基于Kmeans聚类的CSI室内定位

多径效应导致基于接收信号强度指示(RSSI)的室内定位精度不高,采用高细粒度的物理层信道状态信息(CSI)可以更好地描述室内多径环境,提高基于指纹的室内定位的精度。利用聚类算法提取CSI,提高了不同位置之间指纹的区分性。在定位阶段采用一种简单有效的方法进行类的匹配。实验结果表明,在使用单个信标的情况下,定位精度较以往算法提高了24%。     

基于CSI与SVM回归的室内定位方法

为研究室内定位技术在复杂环境中的应用,以楼梯和实验室为实验场景,提出了一种基于信道状态信息（CSI）与SVM回归的室内定位方法。该方法通过基于密度的空间聚类方法（DBSCAN）去除信号噪声,并用主成分分析法（PCA）提取贡献最大的指纹特征,同时降低CSI指纹的维度。通过SVM回归建立CSI指纹与目标位置之间的非线性关系,从而达到根据测得的CSI指纹估计目标位置的目的。实验结果表明,在多径效应较强的楼梯复杂环境中,该定位系统可以在90%以上的概率下达到1 m的定位精度,实验室环境中可以在82%的概率下达到0.8 m的定位精度, 这表明基于CSI与SVM回归的室内定位方法具有高效性和可行性。     

基于CSI的改进KNN室内定位方法

为了解决基于接收信号强度指示(RSSI)的室内定位方法定位精度低和稳定性差等问题,提出了一种基于信道状态信息(CSI)的无源室内定位算法。该算法使用卡尔曼滤波处理原始CSI信号,结合高斯径向基核函数加权的K邻近算法(RBF-KNN)与置信度空间进行室内定位。实验结果表明:该方法精度高于其他算法。     

一种RSS和CSI融合的二阶段室内定位方法

针对基于接收信号强度RSS(Received Signal Strength)或信道状态信息CSI(Channel State Information)的室内定位方法在现实环境中定位精度低的问题,提出一种RSS和CSI融合的二阶段室内定位方法.离线训练时采集数据构建指纹库;在线测试时首先利用RSS和改进的k最近邻kNN(k-NearestNeighbor)算法进行位置粗略估计,然后根据粗略估计结果筛选参考点构建子指纹库,最后使用高斯核函数改进的k最近邻算法进行位置精确估计.将该定位方法在室内复杂环境和空旷环境两种环境中进行实验验证,定位精度分别达到72.4％和75.9％,并将本文方法与两种现有的经典定位方法DeepFi和Horus在同一环境中进行比较,实验结果表明该方法能够有效地减小定位误差、提高定位精度.     

基于稀疏表示的CSI室内定位方法

室内精确定位具有重要的应用价值.由于GPS等系统在室内受到多种因素影响无法提供精确定位,如何精确定位室内环境位置成为研究和应用的热点.通过分析无线设备的信道状态信息（CSI）可以实现无需携带设备的精准室内定位方法,并应用于多种情形下的位置追踪和感知.为了解决无线信号多径效应和噪声干扰对室内精确定位的影响,提出了基于稀疏表示的CSI室内定位方法.利用CSI提供的频率分集和多天线提供的空间分集,有效地减轻了多径效应的影响.在此基础上,通过稀疏表示方法进行了一定程度上的指纹噪声消除,提高了算法的鲁棒性和抗噪能力;利用CSI灵敏的相位特征提高了定位准确度.采用路由器作为信号发射器,利用Linux 802.11n CSI-TOOL采集CSI信号,定制清华同方台式电脑和Intel 5300无线网卡驱动搭建实验环境.实验结果表明,该算法能够有效提高室内定位的准确度和精度,平均精度在0.5 m左右,准确度达到了91%.     

基于卷积神经网络的室内指纹定位算法

随着无线网络和智能设备的普及,室内定位得到了迅速发展.在室内定位中,基于指纹的定位方法因为无需外部设施、抗干扰性强等优点逐渐成为研究热点.近几年深度学习的发展为提高指纹定位算法的精度带来了新的机遇.因此提出了一种基于CNN的指纹定位算法,使用卷积神经网络（convolutional neural network,简称CNN）来改进指纹库的构建.首先,在收集了CSI与磁场数据后,通过CNN对这些数据进行处理,将每个参考点处的CNN模型参数值用作为指纹.然后使用一种概率方法来进行最后的指纹匹配.实验结果表明,该定位算法比传统的指纹定位算法具有更好的鲁棒性和更高的定位精度.     

