基于WiFi-BP的室内定位算法

针对设备差异性造成信号偏差从而影响定位精度的问题,提出了一种结合BP神经网络和加权质心定位算法的室内定位算法。文中通过离群点检测算法对不同手机的RSSI数据进行清洗,并以清洗后的数据作为BP神经网络的数据源进行模型训练,得到了一种稳定的非线性的BP模型。在此基础上,结合改进的室内定位算法进行室内定位。实验结果表明,文中所提定位算法的均值误差、最小误差和最大误差分别为为0.58 m、0.24 m和1.06 m,定位精度明显高于现有的同类算法。     

基于像素距离加权的室内成像定位研究

针对室内成像定位技术受随机噪声的影响较大、定位误差较高的问题,提出了一种基于像素距离加权的室内成像定位技术。在室内屋顶布设多个红外LED,依靠成像传感器获得红外LED信标的像点,将成像点到成像传感器中心的像素距离作为加权因子引入室内成像定位算法中,可以有效地提高室内定位精度。并进行了仿真实验,实验选择4m×4m×3m的空间区域模拟室内环境,当布设的红外LED信标数量为3时,应用改进后的算法可以获得10cm以内的定位误差性能,并且误差波动不超过5cm。另外,随着布设信标数量的增加,定位误差继续减小。改进后的定位算法有效地提高了室内定位的精度以及成像定位算法的普适性。     

一种基于TC-OFDM系统的室内定位算法

为了保证火灾时人们安全有序撤离及方便消防救援工作,对室内定位技术在消防救援中的应用进行了研究,提出一种基于TC-OFDM(Time&Code Division-Orthogonal Frequency Division Multiplexing)系统的室内定位新算法。该算法根据接收定位基点数目的不同采取不同处理流程,可以满足应用对鲁棒性要求。算法通过气压测高获得高度数据,实现了室内三维空间定位。为了提高定位稳定性,算法增加了加权滑动平均滤波后处理。使用TC-OFDM实验测试系统对新算法进行了性能测式,水平定位误差约为3 m,垂直定位误差为0.5 m。     

基于随机森林算法的室内可见光指纹定位方法

为进一步提高动态目标室内可见光定位追踪系统性能，提出了一种基于随机森林（RF）算法的室内可见光指纹定位方法。利用发光二极管（LED）的光强信号作为特征构建指纹数据库，应用指纹库中的数据训练决策树，引入RF算法进行初始定位，再通过卡尔曼滤波对初始位置估计进行优化，从而获得更准确的定位轨迹。仿真结果表明：在5 m×5 m×3 m的室内场景下，通过所提定位方法能获得大部分采样点误差分布在4 cm之内的定位效果；此外，通过与不同室内可见光定位算法的性能进行对比，验证了所提算法的技术优势。     

基于TDOA算法的差分UWB室内定位系统研究

超宽带UWB定位技术在受到电磁干扰、NLOS等情况影响时,实际定位环境变得复杂,造成实际定位精度不高、定位稳定性差。通过借鉴差分GPS技术,以TDOA-UWB室内定位技术为基础,提出差分UWB定位算法。同时结合权重滑动平均法,研究并提出基于TDOA算法的差分UWB室内定位系统,以Hainan EVK 2.0系统作为实验平台进行相关的测试实验。实验结果表明,基于TDOA算法的差分UWB室内定位系统能有效提高定位精度和定位稳定性,在受到外界干扰的情况下,定位误差整体降低23%。     

基于多天线到达相位差的室内定位算法

针对测距式射频识别(RFID)室内定位算法的精确度会受到测距误差严重影响的问题,提出一种基于多天线到达相位差(M-PDOA)的室内定位算法。通过M-PDOA测距方法进行测距,采用三边测量算法对目标标签进行定位。仿真结果显示,本算法的测距平均误差为0.102 7 m,性能提升65.76%;定位平均误差为0.180 7 m,性能提升56.67%,说明本文算法能够有效减少测距误差,并且定位精确度较高。     

一种基于GACNN改进的室内可见光指纹定位算法

为提高室内可见光定位系统性能,提出了基于遗传算法训练卷积神经网络(Genetic Algorithm Convolutional Neural Network, GACNN)的室内可见光指纹定位算法。该算法引入一维卷积神经网络学习模型,针对卷积神经网络的超参数设置,利用遗传算法对卷积神经网络进行训练,将超参数进行二进制编码后采用精英遗传算法对CNN进行训练,来解决卷积神经网络模型参数调节依靠经验和模糊最优化的过程。实验结果表明：在室内4 m×4 m×2.5 m的定位场景下,定位算法可以获得平均定位误差4.11 cm的定位精度。相较于卷积神经网络定位算法,平均定位误差降低了25%。对比分析了不同室内可见光定位算法的性能,验证了算法的技术优势。     

稀疏训练指纹库融合MMPSO-ELM室内可见光定位

为了解决采用极限学习机(ELM)神经网络室内可见光定位方法存在误差较大、网络模型训练时间较长、结果稳定性较差等缺点, 采用稀疏训练指纹库, 融合多目标动量粒子群算法(MMPSO), 结合ELM室内可见光定位方法, 形成MMPSO-ELM方案, 引入动量因子, 避免迭代过程中过度振荡, 加快系统收敛速度。在不同的定位空间内随机选取训练数据集方式, 在测试点数量不同的情况下, 将本方案与后向传播(BP)、ELM以及PSO-ELM 3种定位算法进行了比较。结果表明, MMPSO-ELM方案在20组训练数据条件下, 对80组待定位点进行预测定位, 定位误差最大为0.0225m, 最小误差为0.00093m, 平均定位误差低至0.00143m, 且定位性能受定位空间大小影响较小; MMPSO-ELM可见光定位方案具有定位精度高、速度快、泛化性强等优点。该研究为在室内场所实现快速准确定位提供了理论支撑。     

声表面波室内定位系统与算法研究

鉴于声表面波技术的无源优势,搭建了由声表面波标签和阅读器构成的室内定位系统,在测量标签回波信号强度时,可有效减小多径效应的影响。设计了以三边定位为基础的定位算法,包括测距、选星、位置估计3个阶段,分析了3个定位圆之间位置关系可能出现的全部情况,并有针对性地进行自适应修正。仿真测试结果验证了定位算法的定位误差小于根心法和加权质心法。系统测试结果表明,定位系统可实现2 m×2 m的定位,平均定位误差为31.84 cm。室内定位系统和算法以较少的锚节点实现了较小的室内定位误差。     

基于Elman神经网络的室内定位算法

针对传统室内定位算法精度较低的问题，提出一种基于Elman神经网络的室内定位算法。使用Elman神经网络进行指纹库插值扩充，完备指纹库，两者结合减少定位误差，并对该算法模型进行了实验验证。实验结果表明：在0.8 m×0.8 m×0.8 m环境中，所提算法的平均定位误差为4.6 cm，满足室内定位对于精度的要求。