基于多维模糊映射AP优化的WLAN室内定位方法

室内定位技术在多领域有着重要的应用,而传统的无线局域网(Wireless Local Area Network,WLAN)指纹定位方法通常很少考虑WLAN接收信号强度(Received Signal Strength,RSS)特征的多样性以及来自不同接入点(Access Point,AP)的RSS特征位置分辨力的差异性问题,从而导致WLAN定位精度不高且定位效率较低.对此,本文提出一种基于多维模糊映射AP优化的WLAN室内定位方法.在离线阶段通过多次采集RSS数据提取多维RSS特征,计算AP信息增益比及相应的离线模糊隶属度,并利用模糊关系方程求解多维RSS特征模糊权重;而在在线阶段,则通过多维模糊映射构造模糊判定矩阵并计算AP在线模糊隶属度,同时结合K近邻(K-Nearest Neighbor,KNN)算法完成对目标的位置坐标计算.实验结果表明,相较于传统的AP优化定位方法,所提方法在线阶段的定位计算开销最高减少了4.12 s,定位误差4 m内的置信概率为91.91%.

基于FTTR的家庭网络组网及多AP切换优化研究

FTTR技术通过光纤将网络延伸到家庭室内的每个角落,为家庭用户提供高速互联网接入服务,其优势包括提高传输速度和带宽、扩大传输距离、实现多种业务融合等。在FTTR技术应用中,高效、公平的带宽分配和管理是亟待解决的问题,为家庭网络组网及AP切换优化带来新的挑战和机遇。探讨基于FTTH、FTTR的家庭网络组网方案,比较各类组网方案的优缺点,并针对不同场景下FTTR组网方案提出建议。最后,介绍基于FTTR家庭网络多AP切换优化的3种模型,可以提高家庭网络的性能和用户体验,为未来家庭网络进一步发展提供思路。

基于AP布置优化和K-means聚类算法的室内定位研究

传统室内定位中聚类算法被动依赖定位环境中接入点(Acess Point,AP)数量,导致定位效率低、误差大,室内位置指纹定位研究中AP布局是影响定位精度的关键性因素。因此,采用Intel芯片的嵌入式微系统和美国Signal Hound生产的SA44B型测量接收机共同组成传感器网络,根据电波路径损耗建立室内定位的目标函数,采用单纯形法和模拟退火算法融合算法对目标函数进行优化,从而达到最合理的AP室内位置布局,而后改进K-means聚类算法将优化后的AP位置坐标作为初始聚类中心,来提高系统的定位效率和精确度。实验结果表明,与传统K-means算法相比,经过AP位置最优化后的聚类定位算法精度提高了13.8%。

基于子区域切分与SSA-XGBoost的室内定位方法

在利用位置指纹进行实时室内定位时,由于多径效应、信号闭塞或无线AP本身不稳定,而影响最终的定位效果。对此,提出了一种基于子区域切分结合麻雀算法(Sparrow Search Algorithm,SSA)优化XGBoost的室内定位方法。离线训练阶段,利用改进的FCM(Fuzzy C-means)算法和区域相关系数指标将待定位区域划分为多个子域,通过AP优化为每个子域选择最优AP集合。针对XGBoost算法性能易受到初始参数问题影响,利用麻雀算法对XGBoost初始参数寻优得到相对较优的参数,并分别为各个子区域构建SSA-XGBoost定位模型。在线定位阶段,目标点通过匹配子区域的聚类中心得到所属子区域,最终利用该子区域的定位模型预测目标点的位置。与其他定位算法相比,所提算法平均误差分别减少14.7%、22.4%、37.1%,证明所提方法在实际环境中较其他算法具有更好的定位效果。