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。     

基于KELM的位置指纹室内定位方法研究

考虑到位置指纹的非线性特性,提出基于核极限学习机（KELM）的位置指纹定位方法。KELM以其快速学习的特点,同时拥有紧密的网络结构,有效解决传统定位算法离线学习时间长和鲁棒性差的问题。通过改变离线数据收集环境,采用不同Wi-Fi接入点作信号源来分析KELM算法的定位性能,实验结果表明,同等条件下与基本ELM、SVM和kNN等位置指纹定位方法相比,KELM表现出更好的定位能力。     

针对设备差异性问题的增量式室内定位方法

随着WLAN的普及,基于RSS(Received Signal Strength)的室内定位方法逐渐成为研究与应用的热点。其中,基于指纹的定位方法已成为主流,此类方法的特点之一在于要求离线训练数据与在线测试数据满足独立同分布,然而,在实际环境中,现有的指纹定位方法或系统存在以下3个问题:1)不同终端设备的无线通讯硬件存在差异性, 训练数据和测试数据的采集设备之间的差异性将严重影响定位精度;2)环境中的无线信号呈现高动态性,采集的数据存在显著的时效性,因此由训练数据得到的模型的定位性能将随着时间的推移不断下降;3)传统增量式定位模型需要大量的标定数据,不具有实际可用性。为解决以上问题,提出了一种针对设备差异性问题的增量式室内定位方法,利用终端在持续定位服务中采集的无标记数据来实时更新定位模型。实验表明,在实际蓝牙定位数据集上,相比于传统的定位模型方法,所提方法的整体定位精度更高,误差距离为3~5m时,其优势更为明显;同时,该方法具有时效优势,能够长时间保持有效定位。     

基于PCOS-ELM的室内指纹定位算法

针对传统室内指纹定位算法存在定位精度低、对环境适应能力差的问题,提出了一种基于并行混沌优化的在线连续极限学习机(PCOS-ELM)定位算法.离线阶段,通过并行混沌优化算法(PCOA)对极限学习机的隐含层节点参数进行寻优并构建高精度初始定位模型;在线阶段,利用在线连续极限学习机(OS-ELM)使新增位置指纹数据对定位模型进行动态调整,以适应室内环境的变化.结果表明:提出的PCOS-ELM定位算法具有更高的定位精度和更好的环境适应性.     

基于Wi-Vi指纹的智能手机室内定位方法

室内定位是近些年国内外研究的热点, 但是目前的室内定位技术在适用性、稳定性和推广性方面仍然存在诸多问题.针对目前室内定位技术的不足, 面向公共室内场景的人员自定位问题, 本文创新性地提出以室内广泛存在、均匀分布的消防安全出口标志为路标(Landmark), 提出以Wi-Vi指纹-WiFi与视觉(Vision)信息相融合的指纹, 为位置表征的多尺度定位方法.该方法首先利用室内广泛存在的WiFi无线信号进行粗定位, 缩小定位范围; 然后在WiFi定位的基础上通过视觉全局和局部特征匹配实现图像级定位和验证; 最后参考消防安全出口标志的空间坐标精确计算用户的位置信息.实验中, 通过市面上流行的不同型号智能手机在12 000平米办公楼和4万平米商场分别进行实地定位测试.测试结果表明:该方法可以达到实时定位的要求, 图像级定位准确率均在97 %以上, 平均定位误差均在0.5米以下.本文所提出的基于Wi-Vi指纹智能手机定位方法为高精度室内定位问题建议了一种新的解决思路.     

