基于堆叠稀疏自动编码器和SVM的CSI室内定位方法

针对基于高细粒度信道状态信息(channel state information,CSI)的室内定位指纹数据冗余大、解析复杂的问题,提出一种基于堆叠稀疏自动编码器和支持向量机(support vector machine,SVM)的CSI室内定位方法.该方法首先融合物理层信道信息的幅值与相位数据,利用堆叠稀疏自动编码器在非线性指纹特征空间提取深层定位特征;然后,生成稀疏特征指纹,通过支持向量分类器完成目标位置确定.稀疏特征指纹的应用将CSI指纹库体积缩小约92.6％,同时,实验结果证明该方法可在视距与非视距传播路径混合的复杂室内环境下达到1.205 m的平均定位误差,较其他定位方法有明显的定位精度提升.     

基于信道状态信息的无源室内定位

针对传统室内定位方法在准确性及稳定性上的不足,本文提出了一种基于信道状态信息(channel state information,CSI)的无源室内定位方法。该方法采用普通设备搭建了实验平台,离线阶段采集CSI数据建立位置指纹库,在线阶段则利用机器学习的朴素贝叶斯算法进行位置分类。为进一步提高分类准确度,本文还提出了置信度方法,通过综合多条天线对的结果来减少位置误判。实验结果表明,本文所提出方法能有效实现对室内人员的无源定位,可以达到90%以上的准确度。     

基于边界过滤和邻域均值滤波的室内定位算法

在构建位置指纹库时,采用过滤法剔除数据采集阶段位于边界的位置指纹点,使用邻域均值算法滤除指纹库中指纹的噪声点。将指纹库k-means聚类为合适的k个指纹类以表示相似的位置指纹点,再用加权k近邻法实现精确定位。实验证明,相对于传统未对RSSI信号做处理的定位算法,该算法平均定位精度提高了28.9%。     

改进的构建Wi-Fi位置指纹库算法研究

针对传统的位置指纹算法在更新位置指纹库时人力和物力巨大耗费的问题,提出利用压缩传感理论和重心拉格朗日插值算法来更新位置指纹库.压缩传感理论将指纹向量的重构过程转换为一个最小 l₀范数的优化问题,并通过最小全变分方法求解原始指纹向量.重心拉格朗日插值算法利用样本节点间的空间相关性,使得在离线阶段通过测量少量指纹就可重建位置指纹库.在真实室内环境的实验验证了压缩传感恢复算法比重心拉格朗日插值算法具有更好的定位性能.     

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.     

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.     

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。     

基于载波相位差值的室内Wi-Fi定位方法

到达角（AoA）的角度分辨力低,导致基于信道状态信息（CSI）的AoA定位精度难以突破亚米级.为了提升定位精度,提出了一种基于载波相位差值的室内Wi-Fi高精度定位方法.首先,提取CSI中心频点子载波的相位信息和直视路径的信号飞行时间,通过虚拟参考点构建载波相位差分定位模型,实现目标初始定位;然后,结合目标初始定位位置,采用虚拟基线约束的方法实现整周模糊求解;最后,提出基于扩展卡尔曼滤波的载波相位定位优化算法,得到目标精确位置.此外,通过实验对比了直线和任意路径下的动态定位结果,所提定位方法的中值定位误差在0.25 m以内,具有更高的准确性和可靠性.     

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...     

仿蝎子振源定位机理的位置指纹室内定位方法

针对基于接受信号强度(RSS)的位置指纹室内定位方法易受到多径效应及噪声干扰而导致定位精度低这一问题,提出了一种仿蝎子振源定位机理的位置指纹室内定位方法。该方法首先仿蝎子的n/1神经元构型构建神经元结构对振动信号进行编码,将振动信号转化为脉冲。然后,提取脉冲作为位置指纹特征,并利用该脉冲建立位置指纹特征库。最后,用加权K近邻(WKNN)算法进行振源位置估计。为验证本文算法的有效性,模仿蝎子生理结构,搭建了一套仿蝎子振动感知的振动信号采集系统,在室内环境中进行用户踏步信号的采集,并根据振动数据进行定位试验。结果表明:本文提出的仿蝎子n/1神经元构型的位置指纹定位方法比基于RSS的位置指纹定位方法的平均定位准确度提高了0.148 4 m。     

