情境自适应的RSSI分段异构拟合定位方法

室内定位在公共安全、健康监护、定位服务等领域具有重要价值,提高定位精度和模型对环境的适应性已经成为室内定位的核心问题。其中通过接收信号强度指示RSSI值来获取距离是比较通用的方法。针对室内复杂环境中传统的对数距离损耗路径模型适用性不高的情况,提出了一种情境自适应的RSSI分段异构拟合定位方法。该方法利用信号在不同应用情境下传播损耗的差异性,将RSSI数据分为多个不同的拟合段,根据RSSI数据的区分特性寻找最优的分段拟合点,并为每个分段选择最优的拟合函数,使得分段数、分段位置和每个分段的拟合函数都适应相应的应用场景,从而实现高精度的RSSI信号拟合。实验结果表明,本文所提出的方法在RSSI拟合精度上均优于传统的单一拟合函数,可明显提高定位算法的精度。     

免校准的跨异构设备的室内定位方法

针对基于WiFi指纹的室内定位中设备异构带来的定位精度偏移和鲁棒性差的问题,提出一种免校准的跨异构设备的室内定位方法.结合最强AP(Access Point,接入点)分类和普氏分析(Procrustes Analysis)对原始指纹库进行标准化处理,再经过极限学习机(Extreme Learning Machine,E...     

基于改进BP神经网络的室内无线定位方法

针对在室内无线定位中采用加权质心定位法时精度较低且难以克服信号不稳定的问题,提出改进的BP神经网络方法。以接收信号强度(RSSI)为输入、二维平面坐标为输出建立网络结构,网络的初始权值和阈值用思维进化算法优化,并用边长3 m的正方形区域内的196个样本数据训练。实验结果表明,在27个预测点上可达到定位精度0.1 m。相比于BP网络以及BP网络和遗传算法的结合算法,该定位方法训练收敛时间短,定位结果稳定。     

基于机器学习与蓝牙RSSI的室内定位技术研究

对一种基于蓝牙RSSI(received signal strength indicator)结合机器学习算法的室内定位技术进行了研究。以蓝牙低功耗信标作为发射节点,接收移动节点的RSSI信号,通过三坐标测算技术,结合k近邻（k-nearest neighbor, k-NN）机器学习算法,参考已知信标节点对移动节点RSSI数据进行分类,估算出待测点坐标,从而定位室内用户位置。所研究的室内定位技术,综合运用了蓝牙低功耗信号处理、RSSI测距及机器学习等多种技术,能精确地用于各种静态或动态的应用室内定位场景。在某高校图书馆室内部署本文技术方案,测试结果表明机器学习结合蓝牙RSSI的室内定位精度相比传统定位方法得到提高。     

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。     

多方位分组式WiFi室内定位算法

WiFi信号的多径传播受到室内环境很强的制约性,障碍物的遮挡和阻隔造成部分接入点(AP)的信号传输发生折射和衍射使得信号强度减弱,基于接收信号强度指示(RSSI)测距时易产生和真实距离很大的测量误差.与其他的室内定位技术相比,RSSI测距的WiFi室内定位技术在定位精度、功耗和成本方面具有很大的优势.本文提出一种新的定...     

基于模糊控制的无线传感器网络室内定位算法

提出了一种通过无线传感器网络组网,利用基于模糊算法的改进接收信号强度指示(RSSI)测距技术来进行室内定位的系统设计方案。通过模糊状态分类建立环境气候和障碍物的模糊分布参数,对“距离-损耗”模型进行改进,算出其隶属函数,从而得到较准确的测距公式,计算出移动节点的位置信息。实验结果表明：提出的定位算法在对移动节点定位的实时性和准确性上能满足实际需要,具有应用价值。     

引入RSSI指纹抖动量的室内定位改进算法

为提高接收信号强度指示( RSSI)指纹进行室内定位的准确性,提出一种利用RSSI指纹抖动量的虚拟标签定位改进算法。给出RSSI指纹抖动量计算方法,将其应用于待定位标签与参考标签的距离以及虚拟标签RSSI指纹的计算。在实际测试中,将RSSI指纹抖动量用于虚拟标签定位算法射频指纹( RFFP)的改进。测试结果表明,与 RFFP 算法和 LANDMARC 算法相比,改进算法的平均定位精度分别提高约0.35 m ~0.88 m 和0.38 m~0.94 m,算法耗时仅分别增加约1%和12%。     

