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.     

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.     

一种改进型几何聚类指纹室内定位方法

为解决传统加权K最近邻算法(WKNN,Weighting K-Nearest Neighbor)定位方法中选取K值存在局限性影响定位精度的问题,提出了一种改进型几何聚类指纹室内定位方法。该方法首先利用网格分布在定位区域构建指纹点几何位置分布,采集指纹点接收信号强度(RSS,Received Signal Strength)和位置信息,建立指纹定位数据库;然后,利用支持向量机分类算法在解决高维度和非线性问题上的优势选取定位点的多个近邻指纹点,根据对定位贡献度的大小筛选近邻指纹点并构建几何聚类定位区域;最后利用WKNN算法进行定位。实验结果表明,提出的方法解决了传统WKNN方法中多边形定位区域在K值选取存在局限性的问题,具有更高的定位精度和工程实用性。     

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.     

基于层次聚类的WiFi室内位置指纹定位算法

提出一种利用WiFi信号指纹实现对室内区域进行定位的CL-KNN(complete linkage K-nearest neighbor)算法.该算法先采用层次聚类方法对测试环境进行区域划分,再根据相应的WiFi信号指纹信息进行匹配,最后通过加权计算确定定位结果.实验结果表明,在WiFi热点数量足够多的情况下,与原始KNN算法和kmeans-KNN算法相比,CL-KNN算法可以获得更高的定位精度和准确率.     

基于多径指纹的概率匹配室内定位方法

空间交替广义期望最大化(SAGE)算法可以高效地实现室内信道多径参数的估计,同时提供相对较高的精度。该文提出一种基于多径指纹的概率匹配室内定位方法,将SAGE算法得到的信道多径参数作为指纹数据进行定位,以求获得更好的定位精度和鲁棒性。通过分析典型场景下的定位实验测量结果,并与同类型的传统室内定位方法进行比较,验证了该方法的有效性。     

基于位置连续性的室内定位算法

为了减小RSSI波动和多径干扰对定位精度和稳定性的影响,提出了一种基于位置连续性的室内指纹定位改进算法.依据用户位置具有连续性的特点,应用室内布局结构来缩减指纹搜索空间,去除位置歧义点,在此基础上,采用基于改进的贝叶斯方法进一步提高定位计算的精度和稳定性.分析与实验表明,该算法能有效降低RSSI波动对定位的影响,提高精度,同时也降低了实时定位的计算开销.     

基于改进支持向量回归的联合指纹定位算法

该文针对复杂的室内环境下，传统的RFID室内定位技术获得的接收信号强度特征向量维数较低，不能充分描述环境信息，无法获得良好的定位效果的问题，基于联合指纹提出一种鲁棒性强的高精度室内定位算法。该算法首先从RFID阅读器接收到的信号中提取信号强度和相位差数据，建立指纹库。然后利用凹函数递减策略改进PSO算法，优化SVR模型训练样本数据，建立参考标签的指纹特征和其与阅读器距离的映射关系。最后利用改进PSO算法迭代寻优，从而提高室内定位精度和鲁棒性。在仿真中，将该算法与GA-SVR和PSO-SVR算法进行比较，分析了不同指纹数据集和噪声对定位性能的影响。仿真结果表明，在相同指纹数据集和环境下，该算法的定位精度和系统稳定性均优于其他两种算法。     

一种基于Voronoi图和朴素贝叶斯的室内定位无线地图构建方法

室内无线定位以其低成本、高普适性等优点成为用户定位研究领域的热点,针对现有基于位置指纹数据库的室内无线定位算法,因室内环境复杂存在定位精度低、数据通信能耗大等问题,提出一种Voronoi图和朴素贝叶斯定位相结合进行无线地图(指纹数据库)构造的算法模型。首先,建立两级校准点模型,一级校准点为预先选择且进行收集RSSI(Received signal strength indicator)样本,在此基础上通过无线传播模型计算得到二级校准点;然后,对无线地图进行Voronoi区域生成,每个Voronoi图包含一个一级校准点和多个二级校准点;最后,在匹配得到的Voronoi区域内运行朴素贝叶斯算法,获得定位目标的估计位置。实验结果表明,提出的算法模型能降低收集RSSI数据的成本,同时提高目标定位精度,具有一定的应用价值。     

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。     

基于加权余弦相似度的WiFi指纹室内定位

基于Wi Fi的室内定位具有低成本、易部署、覆盖范围广、精度高等优点,成为室内定位技术研究的热点.Wi Fi指纹定位法可以对抗多径的影响,具有较高的定位精度.但是由于智能移动终端的种类繁多,使得室内定位系统离线建立的指纹数据库难以兼容不同的智能移动设备,降低了定位系统的适用性.为解决此问题,提出了加权余弦相似度算法,使用信号强度的加权余弦相似度作为匹配特征.实测表明,采用加权余弦相似度算法可有效解决终端差异性,提高了室内定位系统的精度和普适性.     

