一种利用信道状态信息的室内指纹定位方法

传统的室内指纹定位技术通常是利用接收信号强度指示(RSSI)来生成指纹,然而由于RSSI易受到环境变化等因素的影响,无法进一步提高定位精度。本文提出了一种利用信道状态信息(CSI)的指纹定位方法。充分利用多入多出(MIMO)和正交频分复用(OFDM)技术的频率分集和空间分集的优势,以接收天线为单位对信号进行聚合,将处理后CSI子载波的幅度和相位信息作为位置指纹。在会议室和实验室测试了影响定位精度因素,并分别与1种基于RSSI的指纹定位方法和2种基于CSI的指纹定位方法进行了对比分析。实验结果表明:本文提出的定位方法在会议室和实验室中的定位误差分别是0. 85 m和1. 28 m,定位精度优于其他3种方法。     

基于CSI离散指纹的轨迹跟踪方法

针对从Wi-Fi设备中获取的接收信号强度(RSSI)在定位过程中误差较大的问题，设计了一种基于信道状 态信息(CSI) 离散指纹的轨迹跟踪方法．首先经过汉佩尔滤波，巴特沃斯低通滤波去除了CSI异常值和噪声的影响， 然后利用线性回归算法去除相位的频移误差，继而采用协方差矩阵特征值法进行特征提取，最后通过基于CSI子 载波权重的主成分分析法进行了无源定位和轨迹跟踪．实验结果表明: 离散指纹点定位的平均正确率在 90%以上， 所设计的算法能有效实现对室内人员的定位和轨迹跟踪．     

基于聚类的PCA和GRNN的CSI指纹定位算法

针对多径效应影响指纹定位算法中定位精度的问题,提出了一种基于聚类的主成分分析(principal compo-nent analysis,PCA)和广义回归神经网络(generalized regression neural network,GRNN)的信道状态信息(channel state information,CSI)指纹定位算法.离线训练阶段,利用中值滤波对CSI幅值进行去噪,并利用线性变换校准CSI相位,将处理后的幅值和相位作为原始联合指纹,利用改进的K-means算法将各个参考点的联合指纹集划分成多个子数据集来描述位置的多径特性,通过高维数据的PCA算法提取子数据集的特征以减少冗余信息、提高不同位置指纹的区分性,最后利用特征指纹训练GRNN模型.在线阶段,利用训练好的GRNN模型对在线测量的CSI数据进行目标对象的位置预测.实验结果表明,该算法可有效反映出位置的多径信息,且与CSI-MIMO,DeepFi和CSI-PCA相比,在定位精度方面有明显的提升.     

一种基于RSSI校正的加权质心定位算法

节点自定位技术一直是无线传感器网络中的关键技术,而基于接收信号强度指示(RSSI)的定位技术则是目前的研究热点。在对传统的加权三角形质心定位算法分析的基础上,提出了一种改进的定位算法。在测距阶段,将信标节点之间的距离和信号强度同时作为参考来校正RSSI值;在定位阶段,对传统加权三角形质心定位算法的权值进行修正。通过仿真证明改进算法比传统算法的定位精度有明显提高。     

基于CNN的超分辨率信道冲激响应室内指纹定位算法

针对室内环境中多径效应影响定位精度的问题,提出了一种基于卷积神经网络(CNN)的室内定位(PI-CNN)算法.以多重信号分类(MUSIC)算法处理后的信道状态信息(CSI)作为特征图像,基于室内环境中不同位置点具有独特多径信息的特点,利用各收发天线间所形成的子信道信息,获得具有更高时间分辨率的多径到达时间,将获取的伪谱信息组成伪谱图像,生成指纹库,再利用CNN进行训练和分类处理.仿真实验证明,在室内环境存在轻微扰动的情况下,该算法具有较好的抗干扰能力.     

基于WiFi和蓝牙融合的误差区域加权算法研究

基于接收信号强度(RSSI)的室内定位易受干扰且信号波动较大,导致定位误差较大,为解决这一问题,提出了一种基于Wi Fi和蓝牙融合的误差区域加权定位算法(ERWLA)。该算法在离线阶段采用Wi Fi和蓝牙信号强度的多边测量,得到相应定位可取区域,并利用区域面积设立置信度,进行融合加权得到Wi Fi和蓝牙融合位置信息。随后建立位置信息融合误差模型进行误差分析,利用移动最小二乘插值法(MLSI)对误差进行曲面拟合得到误差的拟合函数。在线采集实时位置信息,由算法得到融合位置信息并传递给误差拟合函数,得到加权拟合误差,从而获得最终的位置优化估计,实现高精度的定位服务。实验验证了该算法在定位精度和稳定性方面有较大的提升。     

