一种基于CSI的参数无关接入点定位方法

随着基于位置的服务的流行,室内定位系统也受到越来越多的关注。基于WiFi的室内定位因其开放访问和低成本的属性而吸引了大量研究人员的目光。通过采用细粒度的信道状态信息CSI代替粗粒度的接收信号强度RSSI可以减少室内多径效应的影响。采用一种与传播模型参数无关的定位方法——PILM来对接入点进行空间定位。通过有效CSI值与距离关系模型的公式变换,将问题转换为求满足最小向量二范数条件的点的坐标,即用最小二乘方法求解。通过在两种典型室内环境的实验验证了系统性能。     

室内Wi-Fi异步效应下CSI定位误差界估计方法

与传统的基于接收信号强度(received signal strength,RSS)的室内Wi-Fi定位方法相比,信道状态信息(channel state information,CSI)包含了信号传输过程中更细粒度和更多样化的物理层信息(如信道中各个子载波的振幅和相位信息),故基于CSI的室内Wi-Fi定位方法通常具...     

基于贝叶斯过滤法的CSI室内定位方法

无线信号多径效应导致基于接收信号强度指示（RSSI）的室内定位方法的精度和稳定性下降。为解决这一问题,提出基于贝叶斯过滤法的信道状态信息（CSI）室内定位方法（BCL ）。将物理层的CSI结合RSSI作为参考信息,减轻信号接收端的多径衰减影响;在此基础上,采用贝叶斯过滤法进行数据处理,降低接收信号的时变性。实验结果表明,相比现有的典型室内定位方法, BC L有效提高了定位准确度和稳定性。     

基于CSI的改进KNN室内定位方法

为了解决基于接收信号强度指示(RSSI)的室内定位方法定位精度低和稳定性差等问题,提出了一种基于信道状态信息(CSI)的无源室内定位算法。该算法使用卡尔曼滤波处理原始CSI信号,结合高斯径向基核函数加权的K邻近算法(RBF-KNN)与置信度空间进行室内定位。实验结果表明:该方法精度高于其他算法。     

动态环境中的WIFI指纹自适应室内定位算法

针对传统的基于WIFI信号的室内定位方法难以有效解决环境动态变化对RSSI值的影响问题,本文设计并实现了一种基于WIFI射频信号强度指纹的室内定位系统。在该系统中,通过采用一种基于用户使用状况与布置定位参考点的方法来动态更新系统的WIFI指纹数据库,从而有效降低了在实际使用过程中用户手持手机的方向、用户的身体遮挡以及使用环境的动态变化对RSSI值所带来的影响。实验结果表明,本文设计并实现的定位系统比传统定位系统更稳定、易维护,同时也具有更高的定位精度和自适应性。     

一种基于支持向量回归的802.11无线室内定位方法

802.11无线局域网技术的广泛普及,给无线室内定位系统带来了良好的发展契机.提出了一种基于支持向量回归的802.11无线室内定位方法.该方法主要包括离线训练和在线定位两个阶段.离线阶段的主要工作是得到精确的位置预测模型;在线阶段的主要工作是根据移动设备的接收信号强度(received signal strength,简称RSS)进行在线定位.由于存在室内环境复杂、信道拥塞、障碍物影响和节点的通信半径有限等问题,移动设备的接收信号强度易受干扰,复杂多变.针对以上问题,离线阶段对接收信号强度信息进行统计分析,得出数据过滤规则,对训练数据集进行过滤,以此提高训练样本质量,从而提高支持向量回归预测模型的质量.在线阶段使用连续K次测量定位法获取信号强度信息,保证训练样本与在线输入信息之间的一致性,提高最终的定位精度.通过实验对该定位方法进行了综合对比分析,实验结果表明：与常用概率定位法、神经网络法相比,该方法具有更高的定位精度,同时具有对移动设备的存储容量及其计算能力要求较低的特点.     

