室内定位系统中位置指纹库滤波算法研究

WiFi指纹定位是目前最受欢迎的室内定位技术之一,离线阶段创建的位置指纹库的精确与否对定位的精准度有很大的影响。传统的指纹库构建一般对采集的数据进行均值滤波,误差较大,并且在范围较大的场合进行定位时,由于位置指纹数据过多,使得定位时效性不好,结果不理想。为了提高指纹库的可靠性,通过给采集的源指纹数据赋予权值并根据权值的大小划分有效数据进行滤波处理,建立高精度指纹库,并利用基于临近域加权最近邻算法进行验证。实验结果表明,与传统的构建指纹库和定位算法相比,该方法显著提高了定位精度,缩短了定位时间。     

可见光重构指纹室内定位算法研究

提出一种可见光重构指纹室内定位算法(RFP),通过融合到达时间差(TDOA)算法和指纹算法可快速完成室内高精度定位。该算法首先利用TDOA算法多次估计得到的解集定义一个区域,然后在该区域中构建三维精细指纹库,再利用匹配算法定位未知节点。仿真结果表明,该算法的平均定位误差约为0.1719m,与传统的TDOA算法相比,提高了定位精度,与传统精细指纹算法相比,节省了定位时间。     

相关性匹配蓝牙信标位置指纹库的室内定位

针对K近邻算法(KNN)在对偏向于某个样本点的未知点进行三角质心定位时定位精度变差的情况,提出了应用相关系数去匹配蓝牙信标iBeacon位置指纹库的室内定位算法.通过比较待定位点和位置指纹库中参考样点的相似程度,并进行数据差异显著性检验,来检验采集的待定位点数据与指纹库数据是否显著相关,然后取相关性较高的样本点进行加权平均匹配定位.实验结果显示,相关系数匹配位置指纹库算法可将2 m以内的定位精度从65%提高到92%,相较于传统的KNN匹配定位算法有着定位精度高、计算量小、定位时间短等优势.     

基于改进的DBN的WLAN指纹定位数据库构建算法

提出了一种基于改进的深度置信网络(Deep Belief Network,DBN)的 WLAN指纹定位数据库构建算 法。首先,从需要实地测量的参考点中选取一部分参考点测量位置坐标和接收信号强度,并 将其作为训练数据输入改进的 DBN,经过训练不断改善DBN的性能;然后,将其他剩余参考点的位置坐标输入训练好的DBN 中,将DBN的输出数据作 为这些参考点的接收信号强度,从而对指纹定位数据库进行构建;最后,将实测的部分参考 点的数据与基于DBN预测出的 剩余参考点的数据共同组成构建后的指纹定位数据库,并使用KNN和WKNN定位算法对构建效 果进行评价。实验结果表 明,在使用相同的数据集时,改进的DBN算法训练用时更短,对指纹库的构建效果更好。     

基于RSS相关性的位置指纹室内定位方法

解决设备差异性造成的Wi-Fi信号强度不确定问题是位置指纹室内定位应用与推广的关键.一种基于设备间接收信号强度(Received Signal Strength,RSS)相关性的位置指纹室内定位方法被提出.以智能手机为用户终端,离线阶段,通过智能手机扫描的Wi-Fi信号强度信息,经过数据处理,筛选稳定的接入点(Access Point,AP),构建离线指纹数据库;在线定位阶段,对于实时获取的Wi-Fi信号强度信息,进行筛选处理后,挑选与离线指纹共同拥有的AP,并根据该AP集合,形成新的离线指纹和在线指纹.对离线指纹按RSS的大小降序排序;在线指纹,则以同一次序对RSS排序,然后利用皮尔逊相关系数和杰卡德相似系数,计算指纹相似度并排序,通过K最近邻(K-Nearest Neighbor,KNN)算法实现用户定位.实验表明该方法可有效解决设备差异性问题,并实现精确定位,平均定位误差达到1.7 m.     

