一种RSS和CSI融合的二阶段室内定位方法

针对基于接收信号强度RSS(Received Signal Strength)或信道状态信息CSI(Channel State Information)的室内定位方法在现实环境中定位精度低的问题,提出一种RSS和CSI融合的二阶段室内定位方法.离线训练时采集数据构建指纹库;在线测试时首先利用RSS和改进的k最近邻kNN(k-NearestNeighbor)算法进行位置粗略估计,然后根据粗略估计结果筛选参考点构建子指纹库,最后使用高斯核函数改进的k最近邻算法进行位置精确估计.将该定位方法在室内复杂环境和空旷环境两种环境中进行实验验证,定位精度分别达到72.4％和75.9％,并将本文方法与两种现有的经典定位方法DeepFi和Horus在同一环境中进行比较,实验结果表明该方法能够有效地减小定位误差、提高定位精度.     

基于LTE方向型传播模型的模拟退火加权定位算法

针对LTE网络采集到的MRO数据,提出一种基于LTE方向型传播模型的模拟退火加权定位算法。先结合LTE定向天线和小区特性,引入方向型参量提出基于RSS的方向型传播模型,对传统的信号传播模型COST-231 Hata进行改进;然后提出距离比加权算法消除RSS波动误差,将定位问题转换为一元求解问题,使用模拟退火算法计算最优解;最后通过距离椭圆模型对结果进行方位校正,得到最终终端定位结果。算法对比实验结果表明,基于LTE方向型传播模型的模拟退火加权定位算法具有较高的定位精度,完全符合FCC规定的定位精度要求。     

基于RSS手指模的煤矿井下WLAN定位方法

到达信号强度(RSS)手指模定位技术已广泛应用于室内定位技术,提出了适用于煤矿井下由于电磁波多径效应而变得复杂的环境的RSS手指模定位算法。通过对煤矿井下电磁环境信息的采集,对采集到的信息进行处理,使用贝叶斯公式法估计出概率较大的3个位置,然后再使用最邻近法的欧几里德距离估计出位置。通过对实验数据的统计分析,仿真结果表明:提出的基于RSS手指模改进的融合算法的节点定位精度要比K邻近法的定位精度要高,定位性能要优越。     

基于RSSI深相似域高斯拟合的室内定位算法

传感器网络中大多数传统定位方法主要研究接收信号强度（RSS）之间的匹配关系,而未充分考虑物理环境和利用离线训练数据库信息。针对上述问题提出一种基于RSSI深相似域高斯拟合的定位方法。该方法在离线阶段建立RSS与距离之间的映射关系,并利用待测定位节点与其逻辑最近邻周边深相似域内的物理近邻点的信息,同时使用贝叶斯算法和高斯曲线拟合来获取参考节点RSS的测量值,最终提高指纹定位方法的准确性。实验结果表明,该方法有效地提高了定位的精度。     

基于中心矩改进的WiFi室内定位算法

基于WiFi指纹的定位技术是国内外室内定位领域研究的热门课题。针对室内环境的实变性而造成RSS值波动带来的影响,提出一种基于中心矩加权改进的WKNN匹配算法。离线阶段中,提取RSS的均值和二阶矩作为指纹存入数据库。在线阶段定位时,将RSS值的二阶矩特征加入到欧式距离中进行计算,以得到离定位点最近的K个参考点,从而计算出待定位点的位置。实验结果表明:不同的匹配算法的选择会使定位误差呈现出明显的差异性,所提出改进的WKNN算法能够有效地提高室内定位精度。     

基于改进AP选择和K最近邻法算法的室内定位技术

针对复杂的室内环境和在传统K最近邻法（KNN）算法中认为信号差相等时物理距离就相等两个问题,提出了一种新的接入点（AP）选择方法和基于缩放权重的KNN室内定位算法。首先,改进AP的选择方法,使用箱形图过滤接收信号强度（RSS）的异常值,初步建立指纹库,剔除指纹库中丢失率高的AP,使用标准偏差分析RSS的变化,选择干扰较小的前n个AP;其次,在传统的KNN算法中引入缩放权重,构建一个基于RSS的缩放权重模型;最后,计算出获得最小有效信号距离的前K个参考点坐标,得到未知位置坐标。定位仿真实验中,仅对AP选择方法进行改进的算法平均定位误差比传统的KNN算法降低了21.9%,引入缩放权重算法的平均定位误差为1.82 m,比传统KNN降低了53.6%。     

基于RSSI的矿山井下人员定位方法研究

针对矿井环境的复杂性和特殊性,将矿井中的坑道位置信息引入到井下人员定位算法中,提出一种基于RSSI的改进三角定位算法,并且通过实验研究了实际环境中RSSI值与距离值转换时使用的参数,减少RSSI值在转换过程中产生的误差。实验结果表明,通过改进的三角定位算法相较于传统三角定位算法,提高了井下人员定位的精度。     

