基于Wi-Fi指纹且计算外包的室内定位隐私保护方案

为了解决室内定位中用户和服务器双方的隐私保护问题,提出了一种在使用Paillier加密的过程中将部分计算外包给云服务器的方案,这不仅保护了用户和定位服务器的隐私,而且避免了产生过大的计算和通信开销。该方案的主要思想是服务器先在离线阶段建立指纹数据库,在线阶段用户将k匿名算法和Paillier加密结合,将加密后的Wi-Fi指纹发送给定位服务器,服务器对接收到的Wi-Fi指纹和数据库指纹进行聚合处理,然后外包给云服务器进行解密和距离计算,最终得到定位结果。理论分析和实验结果表明了所提方案的安全性、有效性和实用性。

基于Wi-Fi指纹和LED光学特性的室内定位系统

该文提出了一种基于Wi-Fi指纹和LED光学特性的室内定位系统,将Wi-Fi指纹和光学特性的色温和频率信息进行组合定位。使用光学特性提高Wi-Fi指纹定位的精准度。将需要定位的区域划分为多个相同的小区域,并在整个区域上构建稀疏的Wi-Fi指纹地图。通过Wi-Fi指纹定位确定目标所在的小区域。在小区域内通过光学信息的光照强度和频率信息进行精准定位。最后,通过设计实验和仿真结果表明,在室内环境中,该系统实现了平均误差为0.97 dm的定位,能够有效地定位。

基于降噪生成对抗网络的Wi-Fi指纹变化强度检测算法

在Wi-Fi指纹室内定位中,由于Wi-Fi访问接入点(AP,access point)会随时间发生各种改变,为了保持较高的定位精度,需要定期更新指纹库,这将浪费大量的人力物力成本。本文研究了如何在线准确检测Wi-Fi指纹变化,从而有效地更新指纹库。AReDGAN(Alteration Reducing Denoising Generative Adversarial Network)是一个基于降噪自编码器和生成对抗网络的深度学习模型,通过学习变化指纹的分布来重构指纹。在AReDGAN的基础上,进一步开发了指纹变化检测系统,该系统利用众包的Wi-Fi接收信号强度(RSS,received signal strength)测量方法构建了指纹变化强度图。指纹变化强度图表示感兴趣区域内任意位置的指纹变化强度。本文在两个真实的室内场景中进行大量广泛的实验,对指纹变化检测系统进行性能评估。结果表明,该系统在所有测试场景下都能生成准确的指纹变化强度图,有助于指纹库的及时更新。

基于Wi-Fi指纹定位技术的智能停车场系统的设计与实现

为解决城市停车难问题,通过Wi-Fi指纹定位技术实现大型地下停车场智能系统的低成本部署、免取卡操作、智能化导航,设计了一套智能停车场系统。该系统同时提供智能反向寻车指引和自动缴费功能,以提高停车场资源管理效率,改善用户体验,促进信息技术在停车场管理中的进一步应用。实验表明,所提方案能够在低成本部署前提下,实现适合停场定位精度的定位需求。

基于K-Means和FCM的增强型Wi-Fi指纹定位策略

研究了通过数据处理算法以提高Wi-Fi指纹库室内定位性能的问题.首先采集Wi-Fi指纹样本,将其放入MySQL数据库中和R工程;其次将Wi-Fi指纹库分成若干个簇,使用K-均值聚类(K-Means)和模糊C-均值聚类(FCM)对待定位的Wi-Fi指纹进行聚类分析;最后,提出增强型的聚类策略(ECS)应用于Wi-Fi指纹匹配定位中.实验结果表明,ECS较仅使用FCM算法,其定位耗时缩短约50%-80%,且定位精度上有所改善;ECS较仅使用K-Means算法,其定位精度提高约20%-40%,且定位稳定性较强并自动更新Wi-Fi指纹库.

