动态环境中的WIFI指纹自适应室内定位算法

针对传统的基于WIFI信号的室内定位方法难以有效解决环境动态变化对RSSI值的影响问题,本文设计并实现了一种基于WIFI射频信号强度指纹的室内定位系统。在该系统中,通过采用一种基于用户使用状况与布置定位参考点的方法来动态更新系统的WIFI指纹数据库,从而有效降低了在实际使用过程中用户手持手机的方向、用户的身体遮挡以及使用环境的动态变化对RSSI值所带来的影响。实验结果表明,本文设计并实现的定位系统比传统定位系统更稳定、易维护,同时也具有更高的定位精度和自适应性。     

一种改进的基于信号强度的WLAN定位方法

与室外定位技术相比(如GPS),基于无线局域网(Wireless Area Network)的定位更适用于室内环境。两种基于接收信号强度(RSSI,Received Signal Strength Indication)的定位方法即位置指纹法和信号传播模型法广泛用于室内定位的研究。使用边界盒算法和改进的二分范围搜索算法将两种室内定位方法相结合,提出了一种改进的基于RSSI的定位方法。提出的方法根据指纹数据库中样本的横纵坐标对其进行预处理,同时使用改进的线性二分范围搜索算法降低指纹数据库中的样本数,进而提高实时定位过程的效率。最大化位置指纹维度,并添加时间维,同时通过实验数据阐明所提出的方法可提高用户位置估算的精确度。     

基于MD5-KNN的Wi-Fi室内定位算法研究

为降低RSSI指纹数据库中指纹数据量和AP数量对KNN算法的运算效率的影响,提出一种基于MD5-KNN的Wi-Fi室内定位算法,对大型场所构建的RSSI指纹数据库进行优化。在离线阶段,将RSSI指纹数据库中的每条指纹转换成包含32位16进制表示的MD5序列。在线上阶段,该算法完成定位所需时间与AP数量无关,且不随指纹数量的增加而线性增加,降低了定位所需时间和运算量。同时,该算法自适应的匹配出合适的◢K◣值,有效解决了RSSI-KNN算法需手动设定◢K◣值的问题。实验结果表明,该算法有效提高了基于Wi-Fi的室内定位技术的定位精度以及定位效率。     

基于众包的多楼层定位方法

无线基础设施的广泛部署使得基于WiFi的指纹定位方法成为了最具普适性的定位方法之一.然而,指纹库构建过程的耗时费力阻碍了基于接收信号强度(received signal strength indication,RSSI)指纹定位的发展.针对指纹库构建难问题,提出了一种基于众包的低成本、高效率的多楼层指纹库构建方法-MCSLoc.首先将室内平面地图转换为室内语义地图;然后采集众包用户智能手机内置惯性传感单元(inertial measurement unit,IMU)数据,采用卡尔曼滤波(Kalman filter,KF)融合算法划分传感数据到所属楼层.提出分段式轨迹获取方法,根据传感数据获取用户相对轨迹和RSSI值序列;最后利用隐马尔可夫模型(hidden Markov model,HMM)和轨迹匹配维特比(track matching Viterbi,TM-Viterbi)算法将相对轨迹与室内语义地图主路径相匹配,为RSSI值序列标注楼层标签和物理位置标签.MCSLoc方法的HMM地图匹配算法无需用户初始位置,实现众包用户弱意识参与.实验结果表明MCSLoc可以快速获取轨迹绝对初始位置,有效构建多楼层指纹库,提高多楼层定位效率.     

