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PCA-WBayes的WiFi室内定位算法

针对朴素贝叶斯(Bayes)室内定位算法忽略各无线接入点(AP)信号间的相关性,最终导致定位精度损失这一不足,提出一种基于主成分分析结合加权Bayes(PCA-WBayes)的WiFi室内定位算法.在离线阶段采集参考点处来自各AP的WiFi信号强度,运用PCA进行去相关性、降维处理,提取主要数据特征,结合参考点位置坐标,构建位置指纹数据库;在线定位阶段,在位置指纹数据库中匹配待测点的信号特征,通过Bayes算法估算待测点位置,获取前w个后验概率最大的参考点坐标,按后验概率分配权重,以加权结果作为待测点位置.实验结果表明:相比K最近邻(KNN)、Bayes等常用WiFi室内定位算法,PCA-WBayes算法定位误差更小,将朴素Bayes室内定位算法的精度提升了15.44％.     

基于方差滤波的动态自适应室内指纹定位算法

目前常用的室内定位算法在构建指纹库时,因为在参考点处接收到的信号强度值存在噪声值,传统的欧式距离计算公式忽略信号发射器的稳定程度从而造成定位误差,以及K近邻算法无法根据实际情况动态的确定参与定位的参考点个数,从而造成定位算法缺乏拓展性和稳定性。针对上述情况,本文设计了一种经过方差滤波的动态自适应室内指纹定位算法。该算法首先在离线阶段利用方差滤波去掉噪声值,之后在在线阶段利用新的基于方差的相似度计算公式计算待定位点与各个参考点之间的相似度,然后动态自适应的确定距离较小的K个点来参与定位计算,最后利用确定的K个点加权估计待定位点的位置。实验结果证明,该算法较对比算法能够有效的提高定位精度和定位的稳定性。     

基于时间反转的二阶段Wi-Fi室内定位方法

受Wi-Fi系统有限物理带宽限制,时间反转定位算法的定位精度难以得到提升。当定位范围较大时,在线定位阶段所需的匹配运算量更大,导致定位时间增长。针对上述问题,本文提出了一种基于时间反转的二阶段Wi-Fi室内定位方法。首先对接收信号强度和信道频率响应进行离线采集,利用接收信号强度和k近邻匹配算法进行位置粗估计,大致确定待测点所在范围。随后根据粗估计结果筛选原始指纹库,构建指纹库子集。在位置精估计阶段,计算待测点信道频率响应与指纹库子集中各参考点处信道频率响应的信号组合共振能量,通过最大值搜索寻找组合共振能量最大的参考点,将其坐标值作为位置估计结果。实验结果表明,所提算法相比于传统定位算法在精度和运行速度上有明显提升,在非直射环境下仍能保证较高的定位精度。     

基于深度学习的Wi-Fi与iBeacon融合的室内定位方法

针对传统室内定位指纹法存在定位精度低、容易受到环境影响的问题,提出了一种基于深度学习的Wi-Fi与iBeacon融合的室内定位方法。离线阶段在参考点处采集各个AP和iBeacon的信号强度,使用这些信号强度数据对堆叠自动编码机进行训练并从大量带有噪声的信号强度样本中提取特征,构建位置指纹数据库;在线定位阶段,使用堆叠自动编码机获得待测点信号强度特征并与位置指纹数据库中信号强度特征进行匹配,通过近邻算法估计待测点位置。实验结果表明,基于堆叠自动编码机的室内定位算法具有更高的定位精度。     

基于深度特征学习的免校准室内定位方法

针对基于WiFi位置指纹的室内定位中设备异构带来的接收信号强度（Received signal strength,RSS）差异和定位精度偏移的问题,提出一种基于深度特征挖掘的免校准室内定位方法。离线阶段,结合最强接入点（Access point, AP）分类和普氏分析（Procrustes analysis）对原始指纹库处理,获取标准化子指纹库,采用堆叠降噪自编码器（Stacked denoising autoencoder, SDAE）学习标准化子指纹库获取深度特征指纹,构建深度特征子指纹库。在线阶段,利用与离线阶段相同的指纹处理方法,挖掘待定位点RSS数据的深度特征,采用加权最近邻算法（Weighted k-nearest neighbor, WKNN）与深度特征子指纹库匹配,获得估计的位置。在典型实验楼场景使用4种异构类型的手机进行实验,本文方法对比传统的标准化指纹的两种免校准方法,定位精度分别有5.9%和12.5%的提升,实验结果表明,本文算法提高了定位的准确性和鲁棒性。     

基于RSSI的KNN-PIT室内自适应定位算法

针对基于接收信号强度指示(RSSI)的K最近邻(KNN)算法在室内定位精度较低的问题,提出一种改进的KNN-三角形内点(KNN-PIT)室内定位算法.根据室内空间结构特征,建立具有类标号的位置指纹库.引入虚拟参考点,利用PIT原理进一步约束目标点的定位区域,自适应地使用定位算法进行定位.综合运用高斯滤波、均值滤波技术,降低离线和在线阶段的信号随机误差.结果表明:改进后的KNN-PIT定位算法可以更好地估计用户的实际位置,降低定位误差,定位精度提高12.5％.     