基于移动蜂窝网的机器学习室外指纹定位方案

基于移动蜂窝网络技术的定位方案是提供网络优化、紧急救援、公安巡警和位置服务等应用的重要技术途径之一。传统的基于小区基站位置信息的定位方案定位精度低、定位误差大,无法满足某些定位应用需求。基于指纹定位的方案能够在基于小区粗定位方案基础上大幅度提升定位精度、节约计算成本、增强适用性,成为定位研究的热点。针对室外指纹定位的业务需求,深入研究分析了两种基于机器学习的栅格化和非栅格化室外指纹定位方案。通过参数加权、数据拟合等方法对于大规模指纹数据进行了清洗,提高数据源的有效性。通过划定研究区域、栅格化、构建指纹数据库、训练模型、修正模型、非栅格化、粗定位耦合、匹配参数、训练参数等子模块的实现,分析和优化了算法的运行效率和定位精度,确定了影响算法性能的关键指标。进而结合仿真结果,分析了两种基于指纹的定位方案的性能。最后介绍了基于机器学习的指纹定位方案在实际应用中的典型场景。     

基于MR指纹库的两步室内外综合定位方法

为了解决仅依靠基站对移动台定位不准确,提高移动台的定位精度,研究了基于MR(Measure Report,测量报告)指纹库的室内外联合定位方法。该算法主要分为两步:第一步是粗定位,区分出室内和室外的MR;第二步是精细化定位,将MR定位到具体的位置。实验结果表明,基于MR指纹库的室内外定位方法可以有效提升定位精准度。     

轻量扩展的射频指纹地图构造方法

随着群智感知和机器学习的融合,基于射频指纹的室内定位技术引起研究者的广泛关注。然而现有工作存在指纹地图构建阶段开销过大形成的可扩展性和实时性瓶颈问题。针对这一问题,该文提出一个新颖的轻量可扩展指纹地图构造方法(FFIL)。在指纹构建阶段,将整个室内环境划分为多个环路快速分割地图并获取射频指纹;在指纹匹配阶段,首先计算AP与目标点间的距离,然后选择与圆环半径最相似的环路上的参考点一一匹配;在定位阶段,采用等高线聚类算法来提高定位精度。通过真实数据驱动的大量仿真和实验证明,FFIL能减小指纹地图构建的开销,同时提高定位精度和系统实时性。     

基于MDT数据的地下场景覆盖问题识别系统设计

地下场景覆盖问题的准确识别一直是网络优化难点,围绕精准定位建立评估模型,以用户轨迹惯性特性为基础完成最小化路测(MDT)数据清洗,采用“基于RSSI测距多点定位算法”和“神经元网络定位技术”相结合方式,完成多维数据关联和迭代矫正模型并纳入指纹库,引入栅格化理念,实现栅格内MDT数据智能汇聚,识别地下场景弱覆盖栅格。本设计能够扩充地下室场景覆盖问题识别的手段。     

基于接收信号强度非齐性分布特征的半监督学习室内定位指纹库构建

室内定位中半监督学习的指纹库构建方法能够降低人力开销,但忽略了高维接收信号强度(RSS)数据不均匀的非齐分布特点,影响定位精度,针对此问题该文提出一种基于RSS非齐性分布特征的半监督流形对齐指纹库构建方法。该算法运用局部RSS尺度参数以及共享近邻相似性构造权重矩阵,得到精确反映RSS数据流形结构的权重图,利用该权重图通过求解流形对齐的目标函数最优解,实现运用少量标记数据对大量未标记数据的位置标定。实验结果表明,该算法可以显著降低离线阶段数据采集的工作量,同时可以取得较高的定位精度。     

