基于方差滤波的动态自适应室内指纹定位算法

目前常用的室内定位算法在构建指纹库时,因为在参考点处接收到的信号强度值存在噪声值,传统的欧式距离计算公式忽略信号发射器的稳定程度从而造成定位误差,以及K近邻算法无法根据实际情况动态的确定参与定位的参考点个数,从而造成定位算法缺乏拓展性和稳定性。针对上述情况,本文设计了一种经过方差滤波的动态自适应室内指纹定位算法。该算法首先在离线阶段利用方差滤波去掉噪声值,之后在在线阶段利用新的基于方差的相似度计算公式计算待定位点与各个参考点之间的相似度,然后动态自适应的确定距离较小的K个点来参与定位计算,最后利用确定的K个点加权估计待定位点的位置。实验结果证明,该算法较对比算法能够有效的提高定位精度和定位的稳定性。     

基于LoRa指纹的室内定位算法

在基于LoRa的室内定位研究中,提出一种基于LoRa指纹和支持向量回归(SVR)的室内定位算法。针对传统基于无线信号RSSI指纹和SVR室内定位算法定位精度不高问题,从两个方面进行改进:在指纹特征方面,增加LoRa测距指纹,提高指纹稳定性;在指纹数据库建立和在线定位过程中,分别采用高斯滤波和中位数滤波来对指纹进行预处理,消除指纹的粗大误差。实验结果显示:1 m以内的定位误差的累积概率为78.5%,3 m以内的定位误差的累积概率为90%。增加LoRa测距指纹之后定位精度相比之前提高了40%;增加了高斯滤波与中位数滤波预处理后定位精度较传统的支持向量回归算法提高了38%。两个方面改进之后定位精度总体提高63%,证明了该算法的两个改进是有效的。     

基于PCOS-ELM的室内指纹定位算法

针对传统室内指纹定位算法存在定位精度低、对环境适应能力差的问题,提出了一种基于并行混沌优化的在线连续极限学习机(PCOS-ELM)定位算法.离线阶段,通过并行混沌优化算法(PCOA)对极限学习机的隐含层节点参数进行寻优并构建高精度初始定位模型;在线阶段,利用在线连续极限学习机(OS-ELM)使新增位置指纹数据对定位模型进行动态调整,以适应室内环境的变化.结果表明:提出的PCOS-ELM定位算法具有更高的定位精度和更好的环境适应性.     

基于近邻传播算法的动态自适应室内指纹定位算法

目前传统的室内指纹定位算法中存在以下几个问题,首先在构建指纹库时采用平均值的方式构造指纹库容易受到噪声点影响而降低定位精度,其次使用欧式距离衡量待定位点与指纹点之间的距离可能引入信号强度距离较近,物理距离较远的参考点参与估计待定位点的位置从而增大定位误差,以及当参考点数量较大时,由于K近邻算法的计算量较大,从而造成定位过程耗时较大,能源耗费较多的情况,除此之外,由于K近邻算法无法根据实际情况确定参与定位的参考点个数从而限制了定位系统的精确性和拓展性。针对上述问题,本文设计了一种基于近邻传播算法的动态自适应室内指纹定位算法。该算法在离线阶段对在每一个参考点采集的信号强度值使用方差滤波算法去除噪声值,然后利用加入了参考点物理信息的近邻传播算法对参考点进行聚类处理。在在线阶段,通过进行粗略定位和精确定位动态的估计待定位点的物理位置。经过实验证明,本文所提出的新算法较对比算法有较高的精确度和稳定度。     

基于Wi-Fi室内定位的位置指纹算法

随着Wi-Fi网络室内覆盖率的增加,人们对位置服务的需求也不断增加。利用现有的Wi-Fi网络进行室内定位,先分析了NN算法存在的不足,并提出了一种WNN位置指纹定位算法。整个定位过程分为数据采集、数据处理即奇异值处理和滑模滤波处理、实时定位即用WNN法对处理后的离线数据和实时数据进行对比、匹配,最接近的那组数据对应的区域号为定位结果。对几种信号处理方法进行了比较,得出滑模滤波的效果最优。实验表明,修正后的定位算法的定位准确率明显提高,达到了90%以上。     

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...     

