面向NB-IoT终端的指纹匹配定位改进算法

窄带物联网具有成本低、功耗小、连接量大和覆盖范围广等特性,但其超低的复杂度和较强的穿透衰落导致定位精度不高。基于信道状态信息(CSI)幅度和窄带参考信号接收功率(NRSRP),提出一种指纹匹配定位算法。利用CSI幅值和NRSRP离线构建指纹,并在线收集待定位终端的指纹信息,采用K近邻(KNN)算法得到最近的K个近邻点,充分利用待定位终端和K个近邻点的NRSRP信息并通过无线信道传播模型估计距离差。在此基础上,使用极大似然估计算法得到最终的估计位置。实验结果表明,与KNN、WKNN等算法相比,该算法能有效降低定位误差,提高定位精度。     

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。     

基于Kmeans聚类的CSI室内定位

多径效应导致基于接收信号强度指示(RSSI)的室内定位精度不高,采用高细粒度的物理层信道状态信息(CSI)可以更好地描述室内多径环境,提高基于指纹的室内定位的精度。利用聚类算法提取CSI,提高了不同位置之间指纹的区分性。在定位阶段采用一种简单有效的方法进行类的匹配。实验结果表明,在使用单个信标的情况下,定位精度较以往算法提高了24%。     

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CSI的改进KNN室内定位方法

为了解决基于接收信号强度指示(RSSI)的室内定位方法定位精度低和稳定性差等问题,提出了一种基于信道状态信息(CSI)的无源室内定位算法。该算法使用卡尔曼滤波处理原始CSI信号,结合高斯径向基核函数加权的K邻近算法(RBF-KNN)与置信度空间进行室内定位。实验结果表明:该方法精度高于其他算法。     

基于CSI信号的被动式室内指纹定位算法研究

基于信道状态信息(CSI)的定位技术在室内场景应用中被广泛关注,为了提高WiFi信号多径效应对接收信号强度指示的室内定位精度和稳定性,提出一种基于CSI信号的被动式室内指纹定位算法。该算法在离线阶段将定位场所划分为同等大小的区域块,在各连接点位置使用方差补偿的自适应卡尔曼滤波（Kalman）算法对原始数据进行滤波。再对滤波后的数据使用二分K均值聚类（K-means）算法进行分类,将处理得到的CSI幅值和相位信息共同作为指纹;在线阶段根据待测点采集的实时数据与指纹库进行匹配识别,被定位对象无需携带任何设备。仿真实验与实地实验表明,该算法利用信道状态信息中的子载波特征进行定位,能够有效减轻信号接收端的多径衰减影响,定位精度有明显提高。      

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CSI的WLAN认证及攻击定位方案

无线信号的多径效应和时变性使基于接收信号强度指示(RSSI)的测量值波动较大,导致基于RSSI位置指纹的WLAN认证及攻击定位存在较大的误差。为此,提出信道状态信息(CSI)位置指纹的入网认证及攻击检测定位方案。通过正交频分复用技术获取细粒度CSI以描述位置信号特征,采用K-means优化初始聚类点算法处理数据,增强各位置信息间的差异性。在此基础上,构建基于CSI的位置地图,利用CSI位置指纹认证访问WLAN的用户身份,从而对认证失败的用户进行攻击检测和定位。在IEEE 802.11n通信标准测试中的结果表明,该方案的定位正确率高达98.12%。     

基于指纹膜与航迹推算的井下人员定位系统

针对RSSI指纹膜定位方法受矿井环境影响较大,而基于航迹推算的定位方法易形成误差累积的问题,设计了基于指纹膜与航迹推算的井下人员定位系统。该系统周期性采集人员的位置信息与运动姿态信息,利用K近邻和峰值检测方法求解指纹定位结果和航迹推算结果,并对定位结果进行加权融合得到目标位置。测试结果表明,该系统明显提高了定位精度和稳定性,对煤矿巷道复杂环境具有较强的适应能力。     

基于深度学习的Wi-Fi与iBeacon融合的室内定位方法

针对传统室内定位指纹法存在定位精度低、容易受到环境影响的问题,提出了一种基于深度学习的Wi-Fi与iBeacon融合的室内定位方法。离线阶段在参考点处采集各个AP和iBeacon的信号强度,使用这些信号强度数据对堆叠自动编码机进行训练并从大量带有噪声的信号强度样本中提取特征,构建位置指纹数据库;在线定位阶段,使用堆叠自动编码机获得待测点信号强度特征并与位置指纹数据库中信号强度特征进行匹配,通过近邻算法估计待测点位置。实验结果表明,基于堆叠自动编码机的室内定位算法具有更高的定位精度。     

一种层次Levenshtein距离的无指纹校准的室内定位方法

随着移动计算领域的兴起,基于位置的服务越来越受青睐。目前各种室内定位的方法层出不穷,由于室内广泛部署了无线基础设施,基于WiFi指纹信息的室内定位技术是其主流方法。设备异构和室内环境变化是影响定位精度的主要因素。本文针对以上两个问题,提出一种层次Levenshtein距离（HLD）的WiFi指纹距离计算算法,实现异构设备的指纹无校准比对。将不同移动设备采集的RSSI信息转化为AP序列,根据AP对应的RSSI值的差异性计算其层次能级,结合Levenshtein距离计算WiFi指纹之间的距离。对于需定位的WiFi指纹RSSI信息,利用HLD算法获取K个近邻,采用WKNN算法进行预测定位。实验中,为了验证算法的鲁棒性和有效性,在3种不同类型的室内环境中采用5种不同的移动设备来采集WiFi的RSSI信息,其定位的平均精度达1.5 m。     

