基于MR指纹库的两步室内外综合定位方法

为了解决仅依靠基站对移动台定位不准确,提高移动台的定位精度,研究了基于MR(Measure Report,测量报告)指纹库的室内外联合定位方法。该算法主要分为两步:第一步是粗定位,区分出室内和室外的MR;第二步是精细化定位,将MR定位到具体的位置。实验结果表明,基于MR指纹库的室内外定位方法可以有效提升定位精准度。     

基于稀疏训练点和指纹重构的室内可见光三维定位算法

目前构建基于机器学习的室内可见光定位模型主要依赖于光电二极管和指纹数量,为了降低指纹采集的复杂度,提高定位精度,提出一种基于指纹矩阵稀疏重构的室内三维可见光定位算法。该算法利用极限学习机训练稀疏采样点,采用奇异值分解和交替方向乘子法求解稀疏指纹矩阵的重构问题。该算法可以有效降低指纹的采样率,同时可以基于极限学习机算法较强的泛化能力提高定位速度和定位精度。在此基础上,由于可见光的多径反射等因素的影响,定位区域的边界定位误差大于内部定位误差,通过引入一种边界修正定位算法,可以有效降低边界定位误差。仿真和实验结果表明,与传统的机器学习算法相比,该算法在减少其所需指纹数量的同时,具有更高的定位速度和精度。     

基于核化K-means和SVM分类回归的Wi-Fi室内定位算法

针对目前指纹室内定位系统指纹库管理效率低、实时性差和定位精度低的问题,提出了一种新的基于核化K-means和SVM分类回归的无线定位算法。首先利用核化K-means算法将输入的预处理后的RSS(Received Signal Strength)信号进行无监督聚类,将聚类后的数据信息存入指纹特征数据库,然后通过SVM回归的机器学习算法对特征数据库的数据进行训练,得到一种最优的拟合位置函数的数学模型。并且采用粒子群算法对参数进行寻优,进行实验仿真。实验结果表明,该算法有效地提升了定位精度,优于KNN、WKNN、SVR等室内定位算法。     

基于位置指纹的室内定位技术

近年来,随着物联网逐渐成为世界信息产业发展的热点,室内智慧化建设的技术要求越来越高,而位置信息在室内环境中具有广泛的应用场景.基于此,综述现有的室内定位技术与方法,从成本、部署难易程度、后期推广方面综合分析,总结出基于位置指纹的室内定位方法的优势;主要研究并实现了一种基于位置指纹的室内多模定位方法,该方法是一种低成本、高精度的室内定位解决方案;最后提出一种基于平面区域非均匀量化的定位栅格划分方法,基于提出的技术方案,室内定位能够在定位精度和运维成本两方面取得平衡.     

基于MR位置指纹定位的优化算法分析和实践

基于MR的无线优化方法在无线网络中正逐步推广应用,而其中位置指纹定位算法可应用在2G/3G通信网络的无线优化中。分析比较了几种不同的定位算法优劣性,并就其中位置指纹定位的优化算法作了优化改进,使用余弦距离函数作为与指纹库的匹配算法,兼顾计算量和存储空间2方面,使其具有对传播模型、站间距的依赖度较低、对单次测量的偏差不敏感、定位精度较高等优点。通过现网的数据弱覆盖和邻区优化实践,验证了其有效性。     

基于机器学习的光网络监测与优化方法

近年来,许多新型调制和复用技术以及动态网络概念被提出,以适应不断提高的网络带宽和质量需求。网络控制平台向系统化、智能化趋势发展,要求网络管理者不断监测网络各项参数,时刻优化网络状态。然而,大范围部署额外的监测设备获取参数信息从成本控制的角度缺乏可行性,利用已知数据与特殊算法进行网络性能监测和优化是更优的选择。机器学习方法因为其足够准确和高效逐渐被学术界采纳用于完成上述任务。文章梳理了在光网络监测与优化任务中使用机器学习算法的不同应用场景,综述了该领域的研究成果,并提出了现存的基于机器学习的光网络监测与优化方法存在的问题及可能的进一步研究的方向。基于机器学习的光学性能监测包括光学损伤辨别、信道质量评估以及通道功率预测,基于机器学习的网络配置优化方法包括强化学习优化通道功率。进一步研究方向可以考虑加强与运营商的合作,使用真实的现场数据,不断获取数据动态训练模型,并使用迁移学习和数据增强等技术,以保证算法的鲁棒性与泛化能力。     

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。     

一种基于GACNN改进的室内可见光指纹定位算法

为提高室内可见光定位系统性能,提出了基于遗传算法训练卷积神经网络(Genetic Algorithm Convolutional Neural Network, GACNN)的室内可见光指纹定位算法。该算法引入一维卷积神经网络学习模型,针对卷积神经网络的超参数设置,利用遗传算法对卷积神经网络进行训练,将超参数进行二进制编码后采用精英遗传算法对CNN进行训练,来解决卷积神经网络模型参数调节依靠经验和模糊最优化的过程。实验结果表明：在室内4 m×4 m×2.5 m的定位场景下,定位算法可以获得平均定位误差4.11 cm的定位精度。相较于卷积神经网络定位算法,平均定位误差降低了25%。对比分析了不同室内可见光定位算法的性能,验证了算法的技术优势。     

基于MDT数据的地下场景覆盖问题识别系统设计

地下场景覆盖问题的准确识别一直是网络优化难点,围绕精准定位建立评估模型,以用户轨迹惯性特性为基础完成最小化路测(MDT)数据清洗,采用“基于RSSI测距多点定位算法”和“神经元网络定位技术”相结合方式,完成多维数据关联和迭代矫正模型并纳入指纹库,引入栅格化理念,实现栅格内MDT数据智能汇聚,识别地下场景弱覆盖栅格。本设计能够扩充地下室场景覆盖问题识别的手段。     