基于核岭回归的自适应蓝牙定位方法*

针对室内高精度定位需求和蓝牙信号强度动态变化特征,提出了一种基于核岭回归（KRR）的定位方法,只需利用蓝牙锚节点之间的信号强度及其物理坐标信息,学习蓝牙信号强度与物理坐标的回归模型,并能在线动态更新模型参数,实现自适应免标定定位。实验结果表明,KRR方法对信号强度的动态变化具有较好的适应性和鲁棒性,平均定位误差为1.25 m,相比信号—距离映射方法（SDM）能取得更高的定位精度;实验也验证了有效的滤波处理能进一步改善定位效果。     

基于聚类分析优化的距离修正室内定位算法

基于接收信号强度RSSI的定位系统易受环境影响,提出一种基于聚类算法分析的高斯混合滤波的RSSI信号处理优化策略,通过优化接收信号强度及距离修正的四边质心定位算法对未知节点进行精确室内定位,使用蓝牙4.0信标节点进行实地实验。实验结果表明,该算法可以有效提高测距精度,改善系统的定位精度,比传统加权质心算法的定位精度提高了34.6%,且定位平均误差不超过0.5m,可满足室内定位精度要求。     

利用指纹稀疏性的室内定位技术

室内无线网络信号强度在一定程度上表现了接收器与信号发射源的距离信息,因此在移动设备上不添加任何额外接收设备而利用无线网络信号进行室内定位是目前的一种主流技术。但由于无线网络信号容易受到复杂的室内环境干扰,基于无线网络信号的定位结果容易产生较大的误差。文章提出了一种基于无线网络信号构成的指纹室内定位技术,用传统的指纹室内定位技术结合稀疏表示方法,利用稀疏字典提取指纹中的主特征指纹从而分离大部分的指纹噪声,再利用分离后的指纹进行定位。实验结果表明,与传统算法相比,该算法可将定位精度提高约20%。     

基于SVR和粒子滤波的室内导航方法

针对室内环境复杂性造成的室内定位精度不足问题,提出一种基于支持向量机回归和粒子滤波的室内导航方法;离线阶段通过采集室内接收信号强度并利用统计学习方法,构建室内RSS与物理位置之间的支持向量回归映射模型,定位阶段使用智能移动设备采集加速度、方向角等运动状态信息和Wifi模块感知的环境信息,并利用粒子滤波将运动数据和回归结果进行融合处理,推算移动用户运动轨迹;室内实验结果表明,本方法最大定位误差为1.891 m,平均误差为0.669 m,有效地提高了室内定位导航精度。     

动态环境中的WiFi指纹自适应室内定位方法?

针对传统的基于WIFI信号的室内定位方法难以有效解决环境动态变化对RSSI值的影响问题,设计并实现了一种基于WIFI射频信号强度指纹的室内定位方法。该方法通过采用一种基于用户使用状况与布置定位参考点的方法来动态更新系统的WIFI指纹数据库,从而有效降低了在实际使用过程中用户手持手机的方向、用户的身体遮挡以及使用环境的动态变化对RSSI值所带来的影响。实验结果表明,本文设计并实现的定位方法比传统定位方法更稳定、易维护,同时也具有更高的定位精度和自适应性。     

基于RSSI概率统计分布的室内定位方法

针对接收信号强度指示（Received Signal Strength Indication,RSSI）时变现象影响WLAN室内定位精度问题进行了研究,提出了一种基于RSSI概率统计分布（Statistical Probability Distribution,SPD）的加权K最近邻（Weighted K-Nearest Neighbor,WKNN）方法--SPD-WKNN方法。该方法首先利用SPD方法得到指纹点RSSI向量区间;然后运用SVM算法选取测试点K个近邻指纹点,计算测试点RSSI向量到每个近邻指纹点的最小欧氏距离;最后结合WKNN算法获取定位结果。实验结果表明,SPD-WKNN方法与NN、KNN、WKNN、SVR和LSSVM方法相比定位误差分别降低了47.3%、41.6%、31.9%、27.1%和16.3%,呈现了良好的定位效果;利用SVM算法的稀疏性明显减小了运算时间。     