基于LS-SVM方向判别模型的WLAN室内定位方法

为解决WLAN室内定位中信号在传播过程受人体遮挡产生阴影衰落而影响定位精度的问题,提出了一种最小二乘法支持向量机(LS-SVM)方向判别模型的WLAN室内定位方法。该方法主要分为两个部分:首先,充分利用人体在不同遮挡方向上产生阴影衰落的接收信号强度变化(RSS)特征信息,判定人体遮挡方向;然后,通过LS-SVM回归算法建立指纹点特征数据与位置之间的映射关系获取定位点位置结果。实验结果表明,与传统利用SVM的定位方法相比,提出的方向判别模型可解决人体遮挡产生的阴影衰落影响定位精度的问题,提高了定位的实用性和鲁棒性。     

一种面向位置服务的超宽带室内定位算法

超宽带技术由于较高的测距精度和穿透性能,对于位置服务有着重要的应用价值。在实际的高密度定位环境中,传统的定位算法受非视距误差和多径效应的影响,很难实时准确解算出实际位置坐标。虽然增加基站数量可以有效提高定位的精度,但是其成本也在不断提高。针对超宽带在高密度室内定位中实时性差、定位精度低的问题,提出了一种基于支持向量机的超宽带定位方法,提高了定位的精确性和鲁棒性;给出了基于到达时间差(TDOA, time difference of arrival)的支持向量机模型,重点在于将定位问题转化为分类问题的求解;通过TDOA值和坐标值来建立支持向量机分类模型,利用一对一分类模型实现了坐标值的解算,提高了坐标解算速度。仿真结果表明,在高密度实时定位中,相比于传统的Chan算法和Taylor算法,文中方法在定位精度近似的情况下,实时性要高于传统算法,满足实际定位中低功耗、快速高精度定位的要求。     

改进K-means聚类的自适应加权K近邻指纹定位算法

针对指纹定位精度易受指纹数据K-means聚类预处理效果不佳、加权K近邻算法采用固定K值进行匹配定位精度差等问题,提出一种基于改进K-means聚类的自适应加权K近邻算法.算法在对指纹数据进行聚类计算过程中充分考虑参考点间接收信号强度值与实际物理坐标的双重影响,以避免参考点分类不明确;根据每个测试点的匹配参考点之间实际距离的均值和标准差设置阈值,动态选择K值.实验结果证明,改进K-means聚类的自适应加权K近邻算法相较于传统室内定位算法定位精度提高了44％,可为相关应用提供更精确的定位服务.     

基于AOA-TOA重构的单站定位算法

针对非视距环境,提出AOA-TOA重构的单站定位算法。算法分两步进行,第1步基于单次散射模型给出了一种关于波达角度(angle of arrival,AOA)的粗略的重构方法;第2步以单基站测得的波达时间(time of arrival,TOA)和AOA等信息,结合散射体分布模型的统计特性,对现有的AOA重构算法进行拓展,以最大似然估计法对TOA重构。改进了传统的单目标参数重构模式,实现了在非直达波(non-line-of-sight, NLOS)环境下基于散射体分布模型的单基站定位,并具有较高定位精度。仿真结果验证了该算法的有效性,同时,仿真结果还验证了该算法在密集多径环境下比多径稀疏的环境有更好的定位性能。     

基于梯度提升回归树的井下定位算法

为了提高井下定位系统的定位精度,提出了基于梯度提升回归树(gradient boost regression tree, GBRT)的井下定位算法。本文首先介绍了GBRT算法的实现过程,然后利用射线追踪算法模拟井下多径信号叠加后的接收信号强度(received signal strength, RSS)数据集,最后对比了GBRT、K最近邻(k-nearest neighbor, KNN)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)和神经网络多层感知器(multi-layer perceptron regressor, MLPR)算法的定位结果并对GBRT的定位结果进行5点平均滤波。实验结果表明,在100个点组成的行人轨迹定位中,GBRT算法的定位结果的均方误差为0.381米,明显优于其他四种算法,平滑滤波后的定位轨迹更加贴合真实轨迹。因此,本算法可以有效提高定位精度,可以满足井下定位系统的精度要求。     

基于改进IMM-UKF算法的一种融合航迹推演的红外路标室内定位方法

在结构化环境中,针对室内机器人导航对精度和实时性的要求,在一种新型红外路标定位方法的基础上,为满足全局导航的需要并简化硬件结构,提出一种融合航迹推演的红外路标室内定位方法,将单个大功率红外发射管作为路标,移动机器人上的红外摄像头作为接收传感器,融合采用改进的交互多模型无迹卡尔曼滤波(interacting multiple models unscented Kalman filter,IMM-UKF)算法.将融合航迹推演的红外路标室内定位方法和一般的定位方法做了比较,并将融合所采用改进的IMM-UKF算法与一般的融合算法做了比较.实验结果表明,提出的基于改进IMM-UKF算法的融合航迹推演的红外路标室内定位方法获得了比一般的定位方法更快的定位速度和更高的定位精度,且改进IMM-UKF算法比一般融合算法获得的定位精度更高.