基于集成深度神经网络的室内无线定位

针对传统无线定位模型对指纹数据库容错性低、抗噪能力弱等问题,提出一种基于数据融合的集成深度神经网络无线定位方法,从原始指纹数据库中按照一定比例随机取样生成各基学习器的训练数据,能够有效克服异常样本与有噪数据对无线定位系统带来的干扰;在指纹数据库构建过程中,提出Gauss-Occupied (G-O)数据扩充方法以解决无线指纹数据库样本容量小的局限,大幅度降低人工采集的成本,进一步提高样本空间的表征范围。试验结果表明:提出的模型不仅能够有效提高无线定位系统的平均定位精度与抗噪能力,而且能够明显降低定位过程中出现的单点最大误差。     

听觉定位数据库构建过程优化

针对采用栅格地图法进行听觉定位数据库构建过程中存在的所需参考点数量较多和局部定位效果恶化等问题,提出基于定位误差分布特征的位置指纹数据库构建方法.在数据库构建过程中,根据测试点的定位误差分布情况,采用k近邻算法搜索定位精度偏低的区域进行新定位参考点布置.从仿真和实际实验两方面对所提出的方法与传统栅格地图方法的数据库构建效果进行了对比.结果表明,采用该方法可以有效地提升位置指纹库构建的效率,抑制局部定位效果恶化现象,提高听觉定位系统的适用性.     

基于LF RFID的进出检测算法（英文）

LF RFID技术的性能易受到复杂环境因素的影响,特别是在金属环境中,会导致检测精度低、稳定性差。为此,提出了一种基于改进的最大似然的准确定位算法的进出检测方法。该定位算法包括训练阶段和定位阶段。在训练阶段,建立了修正指纹数据库,用于修正由于环境因素造成的测距误差;在定位阶段,利用修正后的测距误差,通过最大似然算法来定位目标所携带的标签位置,以检测目标的进出状态。实验结果表明,该算法的检测精度可以达到3 cm,在设定的两种行走策略下,目标的进出检测精度可以达到99%以上,满足实际应用需要。     

基于子类聚类和SAX表示的Shapelet快速发现算法

Shapelet发现的目标是寻找质量最佳的Shapelet,Shapelet的质量取决于子序列的可辨别性。针对精准发现有效Shapelet的问题,提出基于子类聚类和SAX表示的Shapelet快速发现算法,将子类聚类与经典的符号表示SAX法相结合进而快速准确的获取最优的Shapelet。该算法利用子类聚类将时间序列进行降维,得到多个子序列原型作为Shapelet候选集;再利用SAX表示将候选集符号化表示,直观的将候选集用字符串表示,便于找到最优Shapelet;最后选取候选集中信息增益最大的作为最优Shapelet进行时间序列分类。实验结果表明,该算法具有较好分类效果,同时提高了分类速度。     

Algorithm for recursive Bayesian localization triggered by temporalseries measurement information

To improve the robustness of a position system and reduce the localization error, this paper proposes a fingerprint positioning method based on the recursive Bayesian. To solve the blindness and unreliability of the location fingerprint data in an offline phase, the fingerprint database based on the sample variance is developed to measure the confidence of sampling values and reduce the impact of environmental factors, improving the reliability for online localization. The proposed method provides the target position at the current moment by utilizing the Markov model that is established by the constraint relationship between moments in the source movement, which avoids the jump problem of the position estimation and poor robustness and improves the localization accuracy. Extensive experimental results demonstrate that the average localization error norm of the proposed algorithm is no more than 0.927m, indicating significantly lower errors than other traditional schemes (often by more than 30 percent).     

