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.     

一种改进的候选位置指纹算法的室内定位方法

针对Wi Fi位置指纹定位时由于受到室内环境变化的影响而造成精度严重下降的问题,本文提出了一种基于混合遗传粒子群算法和候选位置指纹的室内定位系统,本系统采用在定位服务阶段选择多个位置指纹作为候选位置指纹,利用遗传算法搜索全局较优的位置指纹组合,并采用粒子群优化算法快速准确地找到最佳的位置指纹。仿真结果表明,基于混合遗传粒子群算法提高了室内定位精度,可以快速精确地搜索到最佳位置,同时减小了遗传算法时延较大的缺点,避免了局部最优解问题。     

两种带约束的序列比对算法

通过理论证明,得出了当距离函数中惩罚因子φ=0时的解应满足的条件,并在此基础上改进两种最长公共子序列的优化算法,使之能够求解出带约束的序列比对问题.这两种改进算法的时间复杂度分别为O(nmr)和O(nm(r+1)),空间复杂度分别为O(nmr)和O((n+m)(r+1)).推导出算法应满足在两序列中插入的空位符数目分别为(m-l)和(n-l),使比对结果中不会出现错配,保证了比对的质量.实现了基于回溯的改进算法,验证了其求解带约束的序列比对问题的有效性.     

基于2.4GHz与5GHz信号的WiFi指纹定位算法研究

为了减小2.4 GHz信号强度波动对无线定位的影响,在保证定位范围的前提下提高定位精度,通过分析2.4 GHz和5 GHz信号的传播特点,构建了基于2.4 GHz与5 GHz信号的Wi Fi指纹定位算法,该算法以加权平均的方式同时考虑2.4GHz与5 GHz信号。以深圳大学土木工程学院院馆作为实验场景,对算法进行了验证。实验结果表明,将2.4 GHz与5 GHz信号强度的方差倒数作为两者的稳定性系数是有效的;本定位算法比传统算法在定位精度和稳定性两个方面都有提高。     

基于WiFi的便携式室内定位系统

针对全球定位系统无法满足室内定位的问题,基于Android平台开发了利用Wi Fi信号特征的便携式室内定位系统.该系统由移动定位终端、服务器和数据库组成,移动定位终端和服务器联合完成定位功能.定位算法采用基于接收信号强度指示(RSSI)的指纹算法,以场景分析的手段估算出移动定位终端的坐标.在线定位阶段,采用欧氏距离平方倒数作为权重系数对K最近邻算法的权重系数进行改进,以减小在线阶段的误差.实验表明,系统便于携带,操作简单,单次定位速度小于3 s,并且系统3 m内的定位精度达到80%以上.     

最长公共子序列算法在程序代码相似度度量中的应用

阐述了最长公共子序列算法在程序代码结构相似度度量中的应用,列举了两种计算最优值和一种获取最长公共标识符子序列的算法.根据最优值得到结构相似度值,进而可以查找出结构相似程序对.最后探讨了程序代码相似度的实际应用.     

基于置换距离度量的蛋白质多序列比对算法性能评估

 蛋白质多序列比对是一种重要的生物信息学工具,在生物的进化分析以及蛋白质的结构预测方面有着重要的应用。各种比对算法在这个领域都取得了很大的成功,但是每种算法都有其固有的缺陷。提出置换距离法,对当前流行的几种蛋白质多序列比对算法进行对比评价。由于置换距离法仅关注于不同蛋白质间进化距离的相对次序,而不考虑这些进化距离之间的细微差异,因而得到的评价结论更具有鲁棒性。另外,采用最长公共子序法度量置换距离可以比较准确的反映不同置换之间的差异性。基于该算法,对Dialign, Tcoffee, ClustalW和Muscle多序列比对算法进行了性能评估。     

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。     

基于深度置信网络的室内指纹定位算法

基于WLAN的指纹识别技术是在每个指纹定位测量来自不同APs的接收信号强度RSS(received signal strength, RSS)以构建指纹.然而,指纹的收集由于环境的变化,需要定期更新指纹库以提高准确性.因此,为减少指纹识别的工作量,提出将深度置信网络算法应用到未标记的RSS测量中,利用生成概率模型来表示不同隐含层的层次隐含特征,提取指纹的隐藏特征,通过预训练和调优阶段,从而在尽可能保持定位精度的前提下减少标记指纹.实验结果表明,本算法在仅使用15%标记指纹时,将定位精度提高了1.876 m.     