基于近邻点数据库的室内定位技术研究

提出建立所有参考点的近邻点数据库的方法,使得原本只是待定位点与参考点之间单一的关系,拓展为待定位点与参考点和待定位点的近邻点与其他参考点之间的网状关系,充分挖掘利用了接收信号强度指示(RSSI)指纹数据库中有用的信息,有效避免了室内复杂环境的干扰.算法首先建立参考点的RSSI指纹数据库,求出每个参考点的K近邻点,建立近邻点数据库;求待定位点的K近邻点,然后从近邻点数据库中找出这K个近邻点的项中均存在的n个参考点;对得到的待定位点的K个近邻点和n个参考点的坐标加权求和,得到待定位点估计坐标.     

基于谱回归核判别分析的候机楼室内快速定位算法

针对机场候机楼客流量大、室内环境复杂多变的特点，提出了一种基于谱回归核判别分析（SRKDA）的室内定位算法。在离线阶段，采集已知位置的接收信号强度（RSS）数据，使用SRKDA算法提取原始位置指纹（OLF）的非线性特征生成新的特征指纹库；在线阶段，先使用SRKDA对待定位点的RSS数据进行处理，进而使用加权K最近邻（WKNN）算法进行位置估计。定位仿真实验中，在两个不同的定位场景中，所提算法在1.5 m定位精度下的误差累积分布函数（CDF）和定位准确率分别达到91.2%和88.25%，相对于核主成分分析法（KPCA）+WKNN模型分别提高了16.7个百分点和18.64个百分点，相对于KDA+WKNN模型分别提高了3.5个百分点和9.07个百分点；在大量离线样本（大于1100条）的情况下，该算法数据处理时间远小于KPCA和KDA。实验结果表明，所提算法能够提高室内定位精度，同时节省了数据处理时间，提高了定位效率。     

基于RSSI深相似域高斯拟合的室内定位算法

传感器网络中大多数传统定位方法主要研究接收信号强度（RSS）之间的匹配关系,而未充分考虑物理环境和利用离线训练数据库信息。针对上述问题提出一种基于RSSI深相似域高斯拟合的定位方法。该方法在离线阶段建立RSS与距离之间的映射关系,并利用待测定位节点与其逻辑最近邻周边深相似域内的物理近邻点的信息,同时使用贝叶斯算法和高斯曲线拟合来获取参考节点RSS的测量值,最终提高指纹定位方法的准确性。实验结果表明,该方法有效地提高了定位的精度。     

基于DBSCAN-GRNN-LSSVR算法的WLAN异构终端定位方法

针对WLAN室内定位系统中异构终端(指纹库终端和测试终端)引起的定位偏差过大的问题,提出一种基于DBSCAN-GRNN-LSSVR算法的解决方案。该文使用最小二乘支持向量回归机(LSSVR)构建指纹库终端接收信号强度(RSS)和物理坐标位置的映射关系模型;列出校准点处异构终端采集的RSS值,得到散点图;用基于密度聚类方法剔除边界点和噪声点;用广义回归神经网络构建异构终端RSS的映射函数;通过LSSVR模型定位测试点的位置。实验结果表明,与只用LSSVR算法相比,测试终端定位精度提高18-40%,有效解决了定位偏差过大的问题。     

基于RSS手指模的煤矿井下WLAN定位方法

到达信号强度(RSS)手指模定位技术已广泛应用于室内定位技术,提出了适用于煤矿井下由于电磁波多径效应而变得复杂的环境的RSS手指模定位算法。通过对煤矿井下电磁环境信息的采集,对采集到的信息进行处理,使用贝叶斯公式法估计出概率较大的3个位置,然后再使用最邻近法的欧几里德距离估计出位置。通过对实验数据的统计分析,仿真结果表明:提出的基于RSS手指模改进的融合算法的节点定位精度要比K邻近法的定位精度要高,定位性能要优越。     

多信息融合的多姿态三维人脸面部五官标志点定位方法

针对三维人脸模型面部五官标志点定位对姿态变化非常敏感的问题,提出了一种基于多信息融合的多姿态三维人脸五官标志点定位方法.首先对二维人脸纹理图像采用仿射不变的Affine- SIFT方法进行特征点检测,再利用映射关系将其投影到三维空间,并采用局部邻域曲率变化最大规则和迭代约束优化相结合的方法对面部五官标志点进行精确定位.在FRGC2.0和自建NPU3D数据库的实验结果表明,文中方法无需对姿态和三维数据的格式进行预先估计和定义,算法复杂度低,同时对人脸模型的姿态有着较强的鲁棒性,与现有五官标志点定位方法相比,有着更高的定位精度.     