一种基于分布式压缩感知的矿井目标指纹数据库建立方法

针对目前国内矿井目标定位精度低和定位实时性差的现况,该文提出一种基于分布式压缩感知原理构造指纹数据库的方法,该方法在离线阶段只需采集少量巷道中的指纹信息(参考节点ID信息、基于电磁波到达时间(TOA)的距离测量值和实际距离值),便可高概率重构矿井目标指纹数据库指纹信息,从而达到减少数据采集工作量和提高工作效率的目的。后续在线阶段,只需获得某时刻参考节点ID信息和目标节点被参考节点测得的实时TOA距离测量值,根据模式匹配方法可获得该时刻目标节点距离参考节点的待估距离值,保证了定位精度和定位实时性。在此基础上,提出一种改进的压缩采样修正匹配追踪算法(CoSaMMP)进行指纹信息重构,该算法利用折半法增大裁剪力度从而有效缩短重构数据时间。仿真结果表明所提算法的可行性及有效性。     

基于GAWK-means的地铁车站指纹定位方法

针对在城市轨道交通车站内,利用iBeacon技术进行指纹定位时存在匹配效率较低、定位精度不理想的问题,文中提出了一种基于GAWK-means的地铁车站指纹定位方法.离线阶段,根据指纹数据本身的离散程度进行K-means欧式距离权重优化以便更好地体现类内相似度,再将改进的K-means结合遗传算法,优化聚类结果以减少陷入...     

稀疏参考点下的室内定位方法

随着移动互联网的发展,人们对于室内的位置服务需求日益增加。基于Wi-Fi的指纹库室内定位算法具有成本低、定位误差小的优点,但指纹库信号采集需要消耗大量的时间和人力,本文对稀疏参考点下构建高效指纹数据库和高精度室内定位的方法进行了深入研究。本文改进了卡尔曼滤波有效解决了Wi-Fi的噪声和缺失点,设计了基于信号强度差分方差的无线接入点筛选策略来滤除信息量较低的接入点,提出了一种基于支持向量回归拟合的克里金插值算法（Kriging Interpolation Algorithm Based On Support Vector Regression, SVR-Kriging）进行指纹库的构建,最后通过接入点加权的K加权近邻法（AP weighted and Weighted K-Nearest Neighbor, AWKNN）完成定位。将该方法应用于实际的二维、三维定位场景,实验结果表明二维场景平均定位误差为1.01 m,三维场景平均定位误差为0.92 m。该方法解决了指纹数据库信号采集困难、接入点数据冗余的问题,有效地降低了定位误差。      

融合反距离加权和矩阵填充的位置指纹库构建

为解决位置指纹定位在离线阶段构建位置指纹库时耗费的人力和时间成本较大,构建指纹库效率低和利用空间插值法构建的指纹库精度不高的问题,提出了一种融合反距离加权和矩阵填充的位置指纹库构建算法。该算法仅需人工采集定位区域内少量参考点的接收信号强度值用作信标点指纹信息,结合反距离加权算法特性计算出次信标点指纹信息,根据位置指纹库数据矩阵的低秩性,应用奇异值阈值矩阵填充算法构建出位置指纹数据库。仿真实验结果表明,所提算法有效降低了矩阵填充算法构建位置指纹库所需的人工和时间成本,构建出的位置指纹库定位性能优于反距离加权和克里金空间插值法,接近传统人工采集法,显著地提高了位置指纹库的构建效率。     

