基于分布重叠和特征加权的无线局域网室内定位算法

受复杂室内环境下无线信号时变特性和随机特性的影响,传统的以接收信号强度均值为指纹信息的定位算法定位精度较低。针对该问题,提出了一种基于分布重叠和特征加权的位置指纹匹配定位算法。该方法采用接入点(Access Point,AP)信号包络的概率分布作为位置指纹特征,首先根据终端与AP的连通性为指纹特征设定权值,用信号包络概率分布重叠来表征指纹特征的相似度,然后取各特征相似度的加权和为指纹的相似度,最后根据最大指纹相似度原则估计目标位置。实验结果表明,所提算法的定位精度明显高于传统定位算法,具有较高的实用性。     

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.     

跨异构设备的室内Wi-Fi指纹定位方法

基于Wi-Fi位置指纹的室内定位中,采用异构设备在同一位置、同一时间采集的无线信号接收强度（Received signal strength indicator,RSSI）存在差异,使得离线指纹库与不同用户在线采集的信号难以兼容而影响定位精度。针对该问题,本文提出一种适应异构设备的定位算法。该方法首先通过接入点（Access point, AP）选择,构建信号稳定的离线指纹数据库,再使用普氏分析法（Procrustes analysis, PA）对指纹库标准化,消除异构设备引入的信号差异。在线阶段采用余弦相似度（Cosine similarity, CS）算法得到目标的位置估计。在2种典型室内环境中利用4台手机测试了所提方法的定位性能,并分析了影响定位性能的因素。实验结果表明,所提方法在2种室内环境中的平均定位误差分别为2.96 m和2.29 m,相比较加权K近邻（Weight K-nearest neighbor, WKNN）算法定位精度分别提高了21.3%和21.6%。     

基于对数正态模型的二次匹配指纹定位算法

针对复杂室内环境WiFi信号不稳定导致指纹定位算法定位精度不高的问题,对AP选择、指纹库构建和定位算法进行研究,分别提出了基于对数正态模型的AP选择方法、RSSI虚拟指纹库构建方法以及基于对数正态模型的二次匹配指纹定位算法。在离线阶段,通过拟合对数正态模型对WiFi信号建模,筛选出最契合模型的AP并构建RSSI指纹库和虚拟指纹库。在线定位阶段,待定位节点在匹配RSSI指纹库的基础上,利用AP的契合度修正欧氏距离相似度,找出相似度更高的指纹点,初步确定待定位节点区域,接着二次匹配虚拟指纹库进行精准定位。实际环境实验结果表明,本文提出的方法突出了不同AP设备对定位造成的影响,能减少离线阶段指纹采集的工作量,有效的提高了定位精度。     

一种基于CSI和RSSI的混合指纹定位方法

针对现有的基于WiFi的位置指纹定位方法精度低、计算复杂度高的问题,提出了一种基于 CSI和RSSI的混合位置指纹定位方法MixedFi(A Mixed Fingerprint Localization Based on CSI and RSSI)。该方法在离线阶段结合了传统的接收信号强度RSSI(Received Signal Strength Indication)与细粒度的信道状态信息CSI(Channel State Information)并将其作为原始位置指纹,有效利用各个接入点AP(Access Point)的信号特征信息,在线阶段引入空间聚类划分的思想对RSSI指纹地图进行合理划分,降低指纹空间的搜索时间。再通过主成分分析法PCA(Principal Component Analysis)提取CSI指纹特征,最后利用Kendall阶次相关系数自主选择近邻进行加权估计得到最终节点定位结果,解决了传统K近邻KNN(K Nearest Neighbors)方法定位精度低的问题。实验表明,与现有的基于单一指纹的定位方法相比,本文提出的方法有效降低了计算的复杂度?提高了定位精度。     

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。     

基于信号强度差的RFID室内定位研究

针对RFID室内定位中使用异种标签以及标签电量差异引起的信号强度差异的问题,提出一种新的基于SSD(Signal Strength Difference)的RFID指纹定位模型。该模型引入虚拟参考点,在离线阶段根据信号传播模型计算虚拟参考点的RSSI,建立SSD指纹地图,利用SSD消除异构定位读写器及电子标签的差异并解决由时间的变化引起的标签RSSI衰减问题;在在线定位阶段,采用位置匹配求交集的方法消除噪声点,然后利用K-NN算法估计目标位置。实验表明该模型具有较好的健壮性和较高的定位精度。     

基于RSSI的KNN-PIT室内自适应定位算法

针对基于接收信号强度指示(RSSI)的K最近邻(KNN)算法在室内定位精度较低的问题,提出一种改进的KNN-三角形内点(KNN-PIT)室内定位算法.根据室内空间结构特征,建立具有类标号的位置指纹库.引入虚拟参考点,利用PIT原理进一步约束目标点的定位区域,自适应地使用定位算法进行定位.综合运用高斯滤波、均值滤波技术,降低离线和在线阶段的信号随机误差.结果表明:改进后的KNN-PIT定位算法可以更好地估计用户的实际位置,降低定位误差,定位精度提高12.5％.     

