一种轻量化CNN的WIFI指纹室内定位模型

为了提高室内WiFi指纹定位技术的定位精度,减少模型参数量。本文提出一种基于卷积神经网络(Convolutional Neural Network, CNN)的轻量化室内定位模型。首先将接收信号的强度指示 (RSSI) 处理为二维灰度图,然后使用深度可分离卷积进行特征提取,将提取后的特征通过自适应池化层(Adaptive Avg Pool 2d)固定输出大小,减少全连接层参数量;最后输入到全连接层进行分类。在UJIIndoorLoc数据集和Tampere数据集上的实验结果表明:模型的楼层定位分别达到了99%和99.7%的准确度,坐标定位的平均误差为6.51 m,训练参数为48685个。与现有的先进室内定位模型相比,定位精度更高、模型参数更少。

传感器辅助的WiFi指纹室内定位方法

针对Wi Fi指纹室内定位技术中信号传播时变性大导致定位精度低的问题,提出一种传感器辅助的Wi Fi指纹定位方法。首先根据移动终端内置的加速度传感器判断用户的走步状态,以减少信号时变所引起的定位误差;然后利用终端中的磁力计与陀螺仪,通过传感器融合来计算用户的运动方向。最后结合所得的方向信息和历史位置计算终端位置,以减少指纹图中与终端反向的指纹带来的干扰,从而减少指纹匹配计算的复杂度。实验结果表明,提出的传感器辅助Wi Fi指纹定位技术能减小位置估计误差并提高定位的鲁棒性。

基于加权余弦相似度的WiFi指纹室内定位

基于Wi Fi的室内定位具有低成本、易部署、覆盖范围广、精度高等优点,成为室内定位技术研究的热点.Wi Fi指纹定位法可以对抗多径的影响,具有较高的定位精度.但是由于智能移动终端的种类繁多,使得室内定位系统离线建立的指纹数据库难以兼容不同的智能移动设备,降低了定位系统的适用性.为解决此问题,提出了加权余弦相似度算法,使用信号强度的加权余弦相似度作为匹配特征.实测表明,采用加权余弦相似度算法可有效解决终端差异性,提高了室内定位系统的精度和普适性.

基于人工鱼群优化的BP神经网络WiFi指纹室内定位方法

针对传统的基于反向传播(BP)神经网络室内定位算法存在着低精度和慢收敛问题,且考虑到室内环境复杂,通常存在多径效应,无法使用信号强度衰减测距模型进行精确定位,提出一种改进的人工鱼群优化的BP神经网络WiFi指纹室内定位算法.利用人工鱼群觅食和寻优方式来提高全局寻优搜索的速度和能力,采用改进的人工鱼群算法(IAFSA)优化选取室内定位BP神经网络的权值和阈值,有效避免了传统BP神经网络的预测值易陷入局部最优的缺点,同时利用高斯滤波对信号进行去噪处理,建立采样点获取到的信号强度值(RSSI)与位置坐标的关系.实验结果证明所提方法与传统的BP神经网络方法相比,平均定位误差减少了0.75 m,平均定位精度提高32.2%,提高了定位可靠性,算法具有更好的稳定性.

基于增强指纹特征的WiFi室内定位方法

基于位置指纹的WiFi定位是室内常用的定位方法之一,但WiFi位置指纹库存在无线接入点(AP,access points)分布及稀疏样本等问题,严重影响室内局部区域的定位效果。为此,提出一种基于增强指纹特征的WiFi室内定位方法。在指纹库建立阶段,通过基于接收比率与方差的AP优选策略,筛选出更加稳定、质量更好的AP点;再对相应位置指纹库进行扩充,实现在减少前期建库工作量的同时提高指纹库质量;最后在匹配定位阶段,融合皮尔逊相关系数构建加权的k最邻近(k-Nearest Neighbor,kNN)定位算法。实际定位场景测试结果表明,与常规的位置指纹Wi Fi室内定位方法相比,该方法将定位精度提高了22.5%。所提出的基于增强指纹特征的WiFi室内定位可以在降低指纹库采集成本的同时,有效提升定位效益与精度。