基于T-RL衰减多墙模型的室内定位技术

在基于接收信号强度指示(RSSI)的室内无线传感器网络定位系统中,无线信号的传播方向由于墙壁的遮挡发生变化使得RSSI测量值不准确,导致信道模型建立困难,无法实现较高的定位精度。因此,提出了一种新的环境自适应路径衰减模型,在传统对数路径模型的基础上,该模型考虑了无线信号遇到墙体时产生的反射损耗和透射损耗并推导出相应的路径衰减,在定位实验中,选取3.5 m作为最佳通信距离,采用三边测量定位算法计算得到未知节点的位置坐标。实验结果表明,所提出的基于T-RL衰减多墙模型的定位精度比传统路径损耗模型提高了26.9%,室内定位效果有所提升,且有更好的环境适应性。     

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。     

一种室内定位中NLOS误差抑制算法

在无线定位系统中,尤其是在室内定位中,非视距(NLOS)误差的存在使定位性能急剧下降。为克服非视距传播带来的定位误差,提出了一种针对NLOS环境下的基于卡尔曼滤波器(KF)的动态跟踪定位算法,将广泛应用于雷达系统和飞机导航系统的成熟的卡尔曼滤波器应用于室内定位中。实验结果表明,该方法可以满足室内环境下无线定位的需求,即使在恶劣的NLOS环境下也能够获得很高的定位精度,是一种可行的无线局域网定位技术。     

基于Wi-Fi室内定位的位置指纹算法

随着Wi-Fi网络室内覆盖率的增加,人们对位置服务的需求也不断增加。利用现有的Wi-Fi网络进行室内定位,先分析了NN算法存在的不足,并提出了一种WNN位置指纹定位算法。整个定位过程分为数据采集、数据处理即奇异值处理和滑模滤波处理、实时定位即用WNN法对处理后的离线数据和实时数据进行对比、匹配,最接近的那组数据对应的区域号为定位结果。对几种信号处理方法进行了比较,得出滑模滤波的效果最优。实验表明,修正后的定位算法的定位准确率明显提高,达到了90%以上。     

基于独立成分分析与核典型相关分析的WLAN室内定位方法*

接收信号强度(Received Signal Strength, RSS)在WLAN室内定位环境中存在时变特性,降低了WLAN定位环境中RSS信号和位置信息之间的相关性,致使定位精度降低。针对这一问题,该文提出通过利用独立成分分析(Independent Component Analysis, ICA)对RSS信号进行数据降维和去相关处理,提取独立分量;然后采用核典型相关分析(Kernel Canonical Correlation Analysis, KCCA)来提取独立分量与位置信息之间的典型相关特征;最后结合传统定位算法如加权K近邻法(Weighted K Nearest Neighbors, WKNN)、支持向量机(Support Vector Machine, SVM)算法实现定位。实验结果表明,传统定位算法WKNN算法、SVM算法通过运用ICA与KCCA特征提取后再进行定位其定位精度得到提高。     

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。     

一种基于多终端动态协同的室内定位方法

由于Wi-Fi环境的高动态性,当标定样本类稀少或者逐渐失去其原始价值时,将严重影响定位精度;若重新标定样本,又会带来大量人力物力投入,不利于实际应用。针对这一问题,提出了一种基于多终端动态协同的室内定位方法——OC-ELM。该方法利用环境中多个终端提供的Wi-Fi信息动态协同定位,并在每轮定位结束后及时更新样本库。实验结果表明此方法不仅能实现高精度定位,更重要的是避免了重复的标定工作,提高了实际应用能力。     

基于ZigBee的博物馆参观引导系统

目前人们在室外可以很精确地利用手机GPS功能规划自己的行程线路,但是室内环境复杂,存在多径现象,GPS很难在室内环境下定位。在前人对ZigBee室内定位的研究的基础上,利用指纹定位算法的原理,将ZigBee的室内定位技术应用于游客参观博物馆的场景中。系统采用ZigBee无线局域网,利用接收信号强度指示（Received Signal Strength Indication, RSSI）值及指纹定位算法,借助GPRS模块传输数据,利用数据库服务器处理数据,并通过安卓APP监控数据,使得游客在博物馆中的位置信息能及时地在APP上显示,同时根据游客在博物馆中位置,将游客参观的展品的信息推送给游客。测试结果表明,系统运行良好,基本符合预期要求。