RSSI修正的WSN定位算法

为了解决DV-Hop 算法误差较大的问题,提出了一种基于RSSI修正的WSN定位算法 RMDV-Hop (RSSI Modified DV-Hop)。该算法限制最大传播跳数,并对跳数为1的锚节点利用RSSI值修正其跳数值,取RSSI值较大的前N个锚节点作为参考锚节点,利用参考锚节点的平均每跳距离误差进行加权处理未知节点的平均每跳距离,最后用总体最小二乘法计算未知节点的坐标位置,实现RMDV-Hop定位算法的全面改进,以提高定位精度。仿真结果验证,改进算法的定位精度和稳定性都比原始算法有了明显的提高。     

融合地图信息与WiFi地标的室内粒子滤波定位算法

目前行人航迹推算(pedestrian dead reckoning,PDR)和WiFi指纹定位成为室内定位的主流技术,WiFi指纹定位由于无线信号的波动性导致定位结果不稳定,PDR算法随着应用时间的延长传感器累计误差增大,同样会导致定位精度降低。本研究提出一种基于地图信息的粒子滤波(particle filter,PF)与WiFi地标相结合的混合定位算法(WL+PF)。该算法通过地图信息约束粒子的位置,同时利用WiFi信号峰值检测相应地标信息,对观测信息修正的同时,更新粒子权重,从而实现最终的定位。实验结果表明,优化后的算法定位精度优于其他常规滤波融合定位算法。     

基于Voronoi图的无线传感器网络节点定位改进算法

在基于Voronoi图的定位算法中,因使用了接收到锚节点的接收信号强度(RSSI)而影响定位精确性.本文对Voronoi图定位算法进行改进,修正了RSSI的大小顺序,充分利用了收到的锚节点信息,实现了减少Voronoi区域交集为空的可能性,增加了定位精确性,使该算法可以适用于非视距、anchor节点稀少的环境.     

一种基于RSSI带路径损耗和噪声的室内定位算法

在无线领域,对目标定位跟踪算法的研究成为热点,目前已有多种目标定位跟踪算法被提出。基于接收信号强度指示(received dignal strength indicator,RSSI)的定位算法由于其有利于节点小型化、能够穿越障碍物等优点被广泛应用。但是基于RSSI定位算法容易受环境的影响。本文提出一种基于三边定位技术和RSSI融合的带路径损耗和噪声的改进型RSSI目标定位跟踪算法。通过系统仿真,得到了仿真误差在0.373 2 m的平均误差值。     

基于RSSI的WSN节点室内定位分析

基于实验的基础,对基于接收信号强度（received signal strength indication,RSSI）的无线传感器网络（wireless sensor network,WSN）节点室内定位的几种不同情况进行分析.根据室内无线传播模型和实际测量数据得到RSSI室内传播模型;比较在不同位置的未知节点定位精度的不同;针对三点定位结果不理想的问题,采用粒子群优化（particle swarm optimization,PSO）算法对定位结果进行优化;比较不同数量的源节点对于节点定位精度的影响.当信标节点数量比较多时,通过筛选一些可靠的信标节点来提高定位精度.     

基于偏度-峰度检验的WLAN位置指纹室内定位算法

目前,无线局域网（Wireless Local Area Networks,简称WLAN）技术因其成本低、配置简单、精度高等特点,被认为是室内定位的最佳选择之一。虽然WLAN接收信号强度指标(Received Signal Strength Indicator,简称RSSI)指纹法是最精确的定位方法,但由于其无线电地图(Radio Map,简称RM)在发生环境变化时已经过时,具有很大的缺陷,且重新校准RM是一个耗时的过程。因此,本文提出基于偏度-峰度检验进行WLAN位置指纹室内定位算法改进。在离线阶段,通过偏度-峰度检验样本总体是否服从高斯分布,对于严重偏离高斯分布的样本直接舍去,而对于与高斯分布接近的样本,利用核函数估计其概率密度。在线阶段,利用K最近邻(K-Nearest Neighbor,简称KNN）,将移动终端设备接收到的RSSI与建立的指纹数据库中的RSSI,通过欧几里得公式计算样本点到观测点的欧氏距离,并从中选择欧氏距离最短的样本点的位置作为研究位置的无偏估计。通过实验结果,本文提出的算法比传统定位算法的精度提高了11%,证明了该算法具有更高的定位精度和更少的离线工作量等优点,而且在RSS(Received Signal Strength)信号容量较小时该算法的定位误差比其他算法更小,具有显著的稳定性。     

