基于LCS/GA-WKNN算法的指纹室内定位聚类区域划分及性能评估

为了提高指纹室内定位精度,在多尺度核主成分分析过程提取得到定位区域内RP指纹特征基础上,该文提出了一种基于遗传算法优化的WKNN定位算法(GA-WKNN算法)。研究测试结果表明,以随机方式从实验区域选择20个未知节点实施定位分析,分别从不同维度采用本文定位方法评价室内环境定位特性。经过参数优化确定:RP间距为1.2 m,子区域个数3个是最优的。采用PCA指纹特征提取模型能够提取得到精确位置指纹特征,从而降低定位结果受到噪声因素的影响,实现定位精度以及稳定性的显著提升。本文设计的算法估计误差区间介于0.37 m~2.35 m,其中,比例为86.6%的定位误差可以控制在1.2 m以内。本文设计的算法能够克服传统室内定位算法存在的限制,从而降低噪声引起的定位偏差,实现定位精度的显著提升。

基于改进WKNN的蓝牙室内定位方法

大型商超、地下停车场等公共场所对室内定位的需求迫切,而GPS定位技术无法实现室内定位。针对传统定位算法定位精度低的问题,文中提出一种基于改进WKNN的蓝牙室内定位方法。首先构建欧氏距离与曼哈顿距离融合的相似度度量函数,改进权值的计算方法;在此基础上,针对偏差较大的跳跃点以及长时间连续定位采集数据量庞大的特点,提出一种基于粒子群的滤波算法,使预测轨迹更贴近真实轨迹。实验结果表明:与传统WKNN算法相比,所提方法定位精度提高约40 cm;相比传统的卡尔曼滤波,基于粒子群的滤波算法可以进一步将定位精度提高约4 cm。

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RSSI分布重叠的WKNN室内定位方法

针对信号的时变性影响定位精度的问题,提出一种基于接收信号强度指示高斯分布重叠的加权K最近邻室内定位方法.该方法首先根据高斯分布重叠相似度与距离之间的曲线关系设定相似度阈值,再利用支持向量机选取定位点M个最近邻指纹点,然后将定位点与近邻指纹点在各AP上以RSSI概率分布重叠相似度作为特征信息,并利用阈值选取K个近邻指纹点,最后利用WKNN算法获取定位点位置坐标.实验结果表明:该方法不仅定位误差低于其它传统定位方法,同时还具有更好的鲁棒性和实用性.

参考点对WiFi位置指纹算法的影响

随着室内定位技术的发展,WiFi位置指纹定位算法得到了人们的广泛关注,主要探讨了参考点数量与参考点间隔对于算法精度的影响。采用Matlab软件对位置指纹算法分别在实验环境和模拟环境中进行了仿真,通过实验数据得出随着参考点数量的增加,KNN与WKNN算法定位精度差不断减小,参考点数量越多,后改进的WKNN算法相比于KNN算法的定位精度提高的也越来越小,基本无明显差别。参考点数量越多计算越复杂,采用白化的K-Means聚类算法提高计算效率和定位精度,对参考点间隔对于定位精度的影响进行了实验,得出定位精度并不是参考点间隔越小越精确,而是在1.5 m左右的间隔为佳。

基于最小值的多映射数据结构指纹库定位算法

在离线阶段对指纹库的构建采用多映射的数据结构,使每个采样点坐标对应同一AP的一个或多个RSSI信息值。在线匹配阶段,通过计算待定位点的RSSI信息与离线数据库的指纹信息的欧式距离,欧式距离值越小,说明两者的拟合程度越高,计算出两者拟合程度的最小值,以此找出与待定位点相关的指纹点。最后,使用WKNN匹配算法求出待定位点的估计坐标。

一种改进的WIFI位置指纹室内定位算法

WIFI位置指纹定位作为目前常见的室内定位方法,存在接收信号强度(received signal strength,RSS)波动和时变等问题,导致定位精度不高。文章为此设计了一种采用结合卡尔曼滤波的方差修正加权K最近邻(weighted K-nearest neighbor,WKNN)算法的室内定位方法。离线阶段,经过卡尔曼滤波后,选择数据的方差和均值作为反映RSS变化的特征值;在线阶段,通过采集的信号均值计算近似方差,对欧式距离进行权重修正,最后选择K个最近邻点确定待定点位置。实验结果表明:该文采用的定位方法平均定位精度达到1.248 m,相比于传统的WKNN室内定位方法,平均定位精度提升了20.3%;对比K-均值聚类结合动态加权K最近邻算法(K-means-EWKNN),平均定位精度提升了8.9%。

WKNN在UWB定位中的应用研究

UWB(Ultra-wideband)信号时间分辨率高、测距精度高。考虑到位置指纹定位法在复杂的室内环境中可以有效提供目标位置估计,因此将UWB测距值作为指纹信息,研究基于TOA(time of arrival)的UWB位置指纹定位法,指纹匹配算法选择加权K最近邻(weighted K nearest neighbors,WKNN)算法。仿真结果表明,WKNN算法采用卡方距离作为距离度量方式优于欧氏距离、曼哈顿距离和切比雪夫距离。WKNN算法中K值的大小对定位精度有着很大的影响,K值过大或过小,均会使定位精度降低;且K值的选择与指纹密度有关。

