基于有序聚类和MSKPCA的室内定位算法

针对指纹室内定位算法中环境动态变化对Wi-Fi信号的干扰和定位实时性较差的问题,提出一种基于有序聚类和多尺度核主成分分析的Wi Fi指纹室内定位算法.离线阶段采用参考点可检测接入点序列的最长公共子序列衡量相似度,通过有序聚类划分子区域.在线阶段先进行粗定位,选择最优尺度的核主成分分析模型处理子区域指纹数据,使用朴素贝叶斯加权K近邻算法预测目标节点位置.实验结果表明,该算法可有效提升定位精度,86.7％的定位误差在1.2m以内.     

基于接入点的泰森多边形指纹聚类定位算法

针对KNN指纹定位算法定位耗时长和基于K-Means聚类的KNN指纹定位算法定位精度不稳定的问题,本文提出了一种以接入点为离散点生成泰森多边形,利用泰森多边形对指纹聚类,然后使用最强接入点法确定移动节点的定位区域,最后通过动态KNN算法进行定位的指纹聚类定位算法.实验表明,该算法能有效缩短定位时间并提高定位精度,在接入点数量变化时表现出较好的定位性能,且在不同定位区域中性能具有较好的普适性.     

井下WLAN位置指纹定位中改进区域划分方法研究

井下WLAN位置指纹人员定位系统主要是通过聚类算法来实现位置指纹样本的整体性划分,但现有的聚类算法只是针对接收信号强度的统计分布特性进行聚类划分,并没有充分考虑奇点问题。针对该问题,提出了一种基于类关系的K-Means(CRK-Means)算法,该算法以类内离散度和类间离散度的比值为目标函数,通过使该比值最小的聚类的聚合、分离过程即可得到避免了奇点问题的最优聚类,完成定位区域的合理划分。针对采用随机森林(RF)算法对聚类划分后的定位区域进行粗定位存在误判的问题,提出了遗传算法与随机森林相结合的(GA-RF)算法,该算法以GA中的选择、交叉和变异优化过程确保了RF算法的选择树总数和位置指纹参考点特征数的最优取值。实验结果表明:CRK-Meams算法有效解决了奇点问题,且在一定程度上提升了系统定位精度;采用CRK-Meams算法和GA-RF算法后,子区域粗定位的准确率相比RF算法提升了4%,达到98%;置信概率大于90%的最小定位误差达到了3m,优于传统的聚类算法。     

基于可靠AP选择和深度置信网络的室内定位算法*

因受到非视距传播等影响,基于位置指纹的室内定位精度不高。针对此问题,提出一种基于可靠AP选择和深度置信网络(DBN)的室内定位算法(RAP-DBN)。离线阶段,利用改进k-means聚类算法将定位区域划分成若干子区域,并依据Fisher准则和各AP缺失频率,选取分辨能力强且可靠的AP节点作为子区域的训练节点,最后采用DBN模型对各子区域参考点数据进行训练;在线阶段,根据接收信号强度判别测试点所属的类簇,并根据训练好的DBN模型在线估计测试点位置。实验结果表明,和WKNN算法、M-WKNN算法以及PSO-ANN算法相比,改进算法在定位精度和稳定性方面均有所提高。     

基于CMAES-SVR的WLAN室内定位算法研究

针对传统WLAN指纹定位算法中存在的定位精度低、稳定性差、实时性不高等问题,提出一种基于CMAES-SVR的WLAN室内定位算法。该算法首先对接入点（AP）的接收信号强度（RSS）进行统计分析,采用高斯滤波对信号进行预处理,然后利用k-means聚类算法将原始指纹数据库中的定位区域进行聚类分块;其次采用协方差矩阵自适应进化策略（CMAES）优化支持向量回归机（SVR）参数,从而建立CMAES-SVR室内定位学习模型,通过该模型分别构建各定位子区域中RSS信号与物理位置非线性映射关系;最后判断测试点所属类簇,根据该类簇中训练好的CMAES-SVR模型进行回归预测。实验结果表明,与WKNN、传统SVR以及PSO-SVR算法相比,该算法在定位精度、稳定性以及实时性方面均有所提高。     