一种层次Levenshtein距离的无指纹校准的室内定位方法

随着移动计算领域的兴起,基于位置的服务越来越受青睐。目前各种室内定位的方法层出不穷,由于室内广泛部署了无线基础设施,基于WiFi指纹信息的室内定位技术是其主流方法。设备异构和室内环境变化是影响定位精度的主要因素。本文针对以上两个问题,提出一种层次Levenshtein距离（HLD）的WiFi指纹距离计算算法,实现异构设备的指纹无校准比对。将不同移动设备采集的RSSI信息转化为AP序列,根据AP对应的RSSI值的差异性计算其层次能级,结合Levenshtein距离计算WiFi指纹之间的距离。对于需定位的WiFi指纹RSSI信息,利用HLD算法获取K个近邻,采用WKNN算法进行预测定位。实验中,为了验证算法的鲁棒性和有效性,在3种不同类型的室内环境中采用5种不同的移动设备来采集WiFi的RSSI信息,其定位的平均精度达1.5 m。     

一种改进的煤矿井下指纹定位匹配算法

煤矿井下环境复杂多变,对人员精确定位技术挑战很大。目前矿井巷道中采用基于接收信号强度指示RSSI(Received Signal Strength Indication)的位置指纹定位算法存在定位目标漂移、抖动和定位精度不高等问题。提出一种改进的指纹定位匹配算法,该算法将K邻近算法和最短历史路径匹配法联合并利用速度限定位置估计补偿算法对定位精度进行修正。利用在煤矿巷道中的实测数据,对改进的匹配算法进行了验证与误差分析。仿真结果表明,改进后的算法能够提高定位精度,满足矿井人员定位、目标跟踪和目标轨迹查询等要求。     

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。     

基于物理邻近点辅助的无线局域网指纹定位方法

针对传统位置指纹图中的邻近参考点（ARP）信息未能得到较好利用的问题,提出一种在离线训练阶段建立基于接收信号强度（RSS）的位置指纹库和参考点(RP)物理邻近信息库的方法。通过利用待定位点与其所对应的最近邻参考点及参考点之间的物理邻近关系,来提高指纹概率定位方法的定位精度,即：在在线定位阶段,首先根据基于信号强度概率分布的贝叶斯算法计算得到待定位点的最近邻点;然后在物理邻近信息库中搜索最近邻点的物理邻近点,并在该最近邻和物理邻近点集合中,选取特征点集合用于贝叶斯二次估计;最后将具有最大后验（MAP）概率的特征点组的均值位置作为待定位点的估计位置。实验结果表明,与传统的无物理邻近数据库的指纹概率定位方法相比,在3m内的定位精度提高了约10%,有效提高了定位的可靠性。     

一种改进的RSSI指纹库定位算法

为了提高室内定位的精度,进行了信号强度RSSI之间的相关性的分析,提出了WF-SKL算法。该算法将RSSI排序转换成AP指纹序列对并建立离线指纹库,其稳定性可以减小定位误差。再通过在线AP的选择,过滤噪点AP对定位估计的影响,减少计算量,最后根据LCS算法得到最近邻的度量。在基于MapReduce框架下的两个集合间的K-AP(P,Q)最近邻查询法基础上,加入权重进行位置估计,提高了定位的精度。大量的对比传统KNN定位法的实验表明该算法的定位更精确,速度更快。     

无线传感器网络在室内定位中的应用研究

室内定位受到地板、墙壁、人员走动等因素的影响,易产生多径现象,使信号严重衰减,从而导致基于接收信号强度(RSSI)算法难以获得较高定位精度。为了提高室内环境下的无线传感器定位精度,针对室内特有的特点,利用RSSI和质心定位算法优点,提出一种组合的室内传感器节点定位方法。首先利用预先布置好的信标节点,读取目标节点的RSSI值,然后把RSSI值作为质心定位算法的权值,通过质心算法得到目标节点坐标,最后进行测试实验。结果表明,组合算法具有计算量小、定位精度高等优点,能够很好地满足室内环境定位要求。     