RSSI和PC-CSI加权融合的指纹定位方法

针对基于RSSI和CSI的指纹定位技术易受环境干扰、定位精度较低的问题,提出了一种基于RSSI指纹和相位修正信道状态信息(phase correct based channel state information,PC-CSI)指纹的加权融合指纹定位技术。基于PC-CSI的指纹定位在传统基于CSI幅值的指纹定位基础上增加相位信息对定位结果进行修正,之后对RSSI指纹和PC-CSI指纹的定位结果加权重定位。实验结果表明,提出的加权融合指纹定位算法与基于CSI的主动定位算法相比,平均定位误差(mean position error,MPE)降低了36.2%,能满足室内定位需求。

基于UWB的指纹定位算法研究

针对在医院室内非视距环境中,多径现象明显、测距误差较大的问题,本文基于超宽带技术(Ultra-wideband,UWB)功耗低、多径分辨率高、测距精度高等优点,研究了位置指纹法的定位原理与NN指纹定位法及其改进算法。实验采用基于飞行时间(Time of Fight,TOF)测距数据作为指纹建立数据库,分别研究了NN算法和WKNN的定位性能,并进行误差分析。结果表明两种算法均能达到厘米级的定位精度,且WKNN算法相对NN算法的定位误差改善了18.09%,提高了在非视距环境中定位的精确度和稳健性。

自行小车悬挂输送系统无线定位算法

针对WKNN算法中未知节点的定位中邻近参考点参数固定、定位不灵活且误差较大的问题,提出了基于RSSI的加权近邻改进算法。首先对RSSI值进行高斯滤波处理,通过FCM聚类确定未知节点所属类别,采用隶属度阈值对聚类结果进行修正。然后根据FCM的聚类子样本数设定WKNN算法的近邻值,实现了WKNN算法的自适应计算。实验结果表明,该方法的定位精度明显好于KNN和WKNN的定位算法,其平均误差不超过0.36 m。

基于区域划分的局部更新指纹定位算法

针对室内定位指纹数据库更新成本过高的问题,设计了一种通过区域划分进行局部更新指纹数据库的RFID(Radio Frequency Identification,射频识别技术)室内定位算法。该算法通过聚类算法将指纹地图分成若干个子区域,每个子区域选取一个代表点代表该子区域的指纹有效性,通过检测代表点的有效性来选择加权k近邻算法(Weighted k-Nearest Neighbor,WkNN)定位或子区域数据库的局部更新。实验结果表明,该算法在低成本的条件下极大限度地提高了定位精度和长期定位稳定性。

线性不稳定环境下的WIFI室内定位系统

随着位置感知技术的发展,室内定位的需求变得日益强烈。目前室内定位技术在线性环境下的应用较少,本文针对线性不稳定环境下定位耗时的问题,提出了短时路径记忆辅助的加权K最近邻算法SPM-WKNN(weighted Knearest neighbor of short time path memory)来提高定位效率。针对无线访问接入点(AP-access point)变化大的问题,本文提出了基于无线AP相关系数的接入点分簇机制,减小无线AP变化所带来的影响,提高定位精度。通过理论分析及仿真表明本文提出的SPM-WKNN算法和接入点分簇机制相对于原有算法在线性不稳定环境下可以有效缩短定位时间,提高定位精度。

WiFi辅助的IMU室内定位方法的研究

无线网络的大量普及使得利用无线定位成为可能,目前的WiFi定位技术已经取得一定的成果。惯性导航定位具有对环境适应性高、不需要额外辅助的优点,但在长距离定位上,受到累积误差因素的影响,传统的惯性导航定位具有很大的局限性。在传统的惯性导航基础上,提出利用Wi Fi指纹定位对惯性导航定位的结果进行周期性辅助校正的处理,使得惯性导航定位的结果更为准确。

基于WiFi与PDR融合的井下定位方法

为了提高井下人员定位的精度和稳定性,融合了WiFi定位和行人航位推算(PDR)。采用MeanShift算法对WiFi指纹数据库进行聚类处理,减少了WiFi指纹定位的运算量。基于PDR定位坐标,提出了一种改进的加权K邻近(WKNN)算法,并采用互补滤波融合WiFi定位和PDR。实验结果表明,融合定位的精度和稳定性高于单独的WiFi定位和PDR,能够满足井下定位的需求。

室内定位方法及研究

随着经济发展,基于位置的服务已成为人们生活中一种重要的信息服务。图书馆作为一个可提供图书借阅的单位,虽有电子化借阅系统,但因其室内环境复杂,读者因缺少位置服务难以快速确定自身及图书位置。针对读者寻书过程中场景变换较多、书架分布可视化程度低导致寻找不便与已有寻书方法人员定位精度低等问题,本文基于iBeacon设备,研究位置指纹定位中特征值提取与异常点检测两大关键技术,通过引入高斯核密度估计检测初始异常值,选取卡尔曼滤波提取特征值,然后利用WKNN算法进行定位。实验表明,该算法在保证定位效率的同时可提高定位精度。最后基于Android手机,设计了图书馆定位查询系统,通过结合空间查询技术与iBeacon指纹定位技术,为消费者提供更佳的位置信息服务。

基于WIFI的位置指纹参考节点密度与定位精度关系研究

为探究基于WIFI的位置指纹室内定位中定位精度与离线数据库参考节点密度关系,本文采用待测节点与参考节点位置关系原理理论推导、正方形、三角形和六边形三种不同参考节点的排布方式的计算机拟合并以正方形排布方式为例进行实际验证的方法,对参考节点密度与定位精度关系开展研究。回归分析结果表明,参考节点密度与定位精度在不同排布方式下均呈现显著正相关线性关系。