基于BP神经网络和APIT室内定位算法的研究与实现

随着国内外无线通信技术的发展,无线定位技术成为必不可少的一项技术。现有的室外定位技术已日渐成熟,而室内定位技术由于定位精度不够等原因,还有很大发展空间。在分析无线通信模型的基础上,针对室内无线信号传播模型中参数A和路径损耗指数n依经验判断而定导致的定位误差太大问题,利用BP神经网络拟合RSSI-d非线性函数关系,大大缩小了定位误差。在得到对应的距离值后,利用改进的APIT室内定位算法确定盲节点的坐标,并在Zigbee开发平台对该算法进行实现,验证了算法的可行性,减小了定位误差。

一种基于SSA-DBN的室内可见光指纹定位算法

室内可见光定位在精度方面有着较高的要求,针对这一问题,文中提出了一种麻雀搜索算法(Sparrow Search Algorithm,SSA)优化深度置信网络(Deep Belief Network,DBN)的室内可见光指纹定位算法。首先,采用信号强度特征值与位置坐标建立离线指纹库;其次,利用麻雀搜索算法较好的全局探索和局部开发的能力,对深度置信网络的初始权阈值进行优化,建立网络训练模型,对待定位目标的位置进行预测,避免了DBN陷入局部最优以及收敛速度较慢的问题。最后,利用已建立的离线指纹库数据,计算定位误差并分析。在4 m×4 m×2.5 m的空间中进行实验,结果表明:文中算法的平均定位误差为3.51 cm,定位误差在6 cm以内的概率为89.9%,与DBN定位算法相比,平均定位误差下降了约22.5%。

一种改进组合加权的TDOA室内二维定位算法

针对现有组合加权算法对定位区域边缘的目标定位时精度较低的问题,在现有组合加权算法的基础上提出了一种改进算法。首先,将基站分组,以到达时差算法得到目标位置的多个估计结果;其次,计算各估计结果之间距离值并排序,以滑动窗口法判断是否存在基站组出现异常定位估计;最后,当任意基站组的定位结果发生异常时,使用目标位置估计结果及其估计克拉美罗下界值设计两个加权步骤的权值,通过二步组合加权算法得到最终定位结果。仿真结果表明,所提算法有效减少了原组合加权算法对定位区域边缘的目标定位时的误差,当测量噪声标准差为0.8 m时,所提算法相较于原算法在正方形边缘区域定位均方根误差减小了0.35 m;在定位狭窄矩形区域时,所提算法平均定位均方根误差减小了0.11 m。

RSSI室内定位在线匹配算法的研究与性能比较

针对在基于WiFi信号强度RSSI进行室内定位的指纹库算法的在线匹配环节中存在的不足,该文利用基于阈值R_(0)动态筛选匹配的指纹点数,提出了一种增强加权k近邻算法(EWKNN).因为阈值R_(0)可以动态筛选指纹库中的样本点,所以能够提高增强加权k近邻算法的适用度和高精度.仿真结果表明:在R_(0)设置恰当的情况下,增强加权k近邻算法的计算量与加权k近邻算法(WKNN)相当,但定位精度更高.

改进蛇优化算法在室内UWB定位的应用

现针对近年来室内定位的需求,为提高整体的定位精度,提出一种基于sine混沌映射与正余弦优化蛇优化(Snake Optimization,SO)算法的超宽带(Ultra-Wide Band,UWB)室内定位技术,并结合一种自适应的测距值调整策略将测距值作为SO算法适应度函数的参数。SO是一种元启发式,模仿蛇觅食加交配行为的新型智能优化算法。为提高优化方法寻优能力,在SO种群初始化阶段引入混沌映射,增加种群个体的多样性。在雄性个体和雌性个体位置更新之后,为协调算法的全局探索和局部探索的性能,再进行一次正弦余弦算法(Sine and Cosine Algorithm,SCA)。实验结果表明,对于室内环境,该方法能够有效提高定位精度且性能良好。对比传统的智能算法,其算法精度和收敛效率都得到了显著的提高。

