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LoRa指纹的室内定位算法

在基于LoRa的室内定位研究中,提出一种基于LoRa指纹和支持向量回归(SVR)的室内定位算法。针对传统基于无线信号RSSI指纹和SVR室内定位算法定位精度不高问题,从两个方面进行改进:在指纹特征方面,增加LoRa测距指纹,提高指纹稳定性;在指纹数据库建立和在线定位过程中,分别采用高斯滤波和中位数滤波来对指纹进行预处理,消除指纹的粗大误差。实验结果显示:1 m以内的定位误差的累积概率为78.5%,3 m以内的定位误差的累积概率为90%。增加LoRa测距指纹之后定位精度相比之前提高了40%;增加了高斯滤波与中位数滤波预处理后定位精度较传统的支持向量回归算法提高了38%。两个方面改进之后定位精度总体提高63%,证明了该算法的两个改进是有效的。     

基于改进SVR的眼睛中心定位方法

眼睛中心定位技术无法摆脱图像分辨率较低、光照条件较差、侧脸及眼睛状态不定等问题对定位精度的影响.为了解决这一问题,文中提出改进的支持向量回归(SVR)的眼睛中心定位方法,基于面部特征定位中心,同时尝试几种图像预处理技术,用于提高定位精度.实验表明,结合高斯滤波器的SVR可以获得较好的中心定位精度.     

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.     

基于群智能算法的SVR参数优化研究进展

支持向量回归机(Support Vector Regression,SVR)是建立在统计学习理论上的一种机器学习方法,主要用来处理回归问题.选取到合适的参数是实现支持向量回归机算法优势的前提,但在实践中仍然存在模型参数选择困难的问题.群智能算法主要是模仿自然界生物种群社会行为规律的元启发式算法,具有简单性、自适应性、灵...     

粒子群优化支持向量机的室内无线定位方法

为了提高室内的定位精度,减少环境因素的不利影响,提出了一种基于粒子群优化支持向量机的室内无线定位方法。选择参考点,构建室内无线定位的学习样本,采用支持向量机建立输入与输出之间的非线性关系模型,并用粒子群算法优化支持向量机参数;进行仿真实验测试其性能。实验结果表明,相对当前经典室内定位方法,该方法提高了提高室内的定位精度,将定位误差控制在实际应用的有效围,而且较好地满足了室内定位的实时性要求。     

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%。     

基于CMAES-SVR的WLAN室内定位算法研究

针对传统WLAN指纹定位算法中存在的定位精度低、稳定性差、实时性不高等问题,提出一种基于CMAES-SVR的WLAN室内定位算法。该算法首先对接入点（AP）的接收信号强度（RSS）进行统计分析,采用高斯滤波对信号进行预处理,然后利用k-means聚类算法将原始指纹数据库中的定位区域进行聚类分块;其次采用协方差矩阵自适应进化策略（CMAES）优化支持向量回归机（SVR）参数,从而建立CMAES-SVR室内定位学习模型,通过该模型分别构建各定位子区域中RSS信号与物理位置非线性映射关系;最后判断测试点所属类簇,根据该类簇中训练好的CMAES-SVR模型进行回归预测。实验结果表明,与WKNN、传统SVR以及PSO-SVR算法相比,该算法在定位精度、稳定性以及实时性方面均有所提高。     

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。     

基于CSI改进的WKNN室内定位方法

传统的加权K最近邻算法中以距离作为权值,随着数据维度的增加,计算距离与真实距离的误差越来越大。针对这一问题,提出了一种贝叶斯后验概率的加权K最近邻算法——贝叶斯后验概率(Bayes ian Posterior Probability-Weighted K-Nearest Neighbor,BPP-WKNN)方法。首先用支持向量机算法分类选取测试点的近邻指纹点,其次计算测试点到每个近邻指纹点的贝叶斯后验概率,最后以贝叶斯后验概率的大小作为权值进行BPPWKNN算法定位。实验果表明:与基于曼哈顿距离的加权K最近邻算法和基于欧氏距离的加权K最近邻算法相比,改进后的BPP-WKNN定位算法的定位精确度和稳定性更高;利用支持向量机算法的稀疏性定位完成时间分别缩短了49%与42%。     

