一种应用于机器人室内定位的WiFi FLA

针对传统WiFi指纹定位算法定位精度不高,难以满足机器人对室内定位精度要求。提出一种应用于机器人室内定位的WiFi指纹定位算法,通过降低传统算法参考点间距,采用分时段采集方法在每个参考点采集WiFi信号,利用标准化处理方法对WiFi信号进行标准化处理,提高指纹数据的特殊性,运用马氏距离大小作为相似度参考并融合改进的自适应K值WKNN算法,实现指纹匹配准确率的提高。实验结果表明,提出的算法定位精度高于传统算法,定位精度满足机器人室内定位精度的要求。

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。

基于改进ELM的井下指纹定位算法

针对目前井下定位系统直接测距精度不高的问题,文章提出了一种基于改进极限学习机(Extreme Learning Machine,ELM)的井下人员定位算法。文章选用基于指纹的位置匹配模型,通过引入莱维飞行策略和模拟退火机制,对秃鹰算法进行改进,采用改进秃鹰优化算法(Improved Bald Eagle Search Optimization Algorithm,IBES)优化ELM模型,旨在提高定位模型的收敛速度和全局搜索能力。仿真实验结果表明,所提IBES-ELM方法的平均定位误差为0.71 m,定位精度优于BES-ELM和K近邻(K-nearest Neighbor,KNN)及其衍生算法,验证了文章算法具有更好的预测性能和稳定性。

基于顶部标签的RFID室内定位优化算法研究

RFID室内定位技术有信号穿透性强,成本低廉等诸多优点,但其识别距离有限且定位精度不佳。提出一种采用顶部标签布置的RFID识别方法和双重指纹匹配的搜索算法,并进行了相应的实验验证,实验过程表明利用RFID识别范围形成的区域将实验空间进行划分提高了K近邻系列算法的匹配精度。文中采用KNN(K-Nearest Neighbor)、WKNN(Weight KNearest Neighbor)和BWKNN(Bayes Weight K-Nearest Neighbor)三种不同的算法分析了相同RFID目标的定位性能。实验结果显示,BWKNN算法能够有效的提升RFID指纹算法定位精度:BWKNN算法的平均定位精度为31.24mm,相较于KNN算法提升64.55%;相较于WKNN算法提升50.03%。

一种基于卷积神经网络的室内定位方法

针对实际室内定位场景中的无线接入点信号不稳定引起定位精度低的问题,提出一种基于卷积神经网络的室内定位方法,该方法包括离线阶段和在线阶段,其中离线阶段主要完成对无线接入点信号采集,经过预处理后作为卷积神经网络模型的训练数据。在线阶段利用训练好的模型完成粗定位,估计位置所在的区域,最后利用加权k近邻算法计算精确的位置坐标。通过与SVR、KNN算法对比,结果表明,在二维平面回归定位问题中优于其他算法。

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CSI和K-means-SVR的多指纹库室内定位方法

传统的Wi-Fi室内定位方法需要与所有指纹数据库中的指纹数据进行匹配后才能定位,导致人群聚集区域定位效率不高,体验较差。提出一种基于信道状态信息(CSI)、K均值(K-means)聚类算法与支持向量回归(SVR)算法相结合的多指纹库室内定位方法。该方法首先根据CSI的簇分布特点,利用K-means算法对所有定位点内的CSI数据聚类后得到多个簇的CSI数据;然后,基于多个簇分别建立多个指纹库,并将CSI数据分别存入多个指纹库,进而在每个指纹库中分别训练SVR模型用于Wi-Fi定位。相较于传统的支持向量机(SVM)定位方法,所提方法在离线阶段需要的训练样本更少,定位效率更高;在线阶段,该方法既降低了匹配的复杂度,也提高了定位的精度。由于使用了多指纹库,Wi-Fi定位系统可以根据人流量实时调整资源分配策略,提高服务器运行效率和定位服务体验。

