基于Android平台和位置指纹算法的WiFi定位系统设计

基于指纹定位算法,利用空间已有的Wi Fi网络设计了一种方便、高效的室内定位系统。本系统以Eclipse为开发环境,Java为开发语言,My SQL为数据库平台,其采集信号终端和定位终端均在Android 4.4操作系统运行实现。通过实验比较了KNN和WKNN两种算法的定位结果。实验结果表明,该系统无需额外硬件设备,操作简单,系统的定位精度在1 m左右。     

基于用户反馈的WiFi位置指纹数据库更新算法

为使Wi Fi位置指纹数据库,不在定位区域Wi Fi环境发生改变时,出现位置指纹过时现象,设计一种更新算法。该算法使用用户的反馈数据,考虑了AP信号不稳定情况下AP新增与撤销的检测问题;消除了手机热点等临时AP对传统更新算法的影响;最终通过检测AP位置移动等引起的RSS改变,加速位置指纹数据库的更新。实验结果表明,在实际环境中该算法在指纹数据库的更新效率上优于传统更新算法。     

基于WiFi的井下指纹模定位算法

为提高井下人员定位精度,提出了一种基于WiFi的井下指纹模定位算法。该算法将采样点处测得的信号强度及其相应的位置信息保存起来,形成指纹数据库;WiFi终端根据实时测得的无线接入点信号强度,利用匹配算法与指纹数据库中的信息作比较,并采用欧几里得距离公式计算出终端位置。测试结果表明该算法可实现井下精确定位。     

基于Android平台改进的室内WiFi定位算法的研究

基于Android手机平台设计并实现了WiFi室内定位系统。该系统采用指纹定位算法,通过手机采集室内WiFi信息并建立数据库,当用户发出定位请求时,手机将扫描到的WiFi信息发送给数据库,通过匹配算法进行位置定位。通过对采集后的数据进行加权以及对数据库数据进行预先处理,降低了运算量,同时去除了较小的信号强度的干扰。实验表明,与传统算法相比,该系统定位精度大大增加。     

参考点对WiFi位置指纹算法的影响

随着室内定位技术的发展,WiFi位置指纹定位算法得到了人们的广泛关注,主要探讨了参考点数量与参考点间隔对于算法精度的影响.采用Matlab软件对位置指纹算法分别在实验环境和模拟环境中进行了仿真,通过实验数据得出随着参考点数量的增加,KNN与WKNN算法定位精度差不断减小,参考点数量越多,后改进的WKNN算法相比于KNN算法的定位精度提高的也越来越小,基本无明显差别.参考点数量越多计算越复杂,采用白化的K-Means聚类算法提高计算效率和定位精度,对参考点间隔对于定位精度的影响进行了实验,得出定位精度并不是参考点间隔越小越精确,而是在1.5m左右的间隔为佳.     

基于神经网络的学习型WiFi定位算法的研究

基于神经网络的学习型WiFi定位算法,通过计算周围WiFi热点的RSSI型号强度值来获得当前WiFi热点与手机的距离和手机的准确地理位置,不仅有效减少了使用GPS定位带来的定位误差,还解决了GPS定位在室内环境下效果不佳的问题.与传统移动基站/网络定位不同,此算法使用分布极为广泛的WiFi热点作为定位参考,定位精度进一步提高且成本低廉、操作简单.实验结果表明,此定位算法准确率达到95％,定位成功率达到99％.     

