一种多元信息融合的室内定位方法

针对现有室内定位技术在定位精度方面的不足,基于智能手机获取的多元传感器信息,提出一种多元信息融合的室内定位方法。首先,利用基于KNN(K-Nearest Neighbor)的Wi Fi指纹滤波法得到行人初始位置坐标,通过行人航迹推算技术估算下一个时刻位置;然后利用WiFi和地磁加权平均后的定位坐标对行人运动轨迹进行修正;最后对获取的位置信息进行卡尔曼滤波后得到了行人的最终位置。此外,设计了基于Android平台的手机室内定位软件,实现了高精度的轨迹生成。实验结果表明,该方法有效提高了定位的精确度,平均定位误差降至1 m。     

基于众包的多楼层定位方法

无线基础设施的广泛部署使得基于WiFi的指纹定位方法成为了最具普适性的定位方法之一.然而,指纹库构建过程的耗时费力阻碍了基于接收信号强度(received signal strength indication,RSSI)指纹定位的发展.针对指纹库构建难问题,提出了一种基于众包的低成本、高效率的多楼层指纹库构建方法-MCSLoc.首先将室内平面地图转换为室内语义地图;然后采集众包用户智能手机内置惯性传感单元(inertial measurement unit,IMU)数据,采用卡尔曼滤波(Kalman filter,KF)融合算法划分传感数据到所属楼层.提出分段式轨迹获取方法,根据传感数据获取用户相对轨迹和RSSI值序列;最后利用隐马尔可夫模型(hidden Markov model,HMM)和轨迹匹配维特比(track matching Viterbi,TM-Viterbi)算法将相对轨迹与室内语义地图主路径相匹配,为RSSI值序列标注楼层标签和物理位置标签.MCSLoc方法的HMM地图匹配算法无需用户初始位置,实现众包用户弱意识参与.实验结果表明MCSLoc可以快速获取轨迹绝对初始位置,有效构建多楼层指纹库,提高多楼层定位效率.     

基于灰色预测模型的GPS/WiFi室内外融合定位方法

针对室内外GPS/WiFi信号交织区定位模式反复切换、定位精度低的问题,提出一种基于灰色预测模型的融合定位方法。通过构造GM(1,1)模型得到当前定位模式下物体的灰色预测轨迹,利用几何方式将预测轨迹与待切换定位模式下的定位信息进行深度融合,实现精准定位。当预测轨迹与定位信息几何融合失败时,根据GPS接收卫星信号的数量判断是否切换定位模式。实验结果表明,与基于GPS和基于WiFi的定位方法相比,该方法具有较高的定位精度与较强的鲁棒性。     

基于WiFi的室内定位系统实现

随着人们对基于位置服务需求的增加,使用GPS、RFID等技术的定位系统已不能满足一些室内位置服务的需求。由于WiFi技术不断升级和内置WiFi模块终端设备的普及,WiFi室内定位系统成为当前研究的热点。笔者主要介绍了利用手机的WiFi模块和Android平台,测量待定位区域并建立信号位置指纹数据库,采用相关算法匹配待定位终端的特征信号与指纹库,实现终端的室内定位。     

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。     

基于多视角聚类的WiFi指纹定位方法研究

为了解决在基于聚类方法的WiFi指纹定位中视角单一所导致的定位精度较低的问题,提出了基于多视角聚类的WiFi指纹定位方法.利用阈值-均值滤波方法对原始数据进行处理;结合K-means聚类算法对多视角信号(信号强度和位置)进行区划,并建立离线指纹库;使用基础分类器对实测信号分类,待测信号依据分类结果在其所属区域内估计K个邻近信号点,用近邻以及相应的权重值综合确定该信号的实际位置.通过对比实验分析可知,在考虑多视角的情况下,WiFi指纹定位精度在4 m以内的概率为83％,相比于单视角聚类的定位精度提高了12％.结果表明,该方法提高了定位精度,也为定位领域的研究提供了多元化思路.     

