一种基于iBeacon的改进型KNN位置指纹室内定位算法

iBeacon有着体积小、功耗低、覆盖范围广等特点,因此其在室内定位领域有着非常明显的优势。文章提出了一种基于iBeacon的以定位点RSSI与参考点RSSI的欧氏距离倒数的归一化值作为权值的改进型KNN算法,同时提出了一种空间滤波算法,提升了算法效率。仿真实验结果表明,文章提出的改进型KNN算法在定位精度上相比原KNN算法提升了43.6%。此外,文章提出的空间滤波算法提高算法的运算速度约34%,使得在保证定位精度的同时,保证了定位的实时性。     

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。     

一种基于大规模MIMO系统的三维空间指纹定位方法

针对现有指纹定位技术存在指纹数据量较大、存储与处理困难、复杂空间定位适应性不足等问题,提出了一种基于大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统的三维室内空间指纹定位方法。首先,提出一种处理速度更快、存储需求更小的角度-时延信道频率功率(Angle Delay Channel Frequency Power, ADCFP)指纹矩阵;其次,引入新的相似度准则即卡方距离以提高定位精度;然后提出一种改进的次方加权K近邻(Weighted K-Nearest Neighbor, WKNN)匹配算法,根据不同次方值对权重下降速度的影响差异,针对指纹相似度的大小分配以不同的权重;最后,对ADCFP指纹采用按行按列压缩的存储方法得到三种压缩指纹,进一步减少指纹数据量,并引入中心到达角(Central Angle of Arrival, CAOA)聚类算法缩短定位时长。仿真结果表明,ADCFP指纹矩阵2 m精度可靠性可达89.2%,采用卡方距离相较于曼哈顿距离的平均定位误差降低了5.63%,改进次方WKNN算法相较于传统WKNN算法平均定位误差降低...     

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。     

改进的基于WLAN位置指纹定位算法

针对传统的K最近邻（K Nearest Neighbor,KNN）算法定位误差较大以及匹配运算量大的问题,提出采用均值平滑法（Mean Smoothing,MS）对采集到的Wi-Fi信号强度（Received Signal Strength,RSS）进行滤波以提高定位精度,并采用改进的K-means算法对离线阶段建立的位置指纹库进行聚类分析,降低匹配计算的复杂度。实验结果表明,本文提出的算法可以改进KNN算法的定位性能。     

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。     

基于距离权重的无线指纹定位方法

无线信号RSSI是室内定位中被广泛应用的一种参考信息。但由于室内环境中无线多径的影响,接收机RSSI值会大范围波动,并造成室内定位信息的较大误差。实验数据分析表明,RSSI值的方差可随着RSSI均值进行改变。基于此观测结果,文中提出了基于距离权重的指纹算法,基于不同的RSSI方差赋予RSSI测量值不同的权重,可全面提高定位精度。仿真与实测表明,文中所提出的算法可明显改善定位精度,平均定位误差改善幅度在典型的室内环境中可达0.8米至2米。     

基于指纹匹配的无蜂窝大规模MIMO三维定位方法

本文研究了无蜂窝大规模多输入多输出（Multiple input multiple output, MIMO）系统中基于指纹匹配的无线定位方法。假设服务区域内布设大量接入点（Access point, AP）,每个AP配置水平均匀线性阵列天线（Uniform linear array, ULA）或垂直ULA。利用相互正交的线性阵列天线（Orthogonal uniform linear array, O-ULA）对不同地理位置用户的方位角和俯仰角进行辨识,提取无线信道的角度功率谱矩阵构建方位角和俯仰角指纹库。借助谱聚类算法对指纹数据库进行预处理,然后通过两阶段指纹匹配策略计算指纹相似度并排序,在指纹库中搜索与用户指纹相似度最高的参考点,并利用加权K近邻算法（Weighted K-nearest neighbor, WKNN）估计用户位置。仿真结果表明,所提方案和单天线方案、ULA方案、均匀矩形阵列（Uniform rectangular array, URA）方案相比能够获得更高的三维定位精度。      

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。     

一种高精度快速单站无源定位方法

在分析现有单站无源定位方法优缺点的基础上,提出了一种基于无源测距的快速定位方法,该方法具有定位精度较高、收敛速度较快等优点。这种处理思路还可以推广到更为复杂的定位情况中去。     

基于星座图对射频指纹识别方法的研究

针对星座图的射频(RF)指纹识别方案中,低信噪比环境下识别准确率低的问题,提出一种基于欧式距离与幅度距离的二维识别算法来进行RF指纹识别。该方案通过对星座图进行优化处理,可从优化后的星座图中提取识别性能更好的RF指纹,再通过二维识别算法来提高识别准确率。仿真结果表明:与仅用欧式距离作为判断依据的方法相比,所提出的二维识别算法的识别准确率最高可提升8%,在设备容量为50组的情况下识别准确率为77.8%,并且从优化后的星座图中所提取的RF指纹具有更好的唯一性和稳定性。     

位置指纹定位技术

在室内利用无线网络对移动目标定位,可用的技术有基于波达时间(TOA/TDOA)、基于波达角度(AOA)、以及基于接收信号强度(RSS)的技术等。比较而言,基于接收信号强度(RSS)的位置指纹(LF)技术更适合于复杂的室内环境。对该技术目前的研究情况进行比较全面和详细的介绍。     

基于中心点定位的指纹匹配算法研究

指纹识别算法是自动指纹识别系统的核心技术,基于细节匹配的算法是广泛采用的算法,但是其识别率受到中心点定位精度的限制。借鉴基于滤波的指纹识别算法的中心点识别方法,解决基于细节匹配的指纹识别算法的中心点匹配问题。对实际指纹传感器采集的指纹测试的结果表明,该指纹识别算法的识别率得到提高,具有一定的实用性。     

融合神经网络和指纹的可见光定位算法研究

针对人们对室内定位需求的不断提高,以及现有室内定位算法定位精度不高等问题,提出了一种融合神经网络和可见光指纹的室内高精度定位算法。该算法利用反向传播神经网络(BPNN)确定待测目标的粗略位置,并以其预测坐标和最大误差作为约束条件,进行指纹匹配以确定待测目标精确位置。仿真结果表明,该算法平均定位误差为1.5cm,具有一定的应用价值。     

无源定位技术中滤波算法的应用研究

无源定位技术有着广阔的应用前景，在分析现有单站无源定位方法优缺点的基础上，提出了一种基于无源测距的快速定位方法。接着针对常用定位算法在处理原始定位数据过程中收敛速度慢和定位精度差的问题，设计了一种稳健的卡尔曼定位算法。仿真结果表明这一处理算法具有较高的定位精度，较快的收敛速度和对初始值不敏感等优点。这种处理思路还可以推广到更为复杂的定位情况中去。     

基于观测值聚类的多雷达数据融合

采用一种改进的K NN算法对多雷达观测数据进行聚类 ,结合聚类中心和目标预测值 ,应用卡尔曼滤波器估计目标状态 ,从而实现多雷达数据融合。实验结果表明这种方法是有效的。     

基于差值定理的相位差变化率提取方法

当空中观测平台姿态扰动时,单站无源定位技术提高对目标定位精度的关键是：提取能充分反映平台姿态变化信息的相位差变化率和利用导航数据对平台姿态进行补偿。针对这种情况,本文提出了一种基于差值定理的相位差变化率提取新方法,较差分、卡尔曼滤波等传统相位差变化率提取方法,本文方法提取的相位差变化率数据含有更丰富的平台姿态变化信息,因而利用导航数据进行姿态补偿时效果更好,目标定位精度更高,仿真实验验证了本文方法的正确性。