基于位置指纹的混合定位算法的研究

随着移动智能终端的普及和移动互联网的迅猛发展,基于位置的服务和应用大量涌现。低成本、高精度的室内定位解决方案已成为新的研究热点。位置指纹和航位推算是解决室内定位问题的两个主要技术。位置指纹法将接收信号强度作为可识别的模式,用模式识别的方法训练出一个分类模型,根据接收信号强度信息判别定位者所在的位置。航位推算法将前一时刻的位置估计作为起点,利用速度和方向信息估计定位者下一时刻的位置。本文以位置指纹法和航位推算法为原型,提出了一种混合定位算法,该算法可以有效提高定位精度。此外,本文提出了一种在线更新定位模型方案,能适应无线环境的缓慢变化,节省重复采集指纹的人力成本。     

基于Wi-Fi室内定位的位置指纹算法

随着Wi-Fi网络室内覆盖率的增加,人们对位置服务的需求也不断增加。利用现有的Wi-Fi网络进行室内定位,先分析了NN算法存在的不足,并提出了一种WNN位置指纹定位算法。整个定位过程分为数据采集、数据处理即奇异值处理和滑模滤波处理、实时定位即用WNN法对处理后的离线数据和实时数据进行对比、匹配,最接近的那组数据对应的区域号为定位结果。对几种信号处理方法进行了比较,得出滑模滤波的效果最优。实验表明,修正后的定位算法的定位准确率明显提高,达到了90%以上。     

基于蝙蝠算法的位置指纹定位技术的研究

为了改进室内位置指纹定位技术存在离线阶段工作量大、定位精度有限、鲁棒性较差的缺点,提出了一种基于蝙蝠算法的位置指纹定位技术的方法。该方法利用中点插值法和信道衰减模型自动生成指纹数据库从而代替了离线训练阶段,实现了定时自动更新数据库的功能,并且将[K]近邻算法和蝙蝠算法结合应用于匹配算法的阶段,最终实现定位功能。该方法与传统位置定位技术相比降低了整体定位的工作量,能快速应对环境变化对定位结果的影响,最后在给定的仿真环境下进行了定位性能的测试,结果显示该方法较其他算法相比平均定位精度大约提高了23.14%,绝大部分的盲节点的定位误差范围在1.5 m以内,显示出在定位精度、鲁棒性和适应环境变化方面的优势。     

基于WiFi的电子标签定位算法

设计了一套以WiFi技术和RFID定位技术为基础的定位系统,简单介绍无线WiFi网络的优势及系统的硬件部分。在算法方面详细描述了LANDMARC算法和三边定位算法,对两种算法的优缺点进行分析,并结合两种算法提出一种新的算法。并在某公司楼道中进行实验,结果表明该定位算法取得了在2m范围内的准确定位。     

结合CNN和WiFi指纹库的室内定位算法

为了提高基于WiFi的室内定位的精度和降低计算时间,本文提出一种卷积神经网络(Convolutional Neural Networks, CNN)结合传统指纹库的室内定位算法.该算法基于接收信号强度指示(Received Signal Strength Indication, RSSI)数据,首先利用卷积神经网络模型,根据实时输入数据预判出待测点的初步位置.在保证了大范围预测的位置大概率正确的前提下,再结合传统指纹库中的指纹点,确定出精确度更高的最终预测位置.实验结果表明,在时效性达到要求的前提下,累计误差在1 m以内的定位精度约有65%,累计误差在1.5 m以内的定位精度约有85%,且误差较为稳定.     

基于TOA的指纹定位系统

利用无线传感器网络建立低成本、高精度的实时定位系统,是当今的研究热点之一。通过多组实验数据对比,提出了＂当前的无线芯片不适用于基于RSS技术的指纹定位技术＂的观点,并在此基础上引入TOA（Time of Arrive）技术,设计并实现了基于TOA的指纹定位系统。该系统利用了当前的基于RSS的指纹定位系统,将TOA获得的测量距离值作为参考信号,利用无线信号的连续性改进了定位精度。实验数据表明,该系统在复杂的环境下达到了一定的精度,有一定的实用意义。     

移动Android系统的WiFi Direct技术分析

本文打破传统的C/S模式,在没有传统互联网持续接入的情况下,采用WiFi Direct这一对等的通信模式,仍然实现了局域网中通信的目的.进而顺应此技术的发展,在移动Android系统中集成WiFi Direct技术,实现基于Android系统设备采用一对一多拓扑结构来构建无线局域网.     

