基于KDDA和SFLA-LSSVR算法的WLAN室内定位算法

针对接收信号强度(received signal strength,RSS)的时变性降低WLAN室内定位精度的问题,提出了一种基于核直接判别分析(kernel direct discriminant analysis,KDDA)和混洗蛙跳最小二乘支持向量回归机(SFLA-LSSVR)的定位算法,该算法通过核函数策略将采集的各接入点(access point,AP)的RSS信号映射到非线性领域,有效提取了非线性定位特征,重组定位信息,去除冗余定位特征和噪声;然后采用LSSVR算法构建指纹点定位特征数据与物理位置的映射关系模型,采用SFLA算法优化该关系模型的参数,并用该关系模型对测试点的位置进行回归预测.实验结果表明:提出算法在相同的采样次数下的定位精度明显优于WKNN,ANN,LSSVR算法,并且在相同的定位精度下,采样次数较大减少,是一种性能良好的WLAN室内定位算法.

基于多高斯混合模型的WLAN室内定位系统

对参考点上信号强度分布采用多高斯混合模型建模从而构建定位系统指纹数据库,模型参数使用期望最大值算法进行估计.由于该模型考虑了各无线接入点信号强度之间的相关关系,因而能更精确地对参考点上信号强度实际分布进行建模,从而使得系统精度提高.测试实验结果表明提出的方法其误差在3m内的概率相对于HORUS,MLP和KCCA分别提高了12%,10%和7%,而平均误差分别降低了0.77m,0.81m和0.20m,验证了本方法的有效性.

基于核函数特征提取的室内定位算法研究

提出了一种基于核函数特征提取(KPCA,kernel principal component analysis)的室内定位算法。该算法在离线阶段使用核函数特征提取方法训练原始位置指纹(OLF,original location fingerprint),提取原始位置指纹的非线性特征,可以有效地利用各个接入节点(AP,access point)的接收信号强度信息;而在线阶段使用一种改进的加权k近邻(IWKNN,improved weight k-nearest neighbor)算法,自主选择近邻数进行位置估计。实验结果表明,提出的算法在平均误差和定位准确率方面优于其他的室内定位算法,并且该算法需要更少的接收信号强度(RSS,received signal strength)采集次数和AP个数。

基于WiFi的动态室内定位方法研究

针对传统的室内定位算法难以有效解决节点动态移动对定位的影响问题,设计了一种基于优先级的动态跨层数据队列管理方法。分析了传统位置指纹的定位方法和容迟性问题,在数据链接层和MAC层之间实现优先级的数据队列管理机制,实验结果表明:融入该机制的室内定位比传统定位方法有更好的定位精度,数据传输率和自适应性。

基于无线局域网接收信号强度分析的混合室内定位方法

为了给用户提供丰富的室内位置服务,需要在结构复杂且人员密集的室内环境中进行精确定位。根据对无线局域网接收信号强度的分析,可以利用三角定位算法和指纹定位算法进行混合室内定位。首先在网格划分的基础上离线构造参考点接收信号强度数据库,并采用三角定位算法估算所有无线接入点的位置,然后根据定位精度需求设定混合定位方法的接收信号强度阈值。在线定位时,根据用户终端实际接收到的无线接入点个数和信号强度选择三角定位算法或指纹定位算法进行位置计算。实验表明,该室内定位方法有效且稳定。