一种基于插值的室内指纹定位系统设计与实现

由于室内环境的复杂性,无线传感器网络WSN(Wireless Sensor Networks)室内定位的精度一直不够理想.本系统在测距定位算法和非测距定位算法的基础上,提出了基于信号强度RSSI(Received Signal Strength Indication)的指纹定位方法.该方法利用Cokriging插值算法建立定位区域的多维RSSI向量指纹,通过匹配目标节点的RSSI向量与指纹RSSI向量确定目标节点的位置范围,最后使用K-中心点聚类算法提取目标节点的实际位置.实际场景实验和仿真实验结果都表明此方法在复杂的室内环境中具有较高的定位精度.     

基于区域划分的局部更新指纹定位算法

针对室内定位指纹数据库更新成本过高的问题,设计了一种通过区域划分进行局部更新指纹数据库的RFID（Radio Frequency Identification,射频识别技术）室内定位算法。该算法通过聚类算法将指纹地图分成若干个子区域,每个子区域选取一个代表点代表该子区域的指纹有效性,通过检测代表点的有效性来选择加权k近邻算法（Weighted k-Nearest Neighbor,WkNN）定位或子区域数据库的局部更新。实验结果表明,该算法在低成本的条件下极大限度地提高了定位精度和长期定位稳定性。     

基于测量报告信号聚类的指纹定位方法

针对基于加权K最近邻（WKNN）和机器学习算法的指纹库定位方法存在精度和定位效率较低的问题，提出一种基于测量报告（MR）信号聚类的指纹定位方法。首先，把MR信号分为室内、道路和室外这3种属性；其次，利用地理信息系统（GIS）信息将栅格分为建筑物、道路和室外子区域，并将不同属性的MR数据落入对应的属性子区域；最后，借助K均值（K-Means）聚类算法对栅格内的MR信号进行聚类分析，以创建子区域下的虚拟子区域，并采用WKNN算法对MR测试样本进行匹配。此外，利用欧氏距离计算平均定位精度，并通过生产环境的一些MR数据测试了所提方法的定位性能。实验结果表明，所提方法的50 m定位误差占比为71.21%，相较于WKNN算法提升了2.64个百分点；平均定位定位误差为44.73 m，相较于WKNN算法降低了7.60 m。所提方法具备良好的定位精度和效率，可满足生产环境中MR数据的定位需求。     

基于改进BKM聚类算法的WiFi室内定位方法

为了解决用户在室内定位中,依靠WiFi指纹定位存在精度不高、误差偏大的问题,提出一种基于改进二分K-means聚类算法的室内定位方法。通过层次聚类的思想对二分K-means聚类算法（BKM）进行改进,解决了BKM聚类算法需要提前确定聚类中心、导致指纹定位中聚类结果受初始聚类个数影响的缺陷,并结合变色龙算法（Chameleon）,将部分划分过细的簇合并,优化定位指纹库的可靠性。仿真实验结果表明所提出的方法有效降低了计算复杂度,提高了定位精度。此外,该方法与目前常用的BKM聚类算法相比,具有更好的聚类效果和定位精度。     

基于模糊核c-means 算法的位置指纹聚类

提出一种针对位置指纹的模糊核c-means聚类算法.将位置指纹归结为一种服从正态分布的区间值数据以反映接入点信号强度采样值的不确定性,通过区间中值和大小确定的正态分布函数将位置指纹映射为特征空间中的一点,并在该特征空间中采用基于核方法的模糊c-means算法对其进行聚类.通过ZigBee定位实验表明,该方法对于位置指纹的分类效果明显好于基于信号强度平均值的c-means聚类,可在保证定位精度的前提下有效降低定位的计算量.     

