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WIFI指纹定位的仿生SLAM研究

针对复杂室内环境下移动机器人的定位问题,基于RatSLAM模型的定位方法,由于室内环境的复杂性及易变性,定位精度及准确性很难得到保证。本文基于此提出RatSLAM和WIFI相结合的策略,利用基于WIFI信号强度的指纹识别方法,离线阶段建立位置指纹数据库,在线定位阶段采用位置指纹定位算法完成认知点的匹配,从局部场景中获取更加精确的经历制图。实验分析表明:两种算法的结合使得移动机器人的定位精确度更高,提高了系统的鲁棒性,使系统具备了良好的定位性能。     

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KNN算法的可变权值室内指纹定位算法

针对基于静态权值的室内指纹定位算法存在定位精度低、定位结果不稳定以及环境适应性差等问题,提出一种以欧氏距离为权值参考的可变权值室内指纹定位算法。该算法分为离线采样阶段和在线定位阶段。离线采样阶段对接收信号强度指示(RSSI)值进行高斯滤波去噪构建指纹库。在线定位阶段引入权值指数α、β,分别以RSSI、欧氏距离为权值参考计算最近邻点及其加权质心,得出待测节点的坐标。实验结果表明,相比KNN和RW算法,该算法定位精度高,其平均误差为0.965 m,且定位误差波动小。     

回溯搜索优化改进矩阵填充的高效位置指纹库构建

针对基于信号强度指示（RSSI）的位置指纹定位过程中用于其离线位置指纹库构建的全采法采集工作量较大、位置指纹库构建效率较低、而插值法通常精度有限等问题,提出一种基于回溯搜索优化算法改进奇异值阈值（SVT）矩阵填充（MC）算法的离线位置指纹库高效构建方法。首先,利用定位区域内采集到的部分参考点的位置指纹数据建立低秩矩阵填充模型;然后通过基于奇异值阈值的低秩矩阵填充算法来求解该模型,进而快速准确重构出完整的位置指纹数据库;同时,针对传统矩阵填充算法最优解模糊及平滑性欠佳的问题,引入回溯搜索优化算法,以核范数最小建立适应度函数,对矩阵填充算法的寻优过程进行改进,进一步提高了求解精度。实验结果表明,利用所提方法构建的位置指纹库与实际采集的位置指纹库之间的平均误差仅为2.7054 dB,平均定位误差仅相差0.0863 m,但却节约了近50%的离线采集工作量。上述结果表明所提算法用于离线位置指纹库构建可以在保证精度的基础上,有效降低离线采集阶段的工作量,显著提高位置指纹库构建效率,在一定程度上提高位置指纹定位方法的实用性。     

基于克里金空间插值的位置指纹数据库建立算法*

为解决室内定位系统中建立位置指纹数据库工作量庞大的问题,提出了一种融合信号衰减因素的普通克里金空间插值建库算法。该方法首先采用高斯滤波对有限预选参考点的信号强度采样数据进行预处理,并基于球状模型由参考点预处理数据拟合出空间变异函数,然后采用普通克里金插值法对其它位置的信号强度进行估值并生成相应的位置指纹,最后由有限实测数据生成大容量高分辨位置指纹数据库,并通过KNN_Filter算法和对数权重算法完成了定位仿真,验证了该建库方法的有效性。仿真实验结果表明,该算法在保证定位精度的前提下相比传统建库方法可降低40%左右的工作量,提高了室内位置指纹定位方法的工作效率。     

基于线性插值和动态指纹补偿的分布式定位算法

针对现有射频指纹匹配定位算法存在训练开销过大、环境信号动态改变自适应能力较差以及系统扩展性不足等问题,该文提出了一个基于线性插值和射频指纹动态补偿的分布式定位算法.该算法利用同一信标发射无线信号局部物理空间的相关性,提出了射频指纹的线性插值方法,减少了训练数据的采集工作量.此外,为自适应环境无线信号的动态变化,该算法使用少量均匀部署在定位区域内的参考节点实时监测环境信号变化,对移动节点测量的RSSI进行动态补偿,从而提高定位精度.实验结果表明,所提定位算法不仅有效减少了指纹数据库的创建工作量,而且能够较好地自适应环境变化,具有较高的定位精度.     