基于RSSI自适应选择定位算法的研究

在基于RSSI(Received Signal Strength Indication)的Wi-Fi室内测距定位技术研究中,首先利用对数距离衰减模型进行测距,然后针对定位精度不高的问题,这里提出利用RSSI自适应选择定位算法的方法,即在定位阶段,当满足能够准确确定定位节点所在的最小区域条件时,采用加权质心定位算法,加权因子由1/d表示;当不满足条件时,采用最小二乘定位算法。实验结果表明,自适应选择算法可避免一般加权质心算法由于最小区域的错误锁定而造成的定位误差大的弊端,同时也解决了最小二乘算法在边界区域定位精度难以控制的问题,若考虑定位误差在5m以内的情况,该算法可使35m的走廊定位准确率达到85.7%,较单独采用一般加权质心算法或最小二乘法,定位精度都有较大提高。     

基于蓝牙技术融合混合滤波与神经网络的室内测距方法

为了解决用户在基于蓝牙技术的室内测距定位中,接收信号强度指示（RSSI）数据存在采样值波动和不稳定问题,提出了一种改进的融合混合滤波与多隐藏层神经网络的室内测距方法,通过结合各类单一滤波算法的优点,使用加权的混合滤波算法有效平滑了数据,并引入机器学习算法中的多隐藏层神经网络来构建RSSI和锚节点到信号接收器距离的非线性映射关系。此外,还搭建了基于CC2640R2F的锚节点和以手机作为蓝牙接收器的验证平台,对提出的测距方法进行验证。理论分析与实验结果表明,所提出的室内测距方法的测距结果平均误差约为0.13 m,可以有效降低测距误差,具有易于布设、功耗低、成本低等特点,在提高室内定位的稳定性和精准度等方面具有较高的应用价值。     

基于相似度的K阶临近定位算法

基于WIFI位置指纹的定位系统能实现较高精度的室内定位,其中基于接收信号强度指示（RSSI）的近邻选择算法在进行室内定位时容易引入奇异点,导致定位精度降低.针对该问题,本文提出了一种基于相似度的K阶临近定位算法（SKNN）.该算法借鉴二部分网络中求解节点相似性的思想,建立位置指纹与AP之间的二部分网络,并提出一个相似度参数,用该参数去修正K阶临近定位算法.实验结果表明,本文提出的SKNN算法可以有效的降低奇异点对定位结果的影响,提高定位精度,80%的定位误差均在2 m以内,且在大场景中效果明显.     

Enhanced Gaussian mixture model of RSSI purification for indoor positioning

Received Signal Strength Indicator (RSSI) is used in indoor positioning for measuring object distance to the base station. However, acquiring accurate RSSI values is challenging due to wireless interferences, especially multipath decline. Therefore, RSSI purification is critical so we propose an Enhanced Gaussian Mixture Model (EGMM) for accurate indoor positioning. EGMM improves Gaussian filter based on Gaussian Mixture Model (GMM) to identify the desirable Light of Sight (LOS) signals from multipath decline signals. EGMM integrates GMM with Akaike information criterion (AIC) to determine the best K value for GMM and filter the LOS signal set accurately. The experiment is conducted with iBeacon devices, and the average error distance of EGMM can be enhanced as 64% of those generated by existing Gaussian filtering. The average positioning error of EGMM is about 0.48 m, which is adequate for indoor positioning.     

ZigBee技术中基于RSSI测距的定位算法研究

采用CC2430/CC2431为核心芯片设计ZigBee节点,并采用此类节点构成一个ZigBee定位网络。根据节点接收信号强度(RSSI)的模型,估计出盲节点与参考节点的距离,并采用最小二乘法对估计的距离进行修正。选择3个接收信号强度最强的参考节点,根据修正的距离采用三边测量法估计出盲节点的坐标。实验表明,修正后的定位精度高于修正前的定位精度。     

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。