基于Android的室内WiFi定位系统设计与实现

室内定位是目前普及性较小、实际需求很迫切的技术,为了实现在室内复杂环境中的准确定位,设计了一种轻型、方便、可离线的WiFi定位系统。系统基于Android平台开发,在K近邻值RSSI算法的基础上加了后校验方法以避免定位坐标的过度偏移。与传统WiFi定位系统相比,该系统的数据库在设备端集成,避免了与数据库连接和通信不便带来的定位延时和失败。经测试,该系统能在楼道房间等场景中稳定工作且误差范围控制在3m以内,基本能满足室内移动定位的需求。     

基于WiFi的室内定位算法研究

随着互联网的快速发展,人们对WiFi的依赖性不断增强,同时室内定位技术也变得越来越重要。由于GPS无法解决室内定位这一难题,因此本文讨论研究了基于WiFi的室内定位算法。本文对基于WiFi的定位技术做了介绍,对各种定位算法模型进行了对比研究,对各种定位技术进行了实验演示,分析了各种定位技术的优缺点,并指出了WiFi室内定位技术未来的发展方向。     

基于 WiFi 指纹的层级学习室内定位模型

随着物联网和信息技术的飞速发展,基于移动位置的服务近年来日益受到关注,同时也促进了室内定位技术的发展.基于WiFi指纹的室内定位技术以其部署广泛、成本低廉等优点受到了学术界的广泛研究.针对移动设备在室内环境中的定位问题,提出了一种层级学习室内定位系统(hierarchical deep learning indoor ...     

基于图像匹配与WiFi信号匹配的室内PDR定位方法

由于智能手机中存在丰富的传感器，可对周围环境进行感知并进而估计位置。本文提出一种融合室内定位方法，融合的信息包含图像信息、WiFi信号指纹信息以及惯性数据观测信息。通过实测实验结果表明，本文提出的方法相比于惯性定位、WiFi定位、图像匹配定位三种单一的定位方法，定位精度分别提高了48%、24%和4%。相比于经典WiFi和图像融合方法，平均定位时间下降了92%。相比于经典融合方法，定位的精度提高了0.7 m,并且平均定位时间下降了87%。     

基于投票机制的室内WiFi指纹定位算法

针对传统室内WiFi指纹定位算法中单个距离度量的局限性且未考虑到dBm表示与功率之间的关系的问题,提出一种基于投票机制的室内WiFi指纹定位算法。在采集到接收信号强度（RSS）数据后,首先,对RSS数据进行预处理;然后,基于投票机制对每种距离度量选中的近邻点取交集组成公共近邻点,并统计每个公共近邻点出现的频率;最后,通过概率加权得到最终定位结果。实验结果表明,所提出方法的定位精度为1.63 m,与K近邻（KNN）、斯皮尔曼（Spearman）和肯德尔相关系数（KTCC）方法的定位精度相比,平均定位精度分别提升了10%、33%和58%。此外,与MAN2数据集中的最优定位精度1.86 m相比,定位精度提高了12%。     

基于空间位置约束的稀疏指纹室内定位方法

针对基于位置服务的实际应用需求,分析了现有室内定位技术的局限性,提出一种基于空间位置约束的稀疏指纹定位方法,在数据层有效融合惯导和无线局域网(WLAN)定位信息,充分发挥二者优势协同完成定位任务。首先利用WLAN提供的接收信号强度(RSS)信息构建空间位置指纹数据库,并基于RSS构建稀疏指纹表征与定位模型;鉴于RSS数据易受环境干扰呈现多变性,利用惯导技术对位移状态进行初步估计,并以此作为约束条件构建基于空间位置约束的稀疏指纹定位模型。仿真实验结果表明,所提方法较惯导和稀疏指纹方法在定位精度方面分别提升58%和33%。     

使用线性卡尔曼滤波进行WiFi-惯导的融合定位

为提高WiFi室内定位的精度,对线性卡尔曼滤波融合WiFi与惯导定位数据的方法进行了研究.阐述了数据融合所具有的优势,分析了卡尔曼滤波的原理与过程,详细推导了将线性卡尔曼滤波应用于融合定位过程的全部计算公式,其中包括协方差阵估计公式.通过实地实验发现,应用本方法后,定位精度由2.81 m提高到了1.95 m.相对于传统的常用的非线性卡尔曼滤波和无迹卡尔曼滤波进行融合定位的方法,本方法具有形式简单,易于实现,计算量小且精度高的优点.     