基于域自适应的Wi-Fi指纹设备无关室内定位模型

基于Wi-Fi指纹定位方法在大规模实际应用中存在设备多样性问题,定位精度受到极大影响。提出了一种设备无关的Wi-Fi指纹室内定位模型DeviceTransfer。该模型基于深度学习的域自适应理论,把智能手机的设备类型作为域,通过对抗训练来提取任务相关而设备无关的Wi-Fi数据特征,并把学习到的源域位置信息迁移到目标域上。采用预训练和联合训练来提高模型训练的稳定性并加快收敛。在教学楼和商场2个真实场景中,使用4台不同型号的智能手机验证模型的性能。实验结果表明,DeviceTransfer能够有效提取设备无关的Wi-Fi数据特征。只使用一台手机在参考点采集Wi-Fi指纹,使用其他型号手机在线定位也能获得较高的定位精度,降低了定位成本。

基于群组的WI-FI指纹室内定位研究

WI-FI指纹定位是最常用的室内定位算法之一,但是WI-FI指纹定位存在较大的定位误差。为了提高定位精度,提出了基于群组的定位算法。首先在WI-FI指纹定位的基础上,提出了群组的概念,然后阐述了基于最小编辑距离的群组识别算法,最后利用群组中人与人之间的物理距离,设计了一种基于群组的定位算法。实验表明,基于群组的WI-FI指纹定位算法能明显减小WI-FI指纹定位的误差。

Wi-Fi指纹聚类在室内感兴趣区域定位中的应用

针对广域室内位置服务中Wi-Fi指纹图谱构建与维护困难的问题,论证无监督聚类算法实现感兴趣区域(POI)定位的可行性,从而为众包模式生成POI关联定位指纹图谱提供依据。首先介绍Wi-Fi指纹定位算法的基本框架,并将k均值算法、近邻传播算法、自适应传播算法应用到Wi-Fi指纹定位;然后以一个实验室为例,分析室内POI划分与空间区域的关系,建立无线信号强度指示(RSSI)特征库,以BP神经网络算法作为对比,评价三类无监督聚类算法在POI定位的性能,其定位的平均精度和查全率均高于90%。实验结果表明,无监督聚类算法生成无线指纹图谱可以作为粗粒度的室内POI定位的解决方案。

基于Wi-Fi指纹的移动考勤系统设计与实现

本文介绍了传统的Wi-Fi指纹定位技术及其优缺点,并针对其缺点做出了改进,将其应用至移动考勤场景中,提出了一种基于Wi-Fi指纹技术的移动考勤方案,并基于此方案设计实现了一个基于Wi-Fi指纹技术的移动考勤系统。使用基于该方案开发的考勤系统,可以允许员工在任何有Wi-Fi覆盖的区域使用手机进行考勤,不受考勤机放置限制,同时节省了考勤机的设备成本;Wi-Fi指纹自动更新机制也节省了指纹定期维护的人工成本。

基于VIO和Wi-Fi指纹技术的室内定位系统设计

针对视觉惯性里程计(Visual-Inertial Odometry,VIO)在特征高度重复的场合易产生较大误差以及Wi-Fi指纹精确度不高等问题,提出了一种基于VIO和Wi-Fi指纹技术的室内定位方法。该系统运用VIO和Wi-Fi指纹在系统层面的结合,利用Wi-Fi指纹的无漂移、成本低的特点和VIO在一定范围内的高精确度,先进行Wi-Fi指纹粗定位,后进行VIO精定位,将大面积切割成小面积从而有效提高系统室内定位精确度,降低误差。该系统能在精定位的同时进行对指纹数据库的更新。实验结果表明,该系统的定位误差小于单独使用VIO或Wi-Fi指纹的系统,平均误差达0.15 m,能够有效提高定位精度。

