基于线性内插法改进的室内定位算法

针对室内位置指纹定位技术存在的离线阶段工作量大、定位精度有限、顽健性较差的缺点,提出了一种基于线性内插法改进的指纹定位匹配算法.与传统位置指纹定位技术相比,该算法不仅降低了整体工作量,而且降低了多径效应造成的不利影响.最后搭建实验场景对该算法定位性能进行测试.实验数据显示,该算法与WKNN法相比,平均定位精度大约提高了34.25％,绝大部分待测点的定位误差在0.4 m以内,验证了所提算法在定位精度、顽健性和适应环境变化方面的优势.     

一种基于AP ID过滤的WLAN位置指纹定位算法

非视距传播是影响定位精度的主要因素,深入研究信号强度的统计特性有利于定位精度的提高。基于RSSI的位置指纹定位技术因其设备简单,定位精度高而成为近年来定位技术研究的焦点。在对信号强度的统计特性深入分析的基础上,结合AP ID与移动台位置之间的关系提出一种改进的基于AP ID过滤的无线局域网位置指纹定位算法。并借助MATLAB仿真对比了改进前后的算法性能,证明了改进算法的不仅降低了计算复杂度,且提高了定位精度。     

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。     

基于压缩感知信号重构的wifi室内定位算法研究

针对位置指纹定位算法在训练阶段信号数据采集量大和定位精度不高的问题,提出一种压缩感知(CS,Compressed Sensing)与K均值改进支持向量机(SVM,Support Vector Machine)相结合的定位算法模型(CS-KSVM)。CS算法在训练阶段利用已采集到的部分参考点wifi信号强度数据对整个指纹信号库进行重构以降低信号采集工作量,再用K均值改进SVM算法来实现测试点的准确分类。实验仿真结果表明,CS-KSVM算法在相同采样点条件下的定位精度明显要高于传统定位算法,同时在相同定位精度条件下大大减少了定位需要的采样点数。CS-KSVM算法在3米之内的定位准确度可以达到93.2%。     

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。     

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。     

基于改进K-means聚类算法的室内WLAN定位研究

位置指纹法定位中所建立的位置指纹库能否正确反映指纹信号与位置之间的映射关系将影响最终定位效果。本文将一种改进的K-means聚类算法运用于WLAN室内指纹数据库的建立,较之传统K-means聚类算法所建立的指纹数据库,采用了改进K-means聚类算法所建立起来的指纹数据库优化了初始聚类中心选择方法及准则函数,避免了被聚类的指纹数据陷入局部解现象。实验结果表明:本文所提算法建立的指纹数据库可提高WLAN室内定位精度,缩短定位时间。     

相关性匹配蓝牙信标位置指纹库的室内定位

针对K近邻算法(KNN)在对偏向于某个样本点的未知点进行三角质心定位时定位精度变差的情况,提出了应用相关系数去匹配蓝牙信标iBeacon位置指纹库的室内定位算法.通过比较待定位点和位置指纹库中参考样点的相似程度,并进行数据差异显著性检验,来检验采集的待定位点数据与指纹库数据是否显著相关,然后取相关性较高的样本点进行加权平均匹配定位.实验结果显示,相关系数匹配位置指纹库算法可将2 m以内的定位精度从65%提高到92%,相较于传统的KNN匹配定位算法有着定位精度高、计算量小、定位时间短等优势.     

基于CSI相位矫正的室内指纹定位技术研究

针对室内定位服务的迫切需求,提出了基于信道状态信息相位作为指纹信息的室内定位方法,搭建了室内WiFi定位平台,实现了室内环境下的高精度位置估计。在离线阶段获取WiFi的信道状态信息,包括振幅、相位等参数,利用线性变换的方法对采集到的CSI相位信息进行预处理,建立鲁棒的信号指纹数据库。在线阶段提出了改进的加权KNN算法,对初次估计坐标进行二次匹配,从而完成设备及人员的定位。实验结果显示,平均定位精度达到了0.63 m,相较于传统的室内定位技术,定位精度有了明显的提升。     

一种基于位置指纹的室内WLAN定位方法

针对室内信号时变性导致定位不准的问题,提出了一种改进的3阶段位置指纹定位法。采样阶段,将采集信号的坐标、方位、接收信号强度的高斯分布及其对应的无线接入点等信息存储在数据库中生成位置指纹;在校正阶段中,利用参考点间信号强度的关联性信息,使用局部加权线性回归法,计算出一些虚拟点的信号强度;最后是线上实时定位阶段。通过与传统的加权K最邻近算法、直方图和联合聚类等3种定位方法相比较,该算法在同样的场景下可以取得更好的定位精度。