共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
针对K近邻算法(KNN)在对偏向于某个样本点的未知点进行三角质心定位时定位精度变差的情况,提出了应用相关系数去匹配蓝牙信标iBeacon位置指纹库的室内定位算法.通过比较待定位点和位置指纹库中参考样点的相似程度,并进行数据差异显著性检验,来检验采集的待定位点数据与指纹库数据是否显著相关,然后取相关性较高的样本点进行加权平均匹配定位.实验结果显示,相关系数匹配位置指纹库算法可将2 m以内的定位精度从65%提高到92%,相较于传统的KNN匹配定位算法有着定位精度高、计算量小、定位时间短等优势. 相似文献
3.
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. 相似文献
4.
解决设备差异性造成的Wi-Fi信号强度不确定问题是位置指纹室内定位应用与推广的关键.一种基于设备间接收信号强度(Received Signal Strength,RSS)相关性的位置指纹室内定位方法被提出.以智能手机为用户终端,离线阶段,通过智能手机扫描的Wi-Fi信号强度信息,经过数据处理,筛选稳定的接入点(Access Point,AP),构建离线指纹数据库;在线定位阶段,对于实时获取的Wi-Fi信号强度信息,进行筛选处理后,挑选与离线指纹共同拥有的AP,并根据该AP集合,形成新的离线指纹和在线指纹.对离线指纹按RSS的大小降序排序;在线指纹,则以同一次序对RSS排序,然后利用皮尔逊相关系数和杰卡德相似系数,计算指纹相似度并排序,通过K最近邻(K-Nearest Neighbor,KNN)算法实现用户定位.实验表明该方法可有效解决设备差异性问题,并实现精确定位,平均定位误差达到1.7 m. 相似文献
5.
《现代电子技术》2018,(10)
室内定位算法是基于位置服务领域研究的难点之一。针对室内定位应用场合和精度问题,提出了利用K-means和KNN融合算法对覆盖率广的WiFi信号进行指纹定位。WiFi指纹定位主要问题是前期指纹库数据的精确以及后期数据的匹配效果。首先,对WiFi信号的概率分布进行研究,弥补了一直以来由于K-means是无监督学习带来的k值的难以选取的缺陷,提高了指纹库的精确性,同时确保数据实时性。后期在线数据处理利用KNN分类算法进行后期在线定位过程的准确性。经多个实验场景测试结果表明,该算法在室内定位精度上3 m定位精度概率保持在78.4%,4 m精度保持在93.6%,基本上保证了室内定位精度的要求。 相似文献
6.
介绍了指纹定位技术的基本原理,在对指纹定位技术中常用算法KNN匹配算法定位结果进行分析的基础上,给出了一种基于RSSI相关系数的匹配算法,并对该算法的定位结果在实际环境中进行测试分析,实验结果表明:该算法在满足定位实时性要求的基础上提高了指纹定位技术的定位精度。 相似文献
7.
8.
9.
10.
针对Wi Fi指纹室内定位技术中信号传播时变性大导致定位精度低的问题,提出一种传感器辅助的Wi Fi指纹定位方法。首先根据移动终端内置的加速度传感器判断用户的走步状态,以减少信号时变所引起的定位误差;然后利用终端中的磁力计与陀螺仪,通过传感器融合来计算用户的运动方向。最后结合所得的方向信息和历史位置计算终端位置,以减少指纹图中与终端反向的指纹带来的干扰,从而减少指纹匹配计算的复杂度。实验结果表明,提出的传感器辅助Wi Fi指纹定位技术能减小位置估计误差并提高定位的鲁棒性。 相似文献