基于深度特征学习的免校准室内定位方法

针对基于WiFi位置指纹的室内定位中设备异构带来的接收信号强度（Received signal strength,RSS）差异和定位精度偏移的问题,提出一种基于深度特征挖掘的免校准室内定位方法。离线阶段,结合最强接入点（Access point, AP）分类和普氏分析（Procrustes analysis）对原始指纹库处理,获取标准化子指纹库,采用堆叠降噪自编码器（Stacked denoising autoencoder, SDAE）学习标准化子指纹库获取深度特征指纹,构建深度特征子指纹库。在线阶段,利用与离线阶段相同的指纹处理方法,挖掘待定位点RSS数据的深度特征,采用加权最近邻算法（Weighted k-nearest neighbor, WKNN）与深度特征子指纹库匹配,获得估计的位置。在典型实验楼场景使用4种异构类型的手机进行实验,本文方法对比传统的标准化指纹的两种免校准方法,定位精度分别有5.9%和12.5%的提升,实验结果表明,本文算法提高了定位的准确性和鲁棒性。     

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。     

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。      

基于卷积神经网络的室内指纹定位算法

随着无线网络和智能设备的普及,室内定位得到了迅速发展.在室内定位中,基于指纹的定位方法因为无需外部设施、抗干扰性强等优点逐渐成为研究热点.近几年深度学习的发展为提高指纹定位算法的精度带来了新的机遇.因此提出了一种基于CNN的指纹定位算法,使用卷积神经网络（convolutional neural network,简称CNN）来改进指纹库的构建.首先,在收集了CSI与磁场数据后,通过CNN对这些数据进行处理,将每个参考点处的CNN模型参数值用作为指纹.然后使用一种概率方法来进行最后的指纹匹配.实验结果表明,该定位算法比传统的指纹定位算法具有更好的鲁棒性和更高的定位精度.     

基于DBSCAN-GRNN-LSSVR算法的WLAN异构终端定位方法

针对WLAN室内定位系统中异构终端(指纹库终端和测试终端)引起的定位偏差过大的问题,提出一种基于DBSCAN-GRNN-LSSVR算法的解决方案。该文使用最小二乘支持向量回归机(LSSVR)构建指纹库终端接收信号强度(RSS)和物理坐标位置的映射关系模型;列出校准点处异构终端采集的RSS值,得到散点图;用基于密度聚类方法剔除边界点和噪声点;用广义回归神经网络构建异构终端RSS的映射函数;通过LSSVR模型定位测试点的位置。实验结果表明,与只用LSSVR算法相比,测试终端定位精度提高18-40%,有效解决了定位偏差过大的问题。     

利用指纹稀疏性的室内定位技术

室内无线网络信号强度在一定程度上表现了接收器与信号发射源的距离信息,因此在移动设备上不添加任何额外接收设备而利用无线网络信号进行室内定位是目前的一种主流技术。但由于无线网络信号容易受到复杂的室内环境干扰,基于无线网络信号的定位结果容易产生较大的误差。文章提出了一种基于无线网络信号构成的指纹室内定位技术,用传统的指纹室内定位技术结合稀疏表示方法,利用稀疏字典提取指纹中的主特征指纹从而分离大部分的指纹噪声,再利用分离后的指纹进行定位。实验结果表明,与传统算法相比,该算法可将定位精度提高约20%。     

一种改进的支持向量机的室内指纹定位技术

为提高室内定位算法定位的精度和实时性,提出一种改进的支持向量机(A-SVM)的室内指纹定位方法。利用SVM具有较好的学习和泛化能力的特点,把定位匹配转换为多分类问题。为克服SVM分类存在的片面性问题,提出基于SVM与反K近邻融合的位置指纹分类方法得到估计位置,并利用卡尔曼滤波对估计位置进行滤波处理。实验结果表明,算法有效减小了定位结果的波动性,与传统SVM相比具有较高的定位精度。     

基于CSI与SVM回归的室内定位方法

为研究室内定位技术在复杂环境中的应用,以楼梯和实验室为实验场景,提出了一种基于信道状态信息（CSI）与SVM回归的室内定位方法。该方法通过基于密度的空间聚类方法（DBSCAN）去除信号噪声,并用主成分分析法（PCA）提取贡献最大的指纹特征,同时降低CSI指纹的维度。通过SVM回归建立CSI指纹与目标位置之间的非线性关系,从而达到根据测得的CSI指纹估计目标位置的目的。实验结果表明,在多径效应较强的楼梯复杂环境中,该定位系统可以在90%以上的概率下达到1 m的定位精度,实验室环境中可以在82%的概率下达到0.8 m的定位精度, 这表明基于CSI与SVM回归的室内定位方法具有高效性和可行性。     

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.     

一种高效的大监控区域移动目标追踪算法

针对目前无线传感器网络中利用位置指纹进行移动节点室内追踪时,为提高追踪精度引入的训练及匹配计算量大的问题,提出了一种兼顾定位精度和计算效率的算法。该算法适合锚节点稀疏分布的大监控区域,通过锚节点和参考位置点的局部匹配降低指纹匹配的复杂度,利用加权K-近邻算法获得粗定位,再通过融合目标节点加速度信息的卡尔曼滤波进一步减少追踪误差。仿真实验表明,本文算法具有良好的定位一致性和较高的定位精度,在指纹间隔10 m,接收信号强度指示值的测量方差高达16时,追踪过程中平均定位误差为1.4 m,适合室内移动目标的实时追踪。     

