RSS室内定位信号经验模型重构研究

介绍低秩矩阵填充理论,结合RSS室内信号图的特点,借鉴地形图中的地物特征点概念,提出RSS欧氏空间信号特征点概念;提出RSS室内定位信号经验模型的具体重构算法和流程。最后,分析RSS几何空间特征点构建指纹库的精度分析和RSS欧氏空间信号特征点信号模型重构的精度分析,对不同类型的特征点赋予不同的权值,并将这些特征点用在RSS室内定位信号经验模型的重构中。实验结果表明,在数据采样量略高于位置指纹(约为1.37倍)的情况下,利用RSS室内定位信号经验模型的定位精度显著高于位置指纹的定位精度(约为2倍),特别是0.5m以内的定位精度。

室内定位无线接收信号强度测距模型的研究

接收信号强度测距法易受室内复杂环境的影响,在许多研究和实际应用中,通常将路径损耗因子作为固定不变常量,增加了系统误差。分析了室内无线信号的传播特性,介绍了对接收信号强度测距模型,推导了最优拟合当前室内环境对数路径损耗模型参数的计算公式,将自主建模的思想引入到基于接收信号强度的测量中进行了可行性探究。

室内定位信号强度—距离关系模型构建与分析

室内定位的关键技术之一在于室内距离的精确确定。基于WiFi信号强度确定室内距离的技术主要是利用WiFi信号在传播路径中发生衰减的原理实现位置推算。根据室内WiFi信号强度随距离变化这一物理特性,基于对数-距离模型,通过对实测信号强度(RSSI)与距离进行拟合,构建了基于信号强度—距离的室内定位多项式模型,并对其进行精度评定,实现了模型的优化,提高了信号强度转化距离的精确度。结果表明,采用对数-距离模型和对数拟合模型计算距离与真实距离的平均偏差为0.73m和0.56m,新设计的信号强度-距离多项式模型解算结果平均偏差为0.26m,优于之前两种模型,可为相关研究提供参考。

一种用于室内人员定位的RSSI定位算法

采用基于比较接收信号强度(RSSI)的测距技术,利用中值策略从锚节点多组测量值中选取最合适的RSSI值用于定位计算。针对算法用于室内人员定位的具体需求,采用室内环境下的无线信号传播模型,提出目标节点空间补偿模型,解决了因目标节点与锚节点处于不同平面导致定位误差较大的问题。最后验证改进算法的定位性能有较大提高。

一种基于BP神经网络的室内定位模型

在分析几种常见的室内无线定位方法以及基于接收信号强度(RSS)的室内无线定位方法的基础上,提出了一种基于BP神经网络的室内定位模型并借助Matlab7.0加以实现。采用该方法进行室内定位,不需要无线局域网以外的其他资源。由于不需要知道定位节点和建筑物的详细特性,用户的隐私将会得到完全的保护。仿真实验证明了该模型的有效性。

一种基于传播模型和位置指纹的混合室内定位方法

提出了一种结合传播模型的位置指纹室内定位方法。首先利用无线信号传播模型公式建立定位环境中已测定位置坐标的参考点距离各AP的理论距离的指纹数据库;然后再根据传播模型公式确定待定点到AP的理论距离;最后通过匹配待定点和匹配度最大的3个参考点之间的欧氏距离的倒数作为计算待定点坐标的权值,计算待定点坐标。试验结果表明,相对于传统的单独使用传播模型法或位置指纹法,本方法通过对两种方法结合进行室内定位,取得了更高的精度。

多传感器辅助的WiFi信号指纹室内定位技术

近年来,基于室内定位的应用服务越来越普及,吸引了大量的研究工作.其中,基于WiFi信号指纹的室内定位技术发展尤为迅速.但无线信号传输易受环境影响,会导致WiFi信号指纹定位存在偏差.为了提高定位精度并减小环境因素带来的不利影响,提出了智能手机内置传感器辅助WiFi信号指纹定位的方法,即利用智能设备上内置的传感器如加速计、陀螺仪等采集数据,计算得到用户轨迹信息和轨迹可信度,将轨迹信息与信号指纹信息结合起来建立综合概率模型,进行位置匹配,确定最近参考点.实验结果表明,与经典WiFi信号指纹定位方法相比,利用传感器所估测的用户轨迹信息能够有效应对环境变化的影响,提高平均定位精度.

