基于半监督学习的室内定位算法

收集带有位置信息的经验样本即标定样本是一个花费昂贵的工作,限制了基于机器学习方法的实际应用。针对该问题,提出一种基于流形正则化的室内定位算法LocMR,该算法使用少量的标定样本和充足的未标定样本学习得出信号空间到位置空间的映射关系。在实际IEEE 802.11Wi-Fi环境中采集的数据集上进行验证,结果表明,LocMR在达到较高定位精确度的同时,能大幅减少定位系统的工作量,增强了其实际应用能力。     

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。     

面向室内动态场景的多传感视觉SLAM方法

针对传统同时定位与地图构建(simultaneous localization and mapping,SLAM)框架面临动态场景时产生明显定位误差,建立的场景稠密地图会包含动态对象及其运动叠影,从而导致定位与建图鲁棒性不足的问题,面向以人类为主要动态对象的室内动态场景,从“温度”的角度出发,提出基于热像仪与深度相机结合的多传感SLAM协同方案,解决室内动态场景中的定位与建图难题。首先,建立一套针对热像仪与深度相机的联合标定策略,重新设计标定板与标定方案,完成相机的内参标定、外参标定与图像配准,得到一一对应的RGB、深度、热(RDH)三模图像;其次,由热图像得到人体掩模图像,进而在ORB-SLAM2系统框架下构建静态特征提取与数据关联策略,实现基于三模图像的视觉里程计;然后,基于人体掩模图像更新深度图像,滤除人体区域,进而完成基于三模图像的静态环境稠密地图构建;最后,在室内动态场景下进行实验验证,结果表明所提出算法在室内动态场景下可有效剔除动态对象的干扰特征,相对传统SLAM算法具有明显优势。     

基于多维尺度分析的自适应室内群终端定位方法

室内定位是普适计算领域的热点研究问题。当前,室内定位方法主要分为基于信号传播模型的定位方法和基于无线信号指纹的定位方法。其中,基于指纹的方法由于不需要知道无线信号接入点(Access Point,AP)的位置而得到更加广泛的应用, 其需要通过离线阶段采集大量数据来构建丰富的指纹库,满足这一条件需要大量的人工标定工作。对此,文中提出了一种基于指纹空间关系的定位方法,相比于传统的指纹定位方法,该方法无需建立指纹库,只需要通过获取多终端的 Wi-Fi 信号强度,计算所有终端的不相似度并构建不相似矩阵;通过多维尺度分析(Multidimensional Scaling,MDS)算法,构建出所有终端的位置分布图,进而通过确定其中 3 个以上终端的位置来定位所有的终端。采用支持向量回归机(Support Vector Regression,SVR)计算任意终端间的距离,并将距离矩阵作为不相似矩阵。文中在商场场景下选择了约2500m²的区域进行实验,所提方法的平均定位误差约为7m。     

基于BP神经网络的浓度传感器非线性校正

提出基于BP神经网络的浓度传感器非线性误差校正方法。文中详细给出了BP神经网络算法原理及训练方案。当替换传感器或环境条件发生变化时,只要获取一组输入输出样本对,便可重新训练网络,获得新的输入输出样本关系,从而实现传感器非线性校正和动态标定,提高传感器的互换性,有实际应用价值。     

Java ME蓝牙串口通讯中异地文件目录结构的动态访问控制

在多终端的JavaME蓝牙串口通讯中,经常需要访问并控制异地文件目录结构。为了保证在串口连接的条件下能够便捷和实时的获取目录结构信息,准确定位文件,还必须对目录结构动态的进行控制。针对上述问题,研究并给出了适用于动态访问控制的二维向量存储结构及访问控制方法的设计,同时提供了该方法应用在蓝牙串口通讯中的实现程序。实际应用结果也表明了动态访问控制的有效性。     