RF室内定位指纹库空间相关生成算法

基于定位指纹库的模式识别算法是目前基于网络结构（如WLAN）定位技术研究的热点。该技术的关键是根据不同AP（Access Point,AP）的RSSI值建立有效的定位指纹数据库。传统的方法只是直接在定位区域采集样本,不考虑RSSI的空间相关特性,导致离线训练阶段工作量较大。利用RSSI的空间相关特性,提出了通过对传神经网络空间插值建立定位指纹数据库的方法。实验结果表明该方法不但提高了定位精度,而且节省了训练时间,是一种高效的、易于实现的定位指纹数据库生成方法。     

基于聚类和K近邻算法的井下人员定位算法

针对现有基于指纹模的井下定位算法存在的计算量大、实时性低、定位精度较低的问题,提出了基于聚类和K近邻算法的井下人员定位算法。用二分k-means聚类算法对采集的RSSI数据进行分类,建立离线指纹数据库;无线移动终端和动态修正器实时采集RSSI值,分别存储到在线定位数据库和动态修正数据库;根据待测点和动态修正器的离线数据和实时数据,采用软硬件动态修正加权K近邻算法计算权重值,结合离线指纹数据库中待测点的物理位置信息估算其实时位置。实验分析结果表明,所提定位算法的最小标准误差为0.46m,最大标准误差为3.26m,平均误差为1.62m。对比分析结果表明,与未进行聚类分析的算法相比,本文算法的精度更高,实时性更好;与未动态修正权重值的算法相比,本文算法的运算时间略有增加,但定位精度提高了37.21%。     

基于DTW的地磁指纹定位方法

针对动态时间规整匹配(DTW)的奇异性问题,利用克里金插值方法(Kriging)基于156个参考点插值得到545个指纹点建立后台指纹库以减少离线采集的工作量,采用二次加权质心算法对DTW进行改进,首先利用一次加权质心算法获得结果位置点的初始位置,再用二次质心加权算法对定位结果位置点进行偏远误差点的剔除,最终获得可靠性较高的定位结果。实验表明,利用Kriging可以节省71.4%的工作量;在走廊和大厅的环境中定位精度分别可以达到2.01m和4.19m。改进的DTW在长廊和大厅环境中的平均定位误差分别为1.64m和2.74m,较原算法在定位精度上有明显提升。     

基于Pearson相关系数的快速虚拟网格匹配定位算法

针对室内环境下位置指纹匹配定位算法中离线数据库采集工作量较大的问题,提出了一种基于Pearson相关系数的快速虚拟网格匹配的定位算法。首先,将接收信号强度指示（RSSI）进行高斯滤波预处理得到接收信号强度向量;然后,利用Bounding-Box方法确定初始虚拟网格区域,将该网格区域快速迭代细分并计算网格中心点到各信标节点的距离对数向量,计算接收信号强度向量和距离对数向量之间的Pearson相关系数;最后,选取Pearson相关系数接近于-1的k个近邻坐标以相关系数加权估计确定待定位节点的最优估计位置。仿真实验结果表明,在1m虚拟网格且RSSI噪声标准差为3dBm的条件下,算法定位误差小于2m的概率大于94.2%,其定位精度优于位置指纹匹配算法,且无需建立RSSI指纹数据库,大大减少了定位工作量。     

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。     

基于RSSI的WiFi指纹定位数据融合算法研究

目前已有的位置指纹室内定位算法大多都是建立在原始指纹数据库的基础上,指纹数据库的建立精度会直接影响到最后的定位精度,因此在基于WiFi的定位技术中,对接收信号强度(received signal strength indication,RSSI)的稳定性要求比较高。通过对指纹数据的研究,提出了一种基于高斯核函数融合卡尔曼滤波对数据进行预处理的方法。实验证明,该融合算法能有效剔除RSSI指纹数据中的突变数据和噪声波动,实现RSSI值的准确、平滑输出,从而建立准确的指纹数据库,使后期的定位结果更加精确。     

混沌粒子群优化神经网络的井下人员无线定位方法研究

针对井下人员定位系统定位精度较低,不能满足智慧煤矿的需求,提出一种基于混沌粒子群算法优化Elman神经网络的井下人员无线定位方法。该定位方法首先在井下巷道无线网络环境中,利用无线终端采集一定数量的样本点指纹数据库。其次初始化Elman神经网络,利用混沌粒子群优化算法对神经网络权值和自连接反馈增益因子寻优。再次用指纹数据库对优化过的Elman神经网络进行训练和测试,建立神经网络定位算法模型。最后通过无线终端采集定位点的指纹数据,由神经网络定位算法模型进行实时定位。经试验表明,该井下人员无线定位方法平均定位误差为1.35 m;而混沌粒子群算法优化Elman神经网络定位算法,其算法全局搜索能力更强,更适合井下时变环境中应用。     

基于30°角同心圆环形取样的室内人员检测方法

在现有基于信道状态信息的室内无源定位方法中,取样点的选取对指纹库的特征匹配准确率以及定位精度具有较大影响.根据WiFi信号的传输特性和信道的衰落特征,提出一种30°角同心圆环形取样法.离线阶段,按照同心圆对检测区域实现环形划分并每隔30.进行一次取样,运用主成分分析算法提取差异化信号特征并构建指纹库.在线阶段,通过陆地移动距离算法进行入侵检测,当检测到有人存在时,利用改进的支持向量回归算法并引入高斯核函数对数据进行特征匹配,最终实现人员的精确定位.实验结果表明,与CSI-MIMO、FIFS方法相比,该方法定位精度更高,定位误差更小.