基于K-Means和FCM的增强型Wi-Fi指纹定位策略

研究了通过数据处理算法以提高Wi-Fi指纹库室内定位性能的问题.首先采集Wi-Fi指纹样本,将其放入MySQL数据库中和R工程;其次将Wi-Fi指纹库分成若干个簇,使用K-均值聚类（K-Means）和模糊C-均值聚类（FCM）对待定位的Wi-Fi指纹进行聚类分析;最后,提出增强型的聚类策略（ECS）应用于Wi-Fi指纹匹配定位中.实验结果表明,ECS较仅使用FCM算法,其定位耗时缩短约50%-80%,且定位精度上有所改善;ECS较仅使用K-Means算法,其定位精度提高约20%-40%,且定位稳定性较强并自动更新Wi-Fi指纹库.     

基于无线定位的个性化导览关键技术及其在博物馆中的应用

本文提出一种基于Wi-Fi无线定位网络能够满足相关应用精度需求的室内导览方法,该方法使用智能手机自身处理能力实时进行信号强度概率分布以及位置指纹匹配计算,使用基于动态权值的方法来对室内环境进行建模,引入加权线性公式组合推荐算法实现基于优化A星算法的路线规划。本文同时给出了该方法应用于构建博物馆个性化导览系统的应用示例,实验结果表明该方法具有较高的定位精度和推荐准确率。本文所提室内导览方法具有通用性好和组网成本低的特点,能够较好满足博物馆等室内导览系统应用需求,具备进一步进行商业化应用的潜力。     

基于热点数据块的动态副本调整策略

副本管理策略对于分布式存储系统的可用性、可靠性和系统整体性能有至关重要的作用。本文针对基于文件的动态副本调整策略的不足,提出了一种基于热点数据块的动态副本调整策略。根据时间局部性原理和数据访问规律,通过对历史访问周期和当前周期赋予不同的权重,数据块下一周期的预测进行访问频率计算,接下来基于计算出的预测访问频率对数据块进行热点判定。结合HDFS中数据访问规律近似二八定律的特点和热点数据块的判定结果,来确定数据块的调整阈值。最后,分3个步骤对基于热点数据块的动态副本调整策略进行性详细设计。实验结果表明,本文提出的基于热点数据块的动态副本调整策略在数据访问效率和集群存储资源利用率两方面有了明显提升。     

无线传感器网络中不确定数据的估计算法

针对数据元组本身所产生的不确定性,利用WSN节点的历史数据,结合Hermite和DESM模型,提出利用感知数据的时-空相关性的估计算法,该算法能自适应调整时间和空间模型的权值对不确定数据进行估计,以提高无线网络的可靠性,实验表明该算法有较好的稳定性和较高的估计精度。     

基于Wi-Fi和自适应蒙特卡洛的移动机器人定位方法的研究

提出一种基于Wi-Fi和自适应蒙特卡洛的移动机器人定位方法。通过对实验环境中Wi-Fi信号的分布进行测试和分析,利用Wi-Fi信号强度的三角定位法,在ROS平台上实现Wi-Fi-AMCL室内初始化定位系统。对该方法和传统定位方法设计实验进行比较,结果表明前者不仅可以有效加快粒子的收敛速度、缩短机器人的定位时间,而且在一定限度上提高了机器人的初始化定位精度,改善了定位效果。     

Local and global error estimations in linear structural dynamics

The study discusses the concept of error estimation in linear elastodynamics. Two different types of error estimators are presented. First ‘classical’ methods based on post-processing techniques are discussed starting from a semidiscrete formulation. The temporal error due to the finite difference discretization is measured independently of the spatial error of the finite element discretization. The temporal error estimators are applied within one time step and the spatial error estimators at a time point. The error is measured in the global energy norm. The temporal evolution of the error cannot be reflected. Furthermore the estimators can only evaluate the mean error of the whole spatial domain. As the second scheme local error estimators are presented. These estimators are designed to evaluate the error of local variables in a certain region by applying duality techniques. Local estimators are known from linear elastostatics and have later on been extended to nonlinear problems. The corresponding dual problem represents the influence of the local variable on the initial problem and may be related to the reciprocal theorem of Betti–Maxwell. In the present study this concept is transferred to linear structural dynamics. Because the dual problem is established over the total space–time domain, the spatial and temporal error of all time steps can be accumulated within one procedure. In this study the space–time finite element method is introduced as a single field formulation.     

