基于对数正态模型的二次匹配指纹定位算法

针对复杂室内环境WiFi信号不稳定导致指纹定位算法定位精度不高的问题,对AP选择、指纹库构建和定位算法进行研究,分别提出了基于对数正态模型的AP选择方法、RSSI虚拟指纹库构建方法以及基于对数正态模型的二次匹配指纹定位算法。在离线阶段,通过拟合对数正态模型对WiFi信号建模,筛选出最契合模型的AP并构建RSSI指纹库和虚拟指纹库。在线定位阶段,待定位节点在匹配RSSI指纹库的基础上,利用AP的契合度修正欧氏距离相似度,找出相似度更高的指纹点,初步确定待定位节点区域,接着二次匹配虚拟指纹库进行精准定位。实际环境实验结果表明,本文提出的方法突出了不同AP设备对定位造成的影响,能减少离线阶段指纹采集的工作量,有效的提高了定位精度。     

基于WiFi的一种改进的室内定位算法

为解决室内定位中算法定位精度不高、误差偏大的问题,在原有指纹匹配算法的基础上,提出了一种新的信号能量加权改进接收信号强度的方法.通过对改进后的信号能量进行均值滤波和阈值滤波处理,改善离线建立指纹库阶段建库数据源.在线匹配阶段,改进WKNN算法,利用方差加权结合欧式距离倒数进行相似度匹配.该方法与目前的WKNN算法相比,在减少复杂度的同时,对定位效果进行改善.在不考虑AP组合对定位结果影响的情况下,仿真结果表明所提出的改进算法能明显提高定位精度.     

基于时间反转的二阶段Wi-Fi室内定位方法

受Wi-Fi系统有限物理带宽限制,时间反转定位算法的定位精度难以得到提升。当定位范围较大时,在线定位阶段所需的匹配运算量更大,导致定位时间增长。针对上述问题,本文提出了一种基于时间反转的二阶段Wi-Fi室内定位方法。首先对接收信号强度和信道频率响应进行离线采集,利用接收信号强度和k近邻匹配算法进行位置粗估计,大致确定待测点所在范围。随后根据粗估计结果筛选原始指纹库,构建指纹库子集。在位置精估计阶段,计算待测点信道频率响应与指纹库子集中各参考点处信道频率响应的信号组合共振能量,通过最大值搜索寻找组合共振能量最大的参考点,将其坐标值作为位置估计结果。实验结果表明,所提算法相比于传统定位算法在精度和运行速度上有明显提升,在非直射环境下仍能保证较高的定位精度。     

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。再对滤波后的数据使用二分K均值聚类（K-means）算法进行分类,将处理得到的CSI幅值和相位信息共同作为指纹;在线阶段根据待测点采集的实时数据与指纹库进行匹配识别,被定位对象无需携带任何设备。仿真实验与实地实验表明,该算法利用信道状态信息中的子载波特征进行定位,能够有效减轻信号接收端的多径衰减影响,定位精度有明显提高。      

基于特征匹配和距离加权的蓝牙定位算法

针对传统iBeacon指纹定位技术中接收信号强度值（RSSI）波动较大、指纹库聚类复杂、存在较大跳变性定位误差等问题,提出一种基于排序特征匹配和距离加权的蓝牙定位算法。在离线阶段,该算法先对RSSI进行加权滑动窗处理,然后根据RSSI向量大小生成排序特征码等值,并与位置坐标等信息组成指纹信息,形成指纹库;在在线定位阶段,根据排序特征向量指纹匹配定位算法和基于距离的最优加权K最邻近法（WKNN）实现室内行人定位。在定位仿真实验中,该算法可以自动根据特征码进行聚类,从而降低了聚类的复杂度,能实现最大误差在0.952 m内的室内行人定位精度。     

