基于改进BKM聚类算法的WiFi室内定位方法

为了解决用户在室内定位中,依靠WiFi指纹定位存在精度不高、误差偏大的问题,提出一种基于改进二分K-means聚类算法的室内定位方法。通过层次聚类的思想对二分K-means聚类算法（BKM）进行改进,解决了BKM聚类算法需要提前确定聚类中心、导致指纹定位中聚类结果受初始聚类个数影响的缺陷,并结合变色龙算法（Chameleon）,将部分划分过细的簇合并,优化定位指纹库的可靠性。仿真实验结果表明所提出的方法有效降低了计算复杂度,提高了定位精度。此外,该方法与目前常用的BKM聚类算法相比,具有更好的聚类效果和定位精度。     

基于ＳＳＡＯＳ－ＫＥＬＭ的指纹库自适应室内定位算法

在室内定位场景中，传统指纹库定位方法存在着定位精度低、对环境变化适应能力差的问题，且当目标区域较大时，计算复杂度高。为解决该问题，提出了一种基于在线连续核极限学习机(Online Sequential Kernel Extreme Learning Machine, OS-KELM)的室内定位算法。离线阶段，为缩小待测点所属区域，减小定位数据计算量，使用皮尔森系数优化的K-Means聚类算法对定位区域进行划分，通过樽海鞘优化算法(Slap Swarm Algorithm, SSA)对核极限学习机的参数进行寻优从而构建各区域的初始定位模型；在线阶段，使用OS-KELM对已构建好的定位模型进行调整，将更新后的模型用于实时定位，以适应环境变化。实验结果表明:该算法能够实现更高的定位精度并针对环境变化做出调整，相比于其他传统算法，精度、自适应性得到显著提升。     

一种利用RFID和块聚类的室内定位方法

基于指纹的RFID室内定位技术,由于其定位精度高、普适性强等优点受到国内外学者的广泛关注。但因为其计算量较大,在实际应用仍然非常有限。提出基于实际应用场景的Kmeans和Weighted K-Nearest Neighbor（WKNN）联合的定位方法,将指纹地图通过聚类算法分成块,先初步确认待测点所属指纹块,在块的基础上定位,这样可以减小误差累计。仿真结果表明,该方法在保证适当定位精度的同时,也减少了计算量和在线定位时间。     

基于DBSCAN与KNN的室内定位算法

针对位置指纹室内定位算法中定位精度不足、计算量大、实时性较差的问题，提出了一种将聚类算法（DBSCAN）应用于传统定位算法的解决方案。离线阶段通过各参考点的接收信号强度进行聚类，将定位区域划分为多个子区域，在每个子区域选择一个中心节点，构造新型位置指纹数据库存储数据。在现阶段，通过各个子区域中心节点进行粗定位，根据参考标签所在的子区域对传统定位算法进行权重优化。实验结果表明，平均定位误差为1.63 m。该算法在提升定位精度的同时，提升了定位的实时性。     

基于融合聚类的蓝牙室内定位系统算法优化

K-means聚类算法可以实现对指纹库的软划分,提高定位系统的查询效率和定位精度。由于K-means算法聚类中心选择和聚类数设定的随机性,使其稳定性较差,影响定位系统的性能,在此提出采用融合聚类的方式对K-means算法进行优化。采用基于密度峰值的聚类算法得到指纹库中每一个指纹点的局部密度和局部距离,然后计算综合决策量γ;选取跳跃点前的前k个点作为K-means算法的初始聚类中心,同时确定最佳聚类数k。试验结果表明,融合聚类算法相较于传统K-means算法定位误差在1.5 m内的概率提高了约9%,定位系统的定位精度得到明显提高。     

基于CMAES-SVR的WLAN室内定位算法研究

针对传统WLAN指纹定位算法中存在的定位精度低、稳定性差、实时性不高等问题,提出一种基于CMAES-SVR的WLAN室内定位算法。该算法首先对接入点（AP）的接收信号强度（RSS）进行统计分析,采用高斯滤波对信号进行预处理,然后利用k-means聚类算法将原始指纹数据库中的定位区域进行聚类分块;其次采用协方差矩阵自适应进化策略（CMAES）优化支持向量回归机（SVR）参数,从而建立CMAES-SVR室内定位学习模型,通过该模型分别构建各定位子区域中RSS信号与物理位置非线性映射关系;最后判断测试点所属类簇,根据该类簇中训练好的CMAES-SVR模型进行回归预测。实验结果表明,与WKNN、传统SVR以及PSO-SVR算法相比,该算法在定位精度、稳定性以及实时性方面均有所提高。     

