改进MixNet的CSI图像指纹室内定位方法

为了提升信道状态信息(channel state information,CSI)指纹室内定位的性能,提出了一种改进MixNet的CSI图像指纹室内定位方法.在离线阶段,通过选择定位参考点(reference point,RP)处信号强度指示(received signal strength indication,RSSI)最强的3个接入点(access point,AP),提取其CSI数据并转换为图像;然后利用改进的MixNet模型对图像进行训练并保存模型.其中改进的MixNet引入了坐标注意力(coordinate attention,CA)和残差连接.首先,将MixNet-s中的SE(squeeze-and-excitation)注意力替换为CA,以增强网络的信息表示能力并更精确地获取CSI图像指纹特征.其次,根据MixNet-s模型的特点构建残差连接,以增强网络的表示能力并防止过拟合.最后,通过减小网络深度确保所有网络层得到充分训练;在线阶段,采集目标设备的CSI数据并转换为图像,输入已训练好的改进MixNet模型(命名为MixNet-CA);最后利用加权质心算法根据模型输出的概率值估计目标设备的最终位置.提出方法在室内环境中进行了验证,达到了0.3620 m的平均定位误差.

CAEFi:基于卷积自编码器降维的信道状态信息指纹室内定位方法

针对提高Wi-Fi指纹室内定位技术性能,该文首先提出一种基于卷积神经网络(CNN)的信道状态信息(CSI)指纹室内定位方法。该方法在离线阶段联合CSI幅度差和相位差信息对CNN模型进行训练。在廊厅和实验室两种不同室内定位场景进行了定位实验,分别获得了25 cm和48 cm的平均定位误差;然后,在此基础上重点针对提高基于CNN的CSI室内定位时效性,引入卷积自编码器(CAE)实现CSI的降维处理,在保证原始定位方法精度的前提下,定位时间提高了40%,同时将内存消耗降低到原算法的1/15,实验结果验证了所提算法的有效性。

基于KNN和XGBoost的室内指纹定位算法

针对KNN算法定位精度有待提高以及定位稳定性较差的问题,本文提出了一种基于KNN算法和XGBoost算法的室内指纹定位算法。该算法首先将样本集划分为训练集和测试集,将训练集中AP的RSSI数据作为特征,坐标作为标签,使用XGBoost算法进行建模。其次,融合KNN模型,将KNN算法寻找到的近邻集合引入XGBoost模型中,再结合单独XGBoost算法的预测结果,以实现坐标定位。最后,在实际环境下研究了算法的K值、回归树数量、决策树深度和学习率对误差的影响,确定算法的相关参数。通过搭建的实际实验环境进行了测试,实验结果表明,本文提出算法的平均定位误差为1.55 m,较于KNN算法和XGBoost算法分别减少了24.76%和11.93%,并且累积分布函数曲线的收敛速度更快,具有较好的定位性能。

WiFi指纹室内定位的信号滤波算法研究

针对WiFi指纹室内定位技术中的接收信号强度的偏态分布问题,该文提出一种缩放因子自动优化的改进箱线图滤波方法。该方法利用中位数构建非对称的滤波区间,同时利用位置比对进行缩放因子的自动优化,进行了原始观测数据的粗差剔除,解决了非高斯分布噪声的影响,实现了复杂室内场景中的高精度WiFi室内定位。实验结果表明,所提出的算法可以有效地剔除WiFi指纹室内定位技术中的观测噪声,滤波算法的缩放因子参数实现了自动优化,具有更好的鲁棒性,提高了WiFi指纹室内定位的精度和可靠度。

基于接收信号强度非齐性分布特征的半监督学习室内定位指纹库构建

室内定位中半监督学习的指纹库构建方法能够降低人力开销,但忽略了高维接收信号强度(RSS)数据不均匀的非齐分布特点,影响定位精度,针对此问题该文提出一种基于RSS非齐性分布特征的半监督流形对齐指纹库构建方法。该算法运用局部RSS尺度参数以及共享近邻相似性构造权重矩阵,得到精确反映RSS数据流形结构的权重图,利用该权重图通过求解流形对齐的目标函数最优解,实现运用少量标记数据对大量未标记数据的位置标定。实验结果表明,该算法可以显著降低离线阶段数据采集的工作量,同时可以取得较高的定位精度。