基于LS-SVM的位置指纹室内定位

基于无线接入点（Access Point,AP）接收信号强度（Received Signal Strength,RSS）的位置指纹室内定位技术近几年已经成为国内外位置感知研究的热点。提出了基于最小二乘支持向量机（Least Squares Support Vector Machines,LS-SVM）的位置指纹定位方法。给出了基于LS-SVM的指纹定位模型,描述了LS-SVM指纹样本训练的具体实现过程。重点在于将定位问题转化为一个多类别分类问题,并分别采用一对一（OAO）和一对多（OAA）方法将其转化为多个二值分类问题。仿真结果表明,LS-SVM较传统支持向量机（SVMs）、K近邻（k-Nearest Neighbors,K-NN）定位方法的分类准确率高且计算代价小,平均分类准确率达92.00%。     

室内信号强度指纹定位算法改进

由于人们对基于位置服务的需求越来越高,室内定位技术在诸多领域得到了广泛的应用,而定位算法则是室内定位研究的重点。首先介绍了最近邻和KNN两种信号强度指纹定位算法,并说明了KNN信号强度指纹算法的不足。在KNN信号强度指纹定位算法的基础上,提出了改进的基于区域划分的定位算法。在定位阶段,首先对接收信号强度进行补偿和滤波处理,以降低各种外在因素对定位精度的影响;同时对定位区域进行划分,选择主参考节点,并基于加权的最近邻匹配来选择最近的信号强度指纹;最后对定位结果进行计算并验证。仿真实验表明,改进的区域划分算法相对于传统的KNN算法,定位精度提高了22.2%,达到2.1m,证明了改进算法的可行性。     

一种基于支持向量回归的802.11无线室内定位方法

802.11无线局域网技术的广泛普及,给无线室内定位系统带来了良好的发展契机.提出了一种基于支持向量回归的802.11无线室内定位方法.该方法主要包括离线训练和在线定位两个阶段.离线阶段的主要工作是得到精确的位置预测模型;在线阶段的主要工作是根据移动设备的接收信号强度(received signal strength,简称RSS)进行在线定位.由于存在室内环境复杂、信道拥塞、障碍物影响和节点的通信半径有限等问题,移动设备的接收信号强度易受干扰,复杂多变.针对以上问题,离线阶段对接收信号强度信息进行统计分析,得出数据过滤规则,对训练数据集进行过滤,以此提高训练样本质量,从而提高支持向量回归预测模型的质量.在线阶段使用连续K次测量定位法获取信号强度信息,保证训练样本与在线输入信息之间的一致性,提高最终的定位精度.通过实验对该定位方法进行了综合对比分析,实验结果表明：与常用概率定位法、神经网络法相比,该方法具有更高的定位精度,同时具有对移动设备的存储容量及其计算能力要求较低的特点.     

基于改进模糊核聚类的室内定位方法研究

针对室内定位中,WiFi位置指纹法存在的定位实时性和精度的问题,提出一种基于改进模糊核聚类(KFCM)和加权K近邻(WKNN)结合的室内定位方法,旨在降低定位时间和改善定位精度.首先利用快速搜索和发现峰值聚类(CFSFDP)确定聚类数目和初始聚类中心,克服KFCM算法对初始聚类中心选取的依赖性而导致聚类结果不稳定的缺点,在此基础上,采用WKNN进行定位匹配,提高定位精度.实验表明,所提出方法相较于无聚类的室内定位方法,能在保证一定精度的前提下,减少定位计算量和时间.此外,将所提出方法与基于K均值、KFCM和CFSFDP的方法进行实验对比,结果显示,该方法具有更好的聚类效果和定位精度.     

Fingerprinting based localization in heterogeneous wireless networks

Due to advances in mobile technology, context-aware applications are continuously growing in importance; therefore, the ability of developing accurate and reliable localization system has become a necessity. Since methods based on received signal strength (RSS) fingerprints are today widely adopted and most of mobile devices comprise different wireless access technologies, it is feasible to use fingerprints from heterogeneous wireless networks (HWN) for localization purposes. In this paper we propose a novel approach for localization based on searching the area which best matches the test RSS fingerprint. We evaluated the proposed method in realistic environment in WLAN, GSM and UMTS networks, and compared it with other commonly used approaches. The results showed that our method compares favorably to others, and practically always achieves the lowest localization error. We also extended the proposed system using a model of cooperative positioning by combining the estimates obtained in the heterogeneous wireless network. The obtained results showed that with combined location estimate, significant improvement over any single system was achieved.     

动态环境中的WiFi指纹自适应室内定位方法?

针对传统的基于WIFI信号的室内定位方法难以有效解决环境动态变化对RSSI值的影响问题,设计并实现了一种基于WIFI射频信号强度指纹的室内定位方法。该方法通过采用一种基于用户使用状况与布置定位参考点的方法来动态更新系统的WIFI指纹数据库,从而有效降低了在实际使用过程中用户手持手机的方向、用户的身体遮挡以及使用环境的动态变化对RSSI值所带来的影响。实验结果表明,本文设计并实现的定位方法比传统定位方法更稳定、易维护,同时也具有更高的定位精度和自适应性。     

Analysis of WLAN’s received signal strength indication for indoor location fingerprinting

An indoor positioning system that uses a location fingerprinting technique based on the received signal strength of a wireless local area network is an enabler for indoor location-aware computing. Data analysis of the received signal strength indication is very essential for understanding the underlying location-dependent features and patterns of location fingerprints. This knowledge can assist a system designer in accurately modeling a positioning system, improving positioning performance, and efficiently designing such a system. This study investigates extensively through measurements, the features of the received signal strength indication reported by IEEE 802.11b/g wireless network interface cards. The results of the statistical data analysis help in identifying a number of phenomena that affect the precision and accuracy of indoor positioning systems.