基于MNN改进粒子滤波的指纹库定位算法研究

考虑到基于Zigbee传感器网络信号强度指示的指纹库定位算法只适用于静态条件下的定位,无法有效去除受噪声污染严重的有害数据,定位精度不尽人意,根据噪声的分布特点,引入粒子滤波技术,优化了该算法,有效去除了受噪声污染的有害数据,实现了目标的动态精确定位跟踪。传统粒子算法在应用过程中对重要性分布函数做了高斯分布假设,使得定位精度受到影响,将多层神经网络引入滤波算法进行补偿优化。实验结果验证了改进算法的优越性,其在静态条件下平均定位误差小于1.14m,动态跟踪定位精度也有很大幅度的提高,具有实际应用价值。

基于虚拟信息库的粒子滤波指纹库定位算法

指纹库定位算法的关键在于根据不同参考节点的接受信号强度指示RSSI(Receive signal strength indication)建立有效指纹信息数据库。传统的方法是在定位区域内标定多个信息采样点,而大量样本数据的采集会导致算法离线训练阶段工作量增大。Zigbee传感器网络平台下,综合考虑了目标自身对信号的干扰以及节点数对函数逼近能力的影响,利用信号强度的非线性特性,提出了一种基于多项式分区插值的虚拟指纹库生成方法;同时使用粒子滤波对预估计的结果进行处理,以解决RSSI不规则分布问题。实验结果表明该方式可以快速、简捷地生成细粒度的定位信息数据库,提高了定位精度。

一种基于GACNN改进的室内可见光指纹定位算法

为提高室内可见光定位系统性能,提出了基于遗传算法训练卷积神经网络(Genetic Algorithm Convolutional Neural Network,GACNN)的室内可见光指纹定位算法。该算法引入一维卷积神经网络学习模型,针对卷积神经网络的超参数设置,利用遗传算法对卷积神经网络进行训练,将超参数进行二进制编码后采用精英遗传算法对CNN进行训练,来解决卷积神经网络模型参数调节依靠经验和模糊最优化的过程。实验结果表明:在室内4 m×4 m×2.5 m的定位场景下,定位算法可以获得平均定位误差4.11 cm的定位精度。相较于卷积神经网络定位算法,平均定位误差降低了25%。对比分析了不同室内可见光定位算法的性能,验证了算法的技术优势。

一种改进的MR精准定位系统设计与实现分析

随着个人移动终端的普及,运营商用户位置信息的无线定位技术日臻完善,位置信息对于运营商评估网络覆盖情况,网络优化、热点分析等非常关键,通过实现用户精准定位,通过MR(measurement report)精准定位,可以定位UE端的准确位置,从而可以实现基于用户位置的个性化服务以及灾难搜寻等服务。本文基于MR指纹库进行算法和数据源上的改进并设计一种精准定位系统,提出基于MDT数据作为有效数据源,使用多种定位方法地图空间栅格化,决策树/决策森林来实现指纹的快速匹配。WKNN算法,实现参考点电平运算以及聚类查找。提出基于最小方差和、栅格指纹二次定位使用方法。经过测试验证结果表明,基于 MR 指纹库的方法可以有效提升定位精准度。

基于模糊聚类的ZigBee室内定位系统设计

随着计算机技术及传感技术的发展,基于位置服务(LBS)逐渐成为研究热点。在采用德州仪器公司CC2530芯片设计的一套ZigBee室内定位系统的基础上,提出了基于模糊聚类的加权最邻近定位算法,并利用设计的ZigBee室内定位系统进行实验。实验结果表明,采用基于模糊聚类的加权最邻近定位算法,ZigBee室内定位系统的平均定位精度有了一定的提高,平均定位精度达到了1.47 m,并且与常见的NN定位算法、KNN定位算法、贝叶斯定位算法的定位效果进行了对比。

一种面向MR数据定位场景的脏指纹剔除算法

【目的】随着通信技术发展与移动设备的普及,MR(测量报告,Measurement Report)数据被广泛应用到无线网络定位中,其中基于MR指纹库匹配的定位方法是精度较高、应用较广泛的方法。然而,位置的计算精度依赖于MR指纹库数据记录的质量,亟需在积累位置指纹库时对数据进行清洗、过滤、位置纠偏等工作,以保证指纹库的数据质量。【方法】因此,本文提出了一种面向MR数据定位场景的脏指纹剔除算法,通过DBSCAN聚类算法识别异常指纹,并纠偏基站位置,建立高质量的指纹数据库,以提升MR数据定位精准性。【结果】本文在农村、市区、郊区3个场景下,分别使用模拟数据进行仿真试验,对本文方法进行分析与评估。【结论】试验结果显示,随着异常指纹剔除及指纹数据库更新,MR数据定位精准度得到有效提升,且所提算法在指纹聚类场景下相比其他算法均存在优势。

立体化网络覆盖精准评估的应用与研究

立体化网络评估是在传统高精度数据源的基础上,引入MDT、RFPM、室内外区分、基于数据分析的立体定位等新技术,结合高精度3D立体电子地图,从覆盖、流量、室内外等角度进行网络价值分析,并按照覆盖和流量2个维度筛选出需要覆盖的区域,提供覆盖建设思路和依据。构建以室内+立体为主的新网络分析模式,立体化网络评估技术可以精准评估网络覆盖情况,并以3D沙盘式直观展现结果,同时具备以数据为指引的杆微站精准规划和支持4层立体全方位组网规划,且契合面向未来5G演进趋势。