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。     

基于半监督仿射传播聚类和KLDA的室内定位算法*

室内定位中位置指纹库采集的密集程度往往跟定位精度密切相关,针对离线阶段时指纹库稀疏的情况下定位精度低的问题,提出了一种基于半监督仿射传播聚类和KLDA的室内定位算法。该算法结合了在线阶段采集无位置标签的RSSI数据,通过建立局部邻域图将无位置标签的RSSI信息反映到离线指纹数据的结构中,并使用KLDA方法抽取位置指纹库中最大的特征信息,有效利用了无位置标签的RSSI信息从而提高定位精度。实验结果表明,该算法结合在线阶段RSSI数据后定位精度得到了明显的提高。而且在仅保留离线指纹数据库三分之二的情况下,也几乎能够取得与传统KNN算法使用全指纹库时相同的定位精度,相当于减少了离线阶段采集指纹库的工作开销。     

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WiFi的一种改进的室内定位算法

为解决室内定位中算法定位精度不高、误差偏大的问题,在原有指纹匹配算法的基础上,提出了一种新的信号能量加权改进接收信号强度的方法.通过对改进后的信号能量进行均值滤波和阈值滤波处理,改善离线建立指纹库阶段建库数据源.在线匹配阶段,改进WKNN算法,利用方差加权结合欧式距离倒数进行相似度匹配.该方法与目前的WKNN算法相比,在减少复杂度的同时,对定位效果进行改善.在不考虑AP组合对定位结果影响的情况下,仿真结果表明所提出的改进算法能明显提高定位精度.     

基于虚拟信息库的粒子滤波指纹库定位算法

指纹库定位算法的关键在于根据不同参考节点的接受信号强度指示RSSI(Receive signal strength indication)建立有效指纹信息数据库。传统的方法是在定位区域内标定多个信息采样点,而大量样本数据的采集会导致算法离线训练阶段工作量增大。Zigbee传感器网络平台下,综合考虑了目标自身对信号的干扰以及节点数对函数逼近能力的影响,利用信号强度的非线性特性,提出了一种基于多项式分区插值的虚拟指纹库生成方法;同时使用粒子滤波对预估计的结果进行处理,以解决RSSI不规则分布问题。实验结果表明该方式可以快速、简捷地生成细粒度的定位信息数据库,提高了定位精度。     

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。     

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%。     

回溯搜索优化改进矩阵填充的高效位置指纹库构建

针对基于信号强度指示（RSSI）的位置指纹定位过程中用于其离线位置指纹库构建的全采法采集工作量较大、位置指纹库构建效率较低、而插值法通常精度有限等问题,提出一种基于回溯搜索优化算法改进奇异值阈值（SVT）矩阵填充（MC）算法的离线位置指纹库高效构建方法。首先,利用定位区域内采集到的部分参考点的位置指纹数据建立低秩矩阵填充模型;然后通过基于奇异值阈值的低秩矩阵填充算法来求解该模型,进而快速准确重构出完整的位置指纹数据库;同时,针对传统矩阵填充算法最优解模糊及平滑性欠佳的问题,引入回溯搜索优化算法,以核范数最小建立适应度函数,对矩阵填充算法的寻优过程进行改进,进一步提高了求解精度。实验结果表明,利用所提方法构建的位置指纹库与实际采集的位置指纹库之间的平均误差仅为2.7054 dB,平均定位误差仅相差0.0863 m,但却节约了近50%的离线采集工作量。上述结果表明所提算法用于离线位置指纹库构建可以在保证精度的基础上,有效降低离线采集阶段的工作量,显著提高位置指纹库构建效率,在一定程度上提高位置指纹定位方法的实用性。     

基于Pearson相关系数的快速虚拟网格匹配定位算法

针对室内环境下位置指纹匹配定位算法中离线数据库采集工作量较大的问题,提出了一种基于Pearson相关系数的快速虚拟网格匹配的定位算法。首先,将接收信号强度指示（RSSI）进行高斯滤波预处理得到接收信号强度向量;然后,利用Bounding-Box方法确定初始虚拟网格区域,将该网格区域快速迭代细分并计算网格中心点到各信标节点的距离对数向量,计算接收信号强度向量和距离对数向量之间的Pearson相关系数;最后,选取Pearson相关系数接近于-1的k个近邻坐标以相关系数加权估计确定待定位节点的最优估计位置。仿真实验结果表明,在1m虚拟网格且RSSI噪声标准差为3dBm的条件下,算法定位误差小于2m的概率大于94.2%,其定位精度优于位置指纹匹配算法,且无需建立RSSI指纹数据库,大大减少了定位工作量。     

基于RSSI的WiFi指纹定位数据融合算法研究

目前已有的位置指纹室内定位算法大多都是建立在原始指纹数据库的基础上,指纹数据库的建立精度会直接影响到最后的定位精度,因此在基于WiFi的定位技术中,对接收信号强度(received signal strength indication,RSSI)的稳定性要求比较高。通过对指纹数据的研究,提出了一种基于高斯核函数融合卡尔曼滤波对数据进行预处理的方法。实验证明,该融合算法能有效剔除RSSI指纹数据中的突变数据和噪声波动,实现RSSI值的准确、平滑输出,从而建立准确的指纹数据库,使后期的定位结果更加精确。     

一种基于无线传感器网络的加权阈值质心定位算法

接收信号强度指示(RSSI)是一种根据信号的损耗和距离的关系的测距定位方法,但是由于噪声、传播模型和障碍物的影响,信号的衰减关系是不一致的,距离越远精确度越低。提出一种距离倒数的加权阈值的算法,将距离较远不在阈值范围内的点舍去,对保留下的点加权精细定位。实验仿真结果验证了该算法有效性地提高了定位精度,降低了定位误差率。     

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。     

基于克里金空间插值的位置指纹数据库建立算法*

为解决室内定位系统中建立位置指纹数据库工作量庞大的问题,提出了一种融合信号衰减因素的普通克里金空间插值建库算法。该方法首先采用高斯滤波对有限预选参考点的信号强度采样数据进行预处理,并基于球状模型由参考点预处理数据拟合出空间变异函数,然后采用普通克里金插值法对其它位置的信号强度进行估值并生成相应的位置指纹,最后由有限实测数据生成大容量高分辨位置指纹数据库,并通过KNN_Filter算法和对数权重算法完成了定位仿真,验证了该建库方法的有效性。仿真实验结果表明,该算法在保证定位精度的前提下相比传统建库方法可降低40%左右的工作量,提高了室内位置指纹定位方法的工作效率。     

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.     

无线传感器网络煤矿井下RSSI自适应定位算法

通过对无线信号传播模型进行有效分析,发现路径衰减指数取值的固定性是导致测距误差的主要原因之一。在传统接收信号强度指示(RSSI)定位算法基础上,结合煤矿井下巷道环境特征,提出一种自适应RSSI三角质心定位算法,算法通过动态计算信标节点到盲节点的路径损耗指数,从而提高了测距算法对环境的适应性,算法结合巷道环境特征和信标节点到盲节点的距离公式,对两圆相交的情况进行讨论,最终计算出盲节点的有效坐标。仿真实验表明:巷道宽度在一定范围内(5~15 m),定位误差平均值均小于0.5 m,定位误差小于1 m的概率均高达90%以上,具有较高的定位精度。