信号波动牵引下指纹清晰度扩库定位算法

为提高WIFI室内定位指纹库的构建效率和扩充指纹库的定位精度，提出了一种信号波动牵引下指纹清晰度的扩库定位算法(Database expansion and Indoor Localization based on Fingerprint Definition obtained by Signal-fluctuation, DIFS)。算法针对复杂室内环境下路径损耗指数发生区域性改变的问题，结合密度峰值聚类(Density Peek Clustering, DPC),通过对采样参考点(Sample Reference Point, SRP)进行指纹清晰度匹配，实现以信号波动程度描述子区域特性，同时构建差值近邻传播模型，避免传统信号损耗模型对目标点信号值的预测失准。在线阶段，综合考量扩充指纹库与待定位信号向量的欧氏与指纹清晰度距离，筛选出具备高辨析力的优质参考点，提升指纹库的定位精度。相对于采集全局参考点，所提方案减少了大量人力成本与时间成本。仿真实验表明，相比其他经典指纹库扩充与参考点优选算法，所提方案能够提供较高的定位精度，在室内环境下具有较高的应用价值。     

基于蝙蝠算法的位置指纹定位技术的研究

为了改进室内位置指纹定位技术存在离线阶段工作量大、定位精度有限、鲁棒性较差的缺点,提出了一种基于蝙蝠算法的位置指纹定位技术的方法。该方法利用中点插值法和信道衰减模型自动生成指纹数据库从而代替了离线训练阶段,实现了定时自动更新数据库的功能,并且将[K]近邻算法和蝙蝠算法结合应用于匹配算法的阶段,最终实现定位功能。该方法与传统位置定位技术相比降低了整体定位的工作量,能快速应对环境变化对定位结果的影响,最后在给定的仿真环境下进行了定位性能的测试,结果显示该方法较其他算法相比平均定位精度大约提高了23.14%,绝大部分的盲节点的定位误差范围在1.5 m以内,显示出在定位精度、鲁棒性和适应环境变化方面的优势。     

一种基于CSI的双人定位方法

为了解决因被测人数上升而引起的建立指纹库复杂和分类算法复杂的问题,提出一种基于信道状态信息(Channel State Information, CSI)的双人定位方法,离线阶段先进行数据采集,预处理之后用K-means算法建立粗指纹库,在此基础之上,使用SoftMax分类算法建立细指纹库,在线匹配阶段先将采集到的数据与粗指纹库匹配,得到粗定位结果,然后再与细指纹库进行匹配。最终得到精确的定位结果、通过实验验证。该方法的最小定位误差为1.12m。同时能够较好的识别双人站位关系。     

基于RSSI信号特征的室内分区指纹定位算法

为提高室内定位精度和算法效率,提出基于RSSI信号特征的分区指纹定位算法。在离线阶段,区别于传统的使用RSSI信号构建离线指纹库的方法,设计使用RSSI信号衰减率建立离线指纹库;在在线定位阶段,针对使用欧式距离进行相似度计算时,容易出现两个点RSSI信号欧式距离较近而物理距离较远的情况,提出使用RSSI信号衰减率进行子区域划分,引入SSD的思想使用二级指纹进行精确定位。通过实验验证了该算法的适应性与有效性。     

基于深度特征学习的免校准室内定位方法

针对基于WiFi位置指纹的室内定位中设备异构带来的接收信号强度（Received signal strength,RSS）差异和定位精度偏移的问题,提出一种基于深度特征挖掘的免校准室内定位方法。离线阶段,结合最强接入点（Access point, AP）分类和普氏分析（Procrustes analysis）对原始指纹库处理,获取标准化子指纹库,采用堆叠降噪自编码器（Stacked denoising autoencoder, SDAE）学习标准化子指纹库获取深度特征指纹,构建深度特征子指纹库。在线阶段,利用与离线阶段相同的指纹处理方法,挖掘待定位点RSS数据的深度特征,采用加权最近邻算法（Weighted k-nearest neighbor, WKNN）与深度特征子指纹库匹配,获得估计的位置。在典型实验楼场景使用4种异构类型的手机进行实验,本文方法对比传统的标准化指纹的两种免校准方法,定位精度分别有5.9%和12.5%的提升,实验结果表明,本文算法提高了定位的准确性和鲁棒性。     

