基于近邻点数据库的室内定位技术研究

提出建立所有参考点的近邻点数据库的方法,使得原本只是待定位点与参考点之间单一的关系,拓展为待定位点与参考点和待定位点的近邻点与其他参考点之间的网状关系,充分挖掘利用了接收信号强度指示(RSSI)指纹数据库中有用的信息,有效避免了室内复杂环境的干扰。算法首先建立参考点的RSSI指纹数据库,求出每个参考点的K近邻点,建立近邻点数据库;求待定位点的K近邻点,然后从近邻点数据库中找出这K个近邻点的项中均存在的n个参考点;对得到的待定位点的K个近邻点和n个参考点的坐标加权求和,得到待定位点估计坐标。

基于信号强度的无线局域网定位技术

针对室内无线局域网环境及室内定位的需求,提出了基于信号强度的经验与估计相融合的无线定位方法。通过实验验证,该方法可以满足室内环境下无线定位的需求,是一种可行的无线局域网定位技术。

基于RSSI的WiFi指纹定位数据融合算法研究

目前已有的位置指纹室内定位算法大多都是建立在原始指纹数据库的基础上,指纹数据库的建立精度会直接影响到最后的定位精度,因此在基于WiFi的定位技术中,对接收信号强度(received signal strength indication,RSSI)的稳定性要求比较高。通过对指纹数据的研究,提出了一种基于高斯核函数融合卡尔曼滤波对数据进行预处理的方法。实验证明,该融合算法能有效剔除RSSI指纹数据中的突变数据和噪声波动,实现RSSI值的准确、平滑输出,从而建立准确的指纹数据库,使后期的定位结果更加精确。

基于RSSI信号特征的室内分区指纹定位算法

为提高室内定位精度和算法效率,提出基于RSSI信号特征的分区指纹定位算法。在离线阶段,区别于传统的使用RSSI信号构建离线指纹库的方法,设计使用RSSI信号衰减率建立离线指纹库;在在线定位阶段,针对使用欧式距离进行相似度计算时,容易出现两个点RSSI信号欧式距离较近而物理距离较远的情况,提出使用RSSI信号衰减率进行子区域划分,引入SSD的思想使用二级指纹进行精确定位。通过实验验证了该算法的适应性与有效性。

一种WiFi混合滤波的RSSI室内定位算法

针对接收信号强度指示(RSSI)在基于WiFi的室内定位应用中易受到环境影响出现波动、突变进而导致定位精度降低的问题,提出了一种WiFi混合滤波的RSSI室内定位算法。首先,根据WiFi信号距离衰减模型设计一种自适应阈值滤波器剔除观测信号异常值;然后,根据自适应阈值滤波、卡尔曼(Kalman)滤波、均值(Mean)滤波设计了一种混合滤波算法(ATKM)对RSSI数据进行滤波;最后,提出了一种基于斯皮尔曼-欧几里得距离的加权K近邻算法(SEWKNN)进行位置估计。在真实环境下的实测结果表明,本文提出的ATKM滤波算法能显著降低RSSI信号的波动,提出的SEWKNN算法在室内环境中平均定位误差为1.17 m,在走廊环境中平均定位误差为1.53m,相比传统的WKNN算法平均定位误差分别下降18.18%和16.84%。

离散度WKNN位置指纹Wi-Fi定位算法

为改善加权K近邻位置指纹定位算法在室内环境复杂时的定位性能,提出一种以位置指纹离散度作为权值参考的改进加权K近邻位置指纹定位算法.算法在离线位置指纹数据库建立阶段采用K-means聚类算法对位置指纹进行聚类,来降低搜索位置指纹库的计算量.从离线位置指纹库中选取K个与在线实测Wi-Fi信号强度信息最相似的位置指纹,比较其离散程度,将离散程度小的位置指纹赋予较高的加权系数,以减小原加权K近邻算法在室内复杂环境信号强度随距离变化较大情况下带来的位置估算误差.对离散度加权K近邻算法时间复杂度的分析表明,其计算量小于原加权K近邻算法;实际环境实验结果表明,离散度加权K近邻算法具有更高的定位精度,且定位误差波动较小.