Wi-Fi指纹聚类在室内感兴趣区域定位中的应用

针对广域室内位置服务中Wi-Fi指纹图谱构建与维护困难的问题,论证无监督聚类算法实现感兴趣区域(POI)定位的可行性,从而为众包模式生成POI关联定位指纹图谱提供依据。首先介绍Wi-Fi指纹定位算法的基本框架,并将k均值算法、近邻传播算法、自适应传播算法应用到Wi-Fi指纹定位;然后以一个实验室为例,分析室内POI划分与空间区域的关系,建立无线信号强度指示(RSSI)特征库,以BP神经网络算法作为对比,评价三类无监督聚类算法在POI定位的性能,其定位的平均精度和查全率均高于90%。实验结果表明,无监督聚类算法生成无线指纹图谱可以作为粗粒度的室内POI定位的解决方案。     

基于空间距离自适应权重度量的粗糙K-means算法

粗糙K-means算法中下近似和边界区域权重系数的设置对算法的聚类效果有着重要的影响。传统的粗糙K-means算法及很多改进的粗糙K-means算法对所有类簇的下近似和边界区域设置固定的权重,忽视了簇内数据对象分布差异性的影响。针对这个问题,根据下近似和边界区域的数据对象相对于类簇中心的空间分布情况,提出一种新的基于空间距离自适应权重度量的粗糙K-means算法。该算法在每次迭代过程中,根据每个类簇的下近似和边界区域的数据对象相对于类簇中心的平均距离,综合度量下近似和边界区域对于类簇中心迭代计算的不同重要程度,动态地计算下近似和边界区域的相对权重系数。通过实例验证及实验仿真证明了所提算法的有效性。     

基于时空融合图网络学习的视频异常事件检测

视频中异常事件所体现的时空特征存在着较强的相关关系针对视频异常事件发生的时空特征相关性而影响检测性能问题,提出了基于时空融合图网络学习的视频异常事件检测方法,该方法针对视频片段的特征分别构建空间相似图和时间连续图,将各片段对应为图中的节点,考虑各节点特征与其他节点特征的Top-k相似性动态形成边的权重,构成空间相似图;...     

北斗和Wi—Fi节点的联合定位

以北斗卫星测码伪距和Wi—Fi信号强度反算出的距离作为基本观测值,组成联合观测方程,实现北斗和Wi—Fi节点的联合定位。通过实测数据实验分析结果表明,在相互通视的环境中,北斗和Wi～Fi节点各自不能独立定位的情况下,两者联合定位的偏差小于15m（80％的可信度）。北斗和Wi—Fi节点联合定位是一种实用的定位方式。     

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。     

基于无线信道状态相位信息优化的定位算法

随着位置服务需求的增长,基于Wi-Fi接收信号的室内定位技术一直是研究热点之一.通过检测环境变化对Wi-Fi无线信道状态信息CSI的影响,从而实现对室内人员的定位具有通用性强、部署成本低等优点.针对大多系统仅使用CSI中幅度信息所带来准确性和稳定性不足的问题,设计并实现了一种基于CSI相位信息优化的定位算法,该方法通过采集幅度和相位参数相结合作为位置指纹特征,并对特征数据进行预先平滑去噪后进行指纹库的构建,然后通过机器学习方法进行人员位置的分类识别.由于相位和幅度信息可以相互补充,弥补了某些易混淆位置的分类错误,从而解决了采用单一特征的定位准确性和稳定性问题.实验进行了两种不同多径场景下的实验,比较了不同指纹特征选取、数据预处理方法以及三种机器学习算法对定位准确度的影响,其结果表明采用本文所提出算法总体上可以在仅使用CSI幅度特征的基础上提高13%.     

Reputation-based crowdsourced Wi-Fi topology discovery

The ubiquity of Wi-Fi networks, coupled with their anarchic deployment, gives rise to the problem of accurately determining their topology in order to employ it for tuning and optimization. Knowledge of the Wi-Fi topology is particularly important for reconfiguration mechanisms, such as channel assignment and power control schemes, which depend on it to operate. Furthermore, with the advent of WLAN-based positioning schemes, the robustness of the spatial databases where wireless topology is encoded becomes crucial for the accuracy of the respective localization algorithms. In this work, we propose a scheme where monitoring the topology of Wi-Fi deployments is crowdsourced to mobile users, who submit reports about Wi-Fi coverage in their vicinity. However, users cannot be assumed trustworthy. They can engage in fraudulent reporting, which, unless specific countermeasures are in place, can severely impact one’s view of the network topology. To this end, we have designed and implemented an architecture for accurate Wi-Fi topology discovery, devising a reputation-based mechanism to tackle realistic and simple to implement (and therefore potentially widespread) attacks. We show analytically and via simulation that, even in the presence of large numbers of attackers, our user-centric scheme significantly outperforms pure infrastructure-based approaches, where monitoring is carried out only by trusted Access Points.     

基于时间图注意力的交通流量预测模型

交通状况预测是智能交通系统的一个重要组成部分,而车流量是交通状况最直接的体现,因而对交通流量进行预测具有重要的应用价值。一方面,城市中的道路本身带有空间拓扑性质,另一方面车流量随时间动态变化。因此交通流量预测问题的关键在于对数据中存在的时间和空间依赖进行建模。针对这一特性,使用神经网络模型和注意力机制来探索交通流量数据中的时空依赖关系,提出基于时间图注意力的交通流量预测模型。空间依赖方面,使用图卷积网络与注意力结合的学习算法对不同影响程度节点分配不同的权重,加入节点自适应学习,有效提取空间特征;时间依赖方面,使用时序卷积网络对时间特征进行提取,通过扩张卷积扩大感受域从而捕获较长时间序列数据的特征。由图注意力网络和时间卷积网络构成一个时空网络层,最终连接到输出层输出预测结果。该模型使用图卷积神经网络和注意力机制结合的方式提取空间特征,充分考虑了道路间的空间关系,利用时序卷积网络捕获时间特征。在两个真实的数据集上进行实验后发现,在未来15 min、30 min、60 min的时间段内该模型都有良好表现,结果优于现有基准模型。     

