一种改进的室内指纹定位算法

针对指纹定位算法在建立离线指纹库时需要部署较多参考节点(RP)的问题,提出一种分区拟合近似算法(PFAM)。为减少指纹定位算法在离线阶段的工作量,对整个目标环境进行分区,并在每个分区内重新部署虚拟RP;采用三阶多项式对数距离路径损耗模型拟合得到每个分区的环境系数,并建立每个分区的误差向量;利用拟合模型和误差向量逆推得到虚拟RP的信号强度,并采用C均值聚类算法对离线指纹库聚类来减少在线阶段的计算量;在在线阶段采用加权K近邻算法(WKNN)对目标进行定位。实验结果表明,在RP部署较少的条件下,PFAM算法依然能达到较高的定位精度,平均定位误差约为1.2 m。累积分布函数(CDF)分析结果表明,有86%的定位误差分布在2 m以内。     

基于声音位置指纹的室内声源定位方法

针对基于模型的声源定位方法在非结构化空间中应用所存在的模型依赖度高、定位精度低等问题,提出一种基于声音位置指纹的定位方法,通过将待定位点处的声源信号空间位置特征与定位数据库中信息进行比较从而完成声源定位.该定位方法包括2个阶段:离线采样阶段,捕获各定位参考点处声源信号并完成位置特征提取,据此特征和参考点位置信息构建定位数据库;在线定位阶段,通过提取待定位点处实时信号特征并和定位数据库中信息进行匹配完成定位.仿真实验结果表明:在麦克风数量较少、环境噪声干扰较大的情况下,该方法具有较小的声源位置估计偏差,定位效果可满足实际应用需求.     

WiFi指纹定位中改进的加权k近邻算法

针对WiFi指纹定位中传统的信号欧氏距离不能很好地反映各位置点间物理距离的问题,提出了改进的加权k近邻定位算法。首先,在信号距离的计算中引入接收信号强度的方差;然后,根据接收信号强度和物理距离之间的非线性关系引入加权系数,设计了一种信号加权欧氏距离;最后,利用信号加权欧氏距离进行指纹匹配和位置估计,改进了加权k近邻算法。在真实环境下的实验结果表明,信号加权欧氏距离能够更准确地衡量各点之间的物理距离并选择更合理的最近邻参考点。与现有的加权k近邻算法相比,改进的加权k近邻算法能够明显地提高WiFi指纹定位的精度。     

一种改进的位置指纹智能手机室内定位算法

为了减小智能手机现有室内定位算法的时间复杂度和空间复杂度,提出一种将确定型算法和概率分布算法融合的智能手机室内定位新方法。利用最近邻算法选出K个最相近的位置点,然后采用贝叶斯算法将K个位置点中匹配概率最大的点作为最终的估计位置。在Android手机上分别采用3种方法进行20组室内对比定位实验,并随机选取10个位置进行定位误差对比实验,结果表明,新方法比贝叶斯算法的复杂度降低了Ο(4n/5),比最近邻算法的定位准确率提高了约4%,且定位误差较小。     

基于INS定位和WIFI指纹定位技术的无人机室内定位方法研究

针对无人机室内定位问题,提出了一种基于惯性导航系统（INS）和WIFI指纹定位技术的四旋翼无人机的室内定位方法。该方法首先利用WIFI模块测量的信号接收强度信息,根据WIFI指纹定位原理求出该定位时刻下的无人机位置;同时,利用惯性传感器信息计算出INS定位下的无人机位置,结合两种定位结果得出更为精确的位置。最后,通过实验验证了INS定位和WIFI指纹定位相结合的无人机室内定位方法的有效性,且该方法较两种单独定位方法的定位精度更高。     

基于卡尔曼平滑的AWKNN室内定位方法

基于接收信号强度指示的WIFI室内定位方案存在采集信息跳变现象,进而影响定位精度的问题,提出一种基于卡尔曼滤波的改进自适应加权K最近邻（AWKNN）定位方法。对比分析多种平滑RSSI算法可行性,验证基于卡尔曼滤波对RSSI值进行平滑处理的优势,结合AWKNN算法并采用均方差计算匹配度,通过实时监控相匹配的无线接入点个数后自动调整均方差分母大小,以此实现定位误差的有效控制。实验结果表明,该基于卡尔曼的AWKNN算法在稳定性和定位精度方面较传统WIFI指纹算法有较大幅度提高。     

RSSI位置指纹的定位误差分析与仿真

为了确立RSSI位置指纹定位技术中定位误差与影响其主要参数的关系,提出了表示定位平均误差的数学模型,通过计算整个定位区域误差的期望,公式化地表达了接入点个数、接入点摆放位置、采样点间距、最邻近点个数各因素取值不同对定位精度的影响.通过对实验数据的统计分析,仿真结果表明:接入点个数取4个可满足定位要求,当选择多于5个接入点实现定位时,可以不考虑接入点摆放位置,采样点间距取1 m可满足定位要求,K的取值对定位精度影响不明显.     