基于KNN算法的可变权值室内指纹定位算法

针对基于静态权值的室内指纹定位算法存在定位精度低、定位结果不稳定以及环境适应性差等问题,提出一种以欧氏距离为权值参考的可变权值室内指纹定位算法。该算法分为离线采样阶段和在线定位阶段。离线采样阶段对接收信号强度指示(RSSI)值进行高斯滤波去噪构建指纹库。在线定位阶段引入权值指数α、β,分别以RSSI、欧氏距离为权值参考计算最近邻点及其加权质心,得出待测节点的坐标。实验结果表明,相比KNN和RW算法,该算法定位精度高,其平均误差为0.965m,且定位误差波动小。

基于Zigbee室内定位系统的指纹库优化算法

Zigbee无线传感器网络的接收信号强度指示(RSSI)可以用来提供位置服务,使用RSSI建立指纹数据库设计定位算法能够得到良好的定位效果,但指纹数据库的采集和建立精度会直接影响到最终的定位精度,而一般方法建立的指纹数据库误差较大。为此,通过对Zigbee网络指纹数据库采集和建立过程进行研究,提出一种Zigbee网络中指纹数据库采集、建立及优化的算法。在定位区域将各采样点采集到的指纹数据库源数据进行滤波处理,建立高精度的指纹数据库。利用Zigbee平台组建无线网络进行实验,分别使用针对该定位系统提出的限定区域最邻近算法、限定区域加权最邻近算法、限定区域贝叶斯算法进行定位计算。实验结果表明,运用优化后的指纹数据库在短距离范围内定位平均误差可限制在1.5 m以内。

基于Android平台的位置指纹室内定位系统研究与设计

在研究基于RSSI(Received Signal Strength Indication)位置指纹室内定位算法的基础上,设计了一种基于Android平台的室内定位系统。该系统分为定位客户端和服务器端两部分,同时设计了位置指纹库的相关字段。系统主要应用于室内人员的定位,不同的系统使用者可以添加各种丰富的基于位置的服务信息,从而提供LBS。

基于深度神经网络的室内定位算法

提出了一种基于深度学习的接收信号强度指示(RSSI)指纹定位算法。该算法将深度神经网络引入到指纹定位的2个阶段中:离线阶段对不同遮挡情况的指纹库进行特征训练,其中指纹数据作为输入,不同遮挡情况的指纹库编号作为标签;在线阶段将实时接收到的数据送入到网络中进行指纹库匹配,然后结合改进的加权K近邻(WKNN)算法进行定位。通过对比实验结果表明:所提算法的定位精度优于其他定位算法,有着很好的定位性能。

基于改进指纹地图定位算法的LoRa定位方法

针对LoRa网络节点定位过程中,接收信号强度指示(RSSI)采样值波动性大,指纹地图定位不精确的问题进行研究,提出了一种改进的指纹地图定位算法,即PSO-ANN-FMLA。首先,通过人工神经网络算法获得最佳RSSI值,利用粒子群算法优化人工神经网络算法的隐含层的神经元数量和学习速率;然后,指纹地图定位算法选择最佳RSSI采样值进行定位。最后,通过实验验证了本文算法的有效性,在室外300 m×300 m的无遮挡区域内,平均定位精度为6.21 m;与传统指纹地图定位算法相比,本文提出的算法平均定位精度提高了59.86%。

一种基于RSSI相关系数的指纹定位技术方法

介绍了指纹定位技术的基本原理,在对指纹定位技术中常用算法KNN匹配算法定位结果进行分析的基础上,给出了一种基于RSSI相关系数的匹配算法,并对该算法的定位结果在实际环境中进行测试分析,实验结果表明:该算法在满足定位实时性要求的基础上提高了指纹定位技术的定位精度。

引入RSSI指纹抖动量的室内定位改进算法

为提高接收信号强度指示(RSSI)指纹进行室内定位的准确性,提出一种利用RSSI指纹抖动量的虚拟标签定位改进算法。给出RSSI指纹抖动量计算方法,将其应用于待定位标签与参考标签的距离以及虚拟标签RSSI指纹的计算。在实际测试中,将RSSI指纹抖动量用于虚拟标签定位算法射频指纹(RFFP)的改进。测试结果表明,与RFFP算法和LANDMARC算法相比,改进算法的平均定位精度分别提高约0.35 m^0.88 m和0.38 m^0.94 m,算法耗时仅分别增加约1%和12%。

基于AP-SVM混合分类的指纹定位算法优化

针对指纹定位技术在离线阶段采集数据样本时,因样本质量不稳定导致定位准确率不高的问题,提出基于亲和力传播-支持向量机(AP-SVM)结合黄金分割法的一个新的样本优化方法,即GAP-SVM,使定位准确率得到提高。首先进行接收信号强度指示(RSSI)值的采集并使用GP-AP聚类算法优化数据集,得到高质量、小样本的SVM分类器的训练集;然后设计出了基于GAP-SVM模型的位置指纹定位整体系统架构;最后进行实验仿真。实验结果表明:GAP-SVM混合分类器与传统的SVM分类器相比,GAP-SVM混合分类器具有更高的分类准确率,分类准确率达到92.21%,定位准确率比已有的指纹定位算法提高了46%。