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。     

基于特征匹配和距离加权的蓝牙定位算法

针对传统iBeacon指纹定位技术中接收信号强度值（RSSI）波动较大、指纹库聚类复杂、存在较大跳变性定位误差等问题,提出一种基于排序特征匹配和距离加权的蓝牙定位算法。在离线阶段,该算法先对RSSI进行加权滑动窗处理,然后根据RSSI向量大小生成排序特征码等值,并与位置坐标等信息组成指纹信息,形成指纹库;在在线定位阶段,根据排序特征向量指纹匹配定位算法和基于距离的最优加权K最邻近法（WKNN）实现室内行人定位。在定位仿真实验中,该算法可以自动根据特征码进行聚类,从而降低了聚类的复杂度,能实现最大误差在0.952 m内的室内行人定位精度。     

RF室内定位指纹库空间相关生成算法

基于定位指纹库的模式识别算法是目前基于网络结构（如WLAN）定位技术研究的热点。该技术的关键是根据不同AP（Access Point,AP）的RSSI值建立有效的定位指纹数据库。传统的方法只是直接在定位区域采集样本,不考虑RSSI的空间相关特性,导致离线训练阶段工作量较大。利用RSSI的空间相关特性,提出了通过对传神经网络空间插值建立定位指纹数据库的方法。实验结果表明该方法不但提高了定位精度,而且节省了训练时间,是一种高效的、易于实现的定位指纹数据库生成方法。     

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RSSI信号特征的室内分区指纹定位算法

为提高室内定位精度和算法效率,提出基于RSSI信号特征的分区指纹定位算法。在离线阶段,区别于传统的使用RSSI信号构建离线指纹库的方法,设计使用RSSI信号衰减率建立离线指纹库;在在线定位阶段,针对使用欧式距离进行相似度计算时,容易出现两个点RSSI信号欧式距离较近而物理距离较远的情况,提出使用RSSI信号衰减率进行子区域划分,引入SSD的思想使用二级指纹进行精确定位。通过实验验证了该算法的适应性与有效性。     

基于广义RBF神经网络室内定位修正算法

为提高基于接收信号强度指示(RSSI)室内定位的定位精度,并降低时效性对定位的影响,提出将加权仿射传播聚类(WAP)与广义径向基函数(RBF)神经网络相结合的室内定位算法以及一种指纹数据优化方案.通过高斯分布对指纹数据进行优化;采用熵值法对仿射传播聚类算法的偏向参数p进行均值加权处理,得到粗定位结果;结合广义RBF神经网络得到修正后的定位结果.实验结果表明,该方法在提高室内定位精度的同时,减少了RSSI值的时效性对定位精度的影响.     

利用信道状态信息的室内定位方法

室内定位是基于位置服务研究的关键问题,WIFI作为一种廉价易得的信号源被广泛应用在室内定位系统中。但是室内复杂环境造成同一点处的WIFI接收信号强度随时间变化范围较大,影响了基于WIFI接收信号强度的室内定位系统的性能。为了克服这个问题,提出了基于信道状态信息的室内定位方法。利用信道状态信息有效值非线性回归得出测量点与信号接入点之间的距离。利用测量点与多个不同信号接入点之间的距离回归出最后的定位结果。实验结果表明,相比典型的基于WIFI信号接收强度对数衰减模型的定位方法,方法有效提高了定位结果的准确度。     

基于RSSI的机器人室内卡尔曼滤波定位算法研究

针对移动机器人在室内环境中定位难的问题,提出了一种基于RSSI（Receive Signal Strength Indicator）的卡尔曼滤波定位算法。利用基于RSSI的定位方法估算用户的位置坐标,利用卡尔曼滤波算法对用户的估算位置坐标进行优化处理,以提高室内定位系统的性能和稳定性。实验结果表明,卡尔曼滤波算法是鲁棒的,可以有效改善系统的定位精度,达到了预期的目的。     

基于相似度的K阶临近定位算法

基于WIFI位置指纹的定位系统能实现较高精度的室内定位,其中基于接收信号强度指示（RSSI）的近邻选择算法在进行室内定位时容易引入奇异点,导致定位精度降低.针对该问题,本文提出了一种基于相似度的K阶临近定位算法（SKNN）.该算法借鉴二部分网络中求解节点相似性的思想,建立位置指纹与AP之间的二部分网络,并提出一个相似度参数,用该参数去修正K阶临近定位算法.实验结果表明,本文提出的SKNN算法可以有效的降低奇异点对定位结果的影响,提高定位精度,80%的定位误差均在2 m以内,且在大场景中效果明显.     