基于ＳＳＡＯＳ－ＫＥＬＭ的指纹库自适应室内定位算法

在室内定位场景中，传统指纹库定位方法存在着定位精度低、对环境变化适应能力差的问题，且当目标区域较大时，计算复杂度高。为解决该问题，提出了一种基于在线连续核极限学习机(Online Sequential Kernel Extreme Learning Machine, OS-KELM)的室内定位算法。离线阶段，为缩小待测点所属区域，减小定位数据计算量，使用皮尔森系数优化的K-Means聚类算法对定位区域进行划分，通过樽海鞘优化算法(Slap Swarm Algorithm, SSA)对核极限学习机的参数进行寻优从而构建各区域的初始定位模型；在线阶段，使用OS-KELM对已构建好的定位模型进行调整，将更新后的模型用于实时定位，以适应环境变化。实验结果表明:该算法能够实现更高的定位精度并针对环境变化做出调整，相比于其他传统算法，精度、自适应性得到显著提升。     

基于局部聚类优化的听觉定位方法

随着室内服务机器人的广泛应用?室内定位已成为了当前研究热点和难点问题之一,针对传统的声音位置指纹定位算法中离线划分区域造成区域边缘点定位误差较大的问题,提出了一种二次局部聚类的优化算法来提高位于聚簇边缘的测试点的定位精度。首先,通过主成分分析(Principal Component Analysis, PCA)算法对声音信息采集系统采集计算得到的声达时间差(Time Difference of Arrival, TDOA)特征向量进行降维处理,然后通过局部聚类优化算法对待测点位于的聚簇进行优化。与传统的区域划分不同,采用局部聚类优化可以减少因待测点位于聚簇边缘导致因参考信息不足而造成定位误差较大的现象。此外,采用局部聚类优化算法可以在满足系统定位精度的同时有效减少定位算法的时间开销。实验结果表明,基于局部聚类优化算法的声音定位方法可以有效的提高位于聚簇边缘的待测点的定位精度,并且在算法的实时性和鲁棒性上也有了提高。     

基于半监督仿射传播聚类和KLDA的室内定位算法*

室内定位中位置指纹库采集的密集程度往往跟定位精度密切相关,针对离线阶段时指纹库稀疏的情况下定位精度低的问题,提出了一种基于半监督仿射传播聚类和KLDA的室内定位算法。该算法结合了在线阶段采集无位置标签的RSSI数据,通过建立局部邻域图将无位置标签的RSSI信息反映到离线指纹数据的结构中,并使用KLDA方法抽取位置指纹库中最大的特征信息,有效利用了无位置标签的RSSI信息从而提高定位精度。实验结果表明,该算法结合在线阶段RSSI数据后定位精度得到了明显的提高。而且在仅保留离线指纹数据库三分之二的情况下,也几乎能够取得与传统KNN算法使用全指纹库时相同的定位精度,相当于减少了离线阶段采集指纹库的工作开销。     

基于AP布置优化和K-means聚类算法的室内定位研究

传统室内定位中聚类算法被动依赖定位环境中接入点(Acess Point,AP)数量,导致定位效率低、误差大,室内位置指纹定位研究中AP布局是影响定位精度的关键性因素。因此,采用Intel芯片的嵌入式微系统和美国Signal Hound生产的SA44B型测量接收机共同组成传感器网络,根据电波路径损耗建立室内定位的目标函数,采用单纯形法和模拟退火算法融合算法对目标函数进行优化,从而达到最合理的AP室内位置布局,而后改进K-means聚类算法将优化后的AP位置坐标作为初始聚类中心,来提高系统的定位效率和精确度。实验结果表明,与传统K-means算法相比,经过AP位置最优化后的聚类定位算法精度提高了13.8%。     

机器人听觉系统中指纹定位改进方法

针对传统指纹定位方法中高定位精度依赖于高参考点密度、计算复杂度高的问题,提出了一种改进的声音位置指纹定位方法。基于声音位置的聚类算法首先被用来构建位置指纹数据库,从而降低在线搜索数据库的计算成本,同时线性插值方法被采用在选定聚类内生成虚拟参考点来更新数据库,最后,目标位置由声源与虚拟参考点的指纹相似度计算得出。实验结果表明,该方法能有效提高低参考点密度下的系统定位精度,同时算法复杂度低。     