一种改进的基于信号强度的WLAN定位方法

与室外定位技术相比(如GPS),基于无线局域网(Wireless Area Network)的定位更适用于室内环境。两种基于接收信号强度(RSSI,Received Signal Strength Indication)的定位方法即位置指纹法和信号传播模型法广泛用于室内定位的研究。使用边界盒算法和改进的二分范围搜索算法将两种室内定位方法相结合,提出了一种改进的基于RSSI的定位方法。提出的方法根据指纹数据库中样本的横纵坐标对其进行预处理,同时使用改进的线性二分范围搜索算法降低指纹数据库中的样本数,进而提高实时定位过程的效率。最大化位置指纹维度,并添加时间维,同时通过实验数据阐明所提出的方法可提高用户位置估算的精确度。     

基于深度学习的Wi-Fi与iBeacon融合的室内定位方法

针对传统室内定位指纹法存在定位精度低、容易受到环境影响的问题,提出了一种基于深度学习的Wi-Fi与iBeacon融合的室内定位方法。离线阶段在参考点处采集各个AP和iBeacon的信号强度,使用这些信号强度数据对堆叠自动编码机进行训练并从大量带有噪声的信号强度样本中提取特征,构建位置指纹数据库;在线定位阶段,使用堆叠自动编码机获得待测点信号强度特征并与位置指纹数据库中信号强度特征进行匹配,通过近邻算法估计待测点位置。实验结果表明,基于堆叠自动编码机的室内定位算法具有更高的定位精度。     

基于CSI的WLAN认证及攻击定位方案

无线信号的多径效应和时变性使基于接收信号强度指示(RSSI)的测量值波动较大,导致基于RSSI位置指纹的WLAN认证及攻击定位存在较大的误差。为此,提出信道状态信息(CSI)位置指纹的入网认证及攻击检测定位方案。通过正交频分复用技术获取细粒度CSI以描述位置信号特征,采用K-means优化初始聚类点算法处理数据,增强各位置信息间的差异性。在此基础上,构建基于CSI的位置地图,利用CSI位置指纹认证访问WLAN的用户身份,从而对认证失败的用户进行攻击检测和定位。在IEEE 802.11n通信标准测试中的结果表明,该方案的定位正确率高达98.12%。     

基于特征匹配和距离加权的蓝牙定位算法

针对传统iBeacon指纹定位技术中接收信号强度值（RSSI）波动较大、指纹库聚类复杂、存在较大跳变性定位误差等问题,提出一种基于排序特征匹配和距离加权的蓝牙定位算法。在离线阶段,该算法先对RSSI进行加权滑动窗处理,然后根据RSSI向量大小生成排序特征码等值,并与位置坐标等信息组成指纹信息,形成指纹库;在在线定位阶段,根据排序特征向量指纹匹配定位算法和基于距离的最优加权K最邻近法（WKNN）实现室内行人定位。在定位仿真实验中,该算法可以自动根据特征码进行聚类,从而降低了聚类的复杂度,能实现最大误差在0.952 m内的室内行人定位精度。     

RF室内定位指纹库空间相关生成算法

基于定位指纹库的模式识别算法是目前基于网络结构（如WLAN）定位技术研究的热点。该技术的关键是根据不同AP（Access Point,AP）的RSSI值建立有效的定位指纹数据库。传统的方法只是直接在定位区域采集样本,不考虑RSSI的空间相关特性,导致离线训练阶段工作量较大。利用RSSI的空间相关特性,提出了通过对传神经网络空间插值建立定位指纹数据库的方法。实验结果表明该方法不但提高了定位精度,而且节省了训练时间,是一种高效的、易于实现的定位指纹数据库生成方法。     

狄克逊检验法滤波RSSI的室内定位算法

针对接收信号强度指示(Received Signal Strength Indication,RSSI)测距定位算法存在定位结果不稳定且精度低的问题,本文分析了一种基于狄克逊检验法滤波RSSI的高斯牛顿定位(Dixon test filter RSSI Gauss-Newton,DF-RSSI-GN)算法。采用狄克逊(Dixon)检验法滤波剔除观测信号异常值使得观测数据偏度降低,根据偏态程度对观测信号进行高斯均值滤波并通过非线性回归模型拟合RSSI衰减模型参数,在目标点坐标求解阶段利用滤波后的观测信号确定不同方向上的权值进行高斯牛顿(Gauss-Newton)迭代定位。实验结果表明,DF-RSSI-GN算法定位平均精度在1.5 m左右,相比RSSI定位算法和最小二乘定位算法,精度提高1倍以上。