DR/RSSI组合室内定位系统设计与实现

针对缺少全球定位系统情况下的室内定位需求,提出了一种航位推算/接收信号强度指示组合的室内定位算法。基于搭载多传感器的智能移动终端,采用方位传感器监测航向,通过监测Z轴加速度判定步数,利用接收信号强度指示的绝对定位在线更新步长和修正航位推算产生的积累误差,充分发挥了两种定位方法的优势。对采用航位推算/接收信号强度指示组合算法的室内定位系统在安卓平台上进行了实现及有效性验证。     

一种新的基于RFID的室内移动机器人自定位方法研究

针对室内移动机器人自定位算法定位精度不高、定位误差存在波动的问题,提出了一种RTFL(RFID tag floor based localization)定位算法与RSSI定位算法相结合的室内移动机器人自定位方法。由RTFL定位算法给定机器人位置估算初值和机器人所在的范围,然后通过基于RSSI的机器人自定位系统进行机器人位置的进一步精确定位。求解过程中,通过遗传算法求解极大似然方程组,并且提出了染色体的筛选和剔除策略。仿真实验结果表明：该方法在有效的时间内完成定位,平均定位误差为0.1572m,与传统的改进方法0.33214m的定位误差相比,降低了近一倍。并且新方法受环境影响较小,鲁棒性较好,能够很好的满足室内移动机器人的定位要求。     

基于双神经网络的RFID室内定位方法

在室内定位中,传统的RFID定位方法由于方法简单,无法随着室内环境的变化准确估计当前的路径损耗系数,存在受环境影响大,定位精度不高,实时性差等缺点.为了解决以上问题,提出一种基于双神经网络模型的室内定位算法,建立BP网络和DNN网络的双神经网络模型,将采集到的RSSI信号值预处理后输入到BP网络模型中,输出路径损耗系数n,再将接收信号强度值RSSI和通过BP模型得到的路径损耗系数n作为输入,输入到DNN网络模型中,得到待测标签的精确定位坐标.实验表明,与传统的基于RSSI和基于ANN模型的室内定位算法相比,本算法有效提高了定位精度和定位实时性.     

Min-Max节点定位算法的分析与改进

无线传感器网络中RSSI测距是一项低成本的估算节点间相对距离的技术,而Min-Max算法是适合该技术并能满足网络低功耗要求的节点定位应用。首先在建立RSSI测距模型的基础上分析了Min-Max算法的性能,并针对该算法在室内环境中对靠近边缘区域未知节点的定位误差较大的问题,提出了一种有矩形边缘越界检测法,改进方法能通过检测重合矩形区域是否越界并做出相应的算法修正,仿真结果表明能有效提高定位边缘区域未知节点的定位精度。该改进算法在大规模多个节点的网络环境下,依然可以有效降低网络节点的平均定位误差。     

基于不同发射功率的室内定位算法优化

在无线传感网络室内定位中,节点的发射功率不同会降低基于对数-正态模型的定位算法的定位精度。针对这一问题,基于真实室内环境下RSSI值的变化,提出了一种基于不同发射功率的室内定位优化算法。该算法通过确定最小动态区域,对RSSI测距方法进行优化,降低不同发射功率带来影响。仿真和实验结果证明,提出的新算法在参与定位的信标节点发射功率不一致的情况下,达到了信标节点发射功率一致情况下的定位精度。     

一种基于插值的室内指纹定位系统设计与实现

由于室内环境的复杂性,无线传感器网络WSN(Wireless Sensor Networks)室内定位的精度一直不够理想.本系统在测距定位算法和非测距定位算法的基础上,提出了基于信号强度RSSI(Received Signal Strength Indication)的指纹定位方法.该方法利用Cokriging插值算法建立定位区域的多维RSSI向量指纹,通过匹配目标节点的RSSI向量与指纹RSSI向量确定目标节点的位置范围,最后使用K-中心点聚类算法提取目标节点的实际位置.实际场景实验和仿真实验结果都表明此方法在复杂的室内环境中具有较高的定位精度.