基于GF-KF修正RSSI的室内指纹定位方法

针对Wi-Fi信号易受噪声等外界不确定因素的影响以及移动终端接收信号强度指示(RSSI)与真实值存在偏差而导致定位精度不高的问题,本文提出了一种基于GF-KF修正RSSI的室内指纹定位方法.由于采集的RSSI不稳定,该方法利用RSSI类高斯分布的特性,对RSSI数据进行高斯拟合,以得到较为确定的RSSI值.在此基础上,引入卡尔曼滤波算法对拟合后的RSSI数据进行误差修正,结合加权K近邻(WKNN)匹配算法进行定位.实验结果表明:本文方法的平均定位误差为1.5 m,2.0 m以内的误差累积分布概率为90.06%,定位效果优于同类方法.

基于BLE的室内指纹定位优化技术

针对RSSI的室内定位技术的功耗高和精度低的问题,采用蓝牙4.0作为节点,应用具有低功耗、远距离和成本低等优点的BLE技术,通过在离线阶段采用高斯-均值算法对指纹数据库进行优化和在现阶段改进的跳变自适应卡尔曼算法进行数据滤波研究,并且通过蓝牙4.0无线网络系统进行试验。结果表明,优化后的指纹库和自适应卡尔曼定位算法,在复杂的环境中比传统的定位算法更加稳定和准确。

一种改进的支持向量机的室内指纹定位技术

为提高室内定位算法定位的精度和实时性,提出一种改进的支持向量机(A-SVM)的室内指纹定位方法。利用SVM具有较好的学习和泛化能力的特点,把定位匹配转换为多分类问题。为克服SVM分类存在的片面性问题,提出基于SVM与反K近邻融合的位置指纹分类方法得到估计位置,并利用卡尔曼滤波对估计位置进行滤波处理。实验结果表明,算法有效减小了定位结果的波动性,与传统SVM相比具有较高的定位精度。

基于CSI的室内指纹定位研究

近年来,随着WiFi技术的不断成熟和无线设备在室内的广泛部署,基于CSI的室内指纹定位技术研究取得了一系列突破性研究成果,使其在信息化服务、目标定位导航以及安全管理等方面体现出了很强的理论研究意义和实用价值。因此,首先介绍CSI的频率特性与获取方法,其次对基于CSI的室内指纹定位中离线阶段的特征提取、在线阶段的定位等相关算法进行归纳和分析,最后指出目前研究的局限性与可能的发展方向。

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。

数字校园中基于WiFi的室内指纹定位研究

基于位置的服务是建设数字校园的核心任务,为克服传统室内定位在精确度等方面的缺陷,提出了一种基于Wi Fi的室内指纹定位算法。该算法充分利用环境中不可控AP以增加识别精度,并通过序列比较方法容忍AP动态变化。通过大量与Free Loc及LCS这两个最新算法的对比实验,证实了其在精确度、稳定性、复杂度等方面的优越性。

基于人工智能的室内指纹定位技术要点探究

室内指纹定位技术为提升其精益化表现,所以采用到了人工智能技术,如此可保证其达到米级定位精度性能,转化为高段位智能终端并投入实践应用中,同时满足低成本开发要求。本文探究了基于人工智能技术背景下聚类算法以及混合 AP 选择算法中的室内指纹定位相关定位要点。