基于群组的WI—FI指纹室内定位研究

WI-FI指纹定位是最常用的室内定位算法之一,但是WI-FI指纹定位存在较大的定位误差。为了提高定位精度,提出了基于群组的定位算法。首先在WI—FI指纹定位的基础上,提出了群组的概念,然后阐述了基于最小编辑距离的群组识别算法,最后利用群组中人与人之间的物理距离,设计了一种基于群组的定位算法。实验表明,基于群组的WI—FI指纹定位算法能明显减小WI-FI指纹定位的误差。     

基于稀疏表示的室内指纹定位算法

为解决室内实时定位中精度不高的问题,提出了一种基于稀疏表示的室内指纹定位算法.针对传统的指纹数据库匹配算法的不足,将待测点的位置估计看作多分类问题.首先在室内区域选择若干个参考点,多次测量参考点的WiFi信号强度,构建稀疏数据字典.通过稀疏表示的方法,用参考点的指纹矢量对待测点处的指纹矢量进行重构,计算重构误差并根据其对待测点位置进行估计.实验结果表明,与传统SVM定位方法相比,该算法的定位精度有明显提高.     

基于证据理论的群指纹融合室内定位方法

室内定位的主要挑战是室内的多径传播及非平稳信道环境,传统基于信号强度指纹的单指纹室内定位方法由于受环境变化影响较大,稳健性较差且精度较低。针对此问题,提出一种基于D-S证据理论的群指纹融合高精度室内定位方法。在建库阶段,利用室内阵列信号接收模型,首先通过计算阵列接收信号的不同统计特性构建包括信号强度、协方差矩阵、信号子空间及四阶累积量组成的群指纹库,再对群指纹进行神经网络训练获取针对每种指纹的神经网络分类器;在实测阶段,把实测数据的上述4种变换输入到训练好的神经网络分类器中,最后利用D-S证据理论对神经网络分类器的分类结果进行融合,给出最终的定位结果。仿真结果证明了算法的有效性及可行性。该算法可充分发挥指纹信息的集群效应,对噪声、多径传播等具有较好的稳健性,是一种高精度的室内定位新方法。     

基于小样本的高精度室内停车场指纹定位算法

针对传统指纹定位算法在离线阶段采集样本工作量较大的问题,该文利用一种分区拟合值近似法（P-FP）来建立离线指纹库。为了解决在线阶段由于WiFi信号的波动导致的定位精度较低的问题,提出一种基于P-FP的设定阈值的序贯重要性采样（SIR）粒子滤波算法（PS-FP）来优化定位坐标。首先建立了路径的损耗模型,并对室内停车场进行分区拟合,得到每个分区的环境系数;然后用拟合值与实际测量值的差值来建立误差特性矩阵,并重新部署虚拟的参考节点（RP）;最后对离线指纹库进行C均值聚类。通过比较平均定位误差（MLE）寻找PS-FP算法的最优阈值,并采用PS-FP算法来优化在线定位坐标。实验结果表明,在部署很少的RP即获取样本比较少的条件下,PS-FP算法依然能达到较高的定位精度,其平均定位误差约为0.7 m。累积分布函数（CDF）的分析结果表明,采用PS-FP算法在2 m以内的定位误差能达到98%。     

两级参考点匹配位置指纹声源定位方法

提出一种两级参考点（RPs）匹配方法来减少位置指纹声源定位（SSL）过程中临近参考点搜索的计算量. 离线采样阶段：通过K均值聚类算法将数据库划分为一定数目的子库,并采用一种距离检测方法对离群点进行剔除. 在线定位阶段：通过第一级临近子库匹配完成对参考点搜索范围的缩减;在临近子库内进行第二级参考点匹配得到临近参考点;完成声源目标（TP）定位. 实验结果表明,采用两级参考点匹配算法可以在保证定位精度的前提下有效提高位置指纹声源定位方法的定位效率.     

