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。     

基于特征匹配和距离加权的蓝牙定位算法

针对传统iBeacon指纹定位技术中接收信号强度值（RSSI）波动较大、指纹库聚类复杂、存在较大跳变性定位误差等问题,提出一种基于排序特征匹配和距离加权的蓝牙定位算法。在离线阶段,该算法先对RSSI进行加权滑动窗处理,然后根据RSSI向量大小生成排序特征码等值,并与位置坐标等信息组成指纹信息,形成指纹库;在在线定位阶段,根据排序特征向量指纹匹配定位算法和基于距离的最优加权K最邻近法（WKNN）实现室内行人定位。在定位仿真实验中,该算法可以自动根据特征码进行聚类,从而降低了聚类的复杂度,能实现最大误差在0.952 m内的室内行人定位精度。     

基于KNN算法的可变权值室内指纹定位算法

针对基于静态权值的室内指纹定位算法存在定位精度低、定位结果不稳定以及环境适应性差等问题,提出一种以欧氏距离为权值参考的可变权值室内指纹定位算法。该算法分为离线采样阶段和在线定位阶段。离线采样阶段对接收信号强度指示(RSSI)值进行高斯滤波去噪构建指纹库。在线定位阶段引入权值指数α、β,分别以RSSI、欧氏距离为权值参考计算最近邻点及其加权质心,得出待测节点的坐标。实验结果表明,相比KNN和RW算法,该算法定位精度高,其平均误差为0.965 m,且定位误差波动小。     

基于信号强度差的RFID室内定位研究

针对RFID室内定位中使用异种标签以及标签电量差异引起的信号强度差异的问题,提出一种新的基于SSD(Signal Strength Difference)的RFID指纹定位模型。该模型引入虚拟参考点,在离线阶段根据信号传播模型计算虚拟参考点的RSSI,建立SSD指纹地图,利用SSD消除异构定位读写器及电子标签的差异并解决由时间的变化引起的标签RSSI衰减问题;在在线定位阶段,采用位置匹配求交集的方法消除噪声点,然后利用K-NN算法估计目标位置。实验表明该模型具有较好的健壮性和较高的定位精度。     

基于对数正态模型的二次匹配指纹定位算法

针对复杂室内环境WiFi信号不稳定导致指纹定位算法定位精度不高的问题,对AP选择、指纹库构建和定位算法进行研究,分别提出了基于对数正态模型的AP选择方法、RSSI虚拟指纹库构建方法以及基于对数正态模型的二次匹配指纹定位算法。在离线阶段,通过拟合对数正态模型对WiFi信号建模,筛选出最契合模型的AP并构建RSSI指纹库和虚拟指纹库。在线定位阶段,待定位节点在匹配RSSI指纹库的基础上,利用AP的契合度修正欧氏距离相似度,找出相似度更高的指纹点,初步确定待定位节点区域,接着二次匹配虚拟指纹库进行精准定位。实际环境实验结果表明,本文提出的方法突出了不同AP设备对定位造成的影响,能减少离线阶段指纹采集的工作量,有效的提高了定位精度。     

跨异构设备的室内Wi-Fi指纹定位方法

基于Wi-Fi位置指纹的室内定位中,采用异构设备在同一位置、同一时间采集的无线信号接收强度（Received signal strength indicator,RSSI）存在差异,使得离线指纹库与不同用户在线采集的信号难以兼容而影响定位精度。针对该问题,本文提出一种适应异构设备的定位算法。该方法首先通过接入点（Access point, AP）选择,构建信号稳定的离线指纹数据库,再使用普氏分析法（Procrustes analysis, PA）对指纹库标准化,消除异构设备引入的信号差异。在线阶段采用余弦相似度（Cosine similarity, CS）算法得到目标的位置估计。在2种典型室内环境中利用4台手机测试了所提方法的定位性能,并分析了影响定位性能的因素。实验结果表明,所提方法在2种室内环境中的平均定位误差分别为2.96 m和2.29 m,相比较加权K近邻（Weight K-nearest neighbor, WKNN）算法定位精度分别提高了21.3%和21.6%。     

基于CSI信号的被动式室内指纹定位算法研究

基于信道状态信息(CSI)的定位技术在室内场景应用中被广泛关注,为了提高WiFi信号多径效应对接收信号强度指示的室内定位精度和稳定性,提出一种基于CSI信号的被动式室内指纹定位算法。该算法在离线阶段将定位场所划分为同等大小的区域块,在各连接点位置使用方差补偿的自适应卡尔曼滤波（Kalman）算法对原始数据进行滤波。再对滤波后的数据使用二分K均值聚类（K-means）算法进行分类,将处理得到的CSI幅值和相位信息共同作为指纹;在线阶段根据待测点采集的实时数据与指纹库进行匹配识别,被定位对象无需携带任何设备。仿真实验与实地实验表明,该算法利用信道状态信息中的子载波特征进行定位,能够有效减轻信号接收端的多径衰减影响,定位精度有明显提高。      

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.     

