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。     

基于多维尺度分析的自适应室内群终端定位方法

室内定位是普适计算领域的热点研究问题。当前,室内定位方法主要分为基于信号传播模型的定位方法和基于无线信号指纹的定位方法。其中,基于指纹的方法由于不需要知道无线信号接入点(Access Point,AP)的位置而得到更加广泛的应用, 其需要通过离线阶段采集大量数据来构建丰富的指纹库,满足这一条件需要大量的人工标定工作。对此,文中提出了一种基于指纹空间关系的定位方法,相比于传统的指纹定位方法,该方法无需建立指纹库,只需要通过获取多终端的 Wi-Fi 信号强度,计算所有终端的不相似度并构建不相似矩阵;通过多维尺度分析(Multidimensional Scaling,MDS)算法,构建出所有终端的位置分布图,进而通过确定其中 3 个以上终端的位置来定位所有的终端。采用支持向量回归机(Support Vector Regression,SVR)计算任意终端间的距离,并将距离矩阵作为不相似矩阵。文中在商场场景下选择了约2500m²的区域进行实验,所提方法的平均定位误差约为7m。     

融合多模传感器的室内实时高精度轨迹生成

提出了一种融合多模传感器的室内实时高精度轨迹生成方法,亦即将室内Wi-Fi定位与传感器定位结合起来,生成用户在室内移动的实时轨迹。首先由Wi-Fi定位出用户的初始位置,然后结合Wi-Fi定位的结果以及多个传感器的数据,得到用户的运动速度以及方向,通过航迹推算算法得到用户下一时刻的位置,最后对得出的位置坐标进行卡尔曼滤波处理,得到用户的位置坐标,最终生成用户移动的实时轨迹。实验结果表明,该方法可以得到比Wi-Fi定位更为平滑稠密的移动轨迹,且精确度 比其他同类方法更高。     

基于腕部姿态的帕金森病用药后开-关期检测

针对医疗普适场景下的帕金森病患者高精度用药开-关期检测问题,提出基于腕部姿态的帕金森病开-关期检测方法.利用佩戴在手腕处的运动传感器数据进行姿态解算,得到腕部姿态信息特征,作为卷积神经网络输入进行帕金森病开-关期状态分类. 在医院临床患者测试数据上进行的对比实验表明,与采用运动传感器原始数据的最优结果相比,采用姿态信息能够提升20.3%的检测准确率;与当前最优的网络结构相比,该方法所采用的卷积神经网络在保持相似检测准确率（88.7%）的前提下,将模型参数量降低90.4%. 在医院临床患者自由活动数据上进行的实验表明,该方法能够在非限定动作下预测患者开-关期状态,达到开期91.5%和关期94.4%的准确率.     

动态环境中的WIFI指纹自适应室内定位算法

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,本文设计并实现了一种基于WIFI射频信号强度指纹的室内定位系统。在该系统中,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系统比传统定位系统更稳定、易维护,同时也具有更高的定位精度和自适应性。     

针对设备差异性问题的增量式室内定位方法

随着WLAN的普及,基于RSS(Received Signal Strength)的室内定位方法逐渐成为研究与应用的热点。其中,基于指纹的定位方法已成为主流,此类方法的特点之一在于要求离线训练数据与在线测试数据满足独立同分布,然而,在实际环境中,现有的指纹定位方法或系统存在以下3个问题:1)不同终端设备的无线通讯硬件存在差异性, 训练数据和测试数据的采集设备之间的差异性将严重影响定位精度;2)环境中的无线信号呈现高动态性,采集的数据存在显著的时效性,因此由训练数据得到的模型的定位性能将随着时间的推移不断下降;3)传统增量式定位模型需要大量的标定数据,不具有实际可用性。为解决以上问题,提出了一种针对设备差异性问题的增量式室内定位方法,利用终端在持续定位服务中采集的无标记数据来实时更新定位模型。实验表明,在实际蓝牙定位数据集上,相比于传统的定位模型方法,所提方法的整体定位精度更高,误差距离为3~5m时,其优势更为明显;同时,该方法具有时效优势,能够长时间保持有效定位。     

基于目标均衡度量的核增量学习跌倒检测方法

针对增量学习模型在更新阶段的识别效果不稳定的问题,提出一种基于目标均衡度量的核增量学习方法。通过设置经验风险均值最小化的优化目标项,设计了均衡度量训练数据个数的优化目标函数,以及在增量学习训练条件下的最优求解方案;再结合基于重要性分析的新增数据有效选择策略,最终构建出了一种轻量型的增量学习分类模型。在跌倒检测公开数据集上的实验结果显示：当已有代表性方法的识别精度下滑至60%以下时,所提方法仍能保持95%以上的精度,同时模型更新的计算消耗仅为3 ms。实验结果表明,所提算法在显著提高增量学习模型更新阶段识别能力稳定性的同时,大大降低了时间消耗,可有效实现云服务平台中关于可穿戴设备终端的智能应用。     

设备自适应的无线信号特征提取与定位方法

近年来,基于Wi-Fi的无线定位研究日益受到关注.然而,在实际应用中,由不同终端设备的差异引起的定位偏差是一个重要问题.针对此问题提出了一种免标定、无监督的SSDR(signal strength difference ratio)解决方法.考虑采集训练数据的设备和测试数据的设备之间信号存在差异,首先将信号指纹特征进行去线性处理以获取新的特征;然后结合AP(access point)对定位结果的影响,提出了基于AP影响因子计算距离的标准;最后根据新的特征和距离计算准则消除不同设备之间的差异以实现定位.在真实的室内无线环境下的实验结果表明,所提出的SSDR方法相比于传统的直接基于信号强度和欧式距离计算准则的定位方法而言,可以提高10%~20%的定位精度,增强了无线定位系统的实际可用性.     

情境自适应的RSSI分段异构拟合定位方法

室内定位在公共安全、健康监护、定位服务等领域具有重要价值,提高定位精度和模型对环境的适应性已经成为室内定位的核心问题。其中通过接收信号强度指示RSSI值来获取距离是比较通用的方法。针对室内复杂环境中传统的对数距离损耗路径模型适用性不高的情况,提出了一种情境自适应的RSSI分段异构拟合定位方法。该方法利用信号在不同应用情境下传播损耗的差异性,将RSSI数据分为多个不同的拟合段,根据RSSI数据的区分特性寻找最优的分段拟合点,并为每个分段选择最优的拟合函数,使得分段数、分段位置和每个分段的拟合函数都适应相应的应用场景,从而实现高精度的RSSI信号拟合。实验结果表明,本文所提出的方法在RSSI拟合精度上均优于传统的单一拟合函数,可明显提高定位算法的精度。