基于加权多维定标的组网定位算法

提出一种视距条件下基于加权多维定标(MDS)技术实现到达时间(TOA)组网定位新算法。利用改进的MDS技术,得到移动台位置的粗估计值。分析基站拓扑结构对定位结果的影响,利用求组合数的方法,分别求出每种基站组合下移动台的位置估计,并与粗估计值进行比较,均方误差小的基站组合对最终定位结果贡献较大,通过加权求得最终结果。与传统MDS算法相比,加权MDS算法对冗余信息的处理能力更强,定位精度更高。     

基于信号强度差的RFID室内定位研究

针对RFID室内定位中使用异种标签以及标签电量差异引起的信号强度差异的问题,提出一种新的基于SSD(Signal Strength Difference)的RFID指纹定位模型。该模型引入虚拟参考点,在离线阶段根据信号传播模型计算虚拟参考点的RSSI,建立SSD指纹地图,利用SSD消除异构定位读写器及电子标签的差异并解决由时间的变化引起的标签RSSI衰减问题;在在线定位阶段,采用位置匹配求交集的方法消除噪声点,然后利用K-NN算法估计目标位置。实验表明该模型具有较好的健壮性和较高的定位精度。     

基于距离重构的无线传感器网络多维定标定位算法

无线传感器网络中基于多维定标的定位算法通常采用最短路径代替距离矩阵中的未知项,会导致较大的定位误差。针对这一问题,提出一种基于距离矩阵重构的无线传感器网络多维定标定位算法DR-MDS。算法利用节点间的公共邻居信息对距离矩阵线性重构,计算距离矩阵中的未知项,然后对重构的距离矩阵运用双中心化并进行特征分解,从而求得网络坐标。由于算法能够更为准确的获得网络节点之间的空间相对关系,并充分利用其空间相关性计算节点相对坐标,可获得较好的定位效果。仿真结果表明,本文提出的DR-MDS算法与MDS-MAP、ISOMAP相比定位精度更高,误差范围更小。     

基于最小二乘法的室内三维定位算法研究

现如今,室内位置服务成为国内外科研人员共同关注的焦点,人们对于位置服务的需求逐渐由最初的室外定位转变为室内定位,同时诸多的室内定位技术得以快速发展。通过以超宽带(UWB)的通信方式为依托,借助到达时间差值(TDOA)的定位模型,着重分析了最小二乘法在求解三维定位坐标时精度误差产生的主要原因。针对传统的最小二乘定位算法在求解三维定位坐标时,由于基站几何布局所引起的定位精度问题,提出基于最小二乘法的三维定位优化算法。通过对实验结果进行分析,比较定位算法在优化前后的两种场景下定位的不同表现效果,发现优化后的最小二乘定位算法的三维定位精度得以明显提高且定位效果稳定,同时也降低了三维定位精度对于基站几何布局的依赖性。     

一种监护控制系统及室内定位方法

利用物联网、可穿戴便携设备等新技术开发一款可对住院患者进行精准定位并能够实时自动采集患者生命体征的监护控制系统。系统有效改变了医院传统护理模式,提升了护理质量。通过建立监护控制系统,实现了患者生命体征数据自动采集;通过利用UWB超宽带技术,采用基于锚的TDOA定位模式开发高精度室内定位模块,实现对住院患者精确定位。应用该系统,护理人员可以对病人活动状态进行实时监控、患者病情及时处理,对心脑血管疾病患者临床诊疗过程具有重要意义。系统有效改变医院传统护理模式,降低了医疗差错,提高了医护人员工作效率和医疗服务质量。     

一种基于多维云模型的多属性综合评价方法

基于多维云能够表述复杂模糊概念的特性,提出一种基于正态多维云模型的多属性综合评价方法。将“属性概化”的概念引入系统评价中,利用一维云模型对单个属性进行多级描述;在此基础上,针对各级评语建立其对应的多维评判云和描述系统整体属性的多维属性云,并通过比较两类云模型的相似程度得出评价结果。实验结果表明,该方法能够在单一价值分类的基础上实现多重价值分类和排序,同时能够较为直观地反映出各属性值对综合评价结果的影响。     

基于蓝牙信标的室内定位

近年来随着技术的进步和人们生活水平的提高,人们生活中的大多数时间都是在室内度过的,所以对室内定位的各种需求在不断增长,逐渐成为一个研究的热点。因此,本文设计了一种基于蓝牙信标的室内定位系统,该系统在分析了蓝牙信标的RSSI信号的分布特点的基础上,采用高斯滤波和卡尔曼滤波融合使用的方式来对接收到的信号实行滤波处理,接着在大量地实地测试的基础上,建立了RSSI信号的测距模型,最后使用三边质心算法作为定位算法。     

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。     

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。