基于有序聚类和MSKPCA的室内定位算法

针对指纹室内定位算法中环境动态变化对Wi-Fi信号的干扰和定位实时性较差的问题,提出一种基于有序聚类和多尺度核主成分分析的Wi-Fi指纹室内定位算法。离线阶段采用参考点可检测接入点序列的最长公共子序列衡量相似度,通过有序聚类划分子区域。在线阶段先进行粗定位,选择最优尺度的核主成分分析模型处理子区域指纹数据,使用朴素贝叶斯加权K近邻算法预测目标节点位置。实验结果表明,该算法可有效提升定位精度,86.7%的定位误差在1.2 m以内。

基于稀疏指纹采集和改进WKNN的定位算法

为解决位置指纹定位算法中指纹采集工作量大、定位精度低的问题,提出一种基于稀疏指纹采集和改进加权K最近邻(weighted k-nearest neighbor,WKNN)的定位算法。稀疏选定参考点并采集来自各接入点(access point,AP)的接收信号强度(received signal strength,RSS),根据容错四分位法对采集的RSS进行异常值预处理;利用经过预处理的指纹数据训练高斯过程回归(Gaussian process regression,GPR)模型,通过共栖生物搜索算法(symbiotic organisms search,SOS)求取模型最优超参数以提高模型的泛化能力,进而预测定位区域内非参考点的RSS;由有限参考点数据通过SOS-GPR模型的训练与预测生成密集位置指纹库,结合由卡方距离和AP加权改进的WKNN算法完成仿真验证。实验结果表明,在保证定位精度的前提下,稀疏指纹采集法较传统全采集法减少50%的采集工作量;与原WKNN算法和M-KWNN算法相比,提出的WKNN算法有效提高了定位精度。

基于全局流形结构的半监督学习室内定位算法

针对传统基于WLAN的指纹定位方法中,因需要密集采集参考点标记数据带来的指纹库构建工作开销大的问题,提出一种基于全局特征保持的半监督流形对齐指纹库构建算法。该算法仅利用少量采集时间开销大的标记数据,结合大量易采集的未标记数据,通过求解流形对齐目标函数,实现对未标记数据的位置标定,减少指纹库构建的消耗。同时,运用测地线距离得到全局流形结构以充分挖掘少量标记数据中的对应特征,提升在少量标记数据情况下构建的指纹库精度。真实场景的实验结果表明,所提算法可以显著降低离线指纹库的构建开销,同时可以取得较优的定位精度。

室内定位方法及研究

随着经济发展,基于位置的服务已成为人们生活中一种重要的信息服务。图书馆作为一个可提供图书借阅的单位,虽有电子化借阅系统,但因其室内环境复杂,读者因缺少位置服务难以快速确定自身及图书位置。针对读者寻书过程中场景变换较多、书架分布可视化程度低导致寻找不便与已有寻书方法人员定位精度低等问题,本文基于iBeacon设备,研究位置指纹定位中特征值提取与异常点检测两大关键技术,通过引入高斯核密度估计检测初始异常值,选取卡尔曼滤波提取特征值,然后利用WKNN算法进行定位。实验表明,该算法在保证定位效率的同时可提高定位精度。最后基于Android手机,设计了图书馆定位查询系统,通过结合空间查询技术与iBeacon指纹定位技术,为消费者提供更佳的位置信息服务。

一种用于RSS提取的改进粒子滤波算法

针对室内WiFi指纹位置定位中取RSS的平均值作为其定位特征值在室内环境的复杂性和动态性不能准确地反映RSS信号真值的问题,以及卡尔曼滤波和粒子滤波算法等用于RSS信号的提取只针对线性噪声或非线性噪声中的一种,在室内动态多变、干扰复杂多样的环境下鲁棒性不理想的问题,结合卡尔曼滤波和粒子滤波,提出一种用于RSS提取的改进的粒子滤波算法。给出了算法实现的步骤,并且在不同地点不同环境条件(静态环境和动态环境)下分别进行了指纹定位在线端的数据采集实验。实验结果表明:基于改进粒子滤波的RSS提取算法的定位精度和鲁棒性均优于均值算法、卡尔曼滤波算法、粒子滤波算法等已有算法。