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。

基于WiFi与GPS组合定位算法的无缝定位方法研究

无线局域网络(WLAN)是一种全新的无线信号传输平台,该文在总结目前无缝定位与导航技术的研究现状、分析存在的问题和发展趋势的基础上,提出了联合GPS和无线局域网络的组合定位方法,以实现室内外的无缝定位与导航。同时,在深入研究卫星导航定位和无线传感器网络定位原理与算法基础上,针对定位环境的不同,提出了无缝定位的解决方案、转换机制和切换策略,并以WiFi网与GPS组合定位算法为例,进行了详细分析和深入讨论,所用算法可以实现无GPS、少于4颗可用卫星以及GDOP值不满足定位情况下的定位,与单独WiFi网络定位算法相比,该算法可以提高定位精度。

一种基于全向指纹库的WiFi室内定位方法

WiFi室内定位技术是导航与位置服务领域的研究热点。室内环境下WiFi信号衰减受人体遮蔽影响较大,本文考虑了用户朝向引起的信号强度差异,提出了一种基于全向指纹库的WiFi室内定位方法。试验结果表明,该方法定位精度高于基于方向识别的指纹定位方法,当K取4时,平均定位误差为1.44 m,定位精度优于1 m的置信概率为54%,优于2 m的置信概率为88%。

基于多视角聚类的WiFi指纹定位方法研究

为了解决在基于聚类方法的WiFi指纹定位中视角单一所导致的定位精度较低的问题,提出了基于多视角聚类的WiFi指纹定位方法。利用阈值-均值滤波方法对原始数据进行处理;结合K-means聚类算法对多视角信号(信号强度和位置)进行区划,并建立离线指纹库;使用基础分类器对实测信号分类,待测信号依据分类结果在其所属区域内估计K个邻近信号点,用近邻以及相应的权重值综合确定该信号的实际位置。通过对比实验分析可知,在考虑多视角的情况下,WiFi指纹定位精度在4 m以内的概率为83%,相比于单视角聚类的定位精度提高了12%。结果表明,该方法提高了定位精度,也为定位领域的研究提供了多元化思路。

室内区域性WiFi定位EKNN算法设计

WiFi由于应用广泛而被作为室内定位的热门技术之一,而定位精度与速度向来是研究的焦点.文中针对室内感兴趣区域(ROI)的定位问题,提出了一种证据理论K近邻(EKNN)算法.首先以接收信号强度指示作为指纹,在各区域分别建立无线指纹数据库作为识别的类;然后利用证据理论在各类别内进行近邻证据组合、类别间进行证据融合;最后确定目标所在ROI类,并在类中进行精定位.与其他算法相比,文中设计的EKNN算法的最佳区域类识别率可以达到97%,最大定位误差约为2.2 m,定位效率也有较大提高.

基于WiFi的室内定位准确率改进算法

针对目前无线保真定位系统在低于2 m的误差范围内累计准确率过低的问题,提出一种改进的去异常值的线性判别低维组合算法。根据无线保真信号强度数据的自身特征进行异常值去除,利用线性判别算法在低维情况下进行排列组合,对所得的若干个概率值求和,通过门限设置对在线定位阶段的新数据进行约束,以提高相邻网格定位的准确率。在真实办公环境室内相邻网格的多次不同场景下将实测数据集作为测试集进行实验,结果验证了该算法的有效性和正确性。

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.

多指纹融合和区域细化的WiFi室内定位方法

针对复杂环境中单一指纹特征表示位置信息导致的定位鲁棒性差和精度低的问题,提出一种基于多指纹特征融合和区域细化的无线保真(WiFi)室内定位方法:对特征选择(ReliefF)算法进行改进,采用改进的ReliefF算法确定接收信号强度指示(RSSI)、信号变化率(Rate)、双曲位置指纹(HLF)和信号强度差(SSD)这4种单一指纹特征对位置信息的贡献,并对4种单一指纹特征进行加权融合,得到组合位置特征;然后提出一种基于组合位置特征数据变化率和k均值(k-means)算法的区域细化算法,在离线构建指纹数据库时对定位区域进行细化。实验结果表明,基于多指纹融合和区域细化的WiFi定位方法比采用单一特征的WiFi定位方法具有更高的定位精度、速度和鲁棒性。

一种改进的WKNN匹配算法

在WiFi室内定位方法中,基于接收信号强度(RSSI)离线指纹数据库的加权K最邻近点(WKNN)算法得到了深入研究,但目前的WKNN算法未考虑实测数据维度高、无效缺省数据多等特点,不利于匹配定位精确度的提高。为此,在对实测RSSI指纹向量按照由大到小进行排序的基础上,只选取大于设定RSSI阈值的有效RSSI指纹数据进行后续的匹配;按照欧式距离的统计量自适应调整K值;按照欧式距离的均值,调整高斯权重系数。实验结果表明,与未改进的WKNN算法相比,改进后的WKNN算法定位精确度更高。