基于半监督仿射传播聚类和KLDA的室内定位算法*

室内定位中位置指纹库采集的密集程度往往跟定位精度密切相关,针对离线阶段时指纹库稀疏的情况下定位精度低的问题,提出了一种基于半监督仿射传播聚类和KLDA的室内定位算法。该算法结合了在线阶段采集无位置标签的RSSI数据,通过建立局部邻域图将无位置标签的RSSI信息反映到离线指纹数据的结构中,并使用KLDA方法抽取位置指纹库中最大的特征信息,有效利用了无位置标签的RSSI信息从而提高定位精度。实验结果表明,该算法结合在线阶段RSSI数据后定位精度得到了明显的提高。而且在仅保留离线指纹数据库三分之二的情况下,也几乎能够取得与传统KNN算法使用全指纹库时相同的定位精度,相当于减少了离线阶段采集指纹库的工作开销。     

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GMapping算法与指纹地图构建的井下定位方法

针对现有井下定位算法定位精度差和依赖信号源坐标的问题,提出一种基于GMapping算法与指纹地图构建的井下定位方法。将待定位的位置信号特征与信号分布图进行匹配,选择最优定位坐标,从而提高井下定位精度;通过与GMapping算法相结合,避免了指纹地图构建过程维护成本高的问题,优化了算法的搜索与匹配效率。实际测试结果表明,该方法平均定位误差为57.7cm,可以满足井下定位要求。     

融合压缩感知的指纹信息密度凝聚定位算法

针对传统指纹定位方法指纹库庞大臃肿、信息冗余,数据处理机制单调的问题,提出了一种融合压缩感知的指纹信息密度凝聚定位算法(Fingerprint Information Density Aggregation Positioning Algorithm based on Compressed Sensing,FIDA),实现了压缩采样、信号恢复到指纹建库、在线定位的双领域交叉映射,两者互补增益有效提升了系统定位能力。由空间特征修正聚类算法完成区域模糊划分,自适应场景特征并包容区域边缘失配RP;从有效性、区分度和可测性多尺度综合评价并筛选区域最优AP子集,以凝聚信息密度。定位匹配选择稀疏贝叶斯算法削弱指纹相关性影响,引入信息序列提升近邻RP权重。实验结果表明,论文所提方案精简指纹信息效果良好,能够有效凝练指纹库价值信息。定位精度显著优于本领域算法,相比传统定位算法仍具有一定优势,具备较高的潜力和应用价值。     

基于深度学习的Wi-Fi与iBeacon融合的室内定位方法

针对传统室内定位指纹法存在定位精度低、容易受到环境影响的问题,提出了一种基于深度学习的Wi-Fi与iBeacon融合的室内定位方法。离线阶段在参考点处采集各个AP和iBeacon的信号强度,使用这些信号强度数据对堆叠自动编码机进行训练并从大量带有噪声的信号强度样本中提取特征,构建位置指纹数据库;在线定位阶段,使用堆叠自动编码机获得待测点信号强度特征并与位置指纹数据库中信号强度特征进行匹配,通过近邻算法估计待测点位置。实验结果表明,基于堆叠自动编码机的室内定位算法具有更高的定位精度。     

基于动态时间规整距离指纹匹配的Wi-Fi网络室内定位算法

Wi-Fi网络中常规的基于指纹匹配室内定位算法面临信号时变现象或人为干扰的影响,导致定位精度不高。为此,提出基于动态时间规整（DTW）距离相似性指纹匹配的Wi-Fi网络室内定位算法。首先,该算法将定位区域的Wi-Fi信号特征按照采样的先后顺序转化为时间序列类型指纹,通过计算Wi-Fi信号指纹动态时间规整距离的大小来获取定位点与样本点的相似性;然后,根据采样区域结构特征,将Wi-Fi信号指纹采集问题划分为三类基本的动态路径采样方式;最后,结合多种动态路径采样方式增加指纹特征信息的准确性和完整性,从而提高指纹匹配的准确性和定位精度。大量实验结果表明,较瞬时指纹匹配定位算法,所提算法误差范围在3m以内定位的累积错误率：路径区域匀速运动提高了10%,变速运动提高了13%;开放区域交叉曲线运动提高了9%,S型曲线运动提高了3%。所提算法在实际室内定位应用中能有效提高指纹匹配的准确性和定位精度。     