基于多模指纹匹配的室内定位系统设计与实现

通过分析近年来基于WiFi信号强度检测的室内定位技术研究成果,提出了一种基于WiFi和运营商基站信号(GSM、CDMA2000、WCDMA)等多模信号指纹匹配的室内定位系统.该系统采集WiFi和基站等无线多模信号,经过归一化、平滑化过滤生成与室内定位点相匹配的多模指纹数据库,通过移动终端实时获取的多模指纹信号与多模指纹数据库匹配,从而实现精确的室内定位.实验结果表明,系统能够实现室内精准定位,并对于WiFi信号的变化有较强的适应性.     

基于神经网络的多源融合室内定位算法

针对WiFi信号在室内复杂环境下不稳定以及建筑物对地磁场的扭曲作用造成单一定位源定位精度不高的问题, 本文采用多源信息融合定位技术, 有效利用WiFi和地磁场的指纹数据来进行定位, 提出了一种改进的自适应差分进化算法来优化BP神经网络(improved differential evolution BP, IDEBP). 该方法通过改进差分进化算法的变异、交叉和选择操作来优化BP神经网络的权值和偏差, 有助于BP模型更好地学习WiFi和地磁场指纹数据的特征. 仿真结果表明, IDEBP算法能大大提高室内指纹定位的精度.     

一种层次Levenshtein距离的无指纹校准的室内定位方法

随着移动计算领域的兴起,基于位置的服务越来越受青睐。目前各种室内定位的方法层出不穷,由于室内广泛部署了无线基础设施,基于WiFi指纹信息的室内定位技术是其主流方法。设备异构和室内环境变化是影响定位精度的主要因素。本文针对以上两个问题,提出一种层次Levenshtein距离（HLD）的WiFi指纹距离计算算法,实现异构设备的指纹无校准比对。将不同移动设备采集的RSSI信息转化为AP序列,根据AP对应的RSSI值的差异性计算其层次能级,结合Levenshtein距离计算WiFi指纹之间的距离。对于需定位的WiFi指纹RSSI信息,利用HLD算法获取K个近邻,采用WKNN算法进行预测定位。实验中,为了验证算法的鲁棒性和有效性,在3种不同类型的室内环境中采用5种不同的移动设备来采集WiFi的RSSI信息,其定位的平均精度达1.5 m。     

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。     

基于粒子滤波的WiFi行人航位推算融合室内定位

为提高室内定位的精度和稳定性,提出使用粒子滤波融合WiFi指纹定位和行人航位推算的室内定位算法。为减少复杂室内环境对WiFi指纹定位的影响,提出将支持向量机分类与回归相结合的两级WiFi指纹定位算法。在基于智能手持设备惯性传感器的行人航位推算中,为减少惯性传感器的误差以及人随意行走带来的影响,采用状态转换的方法识别行走周期并进行步数统计,提出根据实时加速度数据动态设置状态转换的参数,利用步长和垂直加速度之间的关系以及相邻步长之间的关系,应用卡尔曼滤波进行步长计算。仿真实验中,基于支持向量机的WiFi指纹定位的平均误差比最近邻居(NN)算法降低34.4%,比K最近邻居(KNN)算法降低27.7%。改进的行人航位推算的性能优于常用代表性计步软件和步长计算算法,而经过粒子滤波融合后估计的行走轨迹更加接近真实轨迹:直线行走平均误差为1.21 m,优于WiFi的3.18 m和航位推算的2.76 m;曲线行走平均误差为2.75 m,优于WiFi的3.77 m和航位推算的2.87 m。     

基于双重匹配位置指纹的室内停车场定位方法

为了提高室内停车场的寻车效率,提出了一种基于双重匹配位置指纹的室内停车场定位方法.该方法在加权K邻近算法基础上,利用RSSI值得出用户坐标,融合数据过滤算法与格点对应算法,以降低算法的定位误差,并采用双重数据库方法提高定位效率.实验采用均方根误差与累积分布函数两种指标对比了WKNN算法、过滤WKNN算法、格点WKNN算法与本文算法,实验结果表明本文算法具有较高的定位精度.     