基于Wi-Fi指纹与视觉融合的室内交通定位

为解决室内交通在GPS盲区情况下的定位问题,将Wi-Fi指纹定位与视觉定位相结合,研究了一种高精度室内交通定位方法。在离线阶段,在Wi-Fi采样点处采集无线AP的MAC地址及其采样点坐标,生成Wi-Fi位置指纹数据库,然后采集定位区域内的所有门牌图片,生成训练图像集,计算出训练图像的SURF与ORB全局特征描述符,并与标志采样点坐标共同构成视觉定位数据库。在定位阶段,采集待定位点的实测指纹及被测试图像,利用指纹匹配算法得到待定位区域的范围及坐标,再利用图像特征匹配算法与KNN算法在训练图像集中得到与被测试图像相匹配的训练图像,即匹配图像,通过查询视觉定位数据库得到视觉定位范围及坐标。当匹配图像的坐标位于Wi-Fi定位范围内,将视觉定位坐标作为最终的定位参考坐标,反之将Wi-Fi定位坐标作为最终的定位参考坐标。实验选取了不同的室内交通环境对算法进行验证,定位误差为0m的占比为82%,误差在6m之内的占比为12%,误差在6~10m之内的占比为6%;平均定位误差为0.75m,而且在线平均定位耗时仅为0.56s,能实现鲁棒的高精度的室内交通定位需求。

基于核K-means与RVM分类回归的Wi-Fi指纹室内定位算法

针对室内定位指纹算法的定位精度以及实时性问题,提出一种基于核K-means和相关向量机的定位算法。该算法首先使用核K-means算法将接收信号强度进行聚类,存入指纹特征数据库,通过RVM回归对指纹数据库进行训练,算出最优拟合位置的数学模型。实验结果表明,该算法于定位实时性以及定位精度优于SVM相关定位算法。

基于Wi-Fi指纹的煤矿井巷目标追踪实验设计

基于“应急通信技术”课程实践教学环节,为了让学生用较少时间获得更好的目标追踪效果,创新设计了基于Wi-Fi指纹的煤矿井巷目标追踪实验。首先提出一种基于信号接入点测量准确度(accuracy base on access point measurement,ABAPM)的在线动态匹配算法,以解决信号接入点(access point,AP)与待定位目标之间被移动物体遮挡情况下信号传输受限问题;然后利用K-Means++算法降低在线匹配阶段运行时间;最后联合ABAPM算法与卡尔曼滤波实现煤矿井巷携带标签目标的轨迹追踪。仿真与实测结果表明:在煤矿井巷环境中,基于ABAPM算法的Wi-Fi指纹目标追踪能够有效判断AP准确度,保障偶然被遮挡目标的定位精度和追踪效果,且耗时较短。

基于Wi-Fi指纹和随机森林的定位算法

针对Wi-Fi信号强度的相似性对室内定位的影响,本文提出一种基于Wi-Fi指纹和随机森林的室内定位算法。该算法采用Wi-Fi作为信号源,以接收信号强度指示和基本服务集标识符来构建Wi-Fi指纹库,从而建立随机森林模型用于室内位置感知。仿真实验表明,该算法的定位误差约为2.26 m,与同类算法相比,在执行时间和定位精度上具有较好的优越性,算法精度提高约3.2%。

企业可移动考勤系统Wi-Fi指纹定位与监测技术分析

随着我国经济的不断发展和进步,社会各行业都取得了很快的发展和进步。在如今的社会中,考勤系统在各个企业中都随处可见,是人们工作中所用到的一种十分重要的工作系统,其中Wi-Fi指纹定位与监测技术就是一个十分重要的内容。所以我们一定要对可移动考勤系统Wi-Fi指纹定位与监测技术有一个清楚的认识。但是目前,企业移动考勤系统Wi-Fi指纹定位和监控技术仍存在诸多问题。所以为了企业能够得到更好的运行,我们一定要努力找到相关有效的策略来解决这些问题。基于此,本文对企业移动考勤系统的Wi-Fi指纹定位和监控技术进行了简单分析。

基于Wi-Fi指纹定位的智能车仿生声呐SLAM算法研究

针对基于SLAM技术智能车在室内构建二维经验图优化问题,在RatSLAM的基础上,采用仿生声呐系统代替视觉传感器的BatSLAM模型和Wi-Fi指纹定位,实现室内的二维经验图优化。本文在BatSLAM的基础上,使用Wi-Fi指纹定位技术,离线阶段构建指纹数据库,在线阶段使用K加权近邻算法实现在线指纹匹配,提高定位的准确性和精度,从而改善经验图的失真问题。仿真实验表明,采用基于Wi-Fi指纹定位的BatSLAM模型,不仅实现了智能车室内二维经验图的构建,而且提高了定位的准确性和精度,改善经验图的失真问题,实现经验图的优化效果。