基于位置指纹的无设备定位技术研究

基于位置指纹的无设备定位方法由于实际测量工作的繁琐导致指纹数据库的构建耗时耗力,针对这种情况,提出一种通过射线跟踪方法(ray-tracing method)得到所有参考点处信号发射端和接收端之间链路的信号强度值的方法来建立离线指纹数据库。在线阶段,通过改进加权K近邻算法将实时链路信号强度与离线指纹数据库进行匹配实现定位。仿真结果表明,该方法能够实现目标的定位且定位精度较高,较传统的无设备定位方法精度提高了47%。

基于分区匹配和MBAS-RFR的定位算法

针对井下环境复杂及信号波动大导致定位精度低、稳定性差的问题,提出一种基于改进欧氏距离结合余弦相似度分区匹配模型和多任务天牛群优化随机森林(MBAS-RFR)的井下人员定位算法,离线阶段根据AP节点对巷道进行分区处理并选择区域中心点。在线阶段利用改进分区匹配模型对测试点进行区域划分,最后利用MBAS-RFR模型具体定位。仿真结果表明,改进模型平均定位误差为1.55m且在1.5m以内的置信概率为66%,与其它算法相比,上述算法定位精度高,定位稳定性好。

基于DBSCAN与KNN的室内定位算法

针对位置指纹室内定位算法中定位精度不足、计算量大、实时性较差的问题,提出了一种将聚类算法(DBSCAN)应用于传统定位算法的解决方案。离线阶段通过各参考点的接收信号强度进行聚类,将定位区域划分为多个子区域,在每个子区域选择一个中心节点,构造新型位置指纹数据库存储数据。在现阶段,通过各个子区域中心节点进行粗定位,根据参考标签所在的子区域对传统定位算法进行权重优化。实验结果表明,平均定位误差为1.63 m。该算法在提升定位精度的同时,提升了定位的实时性。

基于卡尔曼平滑的AWKNN室内定位方法

基于接收信号强度指示的WIFI室内定位方案存在采集信息跳变现象,进而影响定位精度的问题,提出一种基于卡尔曼滤波的改进自适应加权K最近邻(AWKNN)定位方法。对比分析多种平滑RSSI算法可行性,验证基于卡尔曼滤波对RSSI值进行平滑处理的优势,结合AWKNN算法并采用均方差计算匹配度,通过实时监控相匹配的无线接入点个数后自动调整均方差分母大小,以此实现定位误差的有效控制。实验结果表明,该基于卡尔曼的AWKNN算法在稳定性和定位精度方面较传统WIFI指纹算法有较大幅度提高。

一种改进的煤矿井下指纹定位匹配算法

煤矿井下环境复杂多变,对人员精确定位技术挑战很大。目前矿井巷道中采用基于接收信号强度指示RSSI(Received Signal Strength Indication)的位置指纹定位算法存在定位目标漂移、抖动和定位精度不高等问题。提出一种改进的指纹定位匹配算法,该算法将K邻近算法和最短历史路径匹配法联合并利用速度限定位置估计补偿算法对定位精度进行修正。利用在煤矿巷道中的实测数据,对改进的匹配算法进行了验证与误差分析。仿真结果表明,改进后的算法能够提高定位精度,满足矿井人员定位、目标跟踪和目标轨迹查询等要求。

移动通信网络MR帧解析及信号指纹定位方法

通过在Abis接口中实时采集MR帧,并对MR帧进行同步的信令解析,运用帧结构中所包含的6个邻区间BCCH信道接收电平值,组成一组信号指纹,用以对比已通过测量的标准点位置值,从而实现较精准的电平指纹定位算法,为移动通信网络管理提供了一种支持实时处理的高精度、低复杂度定位方法。

一种基于压缩感知与最近邻的联合定位方法

针对基于压缩感知的Wi-Fi室内定位算法中,由于信号强度的时变性和多径效应等原因,算法恢复的结果有时并不理想而降低了定位精度的问题,提出了一种基于压缩感知与最近邻的联合定位方法。在线定位时,通过条件判断决定是选择压缩感知的定位结果还是最近邻的定位结果。这种联合定位的方式可以使得两种定位方法相互补充各自的不足,定位结果更佳。采集了大量的真实数据进行了实验。实验结果表明,提出的联合定位算法比使用压缩感知和最近邻单项算法分别提高了5%和11%。