基于LoRa指纹的室内定位算法

在基于LoRa的室内定位研究中,提出一种基于LoRa指纹和支持向量回归(SVR)的室内定位算法。针对传统基于无线信号RSSI指纹和SVR室内定位算法定位精度不高问题,从两个方面进行改进:在指纹特征方面,增加LoRa测距指纹,提高指纹稳定性;在指纹数据库建立和在线定位过程中,分别采用高斯滤波和中位数滤波来对指纹进行预处理,消除指纹的粗大误差。实验结果显示:1 m以内的定位误差的累积概率为78.5%,3 m以内的定位误差的累积概率为90%。增加LoRa测距指纹之后定位精度相比之前提高了40%;增加了高斯滤波与中位数滤波预处理后定位精度较传统的支持向量回归算法提高了38%。两个方面改进之后定位精度总体提高63%,证明了该算法的两个改进是有效的。     

基于无线信道状态相位信息优化的定位算法

随着位置服务需求的增长,基于Wi-Fi接收信号的室内定位技术一直是研究热点之一.通过检测环境变化对Wi-Fi无线信道状态信息CSI的影响,从而实现对室内人员的定位具有通用性强、部署成本低等优点.针对大多系统仅使用CSI中幅度信息所带来准确性和稳定性不足的问题,设计并实现了一种基于CSI相位信息优化的定位算法,该方法通过采集幅度和相位参数相结合作为位置指纹特征,并对特征数据进行预先平滑去噪后进行指纹库的构建,然后通过机器学习方法进行人员位置的分类识别.由于相位和幅度信息可以相互补充,弥补了某些易混淆位置的分类错误,从而解决了采用单一特征的定位准确性和稳定性问题.实验进行了两种不同多径场景下的实验,比较了不同指纹特征选取、数据预处理方法以及三种机器学习算法对定位准确度的影响,其结果表明采用本文所提出算法总体上可以在仅使用CSI幅度特征的基础上提高13%.     

基于贝叶斯过滤法的CSI室内定位方法

无线信号多径效应导致基于接收信号强度指示（RSSI）的室内定位方法的精度和稳定性下降。为解决这一问题,提出基于贝叶斯过滤法的信道状态信息（CSI）室内定位方法（BCL ）。将物理层的CSI结合RSSI作为参考信息,减轻信号接收端的多径衰减影响;在此基础上,采用贝叶斯过滤法进行数据处理,降低接收信号的时变性。实验结果表明,相比现有的典型室内定位方法, BC L有效提高了定位准确度和稳定性。     

基于CSI相位差值矫正的室内定位算法

针对现有基于信道状态信息的室内无源指纹定位方法在复杂场景中多数存在相位误差偏移、指纹噪声大、样本分类精度低的问题,提出一种基于相位差值矫正的室内指纹定位算法。在离线阶段通过计算相位差值矫正通信链路中的相位误差和偏移,建立鲁棒的指纹数据库,使用BP神经网络对指纹特征数据进行训练,得到指纹特征信息与物理位置的映射关系模型。在线阶段相位采样值经过差值矫正后作为模型的输入,计算得到最终的精确定位结果。实验结果表明,与现有基于指纹的定位方法相比,该方法具有去噪效果显著、定位精度高的优点。     

室内信号强度指纹定位算法改进

由于人们对基于位置服务的需求越来越高,室内定位技术在诸多领域得到了广泛的应用,而定位算法则是室内定位研究的重点。首先介绍了最近邻和KNN两种信号强度指纹定位算法,并说明了KNN信号强度指纹算法的不足。在KNN信号强度指纹定位算法的基础上,提出了改进的基于区域划分的定位算法。在定位阶段,首先对接收信号强度进行补偿和滤波处理,以降低各种外在因素对定位精度的影响;同时对定位区域进行划分,选择主参考节点,并基于加权的最近邻匹配来选择最近的信号强度指纹;最后对定位结果进行计算并验证。仿真实验表明,改进的区域划分算法相对于传统的KNN算法,定位精度提高了22.2%,达到2.1m,证明了改进算法的可行性。     

基于半监督仿射传播聚类和KLDA的室内定位算法*

室内定位中位置指纹库采集的密集程度往往跟定位精度密切相关,针对离线阶段时指纹库稀疏的情况下定位精度低的问题,提出了一种基于半监督仿射传播聚类和KLDA的室内定位算法。该算法结合了在线阶段采集无位置标签的RSSI数据,通过建立局部邻域图将无位置标签的RSSI信息反映到离线指纹数据的结构中,并使用KLDA方法抽取位置指纹库中最大的特征信息,有效利用了无位置标签的RSSI信息从而提高定位精度。实验结果表明,该算法结合在线阶段RSSI数据后定位精度得到了明显的提高。而且在仅保留离线指纹数据库三分之二的情况下,也几乎能够取得与传统KNN算法使用全指纹库时相同的定位精度,相当于减少了离线阶段采集指纹库的工作开销。     