基于KWAP-KNN算法的无线传感覆盖室内定位优化

分区聚类算法用于室内定位,具有较好的定位结果。为了提高无线传感覆盖室内定位精度,在分析基于Wi-Fi的室内定位信号的基础上,提出一种基于仿射传播算法(WAP)优化K最近邻算法(KNN)的WAP-KNN聚类算法,并开展实验测试分析。在分区时选择K-means,K个聚类中心作为信号发射装置所在位置,在划分交叉区域及未覆盖区域时采取聚类方式,在小区域内采用KNN聚类完成。实验结果证明,WAP聚类算法均比AP聚类算法性能更高,聚类效果更好。该研究对提高无线传感覆盖的室内定位精度具有很好的实际应用意义。

一种基于SO-CNN模型的可见光室内定位优化方法

针对基于机器学习的可见光室内定位方法存在的手工调参、定位精度低等问题,结合蛇优化(Snake Optimization,SO)算法的寻优能力与卷积神经网络(Convolutional Neural Network,CNN)处理复杂非线性问题的能力,提出了一种基于SO-CNN模型的可见光室内定位优化方法。在考虑多径效应影响的情况下,采集每个位置点处的信噪比和对应位置坐标构建指纹数据库,对SO-CNN模型进行训练和测试,以得到最佳定位模型。实验结果表明,在5 m×5 m×3 m的房间中,与未经优化的CNN相比,该方法的平均定位误差降低了35.13%;与反向传播神经网络(Back Propagation Neural Network,BPNN)、多层感知器(Multilayer Perceptron,MLP)、SO-MLP相比,该方法的平均定位误差分别降低了54.75%,48.08%,37.01%。

基于GMM-DBC的CSI室内定位算法

针对贝叶斯室内定位技术存在定位精度低及时间复杂度较高的问题,提出了一种基于高斯混合模型和密度聚类(GMM-DBC)的信道状态信息(CSI)定位算法.通过对分模型参数的初次估计构建GMM概率分布模型并进行误差计算;引入确定分模型个数(DSM)策略,结合误差计算结果更新GMM模型参数,减小由模型精度引起的定位误差;基于不同参考点的分布特征,判断参考点间紧密程度,将紧密相连的参考点划为一类,减小搜索范围,降低时间复杂度;根据分簇结果,利用改进的贝叶斯概率算法进行权值计算,得到最终定位结果.实验结果表明:所提算法能较好地提高定位精度,降低时间复杂度.

基于LoRa的室内无源被动定位方法研究

针对传统主动定位方式需要目标时刻携带定位设备的问题,提出了一种基于LoRa信号的室内无源被动定位方案,使用差值限幅滤波算法和高斯朴素贝叶斯算法对室内定位方案进行验证。实验结果表明,在3m范围内方案的平均预测准确率为95.6%,在保证定位精度的前提下,能以较高的准确率对目标位置进行预测。

基于改进灰狼优化算法的射频识别室内定位算法

为了解决当前射频识别室内定位算法中存在的定位误差较大问题,把智能算法应用到室内定位算法中,提出了一种基于改进灰狼优化算法的射频识别室内定位算法。针对传统的灰狼优化算法中存在的收敛精度低、收敛速度慢和容易得到全局最优解问题,在算法中引入基于幂函数的非线性收敛因子提高算法的寻优能力;采用基于指数因子的位置更新策略提高算法的收敛精度;加入多次位置更新策略使得算法容易跳出局部最优解。实验结果表明:三边定位算法的定位误差为0.887 m,基于改进的灰狼优化算法的室内定位算法能够有效实现目标定位,定位平均误差为0.276 m,定位精度明显提高。

