用于WLAN室内定位的PCA聚类算法

在WLAN室内定位系统中,针对接收信号强度(RSS)的时变特征降低室内定位精度的问题,提出一种基于主成分分析(PCA)白化RSS的聚类算法,该算法首先对信号强度进行PCA白化处理,去除RSS信息的相关性,提高聚类中心的可靠性和合理性,然后通过K-means聚类方式对RSS信息进行聚类,能够有效地提高聚类精度,以此来提高定位精度.实验结果表明,该算法相比于没有经过PCA的传统聚类算法,能够使定位误差在2m内的概率提高44.8％,性能更优良.     

基于仿射传播聚类的概率分布室内定位算法

随着定位技术的快速发展,基于无线局域网的室内定位成为新的研究热点。本文提出了一种基于近邻传播聚类的概率分布无线局域网(WLAN)室内定位算法。与传统室内定位算法相比,该算法首先引入近邻传播聚类缩小参考点搜索空间,然后利用概率分布定位算法进行精确定位。仿射传播聚类可以有效减少概率分布定位算法的计算量,应用于系统后将有效降低系统复杂度。实验结果表明,本文所提算法具有更好的定位精度,可实现对WLAN室内定位目标的快速、可靠定位。     

基于改进K-means聚类算法的室内WLAN定位研究

位置指纹法定位中所建立的位置指纹库能否正确反映指纹信号与位置之间的映射关系将影响最终定位效果。本文将一种改进的K-means聚类算法运用于WLAN室内指纹数据库的建立,较之传统K-means聚类算法所建立的指纹数据库,采用了改进K-means聚类算法所建立起来的指纹数据库优化了初始聚类中心选择方法及准则函数,避免了被聚类的指纹数据陷入局部解现象。实验结果表明:本文所提算法建立的指纹数据库可提高WLAN室内定位精度,缩短定位时间。     

基于核化K-means和SVM分类回归的Wi-Fi室内定位算法

针对目前指纹室内定位系统指纹库管理效率低、实时性差和定位精度低的问题,提出了一种新的基于核化K-means和SVM分类回归的无线定位算法。首先利用核化K-means算法将输入的预处理后的RSS(Received Signal Strength)信号进行无监督聚类,将聚类后的数据信息存入指纹特征数据库,然后通过SVM回归的机器学习算法对特征数据库的数据进行训练,得到一种最优的拟合位置函数的数学模型。并且采用粒子群算法对参数进行寻优,进行实验仿真。实验结果表明,该算法有效地提升了定位精度,优于KNN、WKNN、SVR等室内定位算法。     

基于K均值聚类算法的位置指纹定位技术

为了减小位置指纹定位算法的计算量,提出一种基于K均值聚类分析的位置指纹定位算法。通过对指纹数据库进行K聚类分析,形成聚类索引,定位时通过查询聚类索引来缩小指纹库查询空间。利用改进后的算法进行室内定位实验,并将其与K近邻法进行对比测试。实验结果表明,改进后的定位算法有效减小了定位过程的计算量,而且还能保证定位精度,在短距离范围内定位平均误差可限制在2m以内。     

基于双线性插值与K-means聚类算法结合的位置指纹定位改进算法

为了提升可见光通信(VLC)室内环境下的定位精度,提出一种基于双线性插值与K-means聚类算法结合的位置指纹定位改进算法。该算法首先建立初始指纹,然后对待定位点所在聚类域中的指纹进行插值计算,最后将插值后的部分区域指纹作为参考指纹库存,选择一种匹配算法实现最终定位。在5 m×5 m×3 m的室内房间建立VLC系统模型,仿真分析了指纹密集度对定位精度的影响以及改进算法的定位精度对比情况。仿真结果表明:随着指纹库密集度的降低,定位精度随之提高;改进算法使用插值指纹库与比使用初始指纹库的定位精度提高了21.5%,同时大大降低了计算复杂度。     