稀疏训练指纹库融合MMPSO-ELM室内可见光定位

为了解决采用极限学习机(ELM)神经网络室内可见光定位方法存在误差较大、网络模型训练时间较长、结果稳定性较差等缺点, 采用稀疏训练指纹库, 融合多目标动量粒子群算法(MMPSO), 结合ELM室内可见光定位方法, 形成MMPSO-ELM方案, 引入动量因子, 避免迭代过程中过度振荡, 加快系统收敛速度。在不同的定位空间内随机选取训练数据集方式, 在测试点数量不同的情况下, 将本方案与后向传播(BP)、ELM以及PSO-ELM 3种定位算法进行了比较。结果表明, MMPSO-ELM方案在20组训练数据条件下, 对80组待定位点进行预测定位, 定位误差最大为0.0225m, 最小误差为0.00093m, 平均定位误差低至0.00143m, 且定位性能受定位空间大小影响较小; MMPSO-ELM可见光定位方案具有定位精度高、速度快、泛化性强等优点。该研究为在室内场所实现快速准确定位提供了理论支撑。     

基于改进接收信号强度指示的室内定位算法

为了提高室内环境节点定位精度,针对传统定位算法的不足,提出一种改进接收信号强度指示的室内定位算法。首先通过神经网络对各锚节点接收信号强度的权值进行拟合,得到路径损耗模型的参数值,然后利用最大似然法对未知节点进行定位,最后采用仿真实验测试其性能。结果表明,相对其它室内定位算法,本文算法提高了室内定位的精度,降低了平均定位误差,可以满足室内定位的实时性要求。     

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.     

基于MR的位置指纹定位算法

基于MR 的无线优化方法在无线网络中正逐步推广应用,而其中位置指纹定位算法更适合于复杂的室内环境,能够较准确的区分室内外用户并实现室内分层的覆盖评估及业务定位。     

An original approach to positioning with cellular fingerprints based on decision tree ensembles

In addition to being a fundamental infrastructure for communication, cellular networks are increasingly employed for outdoor positioning through signal fingerprinting. In this respect, the choice of the specific strategy used to obtain a position estimation from fingerprints plays a major role in determining the overall accuracy. In this paper, we propose a novel fingerprint comparison method, to be used in dynamic and large-scale contexts, such as the outdoor one, based on a machine learning approach. We explore two possible machine learning solutions, that make use of decision tree ensembles and support vector machines, respectively, and carefully contrast and evaluate them against a set of well-known, state-of-the-art fingerprint comparison functions from the literature. Tests are carried out with different tracking devices and environmental settings. It turns out that the machine learning approach, especially when implemented using decision tree ensembles, provides consistently better estimations than all the other considered strategies.     

基于改进的DBN的WLAN指纹定位数据库构建算法

提出了一种基于改进的深度置信网络(Deep Belief Network,DBN)的 WLAN指纹定位数据库构建算 法。首先,从需要实地测量的参考点中选取一部分参考点测量位置坐标和接收信号强度,并 将其作为训练数据输入改进的 DBN,经过训练不断改善DBN的性能;然后,将其他剩余参考点的位置坐标输入训练好的DBN 中,将DBN的输出数据作 为这些参考点的接收信号强度,从而对指纹定位数据库进行构建;最后,将实测的部分参考 点的数据与基于DBN预测出的 剩余参考点的数据共同组成构建后的指纹定位数据库,并使用KNN和WKNN定位算法对构建效 果进行评价。实验结果表 明,在使用相同的数据集时,改进的DBN算法训练用时更短,对指纹库的构建效果更好。     

基于电源线和位置指纹的室内定位技术

该文提出将室内环境不可或缺的电源线作为天线,通过在电源线上注入宽带高频信号构造室内空间的位置指纹,进而实现室内空间精确定位。首先介绍了电源线上宽带高频信号注入模块的实现技术,以及室内空间位置指纹的构造方法;其次,介绍了基于朴素贝叶斯分类算法的室内定位原理;最后,通过实验分析证明在多训练样本情况下,基于朴素贝叶斯分类算法的定位算法比基于K最邻近点(KNN)分类算法的定位算法有更好的定位准确率和时间迁移适应能力。     

基于RSSR融合RNGO-Elman神经网络的室内可见光定位

针对动态环境下基于接收信号强度的传统可见光定位方法定位精度低、稳定性差等问题,提出一种基于接收信号强度比的改进北方苍鹰算法(NGO)优化Elman神经网络(RNGO-Elman)的室内可见光定位系统。提出选择一个辅助参考点,将待测参考点与辅助参考点的接收信号强度比值和接收机的真实位置作为训练集数据,建立不受动态环境影响的指纹数据库。针对NGO算法收敛速度慢、容易陷入局部最优等问题,利用折射反向学习策略初始化种群,增加种群多样性,引入非线性权重因子来加快收敛速度,避免陷入局部最优。使用优化后的NGO算法来优化Elman神经网络的初始权值和阈值,构建RNGO-Elman动态定位预测模型。仿真结果表明,在4m×4m×3m的实验空间下,优化后的RNGO-Elman定位模型平均定位误差为1.34cm,定位精度相较于Elman定位算法、NGO-Elman定位算法分别提高了82%,21%。在LED发射功率波动时,基于RSSR的RNGO-Elman定位误差为1.29cm,1.38cm。所提可见光定位方法具有定位精度高、定位性能稳定等优点。