基于空间位置约束的稀疏指纹室内定位方法

针对基于位置服务的实际应用需求,分析了现有室内定位技术的局限性,提出一种基于空间位置约束的稀疏指纹定位方法,在数据层有效融合惯导和无线局域网(WLAN)定位信息,充分发挥二者优势协同完成定位任务。首先利用WLAN提供的接收信号强度(RSS)信息构建空间位置指纹数据库,并基于RSS构建稀疏指纹表征与定位模型;鉴于RSS数据易受环境干扰呈现多变性,利用惯导技术对位移状态进行初步估计,并以此作为约束条件构建基于空间位置约束的稀疏指纹定位模型。仿真实验结果表明,所提方法较惯导和稀疏指纹方法在定位精度方面分别提升58%和33%。

稀疏训练指纹库融合MMPSO-ELM室内可见光定位

为了解决采用极限学习机(ELM)神经网络室内可见光定位方法存在误差较大、网络模型训练时间较长、结果稳定性较差等缺点,采用稀疏训练指纹库,融合多目标动量粒子群算法(MMPSO),结合ELM室内可见光定位方法,形成MMPSO-ELM方案,引入动量因子,避免迭代过程中过度振荡,加快系统收敛速度。在不同的定位空间内随机选取训练数据集方式,在测试点数量不同的情况下,将本方案与后向传播(BP)、ELM以及PSO-ELM 3种定位算法进行了比较。结果表明,MMPSO-ELM方案在20组训练数据条件下,对80组待定位点进行预测定位,定位误差最大为0.0225m,最小误差为0.00093m,平均定位误差低至0.00143m,且定位性能受定位空间大小影响较小;MMPSO-ELM可见光定位方案具有定位精度高、速度快、泛化性强等优点。该研究为在室内场所实现快速准确定位提供了理论支撑。

基于堆叠稀疏自动编码器和SVM的CSI室内定位方法

针对基于高细粒度信道状态信息(channel state information,CSI)的室内定位指纹数据冗余大、解析复杂的问题,提出一种基于堆叠稀疏自动编码器和支持向量机(support vector machine,SVM)的CSI室内定位方法.该方法首先融合物理层信道信息的幅值与相位数据,利用堆叠稀疏自动编码器在非线性指纹特征空间提取深层定位特征;然后,生成稀疏特征指纹,通过支持向量分类器完成目标位置确定.稀疏特征指纹的应用将CSI指纹库体积缩小约92.6%,同时,实验结果证明该方法可在视距与非视距传播路径混合的复杂室内环境下达到1.205 m的平均定位误差,较其他定位方法有明显的定位精度提升.

基于GAN指纹库的卷积神经网络室内可见光信道模型

提出一种神经网络算法实现室内可见光信道模型,解决Lambert模型难以计算室内可见光信道的噪声和误差问题。针对指纹库数据量大、难以采集和训练参数多导致迭代速度慢的问题,提出使用生成式对抗网络(generative adversarial network,GAN)生成仿真数据集融合原有的稀疏指纹库,生成满足训练要求数量的指纹库;使用一维的卷积神经网络(convolutional neural network,CNN)提取数据特征,降低训练参数,提高迭代速度。在室内5 m×5 m×3 m环境下采集稀疏指纹库,分别用反向传播神经网络(back propagation netural network,BPNN)和一维CNN室内可见光信道模型进行对比。仿真结果表明:使用GAN生成指纹库的平均绝对误差为0.04,对数据量增广300%;在同一指纹库下,BPNN信道模型误差为3.81,迭代500次收敛;而CNN信道模型误差为0.79,迭代100次收敛。本文提出的GAN指纹库融合CNN的可见光信道模型具有精度高、误差小、速度快、泛化性强等优点,为室内可见光信道模型提供新的研究方案。