基于近邻传播算法的动态自适应室内指纹定位算法

目前传统的室内指纹定位算法中存在以下几个问题,首先在构建指纹库时采用平均值的方式构造指纹库容易受到噪声点影响而降低定位精度,其次使用欧式距离衡量待定位点与指纹点之间的距离可能引入信号强度距离较近,物理距离较远的参考点参与估计待定位点的位置从而增大定位误差,以及当参考点数量较大时,由于K近邻算法的计算量较大,从而造成定位过程耗时较大,能源耗费较多的情况,除此之外,由于K近邻算法无法根据实际情况确定参与定位的参考点个数从而限制了定位系统的精确性和拓展性。针对上述问题,本文设计了一种基于近邻传播算法的动态自适应室内指纹定位算法。该算法在离线阶段对在每一个参考点采集的信号强度值使用方差滤波算法去除噪声值,然后利用加入了参考点物理信息的近邻传播算法对参考点进行聚类处理。在在线阶段,通过进行粗略定位和精确定位动态的估计待定位点的物理位置。经过实验证明,本文所提出的新算法较对比算法有较高的精确度和稳定度。     

基于RSSI信号特征的室内分区指纹定位算法

为提高室内定位精度和算法效率,提出基于RSSI信号特征的分区指纹定位算法。在离线阶段,区别于传统的使用RSSI信号构建离线指纹库的方法,设计使用RSSI信号衰减率建立离线指纹库;在在线定位阶段,针对使用欧式距离进行相似度计算时,容易出现两个点RSSI信号欧式距离较近而物理距离较远的情况,提出使用RSSI信号衰减率进行子区域划分,引入SSD的思想使用二级指纹进行精确定位。通过实验验证了该算法的适应性与有效性。     

基于RNN的多传感器融合室内定位方法

针对室内空间内的人员定位困难问题进行了研究,提出了一种基于Wi-Fi指纹法和循环神经网络(re-current neural network,RNN)的多传感器融合室内定位算法.该算法将智能手机接收到的路由器信号强度作为时间序列输入RN N,通过RN N获得对行人精度较高的定位,与此同时获取智能手机中惯性测量单元提供的位置信息.随后,通过粒子滤波算法对两种定位方式的定位结果进行融合.在实际场景下设计了多组实验进行对比.实验结果表明,该算法定位平均误差为0.9 m,优于加权K近邻等算法,可以为行人提供实时的定位.     

基于动态时间规整距离指纹匹配的Wi-Fi网络室内定位算法

Wi-Fi网络中常规的基于指纹匹配室内定位算法面临信号时变现象或人为干扰的影响,导致定位精度不高。为此,提出基于动态时间规整（DTW）距离相似性指纹匹配的Wi-Fi网络室内定位算法。首先,该算法将定位区域的Wi-Fi信号特征按照采样的先后顺序转化为时间序列类型指纹,通过计算Wi-Fi信号指纹动态时间规整距离的大小来获取定位点与样本点的相似性;然后,根据采样区域结构特征,将Wi-Fi信号指纹采集问题划分为三类基本的动态路径采样方式;最后,结合多种动态路径采样方式增加指纹特征信息的准确性和完整性,从而提高指纹匹配的准确性和定位精度。大量实验结果表明,较瞬时指纹匹配定位算法,所提算法误差范围在3m以内定位的累积错误率：路径区域匀速运动提高了10%,变速运动提高了13%;开放区域交叉曲线运动提高了9%,S型曲线运动提高了3%。所提算法在实际室内定位应用中能有效提高指纹匹配的准确性和定位精度。     

基于30°角同心圆环形取样的室内人员检测方法

在现有基于信道状态信息的室内无源定位方法中,取样点的选取对指纹库的特征匹配准确率以及定位精度具有较大影响.根据WiFi信号的传输特性和信道的衰落特征,提出一种30°角同心圆环形取样法.离线阶段,按照同心圆对检测区域实现环形划分并每隔30.进行一次取样,运用主成分分析算法提取差异化信号特征并构建指纹库.在线阶段,通过陆地移动距离算法进行入侵检测,当检测到有人存在时,利用改进的支持向量回归算法并引入高斯核函数对数据进行特征匹配,最终实现人员的精确定位.实验结果表明,与CSI-MIMO、FIFS方法相比,该方法定位精度更高,定位误差更小.     

基于WiFi的一种改进的室内定位算法

为解决室内定位中算法定位精度不高、误差偏大的问题,在原有指纹匹配算法的基础上,提出了一种新的信号能量加权改进接收信号强度的方法.通过对改进后的信号能量进行均值滤波和阈值滤波处理,改善离线建立指纹库阶段建库数据源.在线匹配阶段,改进WKNN算法,利用方差加权结合欧式距离倒数进行相似度匹配.该方法与目前的WKNN算法相比,在减少复杂度的同时,对定位效果进行改善.在不考虑AP组合对定位结果影响的情况下,仿真结果表明所提出的改进算法能明显提高定位精度.