基于Unscented卡尔曼滤波的室内定位

基于RSSI值的测距技术中,通过对天线全向性问题的分析,提出基于Unscented卡尔曼滤波（UKF）的定位算法。利用基于RSSI值的测距模型进行距离测量,并使用Unscented卡尔曼滤波算法估计节点坐标。由于RSSI值的测量和测距模型参数受到环境的影响,采用高斯滤波对RSSI值进行优化,对环境参数使用线性回归算法进行优化并采用自适应机制更新。通过与最大似然估计法（ML）的比较实验表明,该算法能有效地减小定位误差,提高定位精度。     

基于独立成分分析与核典型相关分析的WLAN室内定位方法*

接收信号强度(Received Signal Strength, RSS)在WLAN室内定位环境中存在时变特性,降低了WLAN定位环境中RSS信号和位置信息之间的相关性,致使定位精度降低。针对这一问题,该文提出通过利用独立成分分析(Independent Component Analysis, ICA)对RSS信号进行数据降维和去相关处理,提取独立分量;然后采用核典型相关分析(Kernel Canonical Correlation Analysis, KCCA)来提取独立分量与位置信息之间的典型相关特征;最后结合传统定位算法如加权K近邻法(Weighted K Nearest Neighbors, WKNN)、支持向量机(Support Vector Machine, SVM)算法实现定位。实验结果表明,传统定位算法WKNN算法、SVM算法通过运用ICA与KCCA特征提取后再进行定位其定位精度得到提高。     

基于接收信号强度的非视距检测与修正算法

为了减少非视距（NLOS）误差对基于到达时间（TOA）的无线定位系统性能的影响,本文提出一种采用接收信号强度（RSS）与TOA测量值相结合的方法对含有NLOS误差的TOA测量值进行检测并修正。在视距（LOS）传播的TOA与RSS之间关系已知的前提下,利用定位基站得到的TOA与RSS测量值,计算TOA测量值中含有NLOS误差的可能性,并利用该可能性对TOA测量值进行修正。该方法在不增加通信次数的情况下,大大提高了定位精度。本文最后在一个无线定位系统上实现了该算法,并进行了对比实验。实验结果表明,该算法不需对多次定位结果进行统计,即可有效降低NLOS误差对系统性能的影响,适用于对功耗要求苛刻的场合。     

煤矿井下巷道中RSS指纹数据快速生成方法

针对煤矿井下巷道中传统逐点采集RSS指纹数据效率低的问题,提出了一种基于Kriging插值算法的RSS指纹数据快速生成方法。该方法在已知少量观测点的RSS指纹数据情况下,根据实验变差函数拟合出理论变差函数,然后在无偏估计和最小估计方差的条件下求解Kriging插值算法的权重系数,计算待估点的RSS指纹数据。实验结果表明,利用该方法得到的RSS指纹数据准确性高,定位误差小。     

基于递归算法的最短跳数路径的RSS测距算法

多跳无线传感网络中的多类应用均需要准确的定位算法.为了降低定位成本,常采用基于接收信号强度(RSS,received signal strength)测距,为此,提出基于递归算法的最短跳数路径的RSS测距算法RFSPR(recursive function shortest path-based ranging).RFSPR算法首先利用递归函数搜索源节点与目的节点间所有具有最短跳数的路径,然后通过RSS测量这些最短路径的距离,最终将所有最短路径距离的平均值作为源节点与目的节点间距离的估计值.最后,将RFSPR算法与现存的同类算法进行了对比分析.实验结果表明RFSPR算法具有更低的测距误差.     

基于dynFWA-SVM的WiFi室内定位算法

针对实际定位应用中室内环境复杂,传统的WiFi室内定位算法精度低、稳定性差、代价较高以及不同移动终端之间采集信号强度存在差异等问题,提出了基于dynFWA-SVM的WiFi室内定位模型.定位过程中,利用高斯滤波对信号进行除奇异值操作,同时采用信号强度差(SSD)位置指纹替代传统的接收信号强度(RSS)位置指纹;采用动态搜索烟花算法(dynFWA)优化支持向量机(SVM)参数,从而建立了dynFWA-SVM室内定位模型.实验结果表明:经高斯滤波处理后的SSD指纹可以有效提高定位的稳定性和可靠性,减小因不同终端采集信号强度存在差异对定位结果造成的影响,相较于粒子群优化(PSO)算法和烟花算法(FWA),dynFWA算法的优化效率更高,提出的dynFWA-SVM定位模型的定位误差更低.     