基于公共信标集的高精度射频指纹定位算法

目前基于WiFi射频指纹定位技术有望成为大规模城区室内外全空间定位的首选.针对RSS信号时变特性严重影响WiFi定位精度和鲁棒性的问题,提出了一种基于公共信标集的高精度射频指纹定位算法.该算法把目标定位看成贝叶斯估计问题,通过采用高斯混合模型更加准确地表征复杂训练指纹的信号特征,以及使用基于Markov链的状态转移模型和基于后验概率的自适应网格集选择机制,充分利用目标的历史状态信息和环境布局信息,不仅减少了定位搜索网格空间,而且还抑制了移动过程中不可能发生的位置跳变,提高了定位精度和鲁棒性.实验结果表明,所提定位算法以90%的概率可获得3m以内的定位误差,其定位性能明显优于传统单一高斯模型.     

井下WLAN位置指纹样本自相关滤波降噪方法研究

为了解决井下WLAN位置指纹库中噪声样本对井下人员定位精度的影响,提出了用于消减位置指纹数据库中噪声样本的基于采样间隔τ的自相关滤波算法。研究表明,虽然在同一个参考点处使用同一个采集设备在不同时刻采集到的接收信号强度(received signal strength,RSS)序列都不完全一样,但噪声样本与其他样本的RSS序列相比有着较为显著的差异值。利用这一特点,基于采样间隔τ的自相关滤波算法使用样本均值作为两个样本间波动差值的平衡参照,使得噪声样本的异常特性被放大,进而使可能存在的噪声样本更精确地被滤除。滤除噪声样本的位置指纹库能够更好地表征各参考点处的RSS分布。实验结果表明,以90%置信概率为参照标准,使用自相关滤波后的位置指纹样本分别进行静态和动态人员定位的定位误差为3 m和3.5 m,比使用原始位置指纹样本的定位误差分别减小了1 m和0.5 m。     

点线特征融合的误匹配剔除算法

特征匹配作为计算机视觉的一项关键技术而备受关注。近年来,基于描述子的特征点匹配技术取得了一系列突破性进展,但曲线长度不一、端点定位不准确以及周围包含的重复性纹理较多等因素,导致了曲线匹配研究依旧是一个极具挑战性的热点研究课题,且现有曲线匹配方法大多出现匹配总数少、匹配正确率低的问题。为增加特征匹配的总数和正确率,利用特征点和特征曲线的位置关系提出一种点线特征融合的误匹配剔除算法(Point Line feature Fusion,PLF)。首先定义点到曲线的距离,利用点、曲线描述子提取图像的点、线特征;其次确定落入匹配曲线对应支撑区域内的匹配点对,并根据匹配点组和曲线间的距离约束剔除错误曲线匹配;最后利用点线距离约束剔除匹配曲线支撑区域内的错误点匹配。实验选取了3种不同的点线组合,即SIFT技术提取的点特征分别与IOCD曲线描述子、IOMSD曲线描述子、GOCD曲线描述子提取的曲线特征相融合, 验证算法 对多种点、线描述子具有适用性,且该算法不仅适用于特征点与特征曲线的融合,亦适用于特征点与特征直线的融合,从而验证了其对多种图像特征具有适用性。实验结果表明,在旋转、视角变化、光照变化、压缩、噪音、模糊等变换条件下,该算法均能有效提高曲线特征匹配的匹配总数和匹配正确率,同时提高点匹配的正确率。     

基于Zigbee室内定位系统的指纹库优化算法

Zigbee无线传感器网络的接收信号强度指示(RSSI)可以用来提供位置服务,使用RSSI建立指纹数据库设计定位算法能够得到良好的定位效果,但指纹数据库的采集和建立精度会直接影响到最终的定位精度,而一般方法建立的指纹数据库误差较大。为此,通过对Zigbee网络指纹数据库采集和建立过程进行研究,提出一种Zigbee网络中指纹数据库采集、建立及优化的算法。在定位区域将各采样点采集到的指纹数据库源数据进行滤波处理,建立高精度的指纹数据库。利用Zigbee平台组建无线网络进行实验,分别使用针对该定位系统提出的限定区域最邻近算法、限定区域加权最邻近算法、限定区域贝叶斯算法进行定位计算。实验结果表明,运用优化后的指纹数据库在短距离范围内定位平均误差可限制在1.5 m以内。