机器人听觉系统中指纹定位改进方法

针对传统指纹定位方法中高定位精度依赖于高参考点密度、计算复杂度高的问题,提出了一种改进的声音位置指纹定位方法。基于声音位置的聚类算法首先被用来构建位置指纹数据库,从而降低在线搜索数据库的计算成本,同时线性插值方法被采用在选定聚类内生成虚拟参考点来更新数据库,最后,目标位置由声源与虚拟参考点的指纹相似度计算得出。实验结果表明,该方法能有效提高低参考点密度下的系统定位精度,同时算法复杂度低。     

基于RSSI概率统计分布的室内定位方法

针对接收信号强度指示（Received Signal Strength Indication,RSSI）时变现象影响WLAN室内定位精度问题进行了研究,提出了一种基于RSSI概率统计分布（Statistical Probability Distribution,SPD）的加权K最近邻（Weighted K-Nearest Neighbor,WKNN）方法--SPD-WKNN方法。该方法首先利用SPD方法得到指纹点RSSI向量区间;然后运用SVM算法选取测试点K个近邻指纹点,计算测试点RSSI向量到每个近邻指纹点的最小欧氏距离;最后结合WKNN算法获取定位结果。实验结果表明,SPD-WKNN方法与NN、KNN、WKNN、SVR和LSSVM方法相比定位误差分别降低了47.3%、41.6%、31.9%、27.1%和16.3%,呈现了良好的定位效果;利用SVM算法的稀疏性明显减小了运算时间。     

基于CSI与SVM回归的室内定位方法

为研究室内定位技术在复杂环境中的应用,以楼梯和实验室为实验场景,提出了一种基于信道状态信息（CSI）与SVM回归的室内定位方法。该方法通过基于密度的空间聚类方法（DBSCAN）去除信号噪声,并用主成分分析法（PCA）提取贡献最大的指纹特征,同时降低CSI指纹的维度。通过SVM回归建立CSI指纹与目标位置之间的非线性关系,从而达到根据测得的CSI指纹估计目标位置的目的。实验结果表明,在多径效应较强的楼梯复杂环境中,该定位系统可以在90%以上的概率下达到1 m的定位精度,实验室环境中可以在82%的概率下达到0.8 m的定位精度, 这表明基于CSI与SVM回归的室内定位方法具有高效性和可行性。     

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Spark的指纹定位数据处理方法

指纹定位技术是一种简单高效的无线定位技术，它不受无线信号多径效应和反射造成的干扰，具有较好的定位精度。然而指纹定位技术需要建立庞大的离线指纹数据库，随着指纹数据库规模的扩大，传统的指纹定位算法已经难以满足大数据应用中实时性的需求。结合指纹定位算法的特点和Spark计算引擎基于内存计算的优势，设计并实现了基于Spark的指纹定位数据处理方法。在Map阶段分别找到查询点在每个分区内的[K]近邻，在Reduce阶段规约各分区[K]近邻获得全局[K]近邻，最后通过加权求值获得最终的定位坐标。集群实验表明，基于Spark的指纹定位数据处理方法在一定并行度下有较好的加速比，在大规模指纹数据库下有实时定位处理的能力。     

基于物理邻近点辅助的无线局域网指纹定位方法

针对传统位置指纹图中的邻近参考点（ARP）信息未能得到较好利用的问题,提出一种在离线训练阶段建立基于接收信号强度（RSS）的位置指纹库和参考点(RP)物理邻近信息库的方法。通过利用待定位点与其所对应的最近邻参考点及参考点之间的物理邻近关系,来提高指纹概率定位方法的定位精度,即：在在线定位阶段,首先根据基于信号强度概率分布的贝叶斯算法计算得到待定位点的最近邻点;然后在物理邻近信息库中搜索最近邻点的物理邻近点,并在该最近邻和物理邻近点集合中,选取特征点集合用于贝叶斯二次估计;最后将具有最大后验（MAP）概率的特征点组的均值位置作为待定位点的估计位置。实验结果表明,与传统的无物理邻近数据库的指纹概率定位方法相比,在3m内的定位精度提高了约10%,有效提高了定位的可靠性。     

基于CSI相位差值矫正的室内定位算法

针对现有基于信道状态信息的室内无源指纹定位方法在复杂场景中多数存在相位误差偏移、指纹噪声大、样本分类精度低的问题,提出一种基于相位差值矫正的室内指纹定位算法。在离线阶段通过计算相位差值矫正通信链路中的相位误差和偏移,建立鲁棒的指纹数据库,使用BP神经网络对指纹特征数据进行训练,得到指纹特征信息与物理位置的映射关系模型。在线阶段相位采样值经过差值矫正后作为模型的输入,计算得到最终的精确定位结果。实验结果表明,与现有基于指纹的定位方法相比,该方法具有去噪效果显著、定位精度高的优点。     

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。