KNNOI在缺失数据补值中的应用

KNN是常用有效的分类算法,在数据分类及故障诊断中有很多的应用,同时KNN也被应用于缺失数据的补值算法中。传统的KNN方法通过计算数据点之间的欧式距离并排序,得到K个距离最近的点,通过K个点的数值对缺失值进行补值计算。但在此过程中,距离的计算受到变量数据分布的特点及不同变量数据分布不一致等的影响,从而影响补值结果。本论文提出了一种基于次序的KNN计算方法 KNNOI(KNN based on Order Imputation),通过对变量进行排序,应用变量的排序序号差计算数据点的距离,代替原来的距离计算方法。将此算法应用于数据补值,研究了排序方式及参数的选择对补值的影响,与传统的KNN算法进行了比较。实验结果表明,基于排序的算法补值得到的结果要优于传统的KNN方法。     

基于Lorenz-96模型的顺序数据同化方法比较研究

顺序数据同化方法在数据同化系统中得到了广泛的应用,其性能各有优缺。选择3种典型的顺序数据同化算法,即集合Kalman滤波,集合转换Kalman滤波和确定性Kalman滤波,使用经典的Lorenz-96模型进行敏感性实验,研究不同的关键参数变化,如集合数目变化、观测数变化、误差放大因子变化和定位半径变化时对同化效果的影响。实验表明：集合数目和观测数目的多少直接影响3种方法的同化效果;协方差放大因子和定位半径的选择会提高同化精度。综合比较,确定性集合Kalman滤波算法是一种具有较强鲁棒性的滤波算法,能够在集合数较小的情况下达到较好的同化效果。     

一种新的基于ZigBee技术定位算法

经典定位算法计算过程复杂需占用大量系统资源,当需要定位大量节点时,系统将会丢失部分人员定位信息,大大影响了定位的实效性;针对上述问题,提出了一种基于ZigBee的权值算法,该算法通过基站获得的接收信号强度指示值(RSSI),与人员节点发射功率的函数关系得出一个接收信号强度值(RSS),根据RSS值与距离的关系实现人员的定位;新算法阐述了如何利用几个已知节点的位置来计算未知节点的位置;经过130个节点的测试,其定位误差为2～6m,测试结果表明该算法与经典定位算法相比,具有系统资源占用少,可靠性、实时性和精度高等优点。     

混合定位算法在复杂室内环境下的应用研究

针对复杂室内环境下视距（line of sight,LOS）和非视距（not line of sight,NLOS）并存的三维混合定位技术进行了研究。在 LOS 环境下,基于到达时间差（time difference of arrival,TDOA）定位算法优于其他定位技术;但受到室内环境尤其是 NLOS 环境下的多径效应,TDOA 定位的精准度大大减弱。若能够正确评估传播衰减系数以此补偿多径效应带来的影响,那么基于接收信号强度（received signal strength,RSS）定位算法受到 NLOS 多径效应的影响将大大减小。提出了三维混合加权最小二乘（hybrid weighted least square,HWLS）RSS ／TDOA 算法,通过使用 Nakagami-m 分布鉴定当前信道是 LOS ／NLOS 路径,用于室内环境下的目标定位,并通过实验验证该算法提高了定位精度。     

一种改进的时间反转二阶段室内定位方法

在非视距传输环境下,粗估计阶段接收信号强度(RSS)的特征维度较低会导致定位性能差。针对该问题,提出一种基于多维标度(MDS)算法改进的时间反转二阶段室内定位方法。对RSS和信道频率响应(CFR)分别进行特定参考点采集,采用线性时域滤波缩小信道状态信息的数据动态范围,利用RSS和MDS算法进行位置粗估计,确定待测点所在范围,构建指纹库。使用预处理过后的CFR与子指纹库中的各参考点处CFR计算组合时间反转共振能量(CTRRS)值,并搜索CTRRS最大值的参考点,实现精确定位。实验结果表明,与时间反转室内定位方法相比,改进方法的定位时间提升了56.5%。     

RSS测距定位模型的Cramer-Rao界分析

给出了无线传感器网络RSS测距定位模型的距离无偏估计和定位估计方差Cramer-Rao下界。实验表明定位方差在锚节点附近产生突变,同时随着锚节点数量的增多而减小,可应用于定位算法的精度评估和节点配置方案选择。     

基于K-means和SVM的蓝牙室内定位算法

为了克服指纹定位过程中,由于信号不稳定所造成的定位精确不高,指纹漂移等问题,利用卡尔曼滤波对采集的蓝牙接收信号强度(RSS)数据进行预处理,并通过K-means算法对数据进行初始聚类;计算待测数据与各聚类中心的距离,将与待测数据临近的类簇数据进行融合。针对融合形成的新数据子集,训练出对应的支持向量机(SVM)模型,并完成待测数据的分类。经过测试,结果表明:算法的定位精度稳定在1. 5m以内,达到预期目标。