基于自适应距离ADWKNN室内定位算法

针对基于蓝牙接收信号强度(RSS)的加权K-近邻(WKNN)位置指纹室内定位算法中由于信号波动存在的单一距离估算标准导致定位精度偏低的问题,提出了一种基于自适应距离的ADWKNN定位算法。离线阶段利用K-means聚类算法对指纹数据库进行划分,减少数据查询量以保证定位的时效性。在线定位阶段首先对待定位点处采集到的RSS信号值进行卡尔曼滤波,减弱随机噪声的干扰;然后采用ADWKNN算法计算曼哈顿距离与欧氏距离的标准差,自适应的选择距离估算方法并实现K值的动态变化。实验结果表明,ADWKNN算法的平均定位精度为1.22 m,与使用余弦距离、曼哈顿距离、欧氏距离和Sorensen距离的单一距离的WKNN算法相比,ADWKNN算法的平均定位精度有明显提高。

一种基于契合度模型的室内定位方法

传统基于接收信号强度指示(RSSI)的室内定位方法存在定位精度低、硬件要求高、算法复杂等不足。为此,基于契合度模型,给出一种室内定位方法。该方法由低成本的射频读卡器采集RSSI数据,经过低复杂度的滤波处理,通过距离损耗模型以及契合度定位模型实现信号定位。Matlab仿真分析结果表明,所有定位目标位置的平均定位误差在50 cm之内,70%定位目标位置的平均定位误差不大于15 cm,适用于实际室内定位环境。

基于RSSI滤波的改进型泰勒级数室内定位算法

针对基于RSSI测距的无线传感网络室内定位算法中,RSSI值易受环境影响、定位精度差的问题,文中提出了一种RSSI值优化处理、泰勒级数进行改进的定位算法。该算法先将采集的RSSI值进行高斯-卡尔曼滤波处理,然后在不用求模型参数的情况下,引入降维思想求出了测距值,最后对泰勒级数进行改进,并用加权极大似然和改进的泰勒级数相结合的定位算法求出了定位位置。仿真结果表明：经过RSSI滤波的改进型泰勒级数定位算法,优化了RSSI值,提高了测距精度,使得定位算法的定位误差维持在0.9~1.2 m,提高了定位的稳定性和精确度。

基于WLAN的三维室内定位机制的AP信号特性研究

现有GPS定位技术在室外环境中已经满足了移动终端的定位需求,但其在室内环境中基本失效。并且多数室内定位方案只针对室内一块较小的区域或局限于二维平面上,不利于推广并集成到室内地图或导航应用中。因此,基于各种无线技术如红外、蓝牙、超宽带、无线射频等室内定位技术纷纷被提出,其中,基于WLAN的室内定位技术因其具有高性价比优势而备受广泛关注。但是目前关于AP接收信号强度的特性缺乏系统性研究,无法满足具体室内定位环境所需要的AP特征,不能保证室内定位机制的正确性和合理性。因此,文章对AP附近产生的接收信号强度特性进行了深入研究,具体探讨了RSS随时间变化的正态分布性、稳定性及可探测性,并对可能干扰RSS的因素进行了分析和研究。基于以上研究结论,文章又对实际室内定位环境中基于概率型的位置指纹法适用性进行了讨论。

一种基于智能手机四向RSS指纹的室内定位方法

针对传统位置指纹匹配算法只能表征单一维度指纹点特征的问题,提出了一种基于智能手机四向接收信号强度(RSS)指纹的室内定位方法.该方法通过离线阶段的数据采集、特征提取、接入点(AP)权重分配三个步骤提取了更丰富的指纹点信息,在线阶段使用改进的K最近邻(KNN)分类算法将测试点与指纹点匹配.在操作系统版本为Android 10的智能手机上使用蓝牙传感器进行实验验证,随机选取30个测试点,得到的实验结果表明:1)四向RSS指纹优于传统的单向RSS指纹,在相同的实验条件下使用四向RSS指纹最高可降低13.4%的定位误差;2)使用四向RSS指纹结合提出的算法,平均定位误差在1.61 m,且响应时间在毫秒级.