Environment Adaptive Localization Method Using Wi-Fi and Bluetooth Low Energy

Received signal strength indicator (RSSI) based fingerprinting techniques for indoor positioning can be readily implemented via a wireless access point. These methods have therefore been widely studied in the field of positioning. However, fingerprinting suffers low accuracy of positioning on account of high noise occurrences which are caused by other wireless communication signals and environmental factors when the RSSI is received, and by relatively high errors on account of low position resolution compared to other methods such as time of flight and inertial navigation technology. In this paper, a modified fingerprint algorithm based on Wi-Fi and Bluetooth low energy applied to the log-distance path loss model is proposed to remove unnecessary Wi-Fi data, and produce the AP database that can be updated depending on the changes of the ambient environment as the indoor area is increasingly complicated and extended. Instead of using the existing fingerprinting techniques of consulting signal strengths as factors that are stored in a database, the proposed algorithm employs environmental variables to which the log-distance path loss model is applied. Therefore, the proposed algorithm has higher position resolution than existing fingerprint and can improve the accuracy of positioning because of its low dependence on reference points. To minimize database and eliminate inaccurate AP signals, the Hausdorff distance algorithm and median filter are applied. Using a database in which environment variables are stored, the results are inversely transformed into the log-distance path loss model for expression as coordinates. The proposed algorithm was compared with existing fingerprinting methods. The experimental results demonstrated the reduction of positioning improvement by 0.695 m from 2.758 to 2.063 m.     

基于线性内插法改进的室内定位算法

针对室内位置指纹定位技术存在的离线阶段工作量大、定位精度有限、顽健性较差的缺点,提出了一种基于线性内插法改进的指纹定位匹配算法.与传统位置指纹定位技术相比,该算法不仅降低了整体工作量,而且降低了多径效应造成的不利影响.最后搭建实验场景对该算法定位性能进行测试.实验数据显示,该算法与WKNN法相比,平均定位精度大约提高了34.25％,绝大部分待测点的定位误差在0.4 m以内,验证了所提算法在定位精度、顽健性和适应环境变化方面的优势.     

UWB positioning enhancement using Markov chain in indoor NLOS environment

The accuracy of the positioning system in indoor environment is often affected by none-line-of-sight ( NLOS) propagation. In order to improve the positioning accuracy in indoor NLOS environment, a method used ultra-wide-band ( UWB ) technology, which based on time of arrival ( TOA) principle, combining Markov chain and fingerprint matching was proposed. First, the TOA algorithm is used to locate the target tag. Then the Markov chain is used to identify if blocking happened and revise the position result. And the fingerprint matching is used to further improve the position accuracy. Finally, an experiment system was built to test the accuracy of the proposed method and the traditional Kalman filter method. The experimental results show that, compared with the traditional Kalman filter method, the proposed method can improve the positioning accuracy in indoor NLOS environment.     

基于无迹卡尔曼滤波的iBeacon/INS数据融合定位算法

针对微机电惯性导航系统(MEMS-INS)定位解算存在积累误差及低功耗蓝牙技术iBeacon指纹定位存在跳变误差等问题,该文提出一种基于无迹卡尔曼滤波器(UKF)的iBeacon/MEMS-INS数据融合定位算法。该算法对iBeacon锚点与定位目标的距离进行解算,利用加速度计和陀螺仪的数据实现姿态阵和位置解算。将蓝牙锚点位置向量、载体速度误差信息等组成状态量,将惯性导航定位信息和蓝牙定位距离信息等组成观测量,设计无迹卡尔曼滤波器,实现iBeacon/MEMS-INS数据融合定位。实验测试结果表明,该算法有效解决MEMS-INS存在较大积累误差及iBeacon指纹定位存在跳变误差的问题,可以实现1.5 m内的定位精度。     

基于SVR-Kriging插值的矿井工人二维指纹定位数据库构建算法

为突破矿井工人指纹定位中1维模型在定位精度上的局限性,该文提出一种矿井工人2维指纹定位数据库构建算法,并通过SVR-Kriging插值法解决因2维模型带来的数据采集工作量大的问题。首先,通过高斯滤波对采集的采样点位置指纹信息进行预处理,并利用支持向量回归由采样点数据拟合变异函数。然后采用Kriging插值法补全2维网格划分中的未采样区域的位置指纹信息。最后综合采样点与插值点的位置指纹信息建立矿井工人指纹信息数据库,为后续矿井工人指纹定位奠定基础。仿真结果表明,该文算法在减少数据采集工作量的同时保证了算法的可行性与有效性,且在进行位置指纹定位时能够保证较高的精度。