基于改进粒子滤波的室内自适应定位算法

精确的室内定位系统具有重要的研究及应用价值。由于GPS在室内受到很多约束条件而无法提供精确的室内定位服务,如何提高室内定位算法的精度已经成为当前研究的热点。通过提出一种基于改进粒子滤波的室内定位算法以减少室内环境影响来提高定位精度。该算法主要思想是通过手机等移动设备接收AP传播的信号,然后根据室内拓扑建立一个信号衰减模型,在移动设备的移动过程中结合粒子滤波进行定位。在定位过程中,移动设备采用自适应的信号采集方法来接收信号,同时随机游走思想和自优化的重采样方法被用来改进粒子滤波。仿真实验结果表明该算法能够有效提高室内定位的精度和鲁棒性。     

基于卷积神经网络的室内指纹定位算法

随着无线网络和智能设备的普及,室内定位得到了迅速发展.在室内定位中,基于指纹的定位方法因为无需外部设施、抗干扰性强等优点逐渐成为研究热点.近几年深度学习的发展为提高指纹定位算法的精度带来了新的机遇.因此提出了一种基于CNN的指纹定位算法,使用卷积神经网络（convolutional neural network,简称CNN）来改进指纹库的构建.首先,在收集了CSI与磁场数据后,通过CNN对这些数据进行处理,将每个参考点处的CNN模型参数值用作为指纹.然后使用一种概率方法来进行最后的指纹匹配.实验结果表明,该定位算法比传统的指纹定位算法具有更好的鲁棒性和更高的定位精度.     

基于经验模态分解的室内指纹定位算法

WiFi信号的波动问题是影响指纹定位精度的主要因素之一,针对该问题设计了基于经验模态分解（EMD）的室内指纹定位算法,利用EMD方法在保持信号原有特征的同时实现了平滑噪声的目的。同时,针对传统的加权K最邻近（WKNN）算法在参考点数量大、指纹特征维度高时存在的计算量大、定位实时性低的问题,采用Ball Tree的近邻检索方法优化指纹匹配阶段的数据查询结构,提高了指纹匹配的速度。实验结果表明：相较于常用的传统WiFi指纹定位算法,所提基于经验模态分解的室内指纹定位算法可获得17%以上定位误差的改善,同时指纹匹配耗时减少了45%左右,有效提高了定位的精度与实时性。     

基于RNN的多传感器融合室内定位方法

针对室内空间内的人员定位困难问题进行了研究,提出了一种基于Wi-Fi指纹法和循环神经网络(re-current neural network,RNN)的多传感器融合室内定位算法.该算法将智能手机接收到的路由器信号强度作为时间序列输入RN N,通过RN N获得对行人精度较高的定位,与此同时获取智能手机中惯性测量单元提供的位置信息.随后,通过粒子滤波算法对两种定位方式的定位结果进行融合.在实际场景下设计了多组实验进行对比.实验结果表明,该算法定位平均误差为0.9 m,优于加权K近邻等算法,可以为行人提供实时的定位.     

基于阈值筛选的室内定位优化算法

针对室内超宽带（Ultra-Wide Band, UWB）的定位技术在复杂遮挡的环境下定位效果不好、定位不精确的缺陷,本文提出一种在Chan算法的基础上对粒子群算法进行优化的混合算法定位方法。首先利用Chan算法求出定位标签初始估计位置坐标,并在非视距（NLOS）环境下通过设置阈值θ以对Chan算法计算出的位置坐标进行筛选;将已知的基站接收到的距离差与用Chan算法求出的标签位置信息求出的不同基站间的距离差做差值和,若差值和小于该阈值则直接输出位置坐标,反之则将位置坐标作为粒子群算法的初始值,通过迭代优化不断追踪个体极值和局部极值,更新个体的位置和速度,寻找到全局最优解再进行输出。仿真结果与实际场地实验结果表明,与单一算法相比,本文提出的混合定位算法在非视距环境下的定位精度可提高27%~31%;收敛速度快,算法复杂度低,满足室内定位的要求。     