带约束最长公共子序列快速算法

带约束最长公共子序列(CLCS)问题有很深的生物学应用背景,常被用来表示同源基因序列相似性的度量,但计算CLCS时间代价很高,最早的CLCS算法的时间复杂度为O(rn4),目前,最快的CLCS算法的时间复杂性为O(rn2).运用对偶原理将带约束最长公共子序列问题转换为带约束最小覆盖集问题,并建立带权的ref树结构,构造包含约束序列的约束覆盖子集,约简带约束覆盖子集并从中搜索关键路径,再通过关键路径构造CLCS,该算法将算法时间复杂度提升到O(nlogn+(q+r)L),r是约束序列的长度,q是两序列序偶的个数,L是两序列的最长公共子序列(LCS)长度.     

采用确定性信号传播模型的普适寻优定位方法

Wi-Fi定位由于不需要额外的基础设施和专门的硬件设备,在室内定位领域有重要应用,不可预测的环境变化引起的接收信号强度(received signal strength,RSS)波动是导致Wi-Fi定位系统精度低的主要原因.提出一种基于测距的普适室内定位方法,使用快速数据聚类训练原始RSS数据,以确保RSS数据的稳定性和有效性;在此基础上,针对提取的RSS信号进行拟合,建立一种确定性信号传播模型,利用天牛须优化方法实现位置求解的高效寻优.通过仿真结果分析,提出的CB-DSPM(clustering by fast search and find of density peaks beetle antennae search-de-terministic signal propagation model)定位算法的误差在1.5 m左右,且迭代10～30次之后基本可以收敛到最优位置.     

Indoor Pedestrian Tracking with Sparse RSS Fingerprints

Indoor pedestrian localization is of great importance for diverse mobile applications.Many indoor localization approaches have been proposed:among them,Radio Signal Strength(RSS)-based approaches have the advantage of existing infrastructures and avoid the cost of infrastructure deployment.However,the RSS-based localization approaches suffer from poor localization accuracy when the RSS fingerprints are sparse,as illustrated by actual experiments in this study.Here,we propose a novel indoor pedestrian tracking approach for smartphone users:this approach provides a high localization accuracy when the RSS fingerprints are sparse.Besides using the RSS fingerprints,this approach also utilizes the inertial sensor readings on smartphones.This approach has two components:(i) dead-reckoning subsystem that counts the number of walking steps with off-the-shelf inertial sensor readings on smartphones and(ii) particle filtering that computes the locations with only sparse RSS readings.The proposed approach is implemented on Android-based smartphones.Extensive experiments are carried out in both small and large testbeds.The evaluation results show that the tracking approach can achieve a high accuracy of5 m(up to 95%) in indoor environments with only sparse RSS fingerprints.     

RSSI和PC-CSI加权融合的指纹定位方法

针对基于RSSI和CSI的指纹定位技术易受环境干扰、定位精度较低的问题,提出了一种基于RSSI指纹和相位修正信道状态信息(phase correct based channel state information, PC-CSI)指纹的加权融合指纹定位技术。基于PC-CSI的指纹定位在传统基于CSI幅值的指纹定位基础上增加相位信息对定位结果进行修正,之后对RSSI指纹和PC-CSI指纹的定位结果加权重定位。实验结果表明,提出的加权融合指纹定位算法与基于CSI的主动定位算法相比,平均定位误差(mean position error,MPE)降低了36.2%,能满足室内定位需求。     

Fingerprint Core Location Algorithm Based on Sliding Window

In order to improve the efficiency of the fingerprint core location algorithm, a fingerprint core location method using sliding window on the basis of core location algorithm with the complex filter was proposed. The local region of the fingerprint image was extracted by a fixed-size window sliding in the region of the fingerprint image, and the selected local region by window as the calculation object is used to detect the core. The experiment results show that the method cannot only effectively detect fingerprint core, but also improve the efficiency of the detection algorithm comparing with the global fingerprint core location detection algorithm.     

无线传感器网络协同定位算法

针对无线传感器网络中基于RSS的定位算法存在的不足,提出一种协同定位算法。该算法包含2个方面：一是引入参考信标节点,以增加节点定位的容错性;二是采用狄克逊(Dixon)检验法剔除异常RSS值,同时引入RSS标准差阈值和学习模型,减小基于RSS的测距误差,有效提高定位精度。通过仿真实验对算法性能进行了评估,结果表明,该算法定位精度得到了有效提高,健壮性和稳定性较好。     

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。     

采用方向场配准和图匹配的指纹匹配算法

提出一种新的指纹匹配算法.在配准阶段,引入局部方向场匹配,并结合局部细节点拓扑结构匹配以进行指纹对齐;在对齐后的匹配中,首先在两个指纹的细节点集之间进行弹性匹配,得到一个由匹配的细节点对组成的相似集,然后以相似集中的细节点做顶点,以各顶点之间的连线为边,为输入指纹和模板指纹组成对应的拓扑图进行图匹配;还引入了全局方向场匹配,并与细节点集匹配进行融合,以提高算法的精度.采用FVC2002公布的指纹库进行对比实验,结果证明了算法的有效性.     

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。     

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。