基于单天线相位的UHF RFID室内定位算法研究

基于单天线相位的UHF RFID,采用双标签的定位方法,对室内定位算法进行了研究,结果表明:待定位目标边长距离在超过高频载波信号波长的情况下,有2个间距为1/2载波波长的无源标签附着于特定目标上。仿真表明:在三条路径、两条路径情况下,两步测距可估计平均定位误差;两步测距(副载波)方法也可估计平均定位误差;但两步测距(副载波)方法基于双标签定位中,无法确保阅读器与2个标签间距离大小关系。在三条路径、两条路径情况下,两步测距(副载波)方法误判率分别为17.45%、17.82%,两步测距(载波)方法误判率均为0,故两步测距(载波)方法可将定位误差降低,确保物品登记准确性。

一种基于GACNN改进的室内可见光指纹定位算法

为提高室内可见光定位系统性能,提出了基于遗传算法训练卷积神经网络(Genetic Algorithm Convolutional Neural Network,GACNN)的室内可见光指纹定位算法。该算法引入一维卷积神经网络学习模型,针对卷积神经网络的超参数设置,利用遗传算法对卷积神经网络进行训练,将超参数进行二进制编码后采用精英遗传算法对CNN进行训练,来解决卷积神经网络模型参数调节依靠经验和模糊最优化的过程。实验结果表明:在室内4 m×4 m×2.5 m的定位场景下,定位算法可以获得平均定位误差4.11 cm的定位精度。相较于卷积神经网络定位算法,平均定位误差降低了25%。对比分析了不同室内可见光定位算法的性能,验证了算法的技术优势。

基于Kalman-Chan算法的5G毫米波室内定位试验

卫星定位系统因其能够提供高精度、全天候的定位服务而深受人们的欢迎,但是在室内环境中,由于建筑物的遮挡,卫星定位系统无法在室内提供高精度定位服务。随着万物互联时代的到来,人们对室内定位技术展开了研究。近年来,室内定位技术层出不穷,例如蓝牙定位、UWB定位等。目前,随着5G技术的成熟以及5G基站的密集化部署,促进了基于5G技术的室内定位的发展。影响室内定位精度的难点之一就是非视距传播(NLOS)和多径效应引起的误差,而毫米波通信作为5G关键技术之一,因其具有高频带和高带宽的特性,有利于提高多径分辨率,可提高到达时间差(TDOA)测量的精度。为抑制NLOS和多径效应引起的误差,本文对基于5G室内定位的Kalman-Chan融合算法展开了研究,即先利用卡尔曼算法对观测量进行距离重构,再结合Chan算法对用户位置进行估算,经过大量试验验证证明,该融合算法可使二维平面上的定位精度达到0.31 m。

基于最小三角形算法的室内可见光三维定位方法

为进一步提高室内可见光三维定位的精度,提出了一种基于最小三角形算法的室内可见光三维定位方法。该方法采用视距链路模型,由定位终端接收携带发光二极管位置信息的光强信号,利用最小三角形算法和接收信号强度指示方法来计算接收机在室内的三维位置信息,再引入加权质心算法降低光路受遮挡所造成的影响。仿真结果表明:在室内5 m×5 m×3 m的定位区域内,提出的定位方法平均定位误差约为4.35 cm,平均高度误差约为1.65 cm,定位精度优于传统的室内可见光三维定位方法。

基于CSI相位采样密度的室内定位技术研究

基于信道状态信息(CSI)的室内定位技术已经被广泛应用于各种场合,在CSI相位指纹定位方案中,采样点密度大小与定位效果好坏紧密相关。由于数据采集工作量的关系,以往学者们多关注低采样密度场景或通过模拟仿真分析采样密度问题,导致难以找到定位误差最小的采样密度。本文设置不同的采样密度,将数据预处理后的CSI相位信息作为指纹,匹配WKNN算法,分析探究了不同采样点密度对于定位精度的影响。实验结果表明,在4 m×4 m的环境中,采样间隔设置为0.4 m,采样密度为7.6个/m2时,定位精度最高,平均误差为0.34 m,同时兼顾采样工作量,具有较高性价比。