基于区域划分的局部更新指纹定位算法

针对室内定位指纹数据库更新成本过高的问题,设计了一种通过区域划分进行局部更新指纹数据库的RFID（Radio Frequency Identification,射频识别技术）室内定位算法。该算法通过聚类算法将指纹地图分成若干个子区域,每个子区域选取一个代表点代表该子区域的指纹有效性,通过检测代表点的有效性来选择加权k近邻算法（Weighted k-Nearest Neighbor,WkNN）定位或子区域数据库的局部更新。实验结果表明,该算法在低成本的条件下极大限度地提高了定位精度和长期定位稳定性。     

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。      

基于有序聚类和MSKPCA的室内定位算法

针对指纹室内定位算法中环境动态变化对Wi-Fi信号的干扰和定位实时性较差的问题,提出一种基于有序聚类和多尺度核主成分分析的Wi Fi指纹室内定位算法.离线阶段采用参考点可检测接入点序列的最长公共子序列衡量相似度,通过有序聚类划分子区域.在线阶段先进行粗定位,选择最优尺度的核主成分分析模型处理子区域指纹数据,使用朴素贝叶斯加权K近邻算法预测目标节点位置.实验结果表明,该算法可有效提升定位精度,86.7％的定位误差在1.2m以内.     

基于AP布置优化和K-means聚类算法的室内定位研究

传统室内定位中聚类算法被动依赖定位环境中接入点(Acess Point,AP)数量,导致定位效率低、误差大,室内位置指纹定位研究中AP布局是影响定位精度的关键性因素。因此,采用Intel芯片的嵌入式微系统和美国Signal Hound生产的SA44B型测量接收机共同组成传感器网络,根据电波路径损耗建立室内定位的目标函数,采用单纯形法和模拟退火算法融合算法对目标函数进行优化,从而达到最合理的AP室内位置布局,而后改进K-means聚类算法将优化后的AP位置坐标作为初始聚类中心,来提高系统的定位效率和精确度。实验结果表明,与传统K-means算法相比,经过AP位置最优化后的聚类定位算法精度提高了13.8%。     

基于可靠AP选择和深度置信网络的室内定位算法*

因受到非视距传播等影响,基于位置指纹的室内定位精度不高。针对此问题,提出一种基于可靠AP选择和深度置信网络(DBN)的室内定位算法(RAP-DBN)。离线阶段,利用改进k-means聚类算法将定位区域划分成若干子区域,并依据Fisher准则和各AP缺失频率,选取分辨能力强且可靠的AP节点作为子区域的训练节点,最后采用DBN模型对各子区域参考点数据进行训练;在线阶段,根据接收信号强度判别测试点所属的类簇,并根据训练好的DBN模型在线估计测试点位置。实验结果表明,和WKNN算法、M-WKNN算法以及PSO-ANN算法相比,改进算法在定位精度和稳定性方面均有所提高。     

基于联合分簇和LASSO的室内指纹定位算法

为提高定位效率和定位精度，提出了一种基于联合分簇（Hybrid clustering， HC）和LASSO的室内定位算法。该定位算法首先利用簇匹配实现目标粗定位，再在簇内采用LASSO算法进行二次精确定位。通过基于接收信号强度（Received signal strength， RSS）信号特性的K中心聚类方法结合基于物理位置的联合分簇，来降低粗定位阶段的簇匹配错误以避免粗大误差。采用位置指纹RSS信号的覆盖向量的相似度作为分簇和簇匹配的准则来降低运算量。簇内定位阶段采用LASSO算法达到特征稀疏化，有利于目标节点存储空间和能耗的优化。在室内典型办公环境下的定位实验表明，本定位技术在降低在线匹配计算量的同时能保持良好的定位效果，在参考位置点间隔1.8 m时，平均定位误差为1.73 m。     

密度峰值快速聚类算法优化研究

密度峰值快速搜索聚类CFSFDP算法选择聚类中心时需要通过人工在决策图中选择,且最后进行簇核心与簇光晕划分时会将簇的一些边缘部分划入簇光晕中,导致划分结果不够合理。针对以上问题,提出一种聚类中心自动选择及簇核心与簇光晕分割优化的聚类算法。利用异常检测的思想,寻找簇中心权值的异常点,将异常点作为各簇的聚类中心;引入簇内局部密度,实现对簇核心与簇光晕更合理的分割。通过实验对比,本文提出的算法自动化效果优于CFSFDP算法且得到的聚类结果更为精确。     