基于卡尔曼平滑的AWKNN室内定位方法

基于接收信号强度指示的WIFI室内定位方案存在采集信息跳变现象,进而影响定位精度的问题,提出一种基于卡尔曼滤波的改进自适应加权K最近邻(AWKNN)定位方法。对比分析多种平滑RSSI算法可行性,验证基于卡尔曼滤波对RSSI值进行平滑处理的优势,结合AWKNN算法并采用均方差计算匹配度,通过实时监控相匹配的无线接入点个数后自动调整均方差分母大小,以此实现定位误差的有效控制。实验结果表明,该基于卡尔曼的AWKNN算法在稳定性和定位精度方面较传统WIFI指纹算法有较大幅度提高。

一种基于RSSI的权重值选择及加权定位算法

提出了一种基于Wi-Fi网络的接收信号强度指示(RSSI)的权重值选择及加权定位算法。该算法在离线阶段为每个接入点(AP)在每个参考位置点的RSSI设定了变化区间;在定位阶段,将扫描到的每个AP的RSSI落在该区间的所有位置点的权重值加1,然后采用加权算法计算定位目标的估计位置。实验证明,该算法减少了RSSI随机变化引起的定位误差,能获得较好的定位精确度。

基于D-S证据理论的室内组合定位算法

在非定位系统部署信标的大体量场区环境下,针对基于位置的服务(LBS)的室内定位需求问题,提出了一种基于D-S证据推理理论的无线局域网/惯性测量组件(WiFi/IMU)组合定位算法。该算法首先建立各接入点(AP)单点的信号强度传输模型,并利用卡尔曼滤波对接收到的信号强度指示(RSSI)值进行去噪修正处理;然后通过D-S证据理论对实时采集的WiFi信号强度、偏航角、各轴加速度的多源信息进行融合处理,选取可信度高的指纹区块;最后通过加权K近邻(WKNN)算法得到终端估算位置。单元场区仿真实验结果显示,最大误差2.36 m,综合平均误差1.27m,验证了该算法的可行性与有效性;且误差累计概率分布在小于等于典型距离时为88.20%,优于惩罚参数C支持向量回归机(C-SVR)的70.82%和行人航迹推算(PDR)算法的67.85%。进一步地,算法在全场区实际实验中也表现出了良好的环境适用性。

室内区域性WiFi定位EKNN算法设计

WiFi由于应用广泛而被作为室内定位的热门技术之一,而定位精度与速度向来是研究的焦点.文中针对室内感兴趣区域(ROI)的定位问题,提出了一种证据理论K近邻(EKNN)算法.首先以接收信号强度指示作为指纹,在各区域分别建立无线指纹数据库作为识别的类;然后利用证据理论在各类别内进行近邻证据组合、类别间进行证据融合;最后确定目标所在ROI类,并在类中进行精定位.与其他算法相比,文中设计的EKNN算法的最佳区域类识别率可以达到97%,最大定位误差约为2.2 m,定位效率也有较大提高.

基于半监督仿射传播聚类和KLDA的室内定位算法

室内定位中位置指纹库采集的密集程度往往与定位精度密切相关,针对离线阶段时指纹库稀疏的情况下定位精度低的问题,提出了一种基于半监督仿射传播聚类和KLDA的室内定位算法。该算法结合了在线阶段采集无位置标签的RSSI数据,通过建立局部邻域图将无位置标签的RSSI信息反映到离线指纹数据的结构中,并使用KLDA方法抽取位置指纹库中最大的特征信息,有效利用了无位置标签的RSSI信息从而提高定位精度。实验结果表明,该算法结合在线阶段RSSI数据后定位精度得到了明显的提高,而且在仅保留离线指纹数据库三分之二的情况下,几乎能够取得与传统KNN算法使用全指纹库时相同的定位精度,相当于减少了离线阶段采集指纹库的工作开销。

基于位置范围限定的WiFi-KNN室内定位算法

针对传统的基于WiFi的最近邻(K-nearest neighbor algorithm,WiFi-KNN)室内定位算法精确度不能达到精准定位的需求的问题,本文提出了一种基于位置范围限定的K近邻(K-nearest neighbor based on the location range limit,LRLKNN)室内定位算法。LRL-KNN算法通过利用用户的先前位置与WiFi指纹数据库中的参考点位置之间的物理距离组成的相关范围因子来缩放指纹距离,以此来减少定位的空间歧义性。尽管利用了先前的位置,但是该算法并不需要知道用户的确切移动速度和方向。与此同时,考虑到WiFi接收信号强度的时间波动性,将RSS直方图合并到距离计算中来减小时间波动带来的影响。实验结果表明:传统KNN算法的平均定位误差为2.13 m,新算法的平均定位误差为1.80 m,该误差在相同的测试环境下比传统的KNN算法减少15%。