一种基于智能手机四向RSS指纹的室内定位方法

针对传统位置指纹匹配算法只能表征单一维度指纹点特征的问题,提出了一种基于智能手机四向接收信号强度(RSS)指纹的室内定位方法.该方法通过离线阶段的数据采集、特征提取、接入点(AP)权重分配三个步骤提取了更丰富的指纹点信息,在线阶段使用改进的K最近邻(KNN)分类算法将测试点与指纹点匹配.在操作系统版本为Android 10的智能手机上使用蓝牙传感器进行实验验证,随机选取30个测试点,得到的实验结果表明:1)四向RSS指纹优于传统的单向RSS指纹,在相同的实验条件下使用四向RSS指纹最高可降低13.4%的定位误差;2)使用四向RSS指纹结合提出的算法,平均定位误差在1.61 m,且响应时间在毫秒级.

基于RF梯级分域的室内定位仿真

室内定位有助于减少多层建筑火灾中人员伤亡,定位技术的准确与高效是研究所关注的重点问题。传统RF定位算法多偏重于数学思想在数据处理上的应用,计算量大,求解速度可待提高。针对多层建筑室内定位的实时性与精度要求,提出了一种RF梯级分域的室内定位方法。离线阶段,将定位区域分为若干空间连续的子域,并对各子域中参考点进行梯级分类。实时定位,通过RSSI均值向量快速定位目标点所在子域,利用子域分支路径迅速收敛到目标点所在极小分域,并以极小分域中参考点坐标进行加权实现定位。仿真结果显示,与基本RF最邻近点定位算法相比,精度提高14%,时间复杂度比值0.03。算法在较小的时间复杂度下能够实现较高的定位精度。

基于WIFI和隐马尔可夫模型的室内定位算法研究

移动互联网技术的快速发展,对移动终端的定位方法不断提出新的要求。由于传统方法在功耗、精度、通用性方面不能兼顾,设计并实现了一种基于双射线追踪的室内RSSI指纹空间模型,结合隐马尔可夫模型预测来提高系统的精度的室内定位算法。此方法可以实现不同设备无异化定位,有效地减小室内环境带来的不可知信号波动产生的误差。实验结果表明,该算法在保证低功耗的同时有效提高了定位精度。

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。

体域网中基于信道特征的认证与密钥协商协议

在体域网中,由于两个可穿戴式传感器之间传输的生理数据较为敏感,隐私安全成为这项技术得以广泛应用的重要标准之一。提出了一种灵活高效的身份认证与密钥协商的协议,利用体上传感器在通信过程中收集到的接收信号强度(RSS)指纹信号来启动认证,并将RSS指纹特征与双线性结合起来完成密钥协商。降低了通信双方的能耗,也提高了数据传输的安全性;可以灵活添加没有预分配密钥的传感器。

基于指纹的室内可见光定位方法

为了实现低成本、低复杂度以及高精度的室内定位系统,提出了基于指纹的室内可见光定位方法。该方法利用可见光发光二极管作为信号源,根据接收到的可见光信号强度信息,结合三角定位算法和指纹定位算法,实现室内高精度定位。定位过程主要分为两步:第一步,通过三角定位算法确定移动目标粗略的位置范围;第二步,以该位置范围作为限制条件,使用指纹定位算法实现更精确定位。实验结果表明,该方法与传统的基于可见光信号强度的定位方法相比,平均定位精度提高了64.71%;同时,与传统的基于指纹的定位方法相比,可以在更低复杂度的情况下,实现更精确定位。

基于机器学习与多光电二极管的可见光定位实验研究

针对单个光电二极管接收器的倾斜问题和几何算法的不足,搭建了多光电二极管接收器的真实可见光定位场景,并采用基于接收信号强度的指纹定位技术及其常用的机器学习算法,实验研究了4种典型的机器学习算法的定位性能。结果发现:在二维定位时,K最近邻、极限学习机、随机森林和自适应增强的定位误差小于2 cm的概率分别为96.67%、48.57%、67.14%和15.24%;在三维定位时,K最近邻、极限学习机、随机森林和自适应增强的定位误差小于2 cm的概率分别为74.52%、38.81%、59.76%和6.43%。结果均表明,K最近邻的定位性能较佳。在此基础上,比较了发光二极管个数、光电二极管个数和发光二极管发射功率等因素对定位精度的影响。结果表明:发光二极管个数和光电二极管个数的增加均有效地降低了定位误差,发光二极管的发射功率为5 W时,已经实现了定位误差的收敛。该结果为发光二极管分布密度较低时可见光定位系统的设计提供新的理论支持与实际应用参考价值。

基于生成对抗网络模型的RSS缺失值预测

无线上网(Wi-Fi)定位是目前室内定位中的主流方法,指纹数据库的构建是Wi-Fi定位系统的关键.然而指纹数据库中的接收信号强度(RSS)指纹值会随室内环境的变化而变化,通常需要不断地重新测量指纹值去更新指纹数据库,这就导致了成本高、耗时长,尤其是在定位区域较大的动态环境中是不切实际的.针对此问题,提出了自适应上下文生成对抗网络模型.该模型只需测量指纹数据库中的部分RSS指纹,即"参考点",然后通过学习参考点的分布情况,预测特定位置的缺失指纹.仿真实验结果表明,室内定位精确性显著提高,人力成本大大减少.