信号波动牵引下指纹清晰度扩库定位算法

为提高WIFI室内定位指纹库的构建效率和扩充指纹库的定位精度，提出了一种信号波动牵引下指纹清晰度的扩库定位算法(Database expansion and Indoor Localization based on Fingerprint Definition obtained by Signal-fluctuation, DIFS)。算法针对复杂室内环境下路径损耗指数发生区域性改变的问题，结合密度峰值聚类(Density Peek Clustering, DPC),通过对采样参考点(Sample Reference Point, SRP)进行指纹清晰度匹配，实现以信号波动程度描述子区域特性，同时构建差值近邻传播模型，避免传统信号损耗模型对目标点信号值的预测失准。在线阶段，综合考量扩充指纹库与待定位信号向量的欧氏与指纹清晰度距离，筛选出具备高辨析力的优质参考点，提升指纹库的定位精度。相对于采集全局参考点，所提方案减少了大量人力成本与时间成本。仿真实验表明，相比其他经典指纹库扩充与参考点优选算法，所提方案能够提供较高的定位精度，在室内环境下具有较高的应用价值。     

基于多视角聚类的WiFi指纹定位方法研究

为了解决在基于聚类方法的WiFi指纹定位中视角单一所导致的定位精度较低的问题,提出了基于多视角聚类的WiFi指纹定位方法.利用阈值-均值滤波方法对原始数据进行处理;结合K-means聚类算法对多视角信号(信号强度和位置)进行区划,并建立离线指纹库;使用基础分类器对实测信号分类,待测信号依据分类结果在其所属区域内估计K个邻近信号点,用近邻以及相应的权重值综合确定该信号的实际位置.通过对比实验分析可知,在考虑多视角的情况下,WiFi指纹定位精度在4 m以内的概率为83％,相比于单视角聚类的定位精度提高了12％.结果表明,该方法提高了定位精度,也为定位领域的研究提供了多元化思路.     

基于融合聚类的蓝牙室内定位系统算法优化

K-means聚类算法可以实现对指纹库的软划分,提高定位系统的查询效率和定位精度。由于K-means算法聚类中心选择和聚类数设定的随机性,使其稳定性较差,影响定位系统的性能,在此提出采用融合聚类的方式对K-means算法进行优化。采用基于密度峰值的聚类算法得到指纹库中每一个指纹点的局部密度和局部距离,然后计算综合决策量γ;选取跳跃点前的前k个点作为K-means算法的初始聚类中心,同时确定最佳聚类数k。试验结果表明,融合聚类算法相较于传统K-means算法定位误差在1.5 m内的概率提高了约9%,定位系统的定位精度得到明显提高。     

一种改进的质心定位算法

在无线传感器网络中,确定传感器节点的位置至关重要.通过对传统的质心定位算法进行分析,考虑到接收信号强度直接影响到未知节点的定位精度,提出了一种基于RSSI的改进的质心定位算法.该算法将每个未知节点的通信区域划分为6个部分,通过比较RSSI,找到对未知节点更为精确的估计区域,从而对未知节点作出更为精确的位置估计.仿真结果表明,相比于原始的质心定位算法,改进后的质心定位算法大大提高了无线传感器网络节点的定位精度.     

基于CSI信号的被动式室内指纹定位算法研究

基于信道状态信息(CSI)的定位技术在室内场景应用中被广泛关注,为了提高WiFi信号多径效应对接收信号强度指示的室内定位精度和稳定性,提出一种基于CSI信号的被动式室内指纹定位算法。该算法在离线阶段将定位场所划分为同等大小的区域块,在各连接点位置使用方差补偿的自适应卡尔曼滤波（Kalman）算法对原始数据进行滤波。再对滤波后的数据使用二分K均值聚类（K-means）算法进行分类,将处理得到的CSI幅值和相位信息共同作为指纹;在线阶段根据待测点采集的实时数据与指纹库进行匹配识别,被定位对象无需携带任何设备。仿真实验与实地实验表明,该算法利用信道状态信息中的子载波特征进行定位,能够有效减轻信号接收端的多径衰减影响,定位精度有明显提高。