基于主成分分析的室内指纹定位模型

指纹定位是目前最有前途的室内定位方法之一,基于无线信号强度的指纹模型因其无需额外硬件成本、易于推广等特点被广泛采用.指纹模型的选择是影响指纹定位精度的关键因素.传统的通过选择指纹采集点的指纹方法尽管可以减少计算量,但对定位精度贡献不大.提出一种基于主成分分析的指纹模型,通过选择对精度影响最大的一组“成分”作为指导定位的指纹,在减少指纹计算量的同时,提高定位精度.实验结果表明,与基于欧式距离指纹算法和最近邻指纹算法相比,基于主成分分析的指纹算法可以将平均定位精度由5.3m 和3.9m 降低到2.7m.     

基于WiFi指纹的室内轨迹定位模型

基于WiFi指纹的无线定位根据目标接收到的无线信号强度来反推其所处位置的定位模型,在室内定位研究中被广泛应用。当前对指纹定位算法的研究主要集中在单点定位,但在实际的应用中经常需要追踪目标在空间上的运动轨迹。为此,在单点定位模型的基础上,提出一种基于核函数的隐马尔科夫链模型,通过高斯核函数计算指纹的似然概率,定义位置点之间的转移概率,同时通过限制转移位置点的搜索范围提高算法效率,并应用隐马尔科夫链模型对移动轨迹进行定位。实验结果表明,该算法在定位准确率和定位误差方面性能均优于对比算法。     

基于Zigbee室内定位系统的指纹库优化算法

Zigbee无线传感器网络的接收信号强度指示(RSSI)可以用来提供位置服务,使用RSSI建立指纹数据库设计定位算法能够得到良好的定位效果,但指纹数据库的采集和建立精度会直接影响到最终的定位精度,而一般方法建立的指纹数据库误差较大。为此,通过对Zigbee网络指纹数据库采集和建立过程进行研究,提出一种Zigbee网络中指纹数据库采集、建立及优化的算法。在定位区域将各采样点采集到的指纹数据库源数据进行滤波处理,建立高精度的指纹数据库。利用Zigbee平台组建无线网络进行实验,分别使用针对该定位系统提出的限定区域最邻近算法、限定区域加权最邻近算法、限定区域贝叶斯算法进行定位计算。实验结果表明,运用优化后的指纹数据库在短距离范围内定位平均误差可限制在1.5 m以内。     

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.     

基于多传感器的室内三维定位算法研究

针对消防员在日常救援过程中难以准确获知自身位置坐标的问题,采用姿态传感器和气压计,提出一种室内三维定位算法(ITPA)。在ITPA算法中,根据加速度的幅值均方根、加速度的幅值方差和角速度的幅值均方根,实现过零监测,从而获知消防员的行走步数。根据气压计的数据,采用高度获取,卡尔曼滤波和异常数据处理等操作,获知消防员的高度,并判断其移动行为。通过二维移动距离计算和位置获取操作获知二维坐标。根据消防员的行为对其三维坐标观测值进行修正,并采用Kalman融合算法估计消防员的当前三维位置坐标。实验结果表明:在直行行走、楼梯行走和综合行走下,ITPA算法都能获得较接近真实路线的消防员室内三维位置,降低了算法的步数误差、距离误差和漂移误差,比FINS,IPNS和IPA3D算法更优。     

室内定位中DS-TWR测距算法的优化

针对现阶段UWB室内定位的测距过程中易出现通信冲突且标签功耗高的问题,提出一种改进的DS-TWR算法.该方法通过一种基于Hash算法的时隙分配方法计算标签和基站的时隙,使每个标签和基站都有唯一时隙,以减少通信过程中标签冲突现象;同时不同于传统TOA测距流程,该方法设置一个主基站,标签只需与主基站进行通信,而从基站只需要...