基于主成分分析的室内指纹定位模型

指纹定位是目前最有前途的室内定位方法之一,基于无线信号强度的指纹模型因其无需额外硬件成本、易于推广等特点被广泛采用.指纹模型的选择是影响指纹定位精度的关键因素.传统的通过选择指纹采集点的指纹方法尽管可以减少计算量,但对定位精度贡献不大.提出一种基于主成分分析的指纹模型,通过选择对精度影响最大的一组“成分”作为指导定位的指纹,在减少指纹计算量的同时,提高定位精度.实验结果表明,与基于欧式距离指纹算法和最近邻指纹算法相比,基于主成分分析的指纹算法可以将平均定位精度由5.3m 和3.9m 降低到2.7m.     

基于RSS场景指纹的ZigBee无线传感器网的定位方法

分析Z igBee无线传感器网络的基于信号强度测距法（RSSI）及场景指纹法,提出RSS场景指纹定位方法,该方法融合了上述两种定位方法的特点,即采用RSS＂场景特征信息＂作为定位场景＂指纹信息＂,以此建立＂指纹信息＂数据库,最后用最近邻居匹配算法实现定位。通过应用表明,RSS场景指纹定位方法具有定位精度高、自适应性及容错性强,且满足低成本、低功耗及易于实现的特点。     

基于聚类和K近邻算法的井下人员定位算法

针对现有基于指纹模的井下定位算法存在的计算量大、实时性低、定位精度较低的问题,提出了基于聚类和K近邻算法的井下人员定位算法。用二分k-means聚类算法对采集的RSSI数据进行分类,建立离线指纹数据库;无线移动终端和动态修正器实时采集RSSI值,分别存储到在线定位数据库和动态修正数据库;根据待测点和动态修正器的离线数据和实时数据,采用软硬件动态修正加权K近邻算法计算权重值,结合离线指纹数据库中待测点的物理位置信息估算其实时位置。实验分析结果表明,所提定位算法的最小标准误差为0.46m,最大标准误差为3.26m,平均误差为1.62m。对比分析结果表明,与未进行聚类分析的算法相比,本文算法的精度更高,实时性更好;与未动态修正权重值的算法相比,本文算法的运算时间略有增加,但定位精度提高了37.21%。     

基于WiFi的指纹匹配算法在室内定位中的应用研究

快速、准确地建立目标测定的接收信息强度(RSS)与指纹数据库的匹配,是提高指纹定位算法性能的关键。提出一种基于指纹簇匹配算法,以缩小搜索范围,优化搜索路径,通过减少搜索数目及计算量,达到快速、准确完成匹配的目的。考虑不同簇形对定位性能的影响,采用4组实验对算法的快速性、准确性进行评估。 实验结果展示在保证定位精度的同时,指纹簇算法较传统算法至少减少了60%的搜索数目,并验证得出蜂窝簇形的性能是最优的。     

基于公共信标集的高精度射频指纹定位算法

目前基于WiFi射频指纹定位技术有望成为大规模城区室内外全空间定位的首选.针对 RSS 信号时变特性严重影响WiFi定位精度和鲁棒性的问题,提出了一种基于公共信标集的高精度射频指纹定位算法.该算法把目标定位看成贝叶斯估计问题,通过采用高斯混合模型更加准确地表征复杂训练指纹的信号特征,以及使用基于Markov链的状态转移模型和基于后验概率的自适应网格集选择机制,充分利用目标的历史状态信息和环境布局信息,不仅减少了定位搜索网格空间,而且还抑制了移动过程中不可能发生的位置跳变,提高了定位精度和鲁棒性.实验结果表明,所提定位算法以90%的概率可获得3 m以内的定位误差,其定位性能明显优于传统单一高斯模型.     

基于中心矩改进的WiFi室内定位算法

基于WiFi指纹的定位技术是国内外室内定位领域研究的热门课题。针对室内环境的实变性而造成RSS值波动带来的影响,提出一种基于中心矩加权改进的WKNN匹配算法。离线阶段中,提取RSS的均值和二阶矩作为指纹存入数据库。在线阶段定位时,将RSS值的二阶矩特征加入到欧式距离中进行计算,以得到离定位点最近的K个参考点,从而计算出待定位点的位置。实验结果表明:不同的匹配算法的选择会使定位误差呈现出明显的差异性,所提出改进的WKNN算法能够有效地提高室内定位精度。     