一种智能手机室内位置共享的方法

针对GPS室内定位精度较低,难以实现准确的室内位置共享的问题,提出一种智能手机室内位置共享的方法,主要包括室内定位和路径规划2个部分:室内定位方法采用行走采集的方式快速构建WiFi指纹数据库,分析3种智能手机获取航向的方法,并采用球面线性插值算法来融合陀螺仪和旋转矢量传感器以获得更为稳定的航向,再将WiFi定位与航迹推算结果进行粒子滤波融合;路径规划方法利用环信即时通讯云作为通讯服务器实现位置共享,并采用Dijkstra算法计算最短路径,为用户提供地图导航。实验结果表明,该方法能够在有效提高室内定位精度的同时,结合室内位置共享和路径规划实现快速准确的室内寻人寻址。

移动监控终端无线传输系统的设计与实现

设计并实现了一个移动监控终端无线传输系统,该系统能够做到在不同的网络环境中实现监控终端定位信息的无线传输。结合定位终端定位信息的应用途径和当前网络环境日趋多样化的特点详细阐述了在不同网络环境中实现监控终端定位信息实时无线传输的重要性与必要性。在此基础上,较细致地说明了系统的工作原理,给出了系统结构框图,并介绍了系统各个模块的功能。实验证实,该系统可在基于IEEE802.11技术标准的WIFI无线网络和2代移动通信网络环境中实现监控终端定位信息的实时无线传输,并实现监控终端与控制中心之间简单的信息交互。

融合ROF模型的高斯滤波RSSI测距算法

针对WiFi室内定位时由于室内环境的复杂性、不确定性导致所采集的RSSI信号存在奇异值、波动性的问题,提出一种基于高斯滤波的改进算法,以期提高WiFi定位的测距精度:在原有高斯滤波算法基础上与全变分去噪算法相结合,引入ROF模型;并利用采集的RSSI矩阵数据梯度控制扩散系数,当扩散系数较小时保留有效信息,扩散系数较大时去除噪声;接着对去噪后的RSSI矩阵进行自适应校正,同时抑制阶梯效应引起的RSSI矩阵平滑不均匀现象,实现对强度信号的滤波及平滑处理。实验结果表明,该方法对提高WiFi定位的测距精度有较好效果。

室内定位系统中位置指纹库滤波算法研究

WiFi指纹定位是目前最受欢迎的室内定位技术之一,离线阶段创建的位置指纹库的精确与否对定位的精准度有很大的影响。传统的指纹库构建一般对采集的数据进行均值滤波,误差较大,并且在范围较大的场合进行定位时,由于位置指纹数据过多,使得定位时效性不好,结果不理想。为了提高指纹库的可靠性,通过给采集的源指纹数据赋予权值并根据权值的大小划分有效数据进行滤波处理,建立高精度指纹库,并利用基于临近域加权最近邻算法进行验证。实验结果表明,与传统的构建指纹库和定位算法相比,该方法显著提高了定位精度,缩短了定位时间。

改进k最邻近算法的智能泊车系统实现

针对目前私家车数量激增,大型商场日渐增多而商场室内停车场车位利用率低,用户停取车不方便等问题,提出1种将改进k最邻近算法融入到无线保真(WiFi)室内定位算法以提高定位精度的方法:利用指纹点采集的相应信号强度作为离线数据库内容,在安卓开发平台设计1款停车场室内定位系统,可提供给用户空车位信息,同时可以将获取的用户当前指纹信息与离线数据库匹配,从而进行定位,在一定精度范围内确定用户所在位置;用户在安卓移动端安装该系统,进入停车场可查看相关车位信息,做出选择后发出信号,实现与系统交互式操作。实验结果表明,该系统可满足精度要求,能够从实际上解决停车场室内定位问题。

无线信号辅助智能手机的室内融合定位

针对当前WiFi指纹定位和PDR定位存在单一信号定位误差大的问题,提出一种泛在WiFi信号辅助智能手机的融合定位方法:以当前广泛使用的Android移动设备作为信号源设备,结合WiFi指纹定位和PDR定位技术各自优点,实现真实环境下的高精度室内定位。实验结果表明,融合定位方法相比单一数据源定位方法的定位精度更高、硬件部署成本更低,可以满足多数应用场景的定位需求。

正则化距离准则的Wi-Fi位置指纹室内定位方法

针对K-近邻法中常规指纹相似度匹配准则未能充分利用测试点和参考点的几何距离信息问题,该文提出了正则化距离准则的Wi-Fi位置指纹室内定位方法。该方法较常规距离准则兼顾了测试点与参考点的指纹距离和可靠几何距离,仅增加了正则化距离和K-近邻位置估算的迭代流程。而且,该方法仅含一个正则化因子,确定方法简便且可解释性好。密集与稀疏参考点格网间距下智能手机Wi-Fi平面定位实验表明,所提方法在正则化距离准则下能够有效提高约20%的定位精度,其中曼氏和欧氏定位中误差不超过2m。

一种基于CSI的加权K邻近室内定位方法

针对基于接收信号强度定位(received signal strength indication,RSSI)技术的无线保真(wireless fidelity,WiFi)室内定位技术,存在由于WiFi信号强度受多径效应和噪声的影响导致定位精度低和性能不稳定等的问题。与RSSI相比,信道状态信息(channel status information,CSI)能有效避免多径效应给定位结果带来的不良影响,因此,采用CSI的值作为定位的特征值,建立Radio Map的位置指纹数据库,通过加权邻近算法匹配k组最近的指纹库数据估测出定位点位置。实验结果表明,与RSSI相比WiFi指纹定位采用CSI作为特征值提高了定位精度和稳定性。