UWB)室内定位技术得到了广泛的发展,然而,在LOS(line-of-sight)和NLOS(non-line-of-sight)环境下的UWB的测距信息均存在不同程度的误差,因此,提出了一种改进的卡尔曼滤波算法对UWB原始数据进行平滑处理;之后提出卡尔曼滤波(Kalman filters and particle filters,KPF)和粒子滤波融合的算法。通过卡尔曼滤波得到的状态量和误差协方差进行粒子采样,克服了传统粒子滤波进行粒子采样时的运动学模型与实际运动不相符的缺点,大幅减少了粒子退化的现象。经过实验,该算法在LOS和NLOS环境中的定位精度分别提升了20.6%和15.6%。

基于多传感器数据融合的室内定位算法

基于惯性测量单元(IMU)的定位方法是一种全自主定位方法,该方法通常是基于单个IMU(Single-IMU)实施定位,其具有较大的漂移误差和累积误差.因此,提出了一种基于多个可穿戴式IMU(Multi-IMUs)与室内无线传感器网络(IWSN)的多传感器数据融合的室内定位算法,根据佩戴于不同部位的Multi-IMUs信息协同,提高人体姿态检测的有效性,并且利用模糊投票机制(Fuzzy Voting Scheme)融合Multi-IMUs位置信息;此外,结合IWSN,采用卡尔曼滤波算法(Kalman Filter Algorithm)融合IWSN解算出的位置信息与Multi-IMUs计算出的位置信息降低基于IMU的累积误差.实验结果表明,所提出的基于多传感器数据融合的室内定位算法能够识别出行走的姿态,与基于Single-IMU的定位算法相比,该算法有效地降低了累积误差和漂移误差,提高了室内定位的有效性和可靠性.

基于自适应无迹卡尔曼的机器人室内定位算法

针对室内环境复杂,难以通过单一传感器对机器人精准定位的问题,以室内环境中的两轮差动移动机器人为研究对象,提出了一种自适应无迹卡尔曼室内定位算法;该方法以无迹卡尔曼滤波(UKF)算法为基础,融合里程计、超声波定位系统、电子罗盘等传感器数据,利用超声波定位低频特性好的特点,减轻里程计结合电子罗盘进行航迹推算的累积误差和打滑影响;鉴于实际中量测噪声往往难以确定,利用Sage-Husa自适应方法,并根据不同传感器的噪声特性设置不同的加权系数,在线更新量测噪声特性,以实现对量测噪声的自适应;通过仿真验证,该方法能在传感器噪声特性未知的情况下,有效适应传感器噪声的变化,从而能够在复杂室内环境下,实现较高精度和鲁棒性的位姿估计。

基于BP神经网络和APIT室内定位算法的研究与实现

随着国内外无线通信技术的发展,无线定位技术成为必不可少的一项技术。现有的室外定位技术已日渐成熟,而室内定位技术由于定位精度不够等原因,还有很大发展空间。在分析无线通信模型的基础上,针对室内无线信号传播模型中参数A和路径损耗指数n依经验判断而定导致的定位误差太大问题,利用BP神经网络拟合RSSI-d非线性函数关系,大大缩小了定位误差。在得到对应的距离值后,利用改进的APIT室内定位算法确定盲节点的坐标,并在Zigbee开发平台对该算法进行实现,验证了算法的可行性,减小了定位误差。

基于RFID技术的室内定位算法研究

随着移动通信用户量的日益增长,定位用户位置信息的服务日益成为移动应用的热点领域。目前比较流行的定位服务有全球卫星导航系统(GNSS),全球定位系统(GPS)以及国产的北斗星定位系统。然而在室内封闭环境下,由于卫星信号的衰减,这些定位系统很难进行室内定位定位。文章以RFID射频识别技术为基础,提出了一种全新的室内定位算法,在实际的实验测试当中可以较好地进行室内定位。

基于麦克纳姆轮的智能机器人室内定位算法设计

由于传统的智能机器人室内定位算法,在进行智能机器人室内定位时对信息的定位误差值大,无法实现智能机器人的室内自主路径定位。针对这一问题,提出基于麦克纳姆轮的智能机器人室内定位算法设计。通过扩展智能机器人室内定位算法的融合原理,进而建立基于麦克纳姆轮的智能机器人室内环境模型,通过计算智能机器人室内定位算法误差值,完成智能机器人室内定位。通过实验证明基于麦克纳姆轮的智能机器人室内定位算法可以降低智能机器人室内定位算法的定位误差值,实现智能机器人室内可靠、精准定位。

适应固定资产管理的室内定位算法设计

本文针对当前广泛使用的固定资产管理系统中因缺乏对资产实物可靠定位的手段导致实际工作中产生大量“账实不符”资产的问题提出了一种室内定位算法并基于低功耗蓝牙技术实现此算法与进行相应的测试。当前,与固定资产管理相关的新法律和规定的出台对固定资产管理工作的效率和准确性提出了更高的要求,而打通资产账面信息与实物信息间的壁垒对于建设智能化的固定资产管理系统尤为重要,这便是本算法的目的。