一种RSS和CSI融合的二阶段室内定位方法

针对基于接收信号强度RSS(Received Signal Strength)或信道状态信息CSI(Channel State Information)的室内定位方法在现实环境中定位精度低的问题,提出一种RSS和CSI融合的二阶段室内定位方法.离线训练时采集数据构建指纹库;在线测试时首先利用RSS和改进的k最近邻kNN(k-NearestNeighbor)算法进行位置粗略估计,然后根据粗略估计结果筛选参考点构建子指纹库,最后使用高斯核函数改进的k最近邻算法进行位置精确估计.将该定位方法在室内复杂环境和空旷环境两种环境中进行实验验证,定位精度分别达到72.4％和75.9％,并将本文方法与两种现有的经典定位方法DeepFi和Horus在同一环境中进行比较,实验结果表明该方法能够有效地减小定位误差、提高定位精度.     

基于动态时间规整距离指纹匹配的Wi-Fi网络室内定位算法

Wi-Fi网络中常规的基于指纹匹配室内定位算法面临信号时变现象或人为干扰的影响,导致定位精度不高。为此,提出基于动态时间规整（DTW）距离相似性指纹匹配的Wi-Fi网络室内定位算法。首先,该算法将定位区域的Wi-Fi信号特征按照采样的先后顺序转化为时间序列类型指纹,通过计算Wi-Fi信号指纹动态时间规整距离的大小来获取定位点与样本点的相似性;然后,根据采样区域结构特征,将Wi-Fi信号指纹采集问题划分为三类基本的动态路径采样方式;最后,结合多种动态路径采样方式增加指纹特征信息的准确性和完整性,从而提高指纹匹配的准确性和定位精度。大量实验结果表明,较瞬时指纹匹配定位算法,所提算法误差范围在3m以内定位的累积错误率：路径区域匀速运动提高了10%,变速运动提高了13%;开放区域交叉曲线运动提高了9%,S型曲线运动提高了3%。所提算法在实际室内定位应用中能有效提高指纹匹配的准确性和定位精度。     

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。     

信号强度与运动传感器融合的智能手机室内定位算法

利用智能手机传感器实现高精度跟踪定位已经成为一个研究热点,本文针对室内定位中由于手机的运动引起采集信号强度不稳定造成的定位误差大的问题,提出了基于信号强度与加速度梯度融合综合的新的测距算法,结合手机方向信息、地图信息、信号强度的分布信息,利用测距信息与地图匹配算法,实现对智能手机的精确定位。在实验测试中,该算法平均定位精度为1.2m, 3.5m以下定位精度达95%。本算法有效的提高了智能手机的室内定位精度,并且相比指纹库定位算法减少了搜索次数,提高了定位速度。     

一种基于矩阵补全的室内指纹定位算法

近年来室内定位技术引起了研究者的广泛关注,现有基于信号指纹的室内定位算法需要大量采集指纹数据,且在噪声干扰下易产生较大的定位误差。针对上述问题,提出了一种鲁棒的基于矩阵补全的室内指纹定位算法,其基于信号指纹矩阵的低秩特性,将噪声干扰下的指纹数据恢复问题建模为范数正则化矩阵补全问题;在此基础上引入L1范数和F范数以平滑野值噪声并提高算法的稳定性,最终通过交替方向乘子法和变量分裂技术进行有效求解。实验结果表明,该算法只需进行少量信号指纹数据采集即可较为完整地恢复出指纹库,在各种噪声场景下均能获得高于同类算法的定位精度。     

一种抗多径和阴影的视距指纹定位算法

针对指纹定位算法在实际应用中普遍面临的由人身遮挡造成的多径和阴影干扰问题,通过实验深入分析人身遮挡对指纹算法中信号强度变化的影响,发现利用视距指纹代替原始指纹可以彻底避免阴影的出现,同时也能有效减少多径的影响,在此基础上提出了一种双定位节点的视距指纹定位算法(LoSF).针对视距指纹中存在的异常,LoSF算法还设计了相应的误差处理算法排除视距指纹中的误差数据.通过与现有算法的比较,LoSF算法性能达到了中位数误差2m的精确度,远高于基于原始指纹的RADAR算法所得到的6m精度,也要比带有朝向指纹的COMPASS算法获得的4.2m精度提高一倍之多.     

