基于改进指纹聚类的WLAN定位优化方法

将K-means聚类算法应用到无线局域网（WLAN）位置指纹定位中,虽然可以缩短定位时间,但是容易降低定位精度。为了解决此问题,提出了基于改进指纹聚类的WLAN定位优化方法。首先根据接收信号强度标准差来优化初始聚类中心的选取,然后对指纹数据进行聚类处理,最后进行在线定位。实验结果表明,与传统的WLAN位置指纹定位方法和K-means聚类定位方法相比,基于改进指纹聚类的定位优化方法不仅缩短了定位时间,还能有效提高定位精度。     

基于核化K-means和SVM分类回归的Wi-Fi室内定位算法

针对目前指纹室内定位系统指纹库管理效率低、实时性差和定位精度低的问题,提出了一种新的基于核化K-means和SVM分类回归的无线定位算法。首先利用核化K-means算法将输入的预处理后的RSS(Received Signal Strength)信号进行无监督聚类,将聚类后的数据信息存入指纹特征数据库,然后通过SVM回归的机器学习算法对特征数据库的数据进行训练,得到一种最优的拟合位置函数的数学模型。并且采用粒子群算法对参数进行寻优,进行实验仿真。实验结果表明,该算法有效地提升了定位精度,优于KNN、WKNN、SVR等室内定位算法。     

基于K均值聚类算法的位置指纹定位技术

为了减小位置指纹定位算法的计算量,提出一种基于K均值聚类分析的位置指纹定位算法。通过对指纹数据库进行K聚类分析,形成聚类索引,定位时通过查询聚类索引来缩小指纹库查询空间。利用改进后的算法进行室内定位实验,并将其与K近邻法进行对比测试。实验结果表明,改进后的定位算法有效减小了定位过程的计算量,而且还能保证定位精度,在短距离范围内定位平均误差可限制在2m以内。     

基于仿射传播聚类的概率分布室内定位算法

随着定位技术的快速发展,基于无线局域网的室内定位成为新的研究热点。本文提出了一种基于近邻传播聚类的概率分布无线局域网(WLAN)室内定位算法。与传统室内定位算法相比,该算法首先引入近邻传播聚类缩小参考点搜索空间,然后利用概率分布定位算法进行精确定位。仿射传播聚类可以有效减少概率分布定位算法的计算量,应用于系统后将有效降低系统复杂度。实验结果表明,本文所提算法具有更好的定位精度,可实现对WLAN室内定位目标的快速、可靠定位。     

基于Mann-Whitney秩和检验的无线局域网室内映射与定位方法

该文提出一种基于Mann-Whitney秩和检验的无线局域网(WLAN)室内映射与定位方法。该方法首先根据实际定位精度需求对目标区域中的运动路径进行分段,同时基于Mann-Whitney秩和检验方法合并相似运动路径片段;然后,利用一种基于相似接收信号强度(RSS)序列片段的信号聚类算法,保证同一聚类中RSS样本的物理邻接关系;最后,通过骨干节点的扩散映射,建立物理与信号空间的映射关系,实现对运动用户的定位。实验结果表明,相比于已有WLAN室内映射与定位方法,该文方法在无需运动传感器辅助和构建位置指纹数据库的条件下,能够实现更高的映射与定位精度。     

与强度无关的位置指纹在线定位改进算法

将现有的研究较热的固定发射端、定位接收端的室内位置指纹定位系统应用到固定接收端、定位发射端的室内无线电干扰源定位中,研究了一种考虑干扰源发射强度的在线定位算法,以克服直接使用以一固定发射强度信号源建立的指纹数据库和现有的在线定位方法无法实现对不同发射强度干扰源定位问题。在分析信号传播模型和现有在线定位方法的基础上,利用强度差的均方差进行定位计算。给出了算法实现依据和流程,对改进的算法进行了仿真和实验验证,结果证明了改进算法的实用性。同时,改进算法的思想对现有的考虑接收端异质的位置指纹定位系统也有一定的指导意义。     

一种基于位置指纹的室内WLAN定位方法

针对室内信号时变性导致定位不准的问题,提出了一种改进的3阶段位置指纹定位法。采样阶段,将采集信号的坐标、方位、接收信号强度的高斯分布及其对应的无线接入点等信息存储在数据库中生成位置指纹;在校正阶段中,利用参考点间信号强度的关联性信息,使用局部加权线性回归法,计算出一些虚拟点的信号强度;最后是线上实时定位阶段。通过与传统的加权K最邻近算法、直方图和联合聚类等3种定位方法相比较,该算法在同样的场景下可以取得更好的定位精度。     