基于二维卷积神经网络的无线局域网室内定位系统

为改善现有无线局域网（Wireless Fidelity, WIFI）室内定位算法的精度与复杂度问题,提出了一种基于二维卷积神经网络（2D-Convolutional Neural Network,2D-CNN）的WIFI室内定位算法。该算法将在线阶段的复杂性转移到离线阶段,在线阶段中仅使用2D-CNN网络进行训练;在离线阶段中,采集定位区域各采集点可接收到的所有无线接入点（Access Point,AP）的接受信号强度（Received Signal Strength Indicator,RSSI）值,并根据其计算峰值,二者结合构成位置指纹图像。再使用滑动窗口进行数据集扩充,最后将其引入到2D-CNN网络模型中进行训练,建立定位模型并完成定位。实验结果表明,在当前室内环境中,该算法的平均定位精度达99.58%,证实了不同参数、优化算法及模型架构选择的正确性。     

煤矿井下基于虚拟Radio-map及Markov链的定位算法

为了在煤矿井下获得更高的定位精度,提出一种基于虚拟Radio-map及Markov链的定位方法。结合井下复杂环境,采用信道衰减模型及线性插值法实现了动态衰减因子,建立虚拟Radio-map的同时降低了工作量;考虑到每处采样点接收信号强度分布先验假设和统计特征,在线阶段采用基于贝叶斯准则框架的加权核函数算法,为每个样本数据赋予一个以自身为"核心"的函数,构建的概率密度分布避免了确定模型带来的误差,从而提高了定位精度;为进一步优化定位结果,考虑先验概率对贝叶斯后验概率的影响,提出了基于高斯模型的Markov链定位算法,抑制了运动目标位置的大幅度跳变,使目标定位更加精确。实验表明,所提算法可以通过较低数据采集工作量达到一定的定位精度,满足井下目标定位需求。     

基于概率法的移动机器人无线网络定位系统

 作为一种全新的室内定位技术,将无线路由器的无线信号强度（Receive Signal Strength Indicator,RSSI）值应用在室内移动机器人定位领域。为实现室内移动机器人的定位,提出利用无线信号强度值定位的概率法,根据无线信号强度值在室内环境中的分布特点,分析概率法定位原理,开发一种基于VC++6.0平台室内移动机器人定位系统,该定位系统包括硬件平台和软件平台,并进行移动机器人定位实验,得到较好的定位实验结果。同时,分析机器人定位精度,确定影响定位精度的因素主要包括障碍物、人体、温度和湿度等。定位实验结果表明,在结构化环境下机器人定位的最大偏差为1.2758m,最小定位偏差为0.3007m,可以较好地满足室内移动机器人的定位要求。     

基于时空相似模型的蓝牙室内定位RSSI指纹插值方法

随着蓝牙无线通信技术迅速发展,蓝牙技术结合位置指纹定位算法来进行室内定位,具有方便快捷、低成本等优势。然而,构建一个细粒度的指纹库需要耗费大量的人力和时间。为减少离线阶段的工作量,提出了一个时空相似性模型,并定义了4个度量指标(空间距离,信号相似度,相似性可能性,RSSI向量距离),利用时空相关性来对未采样点进行插值。在部署有蓝牙室内定位系统的环境中获取数据,将该方法与四种常用的插值方法(线性插值、立方插值、最近邻插值和压缩感知)进行对比。实验结果表明,基于时空相似模型的插值精度,在采样率为60%时比其他四种插值方法提高了7.64%。     

基于3DCNN的CSI-cluster室内指纹定位算法

针对室内环境中复杂的多径效应影响定位精度问题,提出一种基于3维卷积神经网络(3 dimensional convolutional neural network,3DCNN)多径程度划分的自校准指纹定位算法。该算法利用MeanShift方法分析定位区域内每一个采样点的信道状态信息数据分布特性,得到其可代表多径效应程度的簇类数量,结合阈值原则将指纹库划分为2种不同多径程度的子库,从而减少多径程度差异较大的指纹点对后续定位影响利用3DCNN深度学习2类指纹子库。在定位阶段,根据校准算法判断待测数据所属子库,并采用相应的3DCNN模型估计位置。通过仿真实验验证,该方法在保证指纹库构建合理性和高效性的同时,在定位精度方面实现了明显的提升,优于与之对比的相关算法。     

改进的蜂窝网室内定位匹配算法

针对无线信道的动态衰落特性,基于蜂窝网的室内定位存在较大误差,提出一种改进的蜂窝网室内定位匹配算法——基于主成分分析法(principal component analysis,PCA)的子空间匹配算法,不仅保证系统实时性,而且有效地剔除大误差点,提高定位精度.该算法利用无线蜂窝信号非视距传播造成的位置特性构建离线指纹数据库,根据在线接收信号从离线指纹库中提取子指纹库,利用PCA算法对在线实测数据及子指纹库进行有效地降维,构建子空间,并结合加权K近邻匹配算法(weighted K nearest neighborhood,WKNN)估计出多个位置坐标,利用3σ准则对这些位置做筛选,输出最终定位结果.实验结果表明,基于PCA的子空间匹配算法在保证定位实时性的前提下,能有效剔除大误差点,提高整体定位性能.