DS-ECA-CNN:一种新型轻量化CNN的WIFI指纹室内定位模型

针对在大规模室内环境下多建筑、多楼层定位场景中定位精度不高、模型参数量大的问题,本文设计了一种WIFI指纹室内定位(DS-ECA-CNN)模型,该模型基于卷积神经网络(CNN)进行改进,包括特征提取模块和分类模块,其中特征提取模块由基于深度可分离卷积(DS)模块与注意力模块(ECA)融合的模块(DS-ECA)组成。DS-ECA模块在降低模型参数量的同时,能有效地增强了模型的整体性能表现。在UJIIndoorLoc数据集、Tampere数据集这两个公共数据集上对模型性能进行了评估,实验结果显示,UJIIndoorLoc数据集上的建筑定位准确率为100%,楼层定位准确率为99.2%;Tampere数据集上的建筑定位准确率为100%,楼层定位准确率为99.7%。提出的模型和与其他室内定位模型相比,定位精度更高;模型参数量少;存储空间更小。

一种WiFi混合滤波的RSSI室内定位算法

针对接收信号强度指示(RSSI)在基于WiFi的室内定位应用中易受到环境影响出现波动、突变进而导致定位精度降低的问题,提出了一种WiFi混合滤波的RSSI室内定位算法。首先,根据WiFi信号距离衰减模型设计一种自适应阈值滤波器剔除观测信号异常值;然后,根据自适应阈值滤波、卡尔曼(Kalman)滤波、均值(Mean)滤波设计了一种混合滤波算法(ATKM)对RSSI数据进行滤波;最后,提出了一种基于斯皮尔曼-欧几里得距离的加权K近邻算法(SEWKNN)进行位置估计。在真实环境下的实测结果表明,本文提出的ATKM滤波算法能显著降低RSSI信号的波动,提出的SEWKNN算法在室内环境中平均定位误差为1.17 m,在走廊环境中平均定位误差为1.53m,相比传统的WKNN算法平均定位误差分别下降18.18%和16.84%。

基于AAPC、CS与卡尔曼滤波的WiFi室内定位跟踪算法

针对基于位置指纹的WiFi室内定位技术的定位精度尚未达到实际应用要求的问题,提出一种融合自适应仿射传播(AAPC)、压缩感知(CS)与卡尔曼滤波的WiFi室内定位跟踪算法。其中,离线阶段使用AAPC算法生成具有最优聚类效应性能的聚类指纹,在线阶段采用CS与最近邻算法进行位置估计。最后,通过将卡尔曼滤波与物理限制相集成来进行定位跟踪。通过采集大量真实实验数据,证明了所开发的算法具有更高的定位精度和更准确的轨迹跟踪效果。

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.

一种融合蓝牙和地磁的位置指纹室内定位方法

室内定位服务目前已经普遍运用到了导航、抢险救灾等领域,其中基于蓝牙传感器的室内定位易于普及、实用性强,并且可以借助手机自带的一些功能实现,然而在人员较多和电磁环境复杂的区域往往定位效果较差。针对这个问题,本文提出了一种蓝牙与地磁融合的位置指纹室内定位方法,即在待定位的商场等区域设置若干蓝牙信标,采用手机自带的i Beacon功能和霍尔传感器分别接收蓝牙和地磁信号,之后对蓝牙估计坐标和地磁估计坐标在决策层进行融合计算用户的位置,既减小了定位误差又没有耗费额外的硬件资源。实验结果表明该融合定位方法具有较高的估计精度。

信号指纹测量下双度量协同的室内定位方法

针对室内WiFi定位中指纹信息冗余、空间边界划分困难和RP集获取精准度缺失的问题,提出一种信号指纹测量下双度量协同的室内定位方法。通过S度量和欧氏度量下指纹矩阵融合,精简形成低维指纹信息,考量指纹间“点-类”关联度和“类-类”相似度,兼顾子区域边界新增指纹数目的可控性,确立子区域边界模糊深度调整机制,形成边界模糊泛化能力,以区域稀疏度判定插值方法完成指纹库扩充,以构建高密度离线指纹库。在优选子区域中,结合信号空间和位置空间,对比两类度量的差异度,实现对高价值指纹点的定向筛选,削弱在线指纹匹配集合的误差影响。在全局实验场景中,分区结果规整有序,较为符合实际空间构造。指纹库构建效果较其他方案至少提升11%,定位精度相对同类型算法提升了12%以上,论文所提方案定位精度优势显著,在具备高扰动特点下的复杂室内环境中,具有较好的场景适应性。