基于稀疏表示的CSI室内定位方法

室内精确定位具有重要的应用价值.由于GPS等系统在室内受到多种因素影响无法提供精确定位,如何精确定位室内环境位置成为研究和应用的热点.通过分析无线设备的信道状态信息（CSI）可以实现无需携带设备的精准室内定位方法,并应用于多种情形下的位置追踪和感知.为了解决无线信号多径效应和噪声干扰对室内精确定位的影响,提出了基于稀疏表示的CSI室内定位方法.利用CSI提供的频率分集和多天线提供的空间分集,有效地减轻了多径效应的影响.在此基础上,通过稀疏表示方法进行了一定程度上的指纹噪声消除,提高了算法的鲁棒性和抗噪能力;利用CSI灵敏的相位特征提高了定位准确度.采用路由器作为信号发射器,利用Linux 802.11n CSI-TOOL采集CSI信号,定制清华同方台式电脑和Intel 5300无线网卡驱动搭建实验环境.实验结果表明,该算法能够有效提高室内定位的准确度和精度,平均精度在0.5 m左右,准确度达到了91%.     

基站异常情况下基于改进极限学习机的超宽带室内定位方法

在超宽带(UWB)室内定位系统中,定位基站极易受到干扰,从而影响定位系统的准确性、稳定性和可靠性,干扰较强时,会造成基站数据异常波动,无法完成准确定位。为解决UWB室内定位系统基站异常情况的定位问题,本文提出了一种基于粒子群优化的极限学习机(PSO-ELM)定位模型,实现在定位基站发生异常情况下的高精度定位。该定位模型利用双边测 距(TW-TOF)采集标签和基站的距离,运用极限学习机(ELM)建立室内定位解算模型?引入粒子群算法(PSO)优化极限学习机的隐含层权值和阈值参数,以克服ELM算法存在的缺点。实验结果表明:在基站正常情况下,PSO-ELM定位模型平均定位精度可达0.03m。相比于传统TOA定位算法,精度了提高73%,同时在基站异常情况下,平均定位精度可达0.04m,有效解决了当定位系统基站发生异常情况时无法完成正常定位的问题     

基于ＳＳＡＯＳ－ＫＥＬＭ的指纹库自适应室内定位算法

在室内定位场景中,传统指纹库定位方法存在着定位精度低、对环境变化适应能力差的问题,且当目标区域较大时,计算复杂度高。为解决该问题,提出了一种基于在线连续核极限学习机(Online Sequential Kernel Extreme Learning Machine, OS-KELM)的室内定位算法。离线阶段,为缩小待测点所属区域,减小定位数据计算量,使用皮尔森系数优化的K-Means聚类算法对定位区域进行划分,通过樽海鞘优化算法(Slap Swarm Algorithm, SSA)对核极限学习机的参数进行寻优从而构建各区域的初始定位模型;在线阶段,使用OS-KELM对已构建好的定位模型进行调整,将更新后的模型用于实时定位,以适应环境变化。实验结果表明:该算法能够实现更高的定位精度并针对环境变化做出调整,相比于其他传统算法,精度、自适应性得到显著提升。     

一种RSSI室内三边定位方案的设计与实现

通过改变AP节点的布局,使用各个AP节点的RSSI信号之间的比值,结合三边定位算法提出基于室内定位的一种新方法;可以减少大量的RSSI采集和建立匹配数据库工作,达到快速布局和快速适应新环境的目的,提高运算精度,节约使用成本。     

基于TDOA的室内超声波定位方法的改进

基于超声波和射频信号的TDOA（Time Difference Of Arrival,TDOA）室内无线传感网定位系统得到了越来越普遍的研究。其以距离测量为基础计算待测节点坐标。测距的误差影响定位结果的准确性。因此,文中主要目的是介绍基于超声波技术和射频技术定位系统的工作原理,通过采用总体最小二乘法（Total Least Square,TLS）的直线拟合方法对距离测量误差进行补偿,修正距离值,然后采用极小极大算法（Min-Max algorithm）进行定位的位置坐标计算,得到系统测距误差较小和定位准确性高的结果。实验数据仿真表明,该方法提高了距离测量精度和系统的定位准确性。     