基于改进指纹聚类的WLAN定位优化方法

将K-means聚类算法应用到无线局域网（WLAN）位置指纹定位中,虽然可以缩短定位时间,但是容易降低定位精度。为了解决此问题,提出了基于改进指纹聚类的WLAN定位优化方法。首先根据接收信号强度标准差来优化初始聚类中心的选取,然后对指纹数据进行聚类处理,最后进行在线定位。实验结果表明,与传统的WLAN位置指纹定位方法和K-means聚类定位方法相比,基于改进指纹聚类的定位优化方法不仅缩短了定位时间,还能有效提高定位精度。     

被动传感器组网对干扰源的聚类定位算法

为了提高对机动干扰源的定位精度,提出一种基于数据质量分析思想的多地面被动传感器组网聚类定位算法。考虑到各种客观因素和主观操作对量测的影响,该算法首先对各量测在二维空间中产生的目标估计位置点进行数据质量度量,从而确定该量测对干扰源定位结果的贡献;引入聚类思想完成对高质量位置数据的实时筛选,并由该数据实现对干扰目标的定位。通过和MMSE算法相比较,基于数据质量分析的聚类定位算法可有效消除低质量量测对定位结果的不利影响,从而提高了对干扰源的定位精度。同时对传感器布站形式的研究表明,只要对网内各传感器进行合理配置与管理,该算法即可有效降低系统偏差等不利因素对定位系统的影响。     

面向非视距环境的室内定位算法

节点位置信息在无线传感器网络中起着至关重要的作用.大多数定位算法在视距(Line-of-Sight,LOS)环境下能够取得较高的定位精度,然而在非视距(Non-Line-of-Sight,NLOS)环境下,由于障碍物的阻挡,无法取得理想的定位精度.针对室内环境中普遍存在的非视距传播现象,提出了基于RTT(Round Trip Time)和AOA(Angle Of Arrival)混合测距方式的室内定位方法,一种轻量级基于网格的聚类算法(Lightweight Grid-Based Cluster,LGBC)被用来生成移动节点的定位区域.算法不需要获取室内环境的先验信息.仿真结果表明,LGBC算法复杂度低,计算开销小,并且与同类算法相比,定位精度提高约65%.     

融合WiFi、激光雷达与地图的机器人室内定位

由于室内环境受多径效应影响,单一WiFi定位效果不佳;激光雷达(LiDAR)虽然测距定位精度高,但在室内存在大量单一、重复的场景结构(如走廊)时,往往会由于无法提取有效特征进行匹配而造成大量错误定位.因此,该文提出基于卡尔曼滤波框架的WiFi、激光雷达与地图的融合定位新方法.其中,滤波器的状态定义为机器人当前与历史时刻的位置序列.滤波器的观测值由两部分组成,一部分为该文所提基于多环路分割地图下信号强度加权匹配的WiFi指纹定位结果;另一部分来自激光雷达在单一重复场景中计算出来的高精度相对定位结果(如横向定位).利用场景地图中的先验参考位置,可将该横向定位结果转变为机器人位置的线性约束.最后,利用卡尔曼滤波器实现机器人高精度的融合定位结果.实验中,针对两种典型的单一、重复的室内场景,分别采用2维与3维激光雷达对该文算法进行验证.实验结果表明,由于激光横向定位精度可达厘米级,结合厘米级地图可以极大提高机器人定位精度.与单一WiFi定位算法相比,利用激光雷达计算出来的相对定位结果结合场景地图,平均定位误差可降低70％～80％,在满足机器人实时定位需求情况下,实现定位精度与稳定性的显著提升.     

多距融合室内定位算法研究

目前WiFi在室内环境中使用频次高,用户在通过两个相邻AP时会发生AP切换,并累计产生大量WiFi访问日志。WiFi日志中包含定位所需的接收信号强度指示符,在定位系统中直接利用WiFi访问日志中的数据,将极大地简化定位部署复杂度。文中提出了一种在两个相邻AP环境下,基于WiFi日志的多距融合室内定位算法,并通过实验仿真将新算法与路径损耗模型定位方法进行对比。实验结果表明,新算法具有易部署、低成本、低复杂度等特点,当训练样本个数达到300时即可达到稳定定位效果。     