结合残差时空注意力机制的海面温度预测算法

海面温度(SST)与全球气候变化、海洋灾害、海洋生态系统密切相关,因此准确地预测 SST 是一个重要课题。现有区域型 SST 预测方法将 SST 时间序列处理为二维矩阵序列并作为模型输入,每个矩阵对应着特定时刻的区域 SST,通过提取时空特征来实现其预测,但未充分考虑不同时空特征在时间维度和空间维度上对 SST 影响的不均衡性,限制了预测精度地提高。为了解决该问题,提出了一种结合时间注意力机制和空间注意力机制的区域 SST 预测方法(CRA-ConvLSTM),使得模型动态关注不同时刻的时间特征和区域内不同点的空间特征,赋予不同的影响权重,进而提高 SST 预测精度。具体来说,首先将输入的区域 SST 时间序列通过卷积神经网络(CNN）编码为多层特征向量,提取局部特征;然后构建了残差时间注意力模块,自适应地学习不同时刻的注意力权重,提取时间维度上的关键特征,并设计了残差空间注意力模块,提取区域内不同点在空间维度上的关键特征,此外,将注意力机制结合残差结构避免了网络中信息量过少导致的性能下降问题;最后通过卷积长短时记忆神经网络(ConvLSTM)将特征向量映射为 SST 预测结果。实验结果显示,该模型的均方根误差(RMSE)和预测精度(PACC)分别达到了 0.19 和 99.43%,均优于其他方法,有效提高了 SST 的预测精度。     

基于聚类分析的综合神经网络集成算法

研究神经网络集成是一种有效实用的分类方法,权值是影响神经网络集成性能的重要因素。为了克服神经网络集成固定权值的缺陷,提出一种基于聚类分析的综合神经网络集成算法。算法首先将样本分类,每类样本中加入其他样本类一定数量的中心样本,不同的神经网络学习不同类的样本。根据输入数据与样本类别之间的相关程度自适应调整集成权值。算法不仅用于自适应调整集成权值,而且是一种产生个体神经网络的训练方法。四个数据集上的仿真试验证实了算法的有效性。     

基于WIFI+GPRS的无线传感器网络监控系统

传感器网络是一个将传感器技术、嵌入式系统、通信网络技术相结合的网络,实现数据采集、无线定位、远程监控、设备管理等功能,结合ZigBee、WIFI、GPRS等无线网络的优点,构建一个异构无线传感器网络,实现无线网络和移动通讯刚络的远程数据采集、定位与控制、异常事件报警,系统通过无线传感器终端节点进行数据采集,利用具有接收、转发数据助能的无线网络接收,实现异构网络终端设备间的数据交互与共享,达到无线定位,短信报警、上位机软件监控的目的．     

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。     

基于贝叶斯概率优化的Wi-Fi室内定位算法

Wi-Fi指纹匹配定位算法具有简单、快捷、方便、经济、易普及等诸多优点,但对位置指纹的匹配精度较低。对此,提出一种贝叶斯与加权K近邻算法相结合的贝叶斯概率优化算法,应用于Wi-Fi指纹匹配定位,在提高传统加权K近邻算法精度的同时,减少了贝叶斯概率匹配算法的平均运行时间。实验结果显示,该算法可以将1 m内的定位精度从原先的57%提升至73%,平均定位精度提高约21.49%,定位稳定性也有所加强。     

一种基于视距路径识别的设备无关室内定位算法

Wi-Fi技术的广泛应用和部署催生了许多基于Wi-Fi的室内定位技术。近年来,基于Wi-Fi的设备无关定位算法引起了研究人员的广泛注意。设备无关定位算法不需要目标对象携带无线传输设备,而是通过测量目标对象对无线信号传输的影响来反向推断目标对象的位置。由于不需要目标对象携带相关设备,因此可以广泛应用于多种场合,如老人健康护理等。已有的设备无关定位技术通常需要事先采集训练数据,因此容易受室内复杂多变的环境干扰,导致定位精度下降。 提出一种基于视距路径检测的设备无关定位算法。利用物理层信道状态信息CSI,可以判断一对无线收发设备之间的路径是否是视距LoS路径。在此基础上,提出一个新的设备无关定位算法,该算法在监测区域部署一组Wi Fi收发装置,对任意一对无线设备,通过识别它们之间是否存在视距路径来判断目标对象是否在这对设备的菲涅耳区域内。此外,还提出一种基于投票的方法来获得目标对象的最可能位置。在实际设备上的实验结果表明,该定位算法可以达到0.5 m左右的精度,并且不需事先训练,具有较高的实时性。