人机共享环境下基于Wi-Fi指纹的室内定位方法

针对服务机器人和行人的室内全局定位问题,提出一种人机共享环境下基于Wi-Fi指纹的室内定位方法.首先,采用核主成分分析法(KPCA)从双频段的Wi-Fi信号中提取一种设备无关的鲁棒位置指纹,用于Wi-Fi指纹定位.然后,为了提高行人定位的稳定性和精确度,结合行人航迹推算(PDR)的定位方法,设计了一种基于选择更新粒子滤波(SUPF)的Wi-Fi/PDR组合定位算法.在该算法中,利用PDR对移动场景下的Wi-Fi定位结果进行了初步校正,并通过定义自适应大小的可信空间对校正后的结果进行评估,从而在数据融合之前剔除不可信的Wi-Fi定位估计.最后,在实际场景下开展了定位实验,Wi-Fi/PDR组合定位的平均定位误差约为2 m,实验结果表明所提出的方法提升了定位系统的精确度和鲁棒性.     

基于改进QR-PSO算法的压力传感器的动态补偿方法

针对压力传感器在实际使用中动态特性难以满足测试需求这一问题,利用激波管对压力传感器进行动态标定,获取实验样本,依赖样本估计逆模型,提出了基于QR分解和改进粒子群算法构建补偿系统的设计方法.采用QR分解确定模型阶次,降低了简化传感器模型带来的动态补偿运算误差,并结合改进粒子群算法,高效、智能的确定补偿系数.通过实测样本对补偿系统进行重复性验证,结果表明压力传感器的动态响应性能显著地提高了,补偿效果令人满意.     

基于k-近邻算法的定位方法设计和仿真

在室内和闹市区环境,针对建筑物的遮挡和多径传播的影响,产生了通过采集接收信号强度,建立信号样本数据库,进行定位的技术.技术在实时定位阶段通过发掘定位信号和样本信号的关系,将它们作比较估计终端的位置.采用k-近邻算法作为定位信号和样本信号的比较,程序实现了基于k-近邻算法的无线定位算法,完成了在定位技术中的应用.并以一组无线信号进行了定位仿真,分析了定位结果.比较了标准k-近邻方法和加权k-近邻方法的差别,讨论了近邻数目对定位结果的影响.结果证明k-近邻算法的定位方法是有效的.     

基于聚类的快速Wi-Fi定位算法

Wi-Fi定位中用户移动终端计算能力差,提供的能量有限。为此,提出一种基于信号强度聚类的快速定位算法,依据接收信号强度的相似度对参考点分组再定位,从而减少定位计算量,提高Wi-Fi定位精度。在校园和市内2种不同室外环境下进行现场实验,数据显示定位均方根误差从16.71 m减小到9.68 m,定位时间从96.3 ms减小到5.2 ms,验证了该算法的高效性和有效性。     

基于Wi-Fi和自适应蒙特卡洛的移动机器人定位方法的研究

提出一种基于Wi-Fi和自适应蒙特卡洛的移动机器人定位方法。通过对实验环境中Wi-Fi信号的分布进行测试和分析,利用Wi-Fi信号强度的三角定位法,在ROS平台上实现Wi-Fi-AMCL室内初始化定位系统。对该方法和传统定位方法设计实验进行比较,结果表明前者不仅可以有效加快粒子的收敛速度、缩短机器人的定位时间,而且在一定限度上提高了机器人的初始化定位精度,改善了定位效果。     

基于K-Means和FCM的增强型Wi-Fi指纹定位策略

研究了通过数据处理算法以提高Wi-Fi指纹库室内定位性能的问题.首先采集Wi-Fi指纹样本,将其放入MySQL数据库中和R工程;其次将Wi-Fi指纹库分成若干个簇,使用K-均值聚类（K-Means）和模糊C-均值聚类（FCM）对待定位的Wi-Fi指纹进行聚类分析;最后,提出增强型的聚类策略（ECS）应用于Wi-Fi指纹匹配定位中.实验结果表明,ECS较仅使用FCM算法,其定位耗时缩短约50%-80%,且定位精度上有所改善;ECS较仅使用K-Means算法,其定位精度提高约20%-40%,且定位稳定性较强并自动更新Wi-Fi指纹库.     