基于PDR与信号指纹的室内融合定位方法

室内复杂环境中,为了解决行人航位推算法(Pedestrian Dead Reckoning, PDR)存在误差累积、指纹定位法存在结果回跳的问题,提出PDR与信号指纹联合作用下的融合定位方法。基于峰值步态检测,引入模型动态调整峰谷阈值以匹配行走变速,提高检测过程对运动状态变化的适应性。以运动时空信息修正信号空间的相似点权值,加权求和克服环境干扰提升指纹定位精度。利用扩展卡尔曼滤波(Extended Kalman Filter, EKF)对融合系统模型线进行性化提取,通过对待定位点的迭代预测与更新的过程实现稳定且准确的寻优结果。实验验证所提方法较单一PDR或信号指纹可分别提升约47.7%和14.1%的定位精度,平均定位误差可减小到2.138 m。

基于ECA-CNN的混合指纹室内定位方法

在指纹法的定位中,指纹特征和定位模型是影响定位精度的2个关键因素.在指纹特征的选取方面,可见光强度稳定性较高,但位置特征区分度低;无线信号强度区分度较高,但波动性较强.在定位模型的构建方面,基于卷积神经网络(convolutional neural network, CNN)的定位模型在特征提取时不能有效地突出重要特征.针对上述问题,提出一种基于ECA-CNN的混合指纹室内定位方法(hybrid fingerprint indoor localization method based on ECA-CNN, ECACon-HF).首先,利用可见光强度和低功耗蓝牙(Bluetooth low energy, BLE)接收信号强度指示(received signal strength indication, RSSI)来构建混合指纹,降低BLE指纹不稳定的影响,并增强不同位置之间的区分度.同时,基于高效通道注意力(efficient channel attention, ECA)模块改进CNN定位模型,ECA能够通过跨通道交互策略自适应地提取指纹中的重要信息,抑制指纹中的环境干扰,增强混合指纹特征表达能力,更有效地利用混合指纹优势.实验结果显示,ECAConHF在构建的混合指纹库上可以达到0.316 m的定位精度,高于在单一指纹上的精度;并且基于同一指纹库,ECACon-HF相比其他室内定位方法,定位精度具有明显优势.

一种基于WiFi的位置指纹和PDR的缠绕融合定位方法

目前基于接收信号强度(RSSI)的位置指纹定位与行人航位推算(PDR)的组合定位算法,大多着重于PDR的步态解算优化,未考虑指纹定位的鲁棒性差和基础定位误差较大带来的负面影响,没有针对环境特性有效地将两种算法在流程上充分融合。文中提出一种基于WiFi-RSSI的位置指纹和PDR相结合的缠绕融合定位方法,根据平面楼层环境及各区域内行人运动程度规划实验范围,通过递进平均滤波校准PDR的结果,减小PDR的累计误差。其次结合环境划分递进位置指纹库,在对应的不同区域使用对应的离线指纹库,通过PDR解算步态数据校准位置指纹的异向偏移,输出最终指纹定位结果,减小了位置指纹法的定位偏差。最后通过无迹卡尔曼(UKF)择优观测输入进行融合滤波,得到最终结果。通过仿真实验验证,该算法效果相较于位置指纹法和PDR,定位精度提升了41%和29%,较现有的组合定位方法提升了28%。