基于稀疏表示和位置相关性的室内定位算法

针对基于接收信号指数强度(RSSI)的WLAN室内定位算法易受干扰、波动较大及室内指纹定位方法指纹库构建繁杂而工作量较大的问题,提出了一种基于稀疏表示的指纹定位技术,在离线阶段利用压缩感知的理论来构建离线数据库,以降低离线采集的复杂度,在线定位阶段利用向量相似性理论来提高定位的精度,实验结果表明,本文提出的算法有效地提高了室内静态定位问题的精度及抗干扰性能.     

基于聚类和K近邻算法的井下人员定位算法

针对现有基于指纹模的井下定位算法存在的计算量大、实时性低、定位精度较低的问题,提出了基于聚类和K近邻算法的井下人员定位算法。用二分k-means聚类算法对采集的RSSI数据进行分类,建立离线指纹数据库;无线移动终端和动态修正器实时采集RSSI值,分别存储到在线定位数据库和动态修正数据库;根据待测点和动态修正器的离线数据和实时数据,采用软硬件动态修正加权K近邻算法计算权重值,结合离线指纹数据库中待测点的物理位置信息估算其实时位置。实验分析结果表明,所提定位算法的最小标准误差为0.46m,最大标准误差为3.26m,平均误差为1.62m。对比分析结果表明,与未进行聚类分析的算法相比,本文算法的精度更高,实时性更好;与未动态修正权重值的算法相比,本文算法的运算时间略有增加,但定位精度提高了37.21%。     

基于蝙蝠算法的位置指纹定位技术的研究

为了改进室内位置指纹定位技术存在离线阶段工作量大、定位精度有限、鲁棒性较差的缺点,提出了一种基于蝙蝠算法的位置指纹定位技术的方法。该方法利用中点插值法和信道衰减模型自动生成指纹数据库从而代替了离线训练阶段,实现了定时自动更新数据库的功能,并且将[K]近邻算法和蝙蝠算法结合应用于匹配算法的阶段,最终实现定位功能。该方法与传统位置定位技术相比降低了整体定位的工作量,能快速应对环境变化对定位结果的影响,最后在给定的仿真环境下进行了定位性能的测试,结果显示该方法较其他算法相比平均定位精度大约提高了23.14%,绝大部分的盲节点的定位误差范围在1.5 m以内,显示出在定位精度、鲁棒性和适应环境变化方面的优势。     

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WIFI指纹定位的仿生SLAM研究

针对复杂室内环境下移动机器人的定位问题,基于RatSLAM模型的定位方法,由于室内环境的复杂性及易变性,定位精度及准确性很难得到保证。本文基于此提出RatSLAM和WIFI相结合的策略,利用基于WIFI信号强度的指纹识别方法,离线阶段建立位置指纹数据库,在线定位阶段采用位置指纹定位算法完成认知点的匹配,从局部场景中获取更加精确的经历制图。实验分析表明:两种算法的结合使得移动机器人的定位精确度更高,提高了系统的鲁棒性,使系统具备了良好的定位性能。     

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.     

An effective location fingerprint model for wireless indoor localization

A model for predicting precision and accuracy performance of indoor fingerprint based positioning systems is very desirable for system designers as it helps estimate the probability of location selection before actual deployment. Such information can be used to tune the fingerprint database or improve the offline fingerprint collection phase. This paper presents a new analytical model that applies proximity graphs for approximating the probability distribution of error distance given a location fingerprint database using WLANs received signals, and its associated statistics. Simulations are used to validate the analytical model, which is found to produce results close to that from simulations. The model permits an analysis of the internal structure of location fingerprints. We employ the analysis of the fingerprint structure to identify and eliminate inefficient location fingerprints stored in the fingerprint database. Knowledge of where the inefficient fingerprints are can potentially be employed in a better location fingerprint collecting scheme from a grid system in the offline phase.     

结合CNN和WiFi指纹库的室内定位算法

为了提高基于WiFi的室内定位的精度和降低计算时间, 本文提出一种卷积神经网络(Convolutional Neural Networks, CNN)结合传统指纹库的室内定位算法. 该算法基于接收信号强度指示(Received Signal Strength Indication, RSSI)数据, 首先利用卷积神经网络模型, 根据实时输入数据预判出待测点的初步位置. 在保证了大范围预测的位置大概率正确的前提下, 再结合传统指纹库中的指纹点, 确定出精确度更高的最终预测位置. 实验结果表明, 在时效性达到要求的前提下, 累计误差在1 m以内的定位精度约有65%, 累计误差在1.5 m以内的定位精度约有85%, 且误差较为稳定.     

信号强度与运动传感器融合的智能手机室内定位算法

利用智能手机传感器实现高精度跟踪定位已经成为一个研究热点,本文针对室内定位中由于手机的运动引起采集信号强度不稳定造成的定位误差大的问题,提出了基于信号强度与加速度梯度融合综合的新的测距算法,结合手机方向信息、地图信息、信号强度的分布信息,利用测距信息与地图匹配算法,实现对智能手机的精确定位。在实验测试中,该算法平均定位精度为1.2m, 3.5m以下定位精度达95%。本算法有效的提高了智能手机的室内定位精度,并且相比指纹库定位算法减少了搜索次数,提高了定位速度。