动态环境中的WiFi指纹自适应室内定位方法?

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,设计并实现了一种基于WIFI射频信号强度指纹的室内定位方法。该方法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方法比传统定位方法更稳定、易维护,同时也具有更高的定位精度和自适应性。     

矿井人员融合定位系统

针对基于传统接收信号强度指示(RSSI)指纹定位算法的井下人员定位系统在离线采样阶段指纹数据库采集工作量大、易受井下环境影响,基于行人航迹推算(PDR)算法的定位系统存在误差累计的问题,设计了一种基于改进RSSI指纹定位算法和PDR算法的矿井人员融合定位系统。该系统采用GS1011控制器和MPU9150惯性传感器构成智能终端,将采集的惯性传感器、RSSI和时间戳数据通过井下WiFi网络上传至地面监控中心定位服务器;定位服务器采用扩展卡尔曼滤波对RSSI指纹定位算法和PDR算法的定位信息进行融合,实现井下人员定位。试验结果表明,该系统平均定位误差为1.79m,小于单独采用RSSI指纹定位算法或PDR算法的系统定位误差,定位精度满足井下人员定位要求。     

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.     

基于ZigBee技术的室内定位系统算法研究及实现

随着当今社会城市化进程的快速发展,人们对于在复杂环境内的定位需求越来越迫切。由于建筑物的遮挡使得GPS定位在室内不容易实现。文中设计了一种基于ZigBee技术的室内定位系统（IPS）的解决方案。结合信号强度测距法（RSSI）与场景指纹定位法,提出RSS场景指纹定位法。该算法采用RSS“场景特征信息”作为定位场景的“指纹信息”,来建立“指纹信息”数据库,并通过TI公司的Z-stack的硬件平台实现了该算法。测试结果表明,该定位系统在覆盖超过20m＊20 m的面积里使用4个参考节点就能以2 m以内的平均定位误差实现室内定位,满足普通的定位需求。     

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实时精确定位系统设计与实现

为实现室内实时高精确定位,设计了基于RSSI的实时精确定位系统.首先基于RSSI测距原理,建立强度与距离数学模型把强度转化为距离,然后采用改进加权质心算法来进行定位,并把定位误差作为目标函数,最后运用简化粒子群优化算法对目标函数进行全局最优值搜索,采用C/S网络架构和多线程技术实现了实时同步获取RSSI值,采用GUI设计了定位系统界面,实现了定位结果实时动态显示.测试结果表明:系统实现了室内实时高精确定位.     

WiFi探针的室内人员定位分析及应用研究

本文设计了一种基于WiFi探针的高精度、低成本、适用性强的新型室内人员定位系统。该系统在WiFi探针和室内定位技术的基础上,首先通过WiFi探针采集目标用户手机的MAC地址、RSSI数据,经过定位算法实时分析处理得出室内各区域的人员数据;其次,通过坐标转换和可视化技术展示人流动态,实现对室内人员动向的实时监测。基于WiFi探针的室内人员定位系统可应用于楼宇智能控制、消防疏散救援、商场客流分析、人流监测及溯源等领域。     

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WIFI指纹定位技术的应用

本文主要探讨基于WIFI指纹定位系统在定位、指引、位置查询等方面的应用。随着社会的不断进步,大型公共场所例如机场、商业中心、停车场等设施都在向大型化、综合化方向发展。建筑物结构日趋复杂,功能日渐丰富,在带给大家便利的同时也带来了困扰。基于WIFI的定位系统可以很好的解决上述问题,该系统通过记录空间WIFI信号特征,形成WIFI指纹库,将WIFI信号与空间位置绑定,利用移动终端或查询终端提供实时定位信息以及路径规划等功能,动态实现方向指引。帮助用户用最短的时间寻找目标,从而提高公共场所的服务水平与用户体验。     

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.     

多传感器辅助的WiFi信号指纹室内定位技术

近年来,基于室内定位的应用服务越来越普及,吸引了大量的研究工作.其中,基于WiFi信号指纹的室内定位技术发展尤为迅速.但无线信号传输易受环境影响,会导致WiFi信号指纹定位存在偏差.为了提高定位精度并减小环境因素带来的不利影响,提出了智能手机内置传感器辅助WiFi信号指纹定位的方法,即利用智能设备上内置的传感器如加速计、陀螺仪等采集数据,计算得到用户轨迹信息和轨迹可信度,将轨迹信息与信号指纹信息结合起来建立综合概率模型,进行位置匹配,确定最近参考点.实验结果表明,与经典WiFi信号指纹定位方法相比,利用传感器所估测的用户轨迹信息能够有效应对环境变化的影响,提高平均定位精度.     

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LQI权重和改进粒子群算法的室内定位方法

为解决无线传感网络节点在室内定位中由非视距和多径传输等因素导致定位误差较大的问题,提出了基于三角函数的粒子群算法.针对RSSI波动性引起的测距误差,利用LQI和RSSI值之间的关系对RSSI值进行优化,提出了基于LQI权重的RSSI测距算法.改进的粒子群算法相比较于标准粒子群算法优化了权重模型和速度更新策略,避免陷入局部最优值情况.在对算法进行仿真实验后,进一步将其运用到Zigbee平台的定位实验,通过实测实验证明该算法在测试环境下平均定位误差在0.5m以内,相比于LSE和标准PSO算法,获得较好的定位效果.     

基于RSSI的自适应权重定位算法

在室内环境中,由于存在多径、反射的影响,采用传统的静态权重质心定位(SWCL)方法无法得到准确的定位精度.针对这一问题,提出了一种新的基于接收信号强度指示(RSSI)的动态自适应静态权重质心定位(RSSI—DA—SWCL)算法.对RSSI测距算法优化,消除不同发射功率和其它突发干扰对测距的影响;利用锚节点和未知节点距离等信息,让锚节点自适应地获得最优的权重系数,从而提高定位精度;将RSSI—DA—SWCL算法在ZigBee平台中实现,并通过Maltab仿真和实测实验对算法进行验证.结果表明:和传统的定位算法相比,提出算法具有更优的定位精度.     

广义延拓插值模型在RSSI测距方法中的应用

室内无线传感器网络定位通常采用基于信号强度指示RSSI（Received Signal Strength Indicator）的测距方法,但由于室内信号反射、阻挡严重,同时不同硬件之间存在性能差异,导致RSSI随距离的衰减模型难以精确表述。本文提出一种基于广义延拓插值的RSSI测距模型,通过对实测数据进行拟合和插值,构造出能够反映实测环境下的衰减模型,避免了大尺度衰减模型中环境衰减因子难以由经验值给出的问题,同时也减小了不同硬件间的性能差异带来的影响,相比传统的大尺度衰减模型测距精度得到很大改善。