基于KNN和XGBoost的室内指纹定位算法

针对KNN算法定位精度有待提高以及定位稳定性较差的问题，本文提出了一种基于KNN算法和XGBoost算法的室内指纹定位算法。该算法首先将样本集划分为训练集和测试集，将训练集中AP的RSSI数据作为特征，坐标作为标签，使用XGBoost算法进行建模。其次，融合KNN模型，将KNN算法寻找到的近邻集合引入XGBoost模型中，再结合单独XGBoost算法的预测结果，以实现坐标定位。最后，在实际环境下研究了算法的K值、回归树数量、决策树深度和学习率对误差的影响，确定算法的相关参数。通过搭建的实际实验环境进行了测试，实验结果表明，本文提出算法的平均定位误差为1.55 m,较于KNN算法和XGBoost算法分别减少了24.76%和11.93%,并且累积分布函数曲线的收敛速度更快，具有较好的定位性能。     

一种基于先验信息的WiFi室内定位方法

多种室内定位技术中,基于WiFi的定位在基于位置的服务(location based service,LBS)中有着巨大的应用潜力。提出一种新的室内WiFi定位方法,结合分级定位结构,能够有效利用人员行走模式先验信息。该方法在预备粗定位阶段通过上一时刻的位置推断可能区域,通过信号指纹检测器判断可能区域是否正确,通过再次粗定位阶段重新推算可能区域。在精定位阶段,该方法通过最大后验概率密度方法得到位置估计。利用开源数据集进行实验,证明了所提方法相比传统的3种方法(无先验的最大后验、先验kNN和无先验kNN方法),定位精度分别提高了3%、5%和7%。     

基于WiFi辅助的自适应步长的室内定位算法

随着室内定位的需求越来越多,基于PDR算法的低成本惯性传感器定位方法备受青睐。在PDR算法的基础上,提出了一种步长可随着步频自适应变化的s f关系模型。同时针对PDR算法的误差累积问题,利用WiFi信号的接入点位置的绝对坐标对定位误差进行校正,利用连续的两个WiFi信号接入点位置辅助动态调整步长,避免了长时间的计步累积误差对步长的影响。实验验证该方法可有效提高室内定位的精度。     

基于安卓平台的脑-心电远程监控系统

随着安卓手机的硬件性能的不断提高,使得日常生活中的生理检测成为可能。为此,设计了一种便携的基于安卓平台的脑-心电监护系统。该系统由脑-心电采集模块、WiFi模块、数据处理和监测模块和医疗服务器组成。由脑-心电采集模块采集到的数据,通过WiFi模块将数据转传输至安卓手机显示和分析。安卓手机通过互联网、3G等将信息传输给医疗服务器做进一步分析和诊断。为了确保信号处理的实时性,安卓手机针对脑电采用排序熵分析方法,针对心电采用二进离散小波(DDWT)分析。整个系统为用户提供了一个可靠的家用健康监护平台。     

基于高斯过程回归和WiFi指纹的室内定位方法

为了提高室内定位的准确性,同时降低现场勘测的成本,提出了基于高斯过程回归和WiFi指纹的室内定位方法.首先,在离线阶段,采用高斯过程回归模型(GPR)来扩展WiFi指纹数据库,即通过对不同的GPR核函数进行训练,得到最佳的GPR预测模型,进而利用有限的已知数据预测未知区域的信号强度(RSS).然后,在指纹匹配阶段中,根...     

基于安卓的通信电源监控系统的研发

在分析通信电源基本构成的基础上,提出了一种基于Android 4.2操作系统的通信电源监控系统的方案。对系统的总体结构进行了分析和阐述,并对监控系统中所应用到的关键技术进行了详细的研究,设计并实现了该系统。结果表明,该系统运行稳定,可靠性强,具有广阔的应用前景。     

基于RBF神经网络的室内定位算法研究

在无线传感器网络室内定位中,由于遮挡、多径效应等因素的影响,传统基于RSSI（Received Signal Strength Indicator）的定位算法存在测距不准、定位精度不高的问题。针对此问题,本文提出一种改进的基于RBF（Radial Basis Function）神经网络的室内定位算法,算法在离线阶段直接建立各参考节点接收到的RSSI值与其位置坐标的映射关系;在线阶段采集待定位节点的 RSSI值,利用学习好的神经网络对待定位节点进行定位。实验结果表明,与传统RSSI定位算法相比,本文提出的定位算法具备更高的定位精度。     

基于加权质心法的WLAN室内定位系统

在利用接收信号强度指示(RSSI)进行定位的WLAN室内定位系统中,为获得更高的定位精度,提出一种支持向量机与加权质心法相结合的定位算法。该算法首先以四边形对定位场地进行区域划分,在各四边形区域的顶点位置采样指纹点数据,利用支持向量机(SVM)多分类将定位点位置缩小到某个四边形区域内。最后利用加权质心法,计算出定位点的坐标。仿真实验与实地实验结果表明,该算法比支持向量机回归(SVR)、最小二乘支持向量机(LSSVM)、K最近邻法(KNN),定位精度有明显提高,定位误差在1.4 m,定位精度在90%以上。