基于聚类分析优化的距离修正室内定位算法

基于接收信号强度RSSI的定位系统易受环境影响,提出一种基于聚类算法分析的高斯混合滤波的RSSI信号处理优化策略,通过优化接收信号强度及距离修正的四边质心定位算法对未知节点进行精确室内定位,使用蓝牙4.0信标节点进行实地实验。实验结果表明,该算法可以有效提高测距精度,改善系统的定位精度,比传统加权质心算法的定位精度提高了34.6%,且定位平均误差不超过0.5m,可满足室内定位精度要求。     

一种路径损耗模型融合的WSN森林定位算法

由于森林环境的复杂性导致传感器网络接收信号强度指示(RSSI)的定位误差较大,而目前的RSSI路径损耗模型不能满足森林中传感器节点定位的需求。针对该问题,提出一种无线传感器网络(WSN)森林定位算法。根据RSSI在不同区域的离散系数划分定位区域,对不同区域分别建立RSSI路径损耗模型,并利用对数路径损耗模型与分段拟合模型进行融合,建立更符合实际环境的新模型,通过分区域测距定位和K-means聚类算法排除定位误差。实验结果表明,该算法能有效提高定位精度。     

基于改进密度峰值聚类的路网划分方法

城市路网的合理划分对于优化区域交通控制以及协调策略的实施具有重要意义。为提高道路通行效率,提出基于密度峰值聚类算法的城市路网划分方法,首先,综合考虑交叉口静态和动态因素的影响,构建相邻交叉口的关联度模型,为合理量化交叉口之间的关联程度提供定量描述。其次,提出改进的密度峰值聚类算法,结合相邻交叉口之间的关联度对路网区域进行划分。针对密度峰值聚类算法中局部密度在不同规模数据集上差异较大的问题,引入KNN的思想,重新对局部密度进行描述,其次为避免算法聚类中心人工选取的主观性导致的误差问题,采用肘部法则实现聚类中心的自动选取。实验结果表明,与改进的Newman算法及Ncut算法相比,提出的改进算法在优化子区平均匀质度上可分别降低12.5%和22.8%,提高了控制子区的划分效果,使区域划分效果更合理。     

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。     

基于广义RBF神经网络室内定位修正算法

为提高基于接收信号强度指示(RSSI)室内定位的定位精度,并降低时效性对定位的影响,提出将加权仿射传播聚类(WAP)与广义径向基函数(RBF)神经网络相结合的室内定位算法以及一种指纹数据优化方案.通过高斯分布对指纹数据进行优化;采用熵值法对仿射传播聚类算法的偏向参数p进行均值加权处理,得到粗定位结果;结合广义RBF神经网络得到修正后的定位结果.实验结果表明,该方法在提高室内定位精度的同时,减少了RSSI值的时效性对定位精度的影响.     

基于PCA-WBayes的WiFi室内定位算法

针对朴素贝叶斯(Bayes)室内定位算法忽略各无线接入点(AP)信号间的相关性,最终导致定位精度损失这一不足,提出一种基于主成分分析结合加权Bayes(PCA-WBayes)的WiFi室内定位算法.在离线阶段采集参考点处来自各AP的WiFi信号强度,运用PCA进行去相关性、降维处理,提取主要数据特征,结合参考点位置坐标,构建位置指纹数据库;在线定位阶段,在位置指纹数据库中匹配待测点的信号特征,通过Bayes算法估算待测点位置,获取前w个后验概率最大的参考点坐标,按后验概率分配权重,以加权结果作为待测点位置.实验结果表明:相比K最近邻(KNN)、Bayes等常用WiFi室内定位算法,PCA-WBayes算法定位误差更小,将朴素Bayes室内定位算法的精度提升了15.44％.     

一种基于SBL和APIT的混合定位算法

由于子区域分割粒度的限制,基于阶次序列的定位算法(Sequence-based localization,SBL)存在边缘区域节点定位误差较大和不能保证平均定位误差性能的问题。针对这些问题,提出了一种基于SBL和APIT的混合定位算法,利用APIT信标三角形切割SBL算法子区域,减小子区域面积,实现了分割粒度的细化。通过预先进行系统训练,优化了混合算法的加权系数,进一步提升了算法的定位精度。仿真结果表明,相比于原算法,所提出的混合算法有效地提升了边界区域节点的定位精度,其平均定位误差降低了17.9%,使基于阶次序列的定位算法的定位精度得到了有效改善。