基于混合APIT的可见光室内定位算法

传统的APIT算法对未知节点是否在三角形内易出现误判现象,导致算法定位精度低。本文提出一种基于混合APIT的可见光室内定位算法,该算法利用三角形的面积关系判断未知节点的初始位置,然后利用内切圆进一步缩小了未知节点可能所在的区域,并利用混合质心定位算法,得出未知节点的估计位置。该算法减少了传统的APIT算法误判的现象,提高了定位精度。仿真结果表明,该定位算法与传统的APIT定位算法相比,定位误差低。

基于稳定AP选择的动态室内定位方法

在室内复杂多变环境下,基于接收信号强度指示(Received Signal Strength Indication,RSSI)的位置指纹算法得到了广泛研究。其中,在线阶段的匹配算法通常采用加权K近邻(Weighted K-Nearest Neighbor,WKNN)算法,但该算法往往采用固定k值方法存在较大的定位误差,具有一定的局限性,并且离线阶段构建位置指纹数据库时并没有考虑到无线接入点(Access Point,AP)信号的波动性。因此,存在大量不同AP的冗余信息,对定位效果产生较大影响。针对上述问题,提出一种基于稳定AP选择的动态室内定位方法。首先,通过高斯滤波对RSSI值进行预处理,滤除随机干扰;然后,通过优选AP算法计算AP的稳定度,筛选出关键AP用于定位;最后,利用距离阈值动态调整k值,并对权重系数进行改善,实现了对WKNN算法的改进。实验结果表明,基于稳定AP选择的动态室内定位方法可以有效去除冗余AP信息,并实现动态k值方案,在定位精度上优于K近邻(K-Nearest Neighbors,KNN)算法、加权K近邻算法和改进的加权K近邻算法,平均定位误差分别降低了26.13%、21.29%和9.89%,定位误差在1.5 m内的累积分布概率达到了60.41%,分别提升了25%、16.66%和8.33%,定位效果提升明显。

基于贡献决策的室内外行为识别模型在5GMR定位中的应用

提出一种基于贡献决策算法的智能识别技术,能够区分5GMR几何定位在室内中的真实室内点和误定位室外点,解决了5GMR几何定位受工参信息准确性和TA多径效应限制导致定位不准的问题,从而有效提升了5G室内覆盖评估的准确性。

基于Chan-Taylor和优化BP神经网络的5G室内定位算法

为提高复杂环境下5G室内定位精度,针对不同应用场景设计了基于Chan-Taylor和优化BP神经网络的5G室内定位算法。当无样本可用时,提出了融合Chan-Taylor算法,使用Chan算法计算出定位值作为Taylor算法初始值进行迭代计算;当有小样本可用时,采用BP神经网络效果更佳;当有大样本可用时,使用遗传算法改进BP神经网络以提高定位精度。在不同场景下对三种算法进行了对比实验,实验结果表明:无样本可用时,Chan-Taylor算法具有更好的鲁棒性和适用性;在45个样本训练情况下,BP定位精度最高,为0.3649 m;在400个样本训练情况下,GA-BP定位精度最高。

基于随机森林算法的室内可见光指纹定位方法

为进一步提高动态目标室内可见光定位追踪系统性能,提出了一种基于随机森林(RF)算法的室内可见光指纹定位方法。利用发光二极管(LED)的光强信号作为特征构建指纹数据库,应用指纹库中的数据训练决策树,引入RF算法进行初始定位,再通过卡尔曼滤波对初始位置估计进行优化,从而获得更准确的定位轨迹。仿真结果表明:在5 m×5 m×3 m的室内场景下,通过所提定位方法能获得大部分采样点误差分布在4 cm之内的定位效果;此外,通过与不同室内可见光定位算法的性能进行对比,验证了所提算法的技术优势。