基于改进BKM聚类算法的WiFi室内定位方法

为了解决用户在室内定位中,依靠WiFi指纹定位存在精度不高、误差偏大的问题,提出一种基于改进二分K-means聚类算法的室内定位方法。通过层次聚类的思想对二分K-means聚类算法（BKM）进行改进,解决了BKM聚类算法需要提前确定聚类中心、导致指纹定位中聚类结果受初始聚类个数影响的缺陷,并结合变色龙算法（Chameleon）,将部分划分过细的簇合并,优化定位指纹库的可靠性。仿真实验结果表明所提出的方法有效降低了计算复杂度,提高了定位精度。此外,该方法与目前常用的BKM聚类算法相比,具有更好的聚类效果和定位精度。     

利用众包更新Wi-Fi室内定位指纹库的方法研究

Wi-Fi定位是目前较为主流的室内定位方法,而位置指纹库的建立和维护对Wi-Fi定位至关重要。Wi-Fi信号时变性强要求指纹库及时更新。针对由专业人员更新指纹库的人力耗费问题,提出利用众包更新指纹库的方法,允许用户对定位结果进行评价和修正,使得用户在享受定位结果的同时参与到指纹库的维护更新中,特别针对用户的错误修正提出了基于聚类的错误检测方法,能有效避免指纹库被错误指纹污染。开发了室内定位系统,通过在真实室内环境的实验验证了本文提出的方法可以长时间保持较高的定位性能。     

WSN混合构架室内定位系统的独占式通信机制

在无线传感器室内定位系统中,避免参考节点之间的信号相互冲突和干扰是定位系统重点解决的问题之一。针对这一问题,可以采用独占式通信机制,确保某一个参考节点独占某一时刻的通信,禁止其它节点在这一时刻发射信号;同时,采用无中心节点的构架模式,由独占通信的节点在发射信号结束时,随机选择一个有效的参考节点,使其成为下一个临时的中心节点并进入独占状态。该方法结合无中心构架和有中心构架的优点,有效地解决了参考节点之间信号相互间的冲突和干扰问题。     

一种适合于室内疏散对象的混合位置更新策略

当建筑物内发生突发事件时,为更好地跟踪疏散对象,减少位置更新频率,提出一种基于疏散对象速度、方向属性和室内地标单元拓扑、语义结构相结合的混合位置更新策略。当疏散对象速度范围和地标单元两者中有一项发生变化,并满足邻接单元关系时将位置更新到服务端,既保证对象在拥堵处或地标单元处更新,又避免由于室内定位不确定性产生的少数错误更新。实验结果表明,与已有的基于固定时间或安全区域的更新策略相比,该策略能够在保证疏散对象位置精确度的情况下,以较小的通信代价持续跟踪疏散对象的详细位置信息和拥挤状态。     

基于接收信号强度（RSSI）的室内二次定位方法

提出一种用于室内定位的基于接收信号强度( RSSI)的二次定位方法。首先利用全网中已有节点的信息,建立已知节点的初始路径传播损耗指数,采用统计中值滤波来减少RSSI的粗大误差和干扰,然后利用RSSI初次定位的位置结果对传播损耗指数进行再次修正,最后进行二次定位解算,显著提高了未知节点的定位精度。通过仿真和搭建实验平台验证了该算法的有效性。     

基于双阶段位置修正的室内定位算法

WLAN指纹定位技术已经成为室内定位领域的研究热点，但空间环境变化易导致传统定位算法精度降低。针对此问题，提出基于双阶段位置修正的室内定位算法。分析空气介质电导率变化对RSSI的影响，以传统算法的定位结果作为初始位置，首先利用K邻近法（KNN）构建初始位置指纹映射；在此基础上，利用多维标度法（MDS）计算离线、在线阶段的用户间相对位置修正值；最后，利用双阶段位置修正值对初始位置进行优化，得出最终目标位置。实验结果表明，该算法能够有效应对环境变化，修正定位结果，传统算法经其优化后平均误差均有10%以上的降低。