基于线性化数据处理的位置指纹算法

为了进一步提高室内定位精度,提出了一种改进的位置指纹定位算法。该算法离线阶段采集采样点信号强度构建数据库,在线阶段采用线性拟合和最小二乘法相结合求出待测点的估计位置。仿真结果表明,改进的算法尤其适用于不大于10 m~*10 m的小区域网络的高精度定位,与传统的位置指纹算法相比较,改进的位置指纹定位算法使得平均定位误差降低了22.2%,提高了定位精度。     

用于WLAN室内定位的PCA聚类算法

在WLAN室内定位系统中,针对接收信号强度(RSS)的时变特征降低室内定位精度的问题,提出一种基于主成分分析(PCA)白化RSS的聚类算法,该算法首先对信号强度进行PCA白化处理,去除RSS信息的相关性,提高聚类中心的可靠性和合理性,然后通过K-means聚类方式对RSS信息进行聚类,能够有效地提高聚类精度,以此来提高定位精度.实验结果表明,该算法相比于没有经过PCA的传统聚类算法,能够使定位误差在2m内的概率提高44.8％,性能更优良.     

基于改进的DBN的WLAN指纹定位数据库构建算法

提出了一种基于改进的深度置信网络(Deep Belief Network,DBN)的 WLAN指纹定位数据库构建算 法。首先,从需要实地测量的参考点中选取一部分参考点测量位置坐标和接收信号强度,并 将其作为训练数据输入改进的 DBN,经过训练不断改善DBN的性能;然后,将其他剩余参考点的位置坐标输入训练好的DBN 中,将DBN的输出数据作 为这些参考点的接收信号强度,从而对指纹定位数据库进行构建;最后,将实测的部分参考 点的数据与基于DBN预测出的 剩余参考点的数据共同组成构建后的指纹定位数据库,并使用KNN和WKNN定位算法对构建效 果进行评价。实验结果表 明,在使用相同的数据集时,改进的DBN算法训练用时更短,对指纹库的构建效果更好。     

基于GAWK-means的地铁车站指纹定位方法

针对在城市轨道交通车站内,利用iBeacon技术进行指纹定位时存在匹配效率较低、定位精度不理想的问题,文中提出了一种基于GAWK-means的地铁车站指纹定位方法.离线阶段,根据指纹数据本身的离散程度进行K-means欧式距离权重优化以便更好地体现类内相似度,再将改进的K-means结合遗传算法,优化聚类结果以减少陷入...     

基于WiFi-GM指纹的室内定位算法

针对室内环境中单一指纹定位方法存在定位误差较大、定位漂移的问题,提出了一种融合室内Wi-Fi指纹和地磁指纹的定位算法。首先在大范围区域中通过K-means聚类方法将较大的匹配区域划分成更小的且特征更加明显集中的子区域,然后在在线阶段通过WiFi指纹粗定位到小区域,再通过地磁指纹定位系统进行近一步精匹配定位。实验表明,该融合算法缩小了地磁匹配的初始搜索范围,大大减少了指纹定位中的误匹配问题。实验中,平均定位误差仅2.17 m,最大定位误差3.61 m,较单一指纹定位系统性能均有大幅度提升,证明该定位方法具有一定的可行性与先进性。     

基于混合聚类算法的客户细分策略研究

针对层次聚类法和 K-means 聚类法的缺陷和不足,提出将二者相结合的改进算法,既解决了层次聚类法伸缩性差的问题,又解决了 K-means聚类法对初始聚类中心敏感的问题。通过对改进算法的计算复杂度分析并利用 UCI 数据库的测试数据对改进算法进行测试。结果表明,混合聚类算法使样本聚类的准确率提高到94%,并有更高的执行效率和更好地实用性。此外,将此算法应用到汽车销售公司的客户细分管理中,得出了差别化明显的客户细分类别,表明此改进算法具有更强的客户细分能力以及客户行为特征的解释能力。     