基于随机离散Wi-Fi指纹的室内定位技术研究

近年来,室内定位的需求日益增加,实现室内精确定位成为了学者追求的目标。多个Wi-Fi源发出的信号叠加在某位置点时,会呈现出诸如指纹般的唯一识别特性,这种特性使得使用Wi-Fi指纹对特定对象进行室内定位成为可能。文章首先研究了Wi-Fi指纹信号序列的最佳组成形式,选用适当的筛选算法对指纹信号数据进行筛选。将结果数据的不等长序列归一化成等长序列录入数据库。然后和位置索引库中的数据进行比对,从而得出定位对象在投影地图中的坐标。

改进MixNet的CSI图像指纹室内定位方法

为了提升信道状态信息(channel state information,CSI)指纹室内定位的性能,提出了一种改进MixNet的CSI图像指纹室内定位方法.在离线阶段,通过选择定位参考点(reference point,RP)处信号强度指示(received signal strength indication,RSSI)最强的3个接入点(access point,AP),提取其CSI数据并转换为图像;然后利用改进的MixNet模型对图像进行训练并保存模型.其中改进的MixNet引入了坐标注意力(coordinate attention,CA)和残差连接.首先,将MixNet-s中的SE(squeeze-and-excitation)注意力替换为CA,以增强网络的信息表示能力并更精确地获取CSI图像指纹特征.其次,根据MixNet-s模型的特点构建残差连接,以增强网络的表示能力并防止过拟合.最后,通过减小网络深度确保所有网络层得到充分训练;在线阶段,采集目标设备的CSI数据并转换为图像,输入已训练好的改进MixNet模型(命名为MixNet-CA);最后利用加权质心算法根据模型输出的概率值估计目标设备的最终位置.提出方法在室内环境中进行了验证,达到了0.3620 m的平均定位误差.

人机共享环境下基于Wi-Fi指纹的室内定位方法

针对服务机器人和行人的室内全局定位问题,提出一种人机共享环境下基于Wi-Fi指纹的室内定位方法.首先,采用核主成分分析法(KPCA)从双频段的Wi-Fi信号中提取一种设备无关的鲁棒位置指纹,用于Wi-Fi指纹定位.然后,为了提高行人定位的稳定性和精确度,结合行人航迹推算(PDR)的定位方法,设计了一种基于选择更新粒子滤波(SUPF)的Wi-Fi/PDR组合定位算法.在该算法中,利用PDR对移动场景下的Wi-Fi定位结果进行了初步校正,并通过定义自适应大小的可信空间对校正后的结果进行评估,从而在数据融合之前剔除不可信的Wi-Fi定位估计.最后,在实际场景下开展了定位实验,Wi-Fi/PDR组合定位的平均定位误差约为2 m,实验结果表明所提出的方法提升了定位系统的精确度和鲁棒性.

一种改进的Wi-Fi位置指纹室内定位算法

经典的Wi-Fi位置指纹室内定位算法的在线匹配阶段通常采用加权K近邻算法(Weighted K-Near Neighborhood,WKNN),该算法定位移动对象时容易出现目标漂移,定位精度不高的情况。对此,本文提出了一种基于目标跟踪的加权K近邻算法和卡尔曼滤波的融合定位算法(Weighted K-nearest Neighbor Algorithm and Kalman Filter Fusion Localization Algorithm,WKNN-KF)。该算法充分考虑待定位点移动的连续性,首先利用加权K近邻算法对目标进行定位得到观测值,其次将观测值和卡尔曼滤波预估值进行加权求和,最后得到最优的估计坐标值。仿真实验结果发现,相比于加权K近邻算法,WKNN-KF定位算法对移动对象的运动轨迹定位更准确,算法的定位精度提高了45.7%,具有很好的推广应用价值。