物联网底层多设备差异性通信方法仿真

研究物联网底层多设备差异性高效通信的方法。物联网的底层设备种类很多。设备直接在兼容性上存在很大差异,不同信号在传输速度、距离、耗电量等方面的要求不同,导致信号传递无法形成统一的要求,传统通信技术采用多协议方法,针对不同的设备设定不同协议,无形中增加了通信负担,效率较低。为此,提出一种基于信号融合技术的物联网多设备通信算法。详细阐述底层设备通信信号融合规则,根据上述规则描述物联网底层设备通信信号融合需要满足的条件,为信号融合提供理论基础。利用拉普拉斯能量和加权算法,对物联网底层多设备的通信信号进行融合处理,从而实现物联网底层多设备差异性通信。实验结果表明,利用改进算法进行物联网底层多设备差异性通信,可以极大的提高通信的效率,并且有效降低误码率。

针对设备差异性问题的增量式室内定位方法

随着WLAN的普及,基于RSS(Received Signal Strength)的室内定位方法逐渐成为研究与应用的热点。其中,基于指纹的定位方法已成为主流,此类方法的特点之一在于要求离线训练数据与在线测试数据满足独立同分布,然而,在实际环境中,现有的指纹定位方法或系统存在以下3个问题:1)不同终端设备的无线通讯硬件存在差异性,训练数据和测试数据的采集设备之间的差异性将严重影响定位精度;2)环境中的无线信号呈现高动态性,采集的数据存在显著的时效性,因此由训练数据得到的模型的定位性能将随着时间的推移不断下降;3)传统增量式定位模型需要大量的标定数据,不具有实际可用性。为解决以上问题,提出了一种针对设备差异性问题的增量式室内定位方法,利用终端在持续定位服务中采集的无标记数据来实时更新定位模型。实验表明,在实际蓝牙定位数据集上,相比于传统的定位模型方法,所提方法的整体定位精度更高,误差距离为3～5m时,其优势更为明显;同时,该方法具有时效优势,能够长时间保持有效定位。

基于RSS相关性的位置指纹室内定位方法

解决设备差异性造成的Wi-Fi信号强度不确定问题是位置指纹室内定位应用与推广的关键。一种基于设备间接收信号强度(Received Signal Strength,RSS)相关性的位置指纹室内定位方法被提出。以智能手机为用户终端,离线阶段,通过智能手机扫描的Wi-Fi信号强度信息,经过数据处理,筛选稳定的接入点(Access Point,AP),构建离线指纹数据库;在线定位阶段,对于实时获取的Wi-Fi信号强度信息,进行筛选处理后,挑选与离线指纹共同拥有的AP,并根据该AP集合,形成新的离线指纹和在线指纹。对离线指纹按RSS的大小降序排序;在线指纹,则以同一次序对RSS排序,然后利用皮尔逊相关系数和杰卡德相似系数,计算指纹相似度并排序,通过K最近邻(K-Nearest Neighbor,KNN)算法实现用户定位。实验表明该方法可有效解决设备差异性问题,并实现精确定位,平均定位误差达到1.7 m。

基于WiFi-BP的室内定位算法

针对设备差异性造成信号偏差从而影响定位精度的问题,提出了一种结合BP神经网络和加权质心定位算法的室内定位算法。文中通过离群点检测算法对不同手机的RSSI数据进行清洗,并以清洗后的数据作为BP神经网络的数据源进行模型训练,得到了一种稳定的非线性的BP模型。在此基础上,结合改进的室内定位算法进行室内定位。实验结果表明,文中所提定位算法的均值误差、最小误差和最大误差分别为为0.58 m、0.24 m和1.06 m,定位精度明显高于现有的同类算法。

融合方向指纹和RSS相对关系的定位方法研究

为了降低指纹数据库匹配定位时因接收设备天线方向性和差异性引起的RSS失配问题,提出一种融合方向指纹和RSS相对关系的室内定位方法。基于方向指纹库的RSS相对关系指纹提取定位方法分为离线阶段和在线阶段。离线阶段,建立方向指纹数据库。在线阶段,先通过方向指纹进行匹配,然后采用RSS相对关系指纹提取方法进行指纹匹配,匹配过程通过DTW算法提高匹配效率和准确度。实验结果表明,定位精度得到有效提高,不同设备定位结果趋于稳定,在实际定位系统中更具有普适性。