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RSS场景指纹的ZigBee无线传感器网的定位方法

分析Z igBee无线传感器网络的基于信号强度测距法（RSSI）及场景指纹法,提出RSS场景指纹定位方法,该方法融合了上述两种定位方法的特点,即采用RSS＂场景特征信息＂作为定位场景＂指纹信息＂,以此建立＂指纹信息＂数据库,最后用最近邻居匹配算法实现定位。通过应用表明,RSS场景指纹定位方法具有定位精度高、自适应性及容错性强,且满足低成本、低功耗及易于实现的特点。     

基于公共信标集的高精度射频指纹定位算法

目前基于WiFi射频指纹定位技术有望成为大规模城区室内外全空间定位的首选.针对RSS信号时变特性严重影响WiFi定位精度和鲁棒性的问题,提出了一种基于公共信标集的高精度射频指纹定位算法.该算法把目标定位看成贝叶斯估计问题,通过采用高斯混合模型更加准确地表征复杂训练指纹的信号特征,以及使用基于Markov链的状态转移模型和基于后验概率的自适应网格集选择机制,充分利用目标的历史状态信息和环境布局信息,不仅减少了定位搜索网格空间,而且还抑制了移动过程中不可能发生的位置跳变,提高了定位精度和鲁棒性.实验结果表明,所提定位算法以90%的概率可获得3m以内的定位误差,其定位性能明显优于传统单一高斯模型.     

采用EKF与PF的室内融合定位技术

在室内定位的复杂环境中,WiFi指纹法的定位性能易受信号波动的影响,行人航位推算方法(Pedestrian Dead Reckoning,PDR)的定位误差会随时间逐渐累积,为了解决这两个方面的问题,提出了一种采用扩展卡尔曼滤波(Extended Kalman Filter,EKF)与粒子滤波(Particle Filter,PF)的融合定位技术,该技术通过融合WiFi指纹法和优化后的行人航位推算方法来提高定位精度。在WiFi指纹法模块,该技术采用传统的加权k近邻法进行定位。在行人航位推算模块,该技术融合多种传感器进行航向估计,改进传统的非线性模型进行步长估计,使优化后的行人航位推算方法更适用于复杂环境中的实际应用。最后,结合粒子滤波和室内地图信息,该技术能够校正估计位置并进一步提高定位精度。通过实验表明,本文提出的融合校正方法能够有效提高定位精度。     

一种基于WiFi的改进型室内位置指纹定位方法

在室内WiFi位置指纹定位系统中,由于室内环境的复杂性及易变性,定位精度很难得到保证。通过实验测试分析人体对WiFi信号的影响以及不同位置设备接入点数目的变化情况,本文提出一种在手持设备的定位系统中增加位置指纹特征以提高定位精度的改进型定位方法。该方法将手持设备的方向角和接入点数目这2个位置特征加入位置指纹中,丰富了离线数据库的位置特征。通过对常规位置指纹库定位和改进的位置指纹库定位的测试对比,得出使用改进的位置指纹库定位可以提高系统的定位精度的结论。     

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。     

基于D-S证据理论的室内组合定位算法

在非定位系统部署信标的大体量场区环境下,针对基于位置的服务（LBS）的室内定位需求问题,提出了一种基于D-S证据推理理论的无线局域网/惯性测量组件（WiFi/IMU）组合定位算法。该算法首先建立各接入点（AP）单点的信号强度传输模型,并利用卡尔曼滤波对接收到的信号强度指示（RSSI）值进行去噪修正处理;然后通过D-S证据理论对实时采集的WiFi信号强度、偏航角、各轴加速度的多源信息进行融合处理,选取可信度高的指纹区块;最后通过加权K近邻（WKNN）算法得到终端估算位置。单元场区仿真实验结果显示,最大误差2.36 m,综合平均误差1.27 m,验证了该算法的可行性与有效性;且误差累计概率分布在小于等于典型距离时为88.20%,优于惩罚参数C支持向量回归机（C-SVR）的70.82%和行人航迹推算（PDR）算法的67.85%。进一步地,算法在全场区实际实验中也表现出了良好的环境适用性。