基于CSI的轻量级自适应井下定位算法

针对传统井下定位成本高、工作危险系数大的问题,提出一种基于信道状态信息(channel state information, CSI)的轻量级自适应井下定位(lightweight self-adaptive underground positioning algorithm, LSA)方法。LSA方法以细粒度的CSI替代粗粒度的接收信号强度(received signal strength indicator, RSSI)来获得更高的定位精度,采用逆傅里叶变换将原始CSI数据转换为信道脉冲响应,以此选取视距信号,并通过构建CSI视距信号衰减模型实现轻量级的精确测距;基于井下现有WiFi网络中的访问接入点(access points, APs)位置和井下巷道特征,计算目标相对AP的方向,根据方向和测距结果完成定位。该方法能够自适应于AP在巷道中的任意位置部署,并利用拐角识别优化算法进一步提高定位的精度。试验结果表明,该方法能够使得定位中位数误差达到0.53 m,且无需在井下单独部署任何定位系统,性能明显优于已提出的CDPF、FILA等其他定位算法。     

基于CSI的轻量级自适应井下定位算法

针对传统井下定位成本高、工作危险系数大的问题,提出一种基于信道状态信息(channel state information, CSI)的轻量级自适应井下定位(lightweight self-adaptive underground positioning algorithm, LSA)方法。LSA方法以细粒度的CSI替代粗粒度的接收信号强度(received signal strength indicator, RSSI)来获得更高的定位精度,采用逆傅里叶变换将原始CSI数据转换为信道脉冲响应,以此选取视距信号,并通过构建CSI视距信号衰减模型实现轻量级的精确测距;基于井下现有WiFi网络中的访问接入点(access points, APs)位置和井下巷道特征,计算目标相对AP的方向,根据方向和测距结果完成定位。该方法能够自适应于AP在巷道中的任意位置部署,并利用拐角识别优化算法进一步提高定位的精度。试验结果表明,该方法能够使得定位中位数误差达到0.53 m,且无需在井下单独部署任何定位系统,性能明显优于已提出的CDPF、FILA等其他定位算法。     

基于生成对抗网络模型的RSS缺失值预测

无线上网（Wi-Fi）定位是目前室内定位中的主流方法,指纹数据库的构建是Wi-Fi定位系统的关键.然而指纹数据库中的接收信号强度（RSS）指纹值会随室内环境的变化而变化,通常需要不断地重新测量指纹值去更新指纹数据库,这就导致了成本高、耗时长,尤其是在定位区域较大的动态环境中是不切实际的.针对此问题,提出了自适应上下文生成对抗网络模型.该模型只需测量指纹数据库中的部分RSS指纹,即"参考点",然后通过学习参考点的分布情况,预测特定位置的缺失指纹.仿真实验结果表明,室内定位精确性显著提高,人力成本大大减少.     

Tunnel personnel positioning method based on TOA and modified location-fingerprint positioning

To position personnel in mines, the study discussed in this paper built on the tunnel personnel positioning method on the basis of both TOA and location-finger print(LFP) positioning. Given non-line of sight(NLOS) time delay in signal transmission caused by facilities and equipment shielding in tunnels and TOA measurement errors in both LFP database data and real-time data, this paper puts forth a database data de-noising algorithm based on distance threshold limitation and modified mean filtering(MMF), as well as a real-time data suppression algorithm based on speed threshold limitation and MMF.On this basis, a nearest neighboring data matching algorithm based on historical location and the speed threshold limitation is used to estimate personnel location and realize accurate personnel positioning.The results from both simulation and the experiment suggest that: compared with the basic LFP positioning method and the method that only suppresses real-time data error, the tunnel personnel positioning methods based on TOA and modified LFP positioning permits effectively eliminating error in TOA measurement, making the measured data close to the true positional data, and dropping the positioning error:the maximal positioning error in measurements from experiment drops by 9 and 3 m, respectively, and the positioning accuracy of 3 m is achievable in the condition used in the experiment.     

Multi-cluster-center based filtering algorithm and its application to WLAN indoor positioning

Wireless local area network(WLAN) is developing to a ubiquitous technique in daily life.As a related product,WLAN based indoor positioning system is attracting more and more concern.Fingerprint is a mainstream method of wireless indoor positioning.However,it still has some shortcomings of that received signal strength(RSS) is multi-modal and sensitive to environmental factors.These characters would have a negative effect on the performance of positioning system.In this paper,a filtering algorithm based on multi-cluster-center is proposed.We make full use of this algorithm to optimize the training samples at off-line phase to improve the performance of non-linear fitting with the fingerprint feature,and further enhance the positioning accuracy.Finally,we use multiple sets of original WLAN signal samples and signal samples after filtering as the training input of positioning system respectively.After that,the results analysis is demonstrated.Simulation results show that it is a reliable algorithm to enhance the performance of WLAN indoor positioning.