Aiming at the problem that the positioning accuracy of WiFi indoor positioning technology based on location fingerprint has not reached the requirements of practical application, a WiFi indoor positioning and tracking...Aiming at the problem that the positioning accuracy of WiFi indoor positioning technology based on location fingerprint has not reached the requirements of practical application, a WiFi indoor positioning and tracking algorithm combining adaptive affine propagation (AAPC), compressed sensing (CS) and Kalman filter is proposed. In the off-line phase, AAPC algorithm is used to generate clustering fingerprints with optimal clustering effect performance;In the online phase, CS and nearest neighbor algorithm are used for position estimation;Finally, the Kalman filter and physical constraints are combined to perform positioning and tracking. By collecting a large number of real experimental data, it is proved that the developed algorithm has higher positioning accuracy and more accurate trajectory tracking effect.展开更多
将声表面波传感器与信号无线保真(WIFI)技术相结合,提出了一种基于WIFI的无线声表面波传感器信号采集系统。该系统由声表面波传感器、信号调理电路、处理器、WIFI模块和无线接收终端组成。声表面波传感器混频后的信号经过信号调理电路后...将声表面波传感器与信号无线保真(WIFI)技术相结合,提出了一种基于WIFI的无线声表面波传感器信号采集系统。该系统由声表面波传感器、信号调理电路、处理器、WIFI模块和无线接收终端组成。声表面波传感器混频后的信号经过信号调理电路后,转换为处理器可计频的低频方波信号,并通过WIFI模块将采集到的信号无线发送到接收终端。通过一个输出信号范围在100 k Hz^350 k Hz声表面波传感器信号采集系统的实现,对该系统的结构、性能进行了验证和测试。实验结果表明,该系统可以实现测试范围内信号的采集、发送和无线接收,系统输入信号与无线接收终端接收信号之间的平均绝对误差为0.843 k Hz,最大相对误差为0.51%,无障碍环境有效采集范围约为100 m,有障碍环境有效采集范围约为50 m。展开更多
在当前实际生产中,机器运行现场和监控室之间往往需要相隔一定的安全距离。传统的有线传输数据方式给工程施工带来了诸多不便,同时耗费了大量人力和物力。因此,为了加强数据采集传输的适用性,论文采用无线传输方式,在实验室已有条件下,...在当前实际生产中,机器运行现场和监控室之间往往需要相隔一定的安全距离。传统的有线传输数据方式给工程施工带来了诸多不便,同时耗费了大量人力和物力。因此,为了加强数据采集传输的适用性,论文采用无线传输方式,在实验室已有条件下,通过自己设计并开发的一个基于WIFI技术的振动信号监测PCB板,实现对于轴承实时振动信号的采集和无线传输,PC机进行数据接收,以Visual Studio 2012为开发工具,内嵌Matlab软件对数据进行算法分析。该系统实现了轴承振动信号的实时采集和无线传输,在实验室环境下进行测试分析,取得了较好的实验效果。展开更多
针对传统的基于WiFi的最近邻(K-nearest neighbor algorithm,WiFi-KNN)室内定位算法精确度不能达到精准定位的需求的问题,本文提出了一种基于位置范围限定的K近邻(K-nearest neighbor based on the location range limit,LRLKNN)室内定...针对传统的基于WiFi的最近邻(K-nearest neighbor algorithm,WiFi-KNN)室内定位算法精确度不能达到精准定位的需求的问题,本文提出了一种基于位置范围限定的K近邻(K-nearest neighbor based on the location range limit,LRLKNN)室内定位算法。LRL-KNN算法通过利用用户的先前位置与WiFi指纹数据库中的参考点位置之间的物理距离组成的相关范围因子来缩放指纹距离,以此来减少定位的空间歧义性。尽管利用了先前的位置,但是该算法并不需要知道用户的确切移动速度和方向。与此同时,考虑到WiFi接收信号强度的时间波动性,将RSS直方图合并到距离计算中来减小时间波动带来的影响。实验结果表明:传统KNN算法的平均定位误差为2.13 m,新算法的平均定位误差为1.80 m,该误差在相同的测试环境下比传统的KNN算法减少15%。展开更多
文摘Aiming at the problem that the positioning accuracy of WiFi indoor positioning technology based on location fingerprint has not reached the requirements of practical application, a WiFi indoor positioning and tracking algorithm combining adaptive affine propagation (AAPC), compressed sensing (CS) and Kalman filter is proposed. In the off-line phase, AAPC algorithm is used to generate clustering fingerprints with optimal clustering effect performance;In the online phase, CS and nearest neighbor algorithm are used for position estimation;Finally, the Kalman filter and physical constraints are combined to perform positioning and tracking. By collecting a large number of real experimental data, it is proved that the developed algorithm has higher positioning accuracy and more accurate trajectory tracking effect.
文摘将声表面波传感器与信号无线保真(WIFI)技术相结合,提出了一种基于WIFI的无线声表面波传感器信号采集系统。该系统由声表面波传感器、信号调理电路、处理器、WIFI模块和无线接收终端组成。声表面波传感器混频后的信号经过信号调理电路后,转换为处理器可计频的低频方波信号,并通过WIFI模块将采集到的信号无线发送到接收终端。通过一个输出信号范围在100 k Hz^350 k Hz声表面波传感器信号采集系统的实现,对该系统的结构、性能进行了验证和测试。实验结果表明,该系统可以实现测试范围内信号的采集、发送和无线接收,系统输入信号与无线接收终端接收信号之间的平均绝对误差为0.843 k Hz,最大相对误差为0.51%,无障碍环境有效采集范围约为100 m,有障碍环境有效采集范围约为50 m。
文摘在当前实际生产中,机器运行现场和监控室之间往往需要相隔一定的安全距离。传统的有线传输数据方式给工程施工带来了诸多不便,同时耗费了大量人力和物力。因此,为了加强数据采集传输的适用性,论文采用无线传输方式,在实验室已有条件下,通过自己设计并开发的一个基于WIFI技术的振动信号监测PCB板,实现对于轴承实时振动信号的采集和无线传输,PC机进行数据接收,以Visual Studio 2012为开发工具,内嵌Matlab软件对数据进行算法分析。该系统实现了轴承振动信号的实时采集和无线传输,在实验室环境下进行测试分析,取得了较好的实验效果。
文摘针对传统的基于WiFi的最近邻(K-nearest neighbor algorithm,WiFi-KNN)室内定位算法精确度不能达到精准定位的需求的问题,本文提出了一种基于位置范围限定的K近邻(K-nearest neighbor based on the location range limit,LRLKNN)室内定位算法。LRL-KNN算法通过利用用户的先前位置与WiFi指纹数据库中的参考点位置之间的物理距离组成的相关范围因子来缩放指纹距离,以此来减少定位的空间歧义性。尽管利用了先前的位置,但是该算法并不需要知道用户的确切移动速度和方向。与此同时,考虑到WiFi接收信号强度的时间波动性,将RSS直方图合并到距离计算中来减小时间波动带来的影响。实验结果表明:传统KNN算法的平均定位误差为2.13 m,新算法的平均定位误差为1.80 m,该误差在相同的测试环境下比传统的KNN算法减少15%。