基于遗传算法的改进K-means算法

本文对K-means算法的缺点做出了一些改进,提出了一种基于遗传算法GA-K-means的算法。利用遗传算法初始化K-means的初始聚类中心点,改进后的算法解决了K-means算法容易因为初始聚类中心的选择不同而陷入局部最优解的问题。实验表明,改进后的算法聚类结果稳定且聚类效果较好。     

面向WLAN室内定位的T检验样本容量优化方法

WLAN（Wireless Local Area Networks）室内定位已受到人们广泛的关注,而在离线指纹采集阶段常常容易造成位置指纹RSS数据采集的盲目性和不可靠性,并忽略所需采集RSS（Received Signal Strength）样本容量与定位性能的关系.为了解决这一问题,本文提出一种面向WLAN室内定位的T检验样本容量优化方法.该方法在离线阶段利用OC（Operating Characteristics）函数优化指纹数据库允许的最小RSS样本容量,而在在线阶段利用T检验方法对目标终端进行粗定位,并进而提出基于T检验的KNN（K-Nearest Neighbour）算法以完成对目标终端的精定位.此方法用有限的样本容量获得较稳定的定位性能分析结果,显著地减少了大量的人力和时间开销.     

基于智能终端的室内定位系统研究与实现

针对全球定位系统GPS不能提供令人满意的室内定位结果,提出一种基于接收信号强度的WLAN指纹匹配定位技术,采用一种创新式的指纹库构建方式,改进加权K近邻算法,同时利用指纹匹配的优点来校准行人航位推算的累积误差,提高定位精度,设计完成一套基于智能终端的绝对定位系统。实验结果表明,与传统无线定位算法相比较,改进的无线指纹匹配定位平均误差为1.66 m,无线修正航位推算平均定位误差为0.56 m,达到了室内定位精度的标准,验证了改进算法的有效性及导航系统的实效性。     

一种改进的无线局域网位置指纹定位法

精确、实时的室内定位技术是提供基于位置服务的关键技术之一。针对经典的基于无线局域网指纹定位法由于室内环境复杂多变、无线信号波动而不能实现精确定位的问题,提出了一种改进的指纹定位算法。该改进算法通过优化特征接入点的选取和指纹距离的计算,以及对最近邻的类聚处理,实现了对指纹匹配精确度和位置估计准确性的提高。实验表明,所提出的改进算法相比于经典的位置指纹法具有更高的定位精确度和鲁棒性。     

基于Wi-Fi的动态室内定位方法

针对目前动态室内定位方法定位精度不足，研究基于Wi-Fi的动态室内定位方法。该方法利用传感器采集Wi-Fi的RSS(received signal strength，接收信号强度)指纹信号后，使用改进非均值滤波算法去除RSS指纹信号的干扰噪声，以不含干扰噪声的RSS指纹信号作为基础，使用基于指纹子空间匹配动态室内定位方法，计算不同阶段RSS指纹覆盖向量、汉明距离以及欧式距离等，得到若干个动态室内定位估计值，再使用峰值密度聚类算法对若干个动态室内定位估计值进行估计，获取估计值中可信的估计位置，即动态室内定位结果。实验结果表明：该方法不仅可有效去除RSS指纹信号含有的干扰噪声，还可对动态室内目标进行准确定位，定位误差仅为-1～0.5 m，定位精度较高。     

基于RSSI特征值匹配改进的室内定位算法

为了提高目前室内定位的精度,文中对以往的室内定位算法进行了改进。针对以往指纹匹配阶段只考虑待测点的RSSI向量与其他参考点的RSSI向量之间的绝对距离,而忽视其相关距离的不足之处,造成分类的不准确,文中提出一种利用RSSI向量之间的相关距离及类的可信度对待测点所属指纹簇进行选择的改进匹配算法,即先求出某一RSSI向量与其余RSSI向量之间的相关距离,从中选取若干个最小相关距离的RSSI向量,再根据类可信度来判断其所属的指纹簇。仿真实验结果表明,将改进的匹配算法应用到位置指纹定位模型中后,定位精确分别比原有算法提高了10.38%和8.77%。     

基于WLAN的室内定位技术研究

文章以WLAN室内定位系统为研究对象,采用理论结合实际的方法,从数据库中获得RSSI序列,将之与指纹库的信息进行比对,最终获得了定位终端的位置,同时总结了定位系统的缺陷以及未来的发展方向。