改进模糊C均值软划分管理指纹库的WiFi定位

针对WiFi指纹定位中管理指纹库的聚类方法不稳定,且类交界附近定位性能差的问题。研究使用粒子群算法改进模糊C均值聚类,并提出隶属度最小间隔的想法,将不能明确分类的指纹划分至多个子指纹库实现具有交叉的软划分管理。期间针对标准粒子群容易陷入局部最优出现早熟的不足,将满意度与线性递减惯性系数结合并引入突变。通过查看由聚类导致误差增大的发生区域,分析类交界处定位性能差的原因,将指纹库进行不同重合程度的软划分。结果表明,改进后的粒子群算法寻优能力更好,而且与改进粒子群算法融合的模糊C均值聚类结果稳定不受初始值影响,将软划分和多种硬聚类对比,类交界附近定位误差明显减小,说明软划分指纹库更适合指纹定位。     

基于WiFi的室内定位准确率改进算法

针对目前无线保真定位系统在低于2 m的误差范围内累计准确率过低的问题,提出一种改进的去异常值的线性判别低维组合算法。根据无线保真信号强度数据的自身特征进行异常值去除,利用线性判别算法在低维情况下进行排列组合,对所得的若干个概率值求和,通过门限设置对在线定位阶段的新数据进行约束,以提高相邻网格定位的准确率。在真实办公环境室内相邻网格的多次不同场景下将实测数据集作为测试集进行实验,结果验证了该算法的有效性和正确性。     

基于RSSI的WiFi指纹定位数据融合算法研究

目前已有的位置指纹室内定位算法大多都是建立在原始指纹数据库的基础上,指纹数据库的建立精度会直接影响到最后的定位精度,因此在基于WiFi的定位技术中,对接收信号强度(received signal strength indication,RSSI)的稳定性要求比较高。通过对指纹数据的研究,提出了一种基于高斯核函数融合卡尔曼滤波对数据进行预处理的方法。实验证明,该融合算法能有效剔除RSSI指纹数据中的突变数据和噪声波动,实现RSSI值的准确、平滑输出,从而建立准确的指纹数据库,使后期的定位结果更加精确。     

基于众包的多楼层定位方法

无线基础设施的广泛部署使得基于WiFi的指纹定位方法成为了最具普适性的定位方法之一.然而,指纹库构建过程的耗时费力阻碍了基于接收信号强度(received signal strength indication, RSSI)指纹定位的发展.针对指纹库构建难问题,提出了一种基于众包的低成本、高效率的多楼层指纹库构建方法-MCSLoc.首先将室内平面地图转换为室内语义地图;然后采集众包用户智能手机内置惯性传感单元(inertial measurement unit, IMU)数据,采用卡尔曼滤波(Kalman filter, KF)融合算法划分传感数据到所属楼层.提出分段式轨迹获取方法,根据传感数据获取用户相对轨迹和RSSI值序列;最后利用隐马尔可夫模型(hidden Markov model, HMM)和轨迹匹配维特比(track matching Viterbi, TM-Viterbi)算法将相对轨迹与室内语义地图主路径相匹配,为RSSI值序列标注楼层标签和物理位置标签.MCSLoc方法的HMM地图匹配算法无需用户初始位置,实现众包用户弱意识参与.实验结果表明MCSLoc可以快速获取轨迹绝对初始位置,有效构建多楼层指纹库,提高多楼层定位效率.     

WiFi控制的无线音乐播放系统设计

以STM32F103作为微处理器,设计了一个低成本的无线WiFi音乐播放系统,结合接收WiFi数据的WM-G-MR-08(wm631)模块和VS1003B音频解码器实现了MP3音乐播放。基于Android系统开发的客户端软件采用手机控制,完成了手机端与控制端之间的数据传输,实现了手机远程对音乐播放器的控制。结果表明,该系统设备简单方便、成本较低、系统可靠、易于扩展。