基于WI-FI的井下定位算法研究

基于射频指纹的室内定位算法有很多,现提出基于射频指纹的应用在煤矿巷道这种特有的环境特征的一种新的定位算法。根据无线信号的衰减特性,将距离接入点3m处的接收信号强度值设为阈值,若设备接收的信号强度值大于阈值则直接定位到此接入点处。若信号强度低于阈值,则根据射频指纹数据库数据得到估计位置。在煤矿中移动目标的速度一般小于10m/s,根据这一特征,算法中设定前后两次的定位位置不能超过10 m;若超过10 m,则取前一秒的定位位置与该秒采用数据库匹配得出的位置的中点。将这些特征应用到射频指纹定位算法中可以非常有效的减少环境对信号强度的影响。通过实验表明,该定位算法具有较高的定位精度。     

基于谱回归核判别分析的候机楼室内快速定位算法

针对机场候机楼客流量大、室内环境复杂多变的特点，提出了一种基于谱回归核判别分析（SRKDA）的室内定位算法。在离线阶段，采集已知位置的接收信号强度（RSS）数据，使用SRKDA算法提取原始位置指纹（OLF）的非线性特征生成新的特征指纹库；在线阶段，先使用SRKDA对待定位点的RSS数据进行处理，进而使用加权K最近邻（WKNN）算法进行位置估计。定位仿真实验中，在两个不同的定位场景中，所提算法在1.5 m定位精度下的误差累积分布函数（CDF）和定位准确率分别达到91.2%和88.25%，相对于核主成分分析法（KPCA）+WKNN模型分别提高了16.7个百分点和18.64个百分点，相对于KDA+WKNN模型分别提高了3.5个百分点和9.07个百分点；在大量离线样本（大于1100条）的情况下，该算法数据处理时间远小于KPCA和KDA。实验结果表明，所提算法能够提高室内定位精度，同时节省了数据处理时间，提高了定位效率。     

基于半监督仿射传播聚类和KLDA的室内定位算法*

室内定位中位置指纹库采集的密集程度往往跟定位精度密切相关,针对离线阶段时指纹库稀疏的情况下定位精度低的问题,提出了一种基于半监督仿射传播聚类和KLDA的室内定位算法。该算法结合了在线阶段采集无位置标签的RSSI数据,通过建立局部邻域图将无位置标签的RSSI信息反映到离线指纹数据的结构中,并使用KLDA方法抽取位置指纹库中最大的特征信息,有效利用了无位置标签的RSSI信息从而提高定位精度。实验结果表明,该算法结合在线阶段RSSI数据后定位精度得到了明显的提高。而且在仅保留离线指纹数据库三分之二的情况下,也几乎能够取得与传统KNN算法使用全指纹库时相同的定位精度,相当于减少了离线阶段采集指纹库的工作开销。     

基于近邻传播算法的动态自适应室内指纹定位算法

目前传统的室内指纹定位算法中存在以下几个问题,首先在构建指纹库时采用平均值的方式构造指纹库容易受到噪声点影响而降低定位精度,其次使用欧式距离衡量待定位点与指纹点之间的距离可能引入信号强度距离较近,物理距离较远的参考点参与估计待定位点的位置从而增大定位误差,以及当参考点数量较大时,由于K近邻算法的计算量较大,从而造成定位过程耗时较大,能源耗费较多的情况,除此之外,由于K近邻算法无法根据实际情况确定参与定位的参考点个数从而限制了定位系统的精确性和拓展性。针对上述问题,本文设计了一种基于近邻传播算法的动态自适应室内指纹定位算法。该算法在离线阶段对在每一个参考点采集的信号强度值使用方差滤波算法去除噪声值,然后利用加入了参考点物理信息的近邻传播算法对参考点进行聚类处理。在在线阶段,通过进行粗略定位和精确定位动态的估计待定位点的物理位置。经过实验证明,本文所提出的新算法较对比算法有较高的精确度和稳定度。     

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。     

基于UKF-RSS在线建模的WSN节点跟踪定位算法

在传感器网络中（WSN）锚节点负责接收GPS定位信号,但其使用寿命受能量约束,为了提高传感器网络的生存周期和定位精度,提出基于无迹Calman滤波（UKF）和传感器网络锚节点RSS在线建模的WSN定位算法,实现高效资源管理和利用方式。该算法主要包括位置预测和目标定位两个步骤,利用UKF算法对目标节点的下一位置进行预测,选择开启距离预测位置最近的几个锚节点,关闭无用锚节点,有效降低网络能耗。利用锚节点之间相互信号强弱基于RSS对开启锚节点周围的距离与RSS信号强弱关系进行建模,降低RSS算法对环境的依赖度。实验结果表明该算法能够有效对锚节点的开启/睡眠进行管理,并可降低环境依赖性,从而实现负载均衡降低能耗和提高定位精度的效果。