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。

基于投票机制的室内WiFi指纹定位算法

针对传统室内WiFi指纹定位算法中单个距离度量的局限性且未考虑到dBm表示与功率之间的关系的问题,提出一种基于投票机制的室内WiFi指纹定位算法。在采集到接收信号强度(RSS)数据后,首先,对RSS数据进行预处理;然后,基于投票机制对每种距离度量选中的近邻点取交集组成公共近邻点,并统计每个公共近邻点出现的频率;最后,通过概率加权得到最终定位结果。实验结果表明,所提出方法的定位精度为1.63 m,与K近邻(KNN)、斯皮尔曼(Spearman)和肯德尔相关系数(KTCC)方法的定位精度相比,平均定位精度分别提升了10%、33%和58%。此外,与MAN2数据集中的最优定位精度1.86 m相比,定位精度提高了12%。

基于迁移学习提高WiFi室内定位中信道状态信息指纹库的鲁棒性

基于信道状态信息(CSI)数据的WiFi指纹可用于室内定位。与信号强度值(RSSI)数据相比,CSI具有更高的数据信息粒度,并且可以在多个子载波上获得。当使用CSI数据进行室内定位时,相对于RSSI可以获得更好的结果。然而,无论使用RSSI还是CSI信号,在室内定位部署期间的一段时间后,室内环境通常会发生变化,并且基于测试数据的指纹数据库通常会恶化甚至失效。该文提出使用迁移学习算法来建立用于室内定位的指纹数据库。迁移学习的优势在于,可以使用较少的数据来获得更好的迁移训练结果。该文使用迁移学习来迁移指纹数据库的预测,延长指纹数据库的生命周期,并提高室内定位的鲁棒性。经过实验,1周后室内定位准确率保持在98%,两周后保持在97%。在相同成本下,该模型的生命周期和定位精度高于长短期记忆网络(LSTM)、卷积神经网络(CNN)、支持向量机(SVM)、深度神经网络(DNN)和其他定位系统。

WiFi指纹室内定位的信号滤波算法研究

针对WiFi指纹室内定位技术中的接收信号强度的偏态分布问题,该文提出一种缩放因子自动优化的改进箱线图滤波方法。该方法利用中位数构建非对称的滤波区间,同时利用位置比对进行缩放因子的自动优化,进行了原始观测数据的粗差剔除,解决了非高斯分布噪声的影响,实现了复杂室内场景中的高精度WiFi室内定位。实验结果表明,所提出的算法可以有效地剔除WiFi指纹室内定位技术中的观测噪声,滤波算法的缩放因子参数实现了自动优化,具有更好的鲁棒性,提高了WiFi指纹室内定位的精度和可靠度。

一种基于SO-CNN模型的可见光室内定位优化方法

针对基于机器学习的可见光室内定位方法存在的手工调参、定位精度低等问题,结合蛇优化(Snake Optimization,SO)算法的寻优能力与卷积神经网络(Convolutional Neural Network,CNN)处理复杂非线性问题的能力,提出了一种基于SO-CNN模型的可见光室内定位优化方法。在考虑多径效应影响的情况下,采集每个位置点处的信噪比和对应位置坐标构建指纹数据库,对SO-CNN模型进行训练和测试,以得到最佳定位模型。实验结果表明,在5 m×5 m×3 m的房间中,与未经优化的CNN相比,该方法的平均定位误差降低了35.13%;与反向传播神经网络(Back Propagation Neural Network,BPNN)、多层感知器(Multilayer Perceptron,MLP)、SO-MLP相比,该方法的平均定位误差分别降低了54.75%,48.08%,37.01%。

面向室内语音导航的“附近”关系协同定位方法

针对传统室内定位模式单一,且单一“附近”空间关系无法满足定位需求的问题,提出一种融合“附近”空间关系/无线保真(WiFi)/行人航迹推算(PDR)/地磁的室内定位方法:阐述多源融合语音交互室内定位方法框架;并针对室内环境,建立“附近”空间关系概率密度函数;然后步行构建地磁/WiFi指纹库;最后后通过“附近”空间关系约束粒子及指纹匹配空间范围,在PDR推算位置基础上,利用WiFi/地磁/“附近”空间关系更新粒子权重,实现最优位置估计。实验结果表明,基于粒子滤波融合单一“附近”空间关系/WiFi/PDR/地磁为一种低成本可行的定位方法,平均定位精度1.93 m,有90%可能性定位精度可达2.52 m。