基于WiFi-GM指纹的室内定位算法

针对室内环境中单一指纹定位方法存在定位误差较大、定位漂移的问题,提出了一种融合室内Wi-Fi指纹和地磁指纹的定位算法。首先在大范围区域中通过K-means聚类方法将较大的匹配区域划分成更小的且特征更加明显集中的子区域,然后在在线阶段通过WiFi指纹粗定位到小区域,再通过地磁指纹定位系统进行近一步精匹配定位。实验表明,该融合算法缩小了地磁匹配的初始搜索范围,大大减少了指纹定位中的误匹配问题。实验中,平均定位误差仅2.17 m,最大定位误差3.61 m,较单一指纹定位系统性能均有大幅度提升,证明该定位方法具有一定的可行性与先进性。     

基于WiFi的分级室内定位

在经典的K最近邻(K-Nearest Neighbors,KNN)的WiFi定位方法中,其算法复杂度随着定位区域和定位区域内的WiFi接入点(Access Point,AP)的增加而增加,无法满足实时定位的要求.为此,提出一种分级WiFi定位算法.算法分为粗定位和精定位阶段,首先通过AP的可见性利用汉明距离寻找可能的子区域,再用KNN算法在子区域内(利用信号强度欧氏距离)进行精定位.经过实测数据验证,平均单次定位时间在KNN算法下下降了约95％,在最大后验算法下下降了约96％,表明所提分级定位框架具有延迟低的优点.     

基于反向学习策略的自适应花授粉接收信号强度指示室内可见光定位

为提高大型室内场所的定位精度,提出一种基于改进自适应花授粉算法的接收信号强度指示(RSSI)可见光定位方案。利用固定在屋顶呈网格型排布的LED发送位置信息,接收端采用基于反向学习策略和自适应花授粉算法的RSSI定位方法实现精确定位。传统花授粉算法具有易陷入局部最优、缺乏变异机制等缺点,利用反向学习策略可使初始种群分布更加均匀,通过提高种群多样性可使算法跳出局部最优;采用有利于全局广泛搜索的自适应移动因子提高收敛速度。在100 m×100 m×100 m大型室内场所的一层100 m×100 m×10 m的空间中,考虑热噪声和散射噪声干扰的情况,经过多次仿真可得,相比于传统定位算法,随机灯排布下采用改进花授粉的RSSI算法的定位误差小于±1 cm;采用网格型灯排布结合改进定位算法的室内可见光定位系统时,定位精度得到明显提升,定位时间大幅缩短。该方案具有定位精度更高、计算速度更快、工作稳定等优点。     

融合WiFi、激光雷达与地图的机器人室内定位

由于室内环境受多径效应影响,单一WiFi定位效果不佳;激光雷达(LiDAR)虽然测距定位精度高,但在室内存在大量单一、重复的场景结构(如走廊)时,往往会由于无法提取有效特征进行匹配而造成大量错误定位。因此,该文提出基于卡尔曼滤波框架的WiFi、激光雷达与地图的融合定位新方法。其中,滤波器的状态定义为机器人当前与历史时刻的位置序列。滤波器的观测值由两部分组成,一部分为该文所提基于多环路分割地图下信号强度加权匹配的WiFi指纹定位结果;另一部分来自激光雷达在单一重复场景中计算出来的高精度相对定位结果(如横向定位)。利用场景地图中的先验参考位置,可将该横向定位结果转变为机器人位置的线性约束。最后,利用卡尔曼滤波器实现机器人高精度的融合定位结果。实验中,针对两种典型的单一、重复的室内场景,分别采用2维与3维激光雷达对该文算法进行验证。实验结果表明,由于激光横向定位精度可达厘米级,结合厘米级地图可以极大提高机器人定位精度。与单一WiFi定位算法相比,利用激光雷达计算出来的相对定位结果结合场景地图,平均定位误差可降低70%～80%,在满足机器人实时定位需求情况下,实现定位精度与稳定性的显著提升。     