基于压缩感知和音频指纹的固定音频检索方法

针对现有音频检索中样本音频特征库数据量较大且检索速率慢问题, 本文提出一种基于压缩感知和音频指纹降维的固定音频检索方法. 在音频检索的训练阶段, 首先, 对样本音频信号进行稀疏化处理, 并通过压缩感知算法对稀疏化后的音频数据进行压缩; 其次, 提取压缩信号的音频指纹; 再次, 引入音频指纹离散基尼系数通过计算音频指纹各维度的离散基尼系数对指纹实施降维, 最终得到检索特征库. 在音频检索阶段用和训练阶段相同的算法提取待检音频的特征与音频特征库数据匹配得出检索结论. 实验结果表明, 所提音频检索方法在确保较好的检索准确率的基础上, 大幅度减小了样本音频数据库的存储量, 提高了音频的检索速率.     

基于分布重叠和特征加权的无线局域网室内定位算法

受复杂室内环境下无线信号时变特性和随机特性的影响,传统的以接收信号强度均值为指纹信息的定位算法定位精度较低。针对该问题,提出了一种基于分布重叠和特征加权的位置指纹匹配定位算法。该方法采用接入点(Access Point,AP)信号包络的概率分布作为位置指纹特征,首先根据终端与AP的连通性为指纹特征设定权值,用信号包络概率分布重叠来表征指纹特征的相似度,然后取各特征相似度的加权和为指纹的相似度,最后根据最大指纹相似度原则估计目标位置。实验结果表明,所提算法的定位精度明显高于传统定位算法,具有较高的实用性。     

基于无线信道状态相位信息优化的定位算法

随着位置服务需求的增长,基于Wi-Fi接收信号的室内定位技术一直是研究热点之一.通过检测环境变化对Wi-Fi无线信道状态信息CSI的影响,从而实现对室内人员的定位具有通用性强、部署成本低等优点.针对大多系统仅使用CSI中幅度信息所带来准确性和稳定性不足的问题,设计并实现了一种基于CSI相位信息优化的定位算法,该方法通过采集幅度和相位参数相结合作为位置指纹特征,并对特征数据进行预先平滑去噪后进行指纹库的构建,然后通过机器学习方法进行人员位置的分类识别.由于相位和幅度信息可以相互补充,弥补了某些易混淆位置的分类错误,从而解决了采用单一特征的定位准确性和稳定性问题.实验进行了两种不同多径场景下的实验,比较了不同指纹特征选取、数据预处理方法以及三种机器学习算法对定位准确度的影响,其结果表明采用本文所提出算法总体上可以在仅使用CSI幅度特征的基础上提高13%.     

基于K-Means和FCM的增强型Wi-Fi指纹定位策略

研究了通过数据处理算法以提高Wi-Fi指纹库室内定位性能的问题.首先采集Wi-Fi指纹样本,将其放入MySQL数据库中和R工程;其次将Wi-Fi指纹库分成若干个簇,使用K-均值聚类（K-Means）和模糊C-均值聚类（FCM）对待定位的Wi-Fi指纹进行聚类分析;最后,提出增强型的聚类策略（ECS）应用于Wi-Fi指纹匹配定位中.实验结果表明,ECS较仅使用FCM算法,其定位耗时缩短约50%-80%,且定位精度上有所改善;ECS较仅使用K-Means算法,其定位精度提高约20%-40%,且定位稳定性较强并自动更新Wi-Fi指纹库.