基于改进克里金插值的室内定位位置指纹库构建方法

当今社会对基于位置服务尤其是室内位置服务的需求日益迫切。位置指纹法利用室内无线信号强度来进行定位,具有方便快捷、低成本等优势,但构建一个细粒度的位置指纹库需要耗费大量的人力和时间。为提高位置指纹库的构建效率,提出一种基于改进克里金插值的位置指纹库构建方法。通过部分测量数据结合克里金插值法进行插值,并利用模拟退火算法提高理论变异函数拟合精度,进而估计出未测量点处的信号强度,提高插值精度和指纹库的构建效率。实验表明:相比反距离加权插值和传统克里金插值,该方法不但具有较高插值和定位精度,而且可将指纹数据人工采集工作量降低50%。

自适应动态K的WKNN室内定位方法

WiFi室内定位已被广泛研究,并且提出了许多解决方案,其中以接收信号强度(received signal strength,RSS)作为位置指纹的加权K-最近邻(weighted K-Nearest neighbor,WKNN)算法是目前使用最广泛的位置指纹算法之一。由于WKNN算法通常采用固定的K值,其定位精度在实际使用时具有局限性。尽管动态K的方案被提出,但是由于引入了新的不确定性参数,因此,并未真正解决问题。针对这个问题,提出了一种自适应动态K的WKNN室内定位方法。提出的算法的K值自适应调整仅依赖于离线和在线数据,即可以不引入新的不确定参数。在这个前提下,提出的算法采用"多雷达搜索策略"的方式自适应选择近邻数K值进行在线位置估计。在真实环境中采样了大量数据进行了试验。试验结果表明,提出的算法可根据在线情况自适应调整K值,获得了较好的定位结果。

基于电源线和位置指纹的室内定位技术

该文提出将室内环境不可或缺的电源线作为天线,通过在电源线上注入宽带高频信号构造室内空间的位置指纹,进而实现室内空间精确定位。首先介绍了电源线上宽带高频信号注入模块的实现技术,以及室内空间位置指纹的构造方法;其次,介绍了基于朴素贝叶斯分类算法的室内定位原理;最后,通过实验分析证明在多训练样本情况下,基于朴素贝叶斯分类算法的定位算法比基于K最邻近点(KNN)分类算法的定位算法有更好的定位准确率和时间迁移适应能力。

一种改进的基于信号强度的WLAN定位方法

与室外定位技术相比(如GPS),基于无线局域网(Wireless Area Network)的定位更适用于室内环境。两种基于接收信号强度(RSSI,Received Signal Strength Indication)的定位方法即位置指纹法和信号传播模型法广泛用于室内定位的研究。使用边界盒算法和改进的二分范围搜索算法将两种室内定位方法相结合,提出了一种改进的基于RSSI的定位方法。提出的方法根据指纹数据库中样本的横纵坐标对其进行预处理,同时使用改进的线性二分范围搜索算法降低指纹数据库中的样本数,进而提高实时定位过程的效率。最大化位置指纹维度,并添加时间维,同时通过实验数据阐明所提出的方法可提高用户位置估算的精确度。

基于K-means和SVM的蓝牙室内定位算法

为了克服指纹定位过程中,由于信号不稳定所造成的定位精确不高,指纹漂移等问题,利用卡尔曼滤波对采集的蓝牙接收信号强度(RSS)数据进行预处理,并通过K-means算法对数据进行初始聚类;计算待测数据与各聚类中心的距离,将与待测数据临近的类簇数据进行融合。针对融合形成的新数据子集,训练出对应的支持向量机(SVM)模型,并完成待测数据的分类。经过测试,结果表明:算法的定位精度稳定在1. 5m以内,达到预期目标。

基于混合智能算法的战略储油基地选址问题

混合智能算法是由随机模拟、单纯形法和遗传算法融合而成的一种智能化启发式算法。对于描述设备选址要求,根据建立战略储备的风险,通过运用不确定规划模型,解决了经济发展需求、路径长度受限情况下选择适合的储油基地问题。实例计算结果表明,与传统算法相比,混合智能算法能有效地解决储油基地的选址问题。