离散度WKNN位置指纹Wi-Fi定位算法

为改善加权K近邻位置指纹定位算法在室内环境复杂时的定位性能,提出一种以位置指纹离散度作为权值参考的改进加权K近邻位置指纹定位算法.算法在离线位置指纹数据库建立阶段采用K-means聚类算法对位置指纹进行聚类,来降低搜索位置指纹库的计算量.从离线位置指纹库中选取K个与在线实测Wi-Fi信号强度信息最相似的位置指纹,比较其离散程度,将离散程度小的位置指纹赋予较高的加权系数,以减小原加权K近邻算法在室内复杂环境信号强度随距离变化较大情况下带来的位置估算误差.对离散度加权K近邻算法时间复杂度的分析表明,其计算量小于原加权K近邻算法;实际环境实验结果表明,离散度加权K近邻算法具有更高的定位精度,且定位误差波动较小.     

基于参考位置指纹离散程度的WKNN定位方法

针对目前在室内复杂环境内Wi-Fi无线接入点位置指纹定位精度低且不同位置时定位精度波动较大等问题,提出了基于参考位置指纹离散程度的WKNN定位方法.构建初始位置指纹数据库,基于K-means算法完成数据聚类.采用DD-WKNN指纹定位算法选取与RSSI值欧氏距离最相近的指纹数据,根据离散程度估算参考权重的权值,完成归一...     

模糊空间下双标签指纹定位算法

针对指纹定位中传统的空间划分方法所伴随的指纹点区归属识别困难和邻界匹配误判的问题,提出一种适用于区域中心识别和过渡双域判别的空间模糊划分方法,利用参考点类间距离与类内距离的差异度,衡量子区域边界的模糊度,保证实验场景定位开销最优化的同时,兼顾空间重叠划分优势,缓解子区域间绝对判别的负效应,提高定位匹配的泛化能力。在位置估计阶段,综合考虑参考点邻域间接收信号波动差异,将参考点与待定位点间信号域的距离度量转化为同源差异下的无量纲排序,并以修正后的多源排序均衡结果间接映射待定位点与参考点之间的相似度;此外,引入空间密度可达搜索强相关参考点集,结合信号域和空间域迭代约束参考点,实现目标近邻集的动态选择和集聚效应,有效克服环境变化与信号波动的干扰,提高定位方法的环境适应性。经路演下的实测数据对定位性能的评估,所提算法的定位精度优于同类区划分算法4.7%～11.8%,且在同全局匹配方法的比较中,平均定位误差最佳可降低0.422 m。     

改进的室内三维模糊位置指纹定位算法

提出了改进的三维空间模糊指纹定位方法(ITF)。该方法首先采用高斯模型对样本节点和未知节点的RSSI值进行过滤,建立样本点的指纹数据库,并将传统的求解高次坐标问题转换成空间隶属度的问题。利用模糊匹配算法计算未知节点与指纹库中各个已知样本点的贴近度,通过贴近度权系数定位未知节点。实验结果表明该定位方法比传统定位算法在降低误差方面具有更高的性能。     

基于RFID定位技术的室内人员行为分析系统

针对实际场景中室内定位系统误差大、稳定性差的问题,建立一种基于射频识别技术的室内定位行为分析系统。该系统首先对信号强度进行拟合平滑处理并改善了无线信号传播损耗模型;然后提出了新的加权质心定位算法,考虑信标节点之间的影响,引入新加权因子,从三圆相交和两圆相交进行修正;最后对轰趴馆的区域热度和个体行为偏好进行了分析。实验结果表明,定位精度得到提高,人员行为分析结果具有一定参考价值。     

基于模拟退火聚类的室内定位算法

针对大型室内场景下现有指纹定位算法运算复杂度高、定位精度低的问题,提出一种基于模拟退火聚类的室内定位算法。该算法采用模拟退火聚类的方法完成对指纹空间的聚类和划分,有效降低了指纹匹配所需的候选指纹数量,并消除了具有一定特征相似性的奇异点,从而降低了运算复杂度,提高了定位精度。实验结果表明,该算法可计算出定位环境下指纹空间的最优聚类数从而确保定位精度,较K 均值聚类定位算法和KNN算法定位精度高,且定位精度不受初始值影响。     

应用室内结构布局提高Wi-Fi定位精度和稳定性

采用基于历史的Wi-Fi指纹定位算法,根据若干个时间上连续的Wi-Fi信号指纹进行移动设备的室内定位。提出将室内结构和布局通过无向连通图进行建模,并将其应用到基于历史的Wi-Fi指纹定位算法中。实验结果表明,该方法能够明显削弱信号不稳定造成的影响,有效地提高室内定位的精度和稳定性,同时减少错误的房间和楼层估计。针对多楼层情况,提出了一个针对多楼层的处理算法,进一步提高了楼层的正确估计率。