基于谱回归核判别分析的候机楼室内快速定位算法

针对机场候机楼客流量大、室内环境复杂多变的特点,提出了一种基于谱回归核判别分析(SRKDA)的室内定位算法。在离线阶段,采集已知位置的接收信号强度(RSS)数据,使用SRKDA算法提取原始位置指纹(OLF)的非线性特征生成新的特征指纹库;在线阶段,先使用SRKDA对待定位点的RSS数据进行处理,进而使用加权K最近邻(WKNN)算法进行位置估计。定位仿真实验中,在两个不同的定位场景中,所提算法在1. 5 m定位精度下的误差累积分布函数(CDF)和定位准确率分别达到91. 2%和88. 25%,相对于核主成分分析法(KPCA)+WKNN模型分别提高了16. 7个百分点和18. 64个百分点,相对于KDA+WKNN模型分别提高了3. 5个百分点和9. 07个百分点;在大量离线样本(大于1 100条)的情况下,该算法数据处理时间远小于KPCA和KDA。实验结果表明,所提算法能够提高室内定位精度,同时节省了数据处理时间,提高了定位效率。

基于改进Chan算法和多元Taylor算法的室内定位方法

随着5G时代的到来,人们对更精确,拓展性更好的定位系统的需求开始变得越来越迫切。本文提出了一种改进的融合定位算法。本文提出了使用模拟退火最优化算法对近距离情况下的Chan算法第一次初始值估计做了优化,并融合多元Taylor算法,充分利用了定位目标之间的距离关系,使得定位精度得到提高。

一种提高室内定位精度的算法

室内定位技术对于室内物品的实时监管具有重要的实际应用价值。为了进行室内物品的精确定位,文中建立了一种基于距离的最优估计定位模型,并引入变尺度(DFP)算法对模型进行求解,从而达到提高坐标精度的目的。本设计首先对原始距离信息利用最小二乘估计、三次样条插值法来提高测距精度;其次通过三圆公共弦交点法确定出初始坐标值;然后把空间几何关系转换为无约束极小值问题,再采用DFP法对初始坐标进一步精化,以得出更为精确的坐标值。最后通过两种模拟实验对算法进行验证,结果表明:引入最优估计理论的室内定位算法,具有更高的定位精度。

基于自适应蝙蝠算法的室内RFID定位算法

针对传统超高频射频识别室内定位算法中利用几何方法定位耗时较长且定位精度较差的问题,提出了一种基于自适应蝙蝠算法(ABA)的室内RFID定位算法。首先,利用跳频技术获取多频率相位,基于多重信号分类(MUSIC)算法的角度信息和聚类的距离信息建立蝙蝠算法位置评估函数;其次,利用Tent反向学习初始化蝙蝠位置增加种群的多样性,并引入自适应权重因子更新蝙蝠位置;最后,基于位置评估函数对目标位置进行迭代搜索,实现快速厘米级定位。实验结果表明,所提算法的中值定位误差为7.74 cm,且实时性比基于中国剩余定理(CRT)的传统定位算法提升了12倍。

基于蓝牙无线技术的室内定位方法研究

无线室内定位具有较为广泛的应用场景,蓝牙技术在这一领域占据着重要地位。传统蓝牙室内定位技术在实际应用中表现出一定缺陷,通过改进型的蓝牙指纹室内定位算法,提升定位能力。以蓝牙Beacon技术为基础,文章介绍了蓝牙接收信号强度修正、信号传播路径损耗系数计算以及改进型蓝牙室内定位算法等模型,结合实际检测与软件仿真,对各类算法模型的应用效果和精确性等开展检验。结果显示,设计算法在定位精确度方面优于传统的蓝牙指纹定位算法。

基于嵌入式平台与kNN算法的室内定位研究

提出了一种基于嵌入式平台与kNN(k-Nearest Neighbour)算法的室内定位研究,对实验环境中的模型进行定位分析。首先,通过RFID(Radio Frequency Identification)阅读器采集RSSI(Received Signal Strength Indication)并将数据发送到嵌入式平台,接收到数值后,利用kNN算法确定目标位置,能够实现较高精确度的定位。算法代码采用Python语言,硬件平台采用ARM构架,该方法具有体积小、代码简洁、方便移植等优点。

室内精确定位算法

室外精确定位的方法有很多,通过GPS、北斗等可以完成精确定位,但是室内定位主要依赖于基站扇区和Wi-Fi位置完成,定位精度很差。如何在室内进行精确定位是一个技术热点。通过演算、推导等室内定位算法,结合当前的技术水平,提出精度达0.3 m左右的精确室内定位算法,为室内无线网络优化、无线应用、无人商店、智能机器人控制提供了广阔应用前景。

基于RFID技术和蛛网算法的校内定位系统研究

针对目前小学校园内学生难以准确定位,以及定位设备易损坏、成本高等问题,提出了一种基于RFID技术和蛛网算法的校内定位系统。文中阐述了定位系统的定位原理和组成结构,详细描述了定位系统软件和硬件的设计方法,通过测试论证了定位系统的准确性。

基于Zigbee的室内定位系统设计

国内外许多公司和研究机构展开了基于Zigbee技术的无线定位技术研究。不过在实际应用中，因各种外部环境的限制，许多算法存在有待改进的方面，本文主要是利用Zigbee实现基于RSSI的定位算法的研究，提取RSSI值。

基于RFID室内可视化定位系统设计与实现

目前,RFID室内定位数据的可视化方法简单,视觉效果不理想。为了解决这一问题,提出了一种新型的RFID室内定位系统,即在地理信息系统上执行RFID室内定位算法,并给出了兼顾实时性与定位精度的室内定位算法。文中定位所用装置与传统的RFID阅读器相比,无需调节天线的发射功率。在定位过程中,与传统的基于RSSI信号强度的LandMarc定位算法及其改进Vire算法相比,降低了器件的复杂度,将阅读器模块最小化,提高了定位的实时性,有效解决了室内定位的精度与实时性问题。基于该方法,本文设计并实现了一个基于RFID室内可视化定位系统,并验证了算法的有效性。