基于经验模态分解的室内指纹定位算法

WiFi信号的波动问题是影响指纹定位精度的主要因素之一,针对该问题设计了基于经验模态分解(EMD)的室内指纹定位算法,利用EMD方法在保持信号原有特征的同时实现了平滑噪声的目的。同时,针对传统的加权K最邻近(WKNN)算法在参考点数量大、指纹特征维度高时存在的计算量大、定位实时性低的问题,采用Ball Tree的近邻检索方法优化指纹匹配阶段的数据查询结构,提高了指纹匹配的速度。实验结果表明:相较于常用的传统WiFi指纹定位算法,所提基于经验模态分解的室内指纹定位算法可获得17%以上定位误差的改善,同时指纹匹配耗时减少了45%左右,有效提高了定位的精度与实时性。

一种基于TOA和RSS混合的室内定位算法

针对在室内复杂环境中采用单一参数比如信号到达时间(Time of Arrival,TOA)或接收信号强度(Received Signal Strength,RSS)等定位精度低的问题,提出一种TOA/RSS混合定位算法。TOA定位精度高,但对信号带宽和信道条件比较敏感;而RSS对可用带宽的敏感性较低,并且已包含室内环境信息,结合两种参数定位时的特点提出了TOA/RSS混合定位算法,通过约束条件和二步最小二乘法将定位区域进一步缩小,估计出移动终端的位置。仿真结果表明,在不提高算法复杂度的前提下,本文所提出的算法比单独使用TOA或者RSS定位具有更好的精度和鲁棒性。

朗伯模型参数优化的可见光室内定位技术

白光发光二极管(LED)的发光模型是室内可见光定位系统设计的重要基础,发光模型参数不准确会严重影响可见光定位的精度。针对这一问题,文章提出了一种朗伯模型参数优化方法,该方法利用基于接收信号强度的可见光室内技术中朗伯模型参数对定位误差的影响,通过调整朗伯指数寻找最小测距误差,当测距误差最小时,所对应的朗伯指数与LED的真实朗伯指数最为接近。仿真了室内5m×5m×3m的场景,结果表明,朗伯模型参数优化方法能显著提高可见光室内定位精度,也验证了朗伯模型参数优化方法的可行性及有效性。

基于LS-SVM方向判别模型的WLAN室内定位方法

为解决WLAN室内定位中信号在传播过程受人体遮挡产生阴影衰落而影响定位精度的问题,提出了一种最小二乘法支持向量机(LS-SVM)方向判别模型的WLAN室内定位方法。该方法主要分为两个部分:首先,充分利用人体在不同遮挡方向上产生阴影衰落的接收信号强度变化(RSS)特征信息,判定人体遮挡方向;然后,通过LS-SVM回归算法建立指纹点特征数据与位置之间的映射关系获取定位点位置结果。实验结果表明,与传统利用SVM的定位方法相比,提出的方向判别模型可解决人体遮挡产生的阴影衰落影响定位精度的问题,提高了定位的实用性和鲁棒性。

基于深度学习的蜂窝信号室内定位算法

针对基于蜂窝信号的室内定位问题,提出基于深度学习的室内定位(Deep Learning-based Cellular Signal Indoor localization,DLCS)算法。DLCS算法建立深度神经网络(Deep Neural Network,DNN)模型,进而学习从信号塔所接收的信号强度(Received Signal Strength,RSS)与用户位置间的非线性关系。DLCS算法由离线阶段和在线阶段构成。在离线阶段,将从信号塔所接收的信号训练学习模型DNN。在在线阶段,用户在监测区域自由移动,从信号塔获取RSS值,再将这些RSS值反馈给DNN,进而估计用户位置。仿真结果表明,提出的DLCS算法能够获取高的室内定位精度。

基于T RL衰减多墙模型的室内定位技术

在基于接收信号强度指示(RSSI)的室内无线传感器网络定位系统中,无线信号的传播方向由于墙壁的遮挡发生变化使得RSSI测量值不准确,导致信道模型建立困难,无法实现较高的定位精度。因此,提出了一种新的环境自适应路径衰减模型,在传统对数路径模型的基础上,该模型考虑了无线信号遇到墙体时产生的反射损耗和透射损耗并推导出相应的路径衰减,在定位实验中,选取3.5 m作为最佳通信距离,采用三边测量定位算法计算得到未知节点的位置坐标。实验结果表明,所提出的基于T RL衰减多墙模型的定位精度比传统路径损耗模型提高了26.9%,室内定位效果有所提升,且有更好的环境适应性。

基于WiFi的室内人员定位技术的算法和模型

比较了几种基于Wi Fi的室内定位方法,指出基于接收信号强度(RSSI)的室内定位技术不增加额外的硬件设备,更加易于推广。分析了基于RSSI的定位模型及指纹信息预测模型,指出指纹信息预测模型法可有效地提高室内定位精度,减少障碍物造成的定位误差。