基于Android平台改进的室内WiFi定位算法的研究

基于Android手机平台设计并实现了WiFi室内定位系统。该系统采用指纹定位算法,通过手机采集室内WiFi信息并建立数据库,当用户发出定位请求时,手机将扫描到的WiFi信息发送给数据库,通过匹配算法进行位置定位。通过对采集后的数据进行加权以及对数据库数据进行预先处理,降低了运算量,同时去除了较小的信号强度的干扰。实验表明,与传统算法相比,该系统定位精度大大增加。     

基于WiFi和IMU结合的室内定位方法的研究

针对单一的WiFi定位误差较大的问题,提出了利用IMU人体姿态传感器来辅助WiFi进行室内定位的方案。首先在实验场所建立合适的WiFi位置指纹库,然后利用改进的K-NN算法对终端进行实时定位。同时利用IMU所测得的角度变化和终端前一个位置的坐标来判断终端处于哪一个象限,再和该象限的WiFi指纹库进行匹配计算出终端的坐标,从而不仅缩小了算法的复杂度,也提高了室内定位的精确度。     

矿井人员融合定位系统

针对基于传统接收信号强度指示(RSSI)指纹定位算法的井下人员定位系统在离线采样阶段指纹数据库采集工作量大、易受井下环境影响,基于行人航迹推算(PDR)算法的定位系统存在误差累计的问题,设计了一种基于改进RSSI指纹定位算法和PDR算法的矿井人员融合定位系统。该系统采用GS1011控制器和MPU9150惯性传感器构成智能终端,将采集的惯性传感器、RSSI和时间戳数据通过井下WiFi网络上传至地面监控中心定位服务器;定位服务器采用扩展卡尔曼滤波对RSSI指纹定位算法和PDR算法的定位信息进行融合,实现井下人员定位。试验结果表明,该系统平均定位误差为1.79m,小于单独采用RSSI指纹定位算法或PDR算法的系统定位误差,定位精度满足井下人员定位要求。     

基于WiFi信号强度特征的室内定位系统设计

针对室内GPS定位无法准确获取位置信息的问题,在Android平台上设计利用WiFi信号强度特征进行定位的系统。该系统由安卓客户端、Tomcat服务器以及MySQL数据库组成,在一般位置指纹定位算法的基础上,通过MAC地址对无线接入点( AP)进行过滤,选取固定的参考AP获取位置指纹信息,并结合改进的K最近邻匹配算法,进一步减小定位误差。实验结果表明,该系统定位速度快、定位精度高,具有较好的室内定位效果。     

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.     

基于多模指纹匹配的室内定位系统设计与实现

通过分析近年来基于WiFi信号强度检测的室内定位技术研究成果,提出了一种基于WiFi和运营商基站信号(GSM、CDMA2000、WCDMA)等多模信号指纹匹配的室内定位系统.该系统采集WiFi和基站等无线多模信号,经过归一化、平滑化过滤生成与室内定位点相匹配的多模指纹数据库,通过移动终端实时获取的多模指纹信号与多模指纹数据库匹配,从而实现精确的室内定位.实验结果表明,系统能够实现室内精准定位,并对于WiFi信号的变化有较强的适应性.     

基于WiFi的室内定位系统实现

随着人们对基于位置服务需求的增加,使用GPS、RFID等技术的定位系统已不能满足一些室内位置服务的需求。由于WiFi技术不断升级和内置WiFi模块终端设备的普及,WiFi室内定位系统成为当前研究的热点。笔者主要介绍了利用手机的WiFi模块和Android平台,测量待定位区域并建立信号位置指纹数据库,采用相关算法匹配待定位终端的特征信号与指纹库,实现终端的室内定位。     

基于WiFi定位的商场摊位地图的设计与实现

通过基于RSSI指纹算法的WiFi定位技术、SQLite数据库技术、Android APP编程,实现商场摊位的定位.客户或管理人员能够利用相关设备搜素到周边商铺发出的WiFi信号强度和其MAC地址,判断出自身具体所在的商场位置并获取区域信息,指导用户在商场进行高效的行为活动,为客户寻找目标摊位、管理者管理摊位节约时间、精力等.     

基于RSSI的WiFi指纹定位数据融合算法研究

目前已有的位置指纹室内定位算法大多都是建立在原始指纹数据库的基础上,指纹数据库的建立精度会直接影响到最后的定位精度,因此在基于WiFi的定位技术中,对接收信号强度(received signal strength indication,RSSI)的稳定性要求比较高。通过对指纹数据的研究,提出了一种基于高斯核函数融合卡尔曼滤波对数据进行预处理的方法。实验证明,该融合算法能有效剔除RSSI指纹数据中的突变数据和噪声波动,实现RSSI值的准确、平滑输出,从而建立准确的指纹数据库,使后期的定位结果更加精确。     

基于PCA-WBayes的WiFi室内定位算法

针对朴素贝叶斯(Bayes)室内定位算法忽略各无线接入点(AP)信号间的相关性,最终导致定位精度损失这一不足,提出一种基于主成分分析结合加权Bayes(PCA-WBayes)的WiFi室内定位算法.在离线阶段采集参考点处来自各AP的WiFi信号强度,运用PCA进行去相关性、降维处理,提取主要数据特征,结合参考点位置坐标,构建位置指纹数据库;在线定位阶段,在位置指纹数据库中匹配待测点的信号特征,通过Bayes算法估算待测点位置,获取前w个后验概率最大的参考点坐标,按后验概率分配权重,以加权结果作为待测点位置.实验结果表明:相比K最近邻(KNN)、Bayes等常用WiFi室内定位算法,PCA-WBayes算法定位误差更小,将朴素Bayes室内定位算法的精度提升了15.44％.