基于一次反射的室内WiFi辐射源单站定位方法

为了解决WiFi外辐射源雷达现场应用中首先需要实时获取室内辐射源位置的问题,通过详细分析室内环境中信号的反射方式和特性,利用一次反射信号建立了WiFi辐射源测量的到达时间差(TDOA)模型,并分析推导出辐射源坐标求解方程。对于该非线性方程,先利用Taylor展开在初值处将其线性化,然后利用高斯牛顿迭代法估计辐射源坐标,且具有较快的收敛速度。仿真分析表明其所提算法可实现室内辐射源定位,且因方程线性化带来的精确度损失可通过迭代得到快速补偿。     

Comparison of WiFi positioning on two mobile devices

Metropolitan WiFi positioning is widely used to complement GPS on mobile devices. WiFi positioning typically has very fast time-to-first-fix and can provide reliable location information when GPS signals are too weak for a position fix. Several commercial WiFi positioning systems have been developed in recent years and most newer model smart phones have the technology embedded. This study empirically determined the performance of WiFi positioning system on two different mobile devices. Skyhook's system, running on an iPhone and a laptop, was selected for this study. Field work was carried out in three cities at a total of 90 sites. The positional accuracy of WiFi positioning was found to be very similar on the two devices with no statistically significant difference between the two error distributions. This suggests that the replicability of WiFi positioning on different devices is high based on aggregate performance metrics. Median values for positional accuracy in the three study areas ranged from 43 to 92?m. These results are similar to earlier independent evaluations of Skyhook's system. The number of access points (APs) observed on the iPhone was consistently lower than that on the laptop. This lower number of APs, however, was not found to reduce positional accuracy. In general, no relationship was found between the number of APs and positional accuracy for either device, counter to earlier findings. The results indicate, however, that WiFi positioning can be achieved with a small number of APs (5–10), but that increased numbers of APs do not contribute to improved positional accuracy. Despite the agreement in aggregate performance metrics between the two devices, the replicability of WiFi positioning using Skyhook's system in terms of getting the same location by using two different devices at approximately the same place and time was relatively poor. Implications for location-based services on mobile devices are discussed.     

RSSI-Based Indoor Localization and Tracking Using Sigma-Point Kalman Smoothers

Solutions for indoor tracking and localization have become more critical with recent advancement in context and location-aware technologies. The accuracy of explicit positioning sensors such as global positioning system (GPS) is often limited for indoor environments. In this paper, we evaluate the feasibility of building an indoor location tracking system that is cost effective for large scale deployments, can operate over existing Wi-Fi networks, and can provide flexibility to accommodate new sensor observations as they become available. This paper proposes a sigma-point Kalman smoother (SPKS)-based location and tracking algorithm as a superior alternative for indoor positioning. The proposed SPKS fuses a dynamic model of human walking with a number of low-cost sensor observations to track 2-D position and velocity. Available sensors include Wi-Fi received signal strength indication (RSSI), binary infra-red (IR) motion sensors, and binary foot-switches. Wi-Fi signal strength is measured using a receiver tag developed by Ekahau, Inc. The performance of the proposed algorithm is compared with a commercially available positioning engine, also developed by Ekahau, Inc. The superior accuracy of our approach over a number of trials is demonstrated.     

基于像素距离加权的室内成像定位研究

针对室内成像定位技术受随机噪声的影响较大、定位误差较高的问题,提出了一种基于像素距离加权的室内成像定位技术。在室内屋顶布设多个红外LED,依靠成像传感器获得红外LED信标的像点,将成像点到成像传感器中心的像素距离作为加权因子引入室内成像定位算法中,可以有效地提高室内定位精度。并进行了仿真实验,实验选择4m×4m×3m的空间区域模拟室内环境,当布设的红外LED信标数量为3时,应用改进后的算法可以获得10cm以内的定位误差性能,并且误差波动不超过5cm。另外,随着布设信标数量的增加,定位误差继续减小。改进后的定位算法有效地提高了室内定位的精度以及成像定位算法的普适性。     

一种基于单目视觉的无人机室内定位方法

目前,无人机定位技术主要依赖以GPS(Global Positioning System)为代表的全球定位系统,然而在室内等GPS信号缺失的地方进行定位则比较困难.另外,传统的室内定位技术主要采用蓝牙、WiFi、基站定位等多种方式融合成一套定位体系,但是该类方法受环境的影响比较大,而且往往需要部署多个设备.此外,这种方...