共查询到17条相似文献,搜索用时 140 毫秒
1.
2.
为了实现低成本、低复杂度以及高精度的室内定位系统,提出了基于指纹的室内可见光定位方法。该方法利用可见光发光二极管作为信号源,根据接收到的可见光信号强度信息,结合三角定位算法和指纹定位算法,实现室内高精度定位。定位过程主要分为两步:第一步,通过三角定位算法确定移动目标粗略的位置范围;第二步,以该位置范围作为限制条件,使用指纹定位算法实现更精确定位。实验结果表明,该方法与传统的基于可见光信号强度的定位方法相比,平均定位精度提高了64.71%;同时,与传统的基于指纹的定位方法相比,可以在更低复杂度的情况下,实现更精确定位。 相似文献
3.
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%. 相似文献
4.
目前构建基于机器学习的室内可见光定位模型主要依赖于光电二极管和指纹数量,为了降低指纹采集的复杂度,提高定位精度,提出一种基于指纹矩阵稀疏重构的室内三维可见光定位算法。该算法利用极限学习机训练稀疏采样点,采用奇异值分解和交替方向乘子法求解稀疏指纹矩阵的重构问题。该算法可以有效降低指纹的采样率,同时可以基于极限学习机算法较强的泛化能力提高定位速度和定位精度。在此基础上,由于可见光的多径反射等因素的影响,定位区域的边界定位误差大于内部定位误差,通过引入一种边界修正定位算法,可以有效降低边界定位误差。仿真和实验结果表明,与传统的机器学习算法相比,该算法在减少其所需指纹数量的同时,具有更高的定位速度和精度。 相似文献
5.
6.
将K-means聚类算法应用到无线局域网(WLAN)位置指纹定位中,虽然可以缩短定位时间,但是容易降低定位精度。为了解决此问题,提出了基于改进指纹聚类的WLAN定位优化方法。首先根据接收信号强度标准差来优化初始聚类中心的选取,然后对指纹数据进行聚类处理,最后进行在线定位。实验结果表明,与传统的WLAN位置指纹定位方法和K-means聚类定位方法相比,基于改进指纹聚类的定位优化方法不仅缩短了定位时间,还能有效提高定位精度。 相似文献
7.
针对位置指纹定位算法在训练阶段信号数据采集量大和定位精度不高的问题,提出一种压缩感知(CS,Compressed Sensing)与K均值改进支持向量机(SVM,Support Vector Machine)相结合的定位算法模型(CS-KSVM)。CS算法在训练阶段利用已采集到的部分参考点wifi信号强度数据对整个指纹信号库进行重构以降低信号采集工作量,再用K均值改进SVM算法来实现测试点的准确分类。实验仿真结果表明,CS-KSVM算法在相同采样点条件下的定位精度明显要高于传统定位算法,同时在相同定位精度条件下大大减少了定位需要的采样点数。CS-KSVM算法在3米之内的定位准确度可以达到93.2%。 相似文献
8.
基于射频识别的指纹滤波定位技术是当前室内定位中常使用的技术之一。针对该技术存在的卡尔曼滤波算法不能准确适应环境噪声变化,致使定位精度不高的问题,提出了一种适应时变噪声的贝叶斯卡尔曼滤波算法。所提算法结合Sage-Husa滤波模型和贝叶斯模型,实现了过程和测量协方差矩阵的最优化,有效地降低了噪声,提高了指纹滤波定位的精度。实验结果表明,与变分贝叶斯卡尔曼滤波和Sage-Husa滤波相比,无障碍情况下,基于改进算法的定位精度提高了6%以上;有障碍干扰下,则提高了14. 6%以上。 相似文献
9.
10.
为减少室内定位复杂度并进一步提高定位精度,提出了一种5G超密集网络下的室内压缩重构指纹定位算法.该算法分为离线建库阶段和在线匹配阶段两个阶段.离线建库阶段采用了矩阵填充理论进行指纹库的构建,只需采取少量的指纹点构建具有低秩特性的局部指纹库,并通过非精确增广拉格朗日乘子法(Inexact Augmented Lagrangian Multiplier Method,IALM)算法进行矩阵填充,从而恢复完整的指纹库.在线匹配阶段采用卡方距离代替传统的欧式距离来计算待定位点与参考指纹点的相似度,并用加权K近邻算法估算出待定位点坐标.经过实验仿真分析,所提算法以1.13%的误差节约了40%的工作量,在信噪比为10 dB时定位误差最小为0.2008 m,与传统K近邻指纹匹配算法相比具有更好的定位精度. 相似文献
11.
12.
在室内指纹定位中,室内环境会影响以接收信号强度指标(Received Signal Strength Indicator, RSSI)或信道状态信息(Channel State Information, CSI)的指纹数据,使得采集指纹数据构建的数据库具有不稳定性和不可靠性的特点,从而影响定位准确率和精度。基于此,本文提出了时间反演(Time Reversal, TR)联合到达时间(Time Of Arrival, TOA)测距的指纹定位技术。首先在定位区域建立坐标系,离线阶段采集两个已知参考点至网格点的距离作为指纹构建数据库,以坐标距离作为指纹可以忽略环境对指纹数据的影响,进而提高定位准确率;其次,在线阶段通过TR技术的空时聚焦性联合TOA,测出距离作为新指纹,与距离指纹进行对比匹配,根据相似度得出目标点的位置坐标。最后通过仿真结果得出:本方案实现了6 m的室内定位,并且定位误差在0.44 m以内,对比传统指纹定位,减小了指纹数据复杂度,提高了系统的鲁棒性和定位精度。 相似文献
13.
14.
针对目前国内矿井目标定位精度低和定位实时性差的现况,该文提出一种基于分布式压缩感知原理构造指纹数据库的方法,该方法在离线阶段只需采集少量巷道中的指纹信息(参考节点ID信息、基于电磁波到达时间(TOA)的距离测量值和实际距离值),便可高概率重构矿井目标指纹数据库指纹信息,从而达到减少数据采集工作量和提高工作效率的目的。后续在线阶段,只需获得某时刻参考节点ID信息和目标节点被参考节点测得的实时TOA距离测量值,根据模式匹配方法可获得该时刻目标节点距离参考节点的待估距离值,保证了定位精度和定位实时性。在此基础上,提出一种改进的压缩采样修正匹配追踪算法(CoSaMMP)进行指纹信息重构,该算法利用折半法增大裁剪力度从而有效缩短重构数据时间。仿真结果表明所提算法的可行性及有效性。 相似文献
15.
16.
17.
针对K近邻算法(KNN)在对偏向于某个样本点的未知点进行三角质心定位时定位精度变差的情况,提出了应用相关系数去匹配蓝牙信标iBeacon位置指纹库的室内定位算法.通过比较待定位点和位置指纹库中参考样点的相似程度,并进行数据差异显著性检验,来检验采集的待定位点数据与指纹库数据是否显著相关,然后取相关性较高的样本点进行加权平均匹配定位.实验结果显示,相关系数匹配位置指纹库算法可将2 m以内的定位精度从65%提高到92%,相较于传统的KNN匹配定位算法有着定位精度高、计算量小、定位时间短等优势. 相似文献