瞬态表面温度传感器动态建模方法研究

测量瞬态高温时,由于传感器自身的热惯性,测量结果与真实结果之间存在很大的动态误差.动态补偿或动态误差修正对于改善测温系统动态特性,减小动态误差有重要意义,而建立温度传感器动态数学模型则是进行动态补偿或动态误差修正的前提.本文首先设计了瞬态表面温度传感器动态校准系统;然后,利用系统所测得输入输出数据,采用系统辨识方法建立了测温系统的动态数学模型;最后,利用交叉检验法验证该模型的正确性.经检验该方法可以达到理想的辨识效果,从而为系统反滤波动态误差修正奠定了基础.     

宏/微运动控制的电感传感器动静态校准装置

为改善电感位移校准装置校准精度、校准量程及动态频响难以兼顾的问题,采用宏/微运动控制方法驱动校准装置作快速、精密、大范围定位.在简述校准方法工作原理及结构之后,对以静压双V导轨/直线电机组合的宏动平台及以柔性铰链/压电陶瓷组合的微动平台进行动力学建模,并获得宏微平台的传递函数.设计微动跟随宏动和宏动跟随微动两种控制策略,并进行建模和仿真分析,对比两种控制策略下的测量结果并分析原因.设计并搭建实验平台后进行校准装置的性能测试,实验结果表明:宏动跟随微动控制策略具有更高的动态频响性能,校准装置在全行程20 mm内分辨力达到5 nm,在幅值为0.05 mm的正弦频率响应实验中,动态频响达到100 Hz,可满足电感传感器的动静态校准要求.     

基于贝叶斯概率优化的Wi-Fi室内定位算法

Wi-Fi指纹匹配定位算法具有简单、快捷、方便、经济、易普及等诸多优点,但对位置指纹的匹配精度较低。对此,提出一种贝叶斯与加权K近邻算法相结合的贝叶斯概率优化算法,应用于Wi-Fi指纹匹配定位,在提高传统加权K近邻算法精度的同时,减少了贝叶斯概率匹配算法的平均运行时间。实验结果显示,该算法可以将1 m内的定位精度从原先的57%提升至73%,平均定位精度提高约21.49%,定位稳定性也有所加强。     

温度传感器动态校准技术研究

针对温度传感器的动态校准问题,介绍了一瞬态表面温度传感器动态校准系统,以此对Butt-Welded热电偶进行了动态性能实验研究,获取其时间常数为41.6 ms,实验的动态重复性为0.72%,不确定度为0.3 ms。结果表明:系统动态重复性好,测试精度较高。经动态校准获取该Butt-Welded热电偶的动态温度修正值为300℃。研究结果对温度传感器的研究和应用具有一定的参考价值。     

北斗和Wi—Fi节点的联合定位

以北斗卫星测码伪距和Wi—Fi信号强度反算出的距离作为基本观测值,组成联合观测方程,实现北斗和Wi—Fi节点的联合定位。通过实测数据实验分析结果表明,在相互通视的环境中,北斗和Wi～Fi节点各自不能独立定位的情况下,两者联合定位的偏差小于15m（80％的可信度）。北斗和Wi—Fi节点联合定位是一种实用的定位方式。     

SELM: Semi-supervised ELM with application in sparse calibrated location estimation

Indoor location estimation based on Wi-Fi has attracted more and more attention from both research and industry fields. It brings two significant challenges. One is requiring a vast amount of labeled calibration data. The other is real-time training and testing for location estimation task. Traditional machine learning methods cannot get high performance in both aspects. This paper proposed a novel semi-supervised learning method SELM (semi-supervised extreme learning machine) and applied it to sparse calibrated location estimation. There are two advantages of the proposed SELM. First, it employs graph Laplacian regularization to import large number of unlabeled samples which can dramatically reduce labeled calibration samples. Second, it inherits the good property of ELM on extreme training and testing speed. Comparative experiments show that with same number of labeled samples, our method outperforms original ELM and back propagation (BP) network, especially in the case that the calibration data is very sparse.