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。     

传感器辅助的WiFi指纹室内定位方法

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。     

基于自注意力的无监督室内定位信号异常检测

基于射频信号的室内指纹定位技术,以其精度高、部署成本低等优点被广泛运用于室内定位领域。室内信号环境的变化会直接影响定位精度。深度神经网络也用于时序数据异常检测,在此基础上,提出了一种基于自注意力机制的无监督室内定位信号异常检测模型。训练模型的输入是易获得的正常信号环境下无位置标签的指纹数据。该模型的注意力模块关注提取指纹数据中不同信号来源之间的相互关联,结合关联误差和重构误差来放大正常与异常的可区分性,从而提升室内定位信号检测的精度。在实验室采集的蓝牙信号数据集和一个公开的Wi-Fi数据集UJIIndoor Loc中进行性能评估,实验结果表明,与其他算法相比,所提模型具有最好的异常检测性能。     

稀疏参考点下的室内定位方法

随着移动互联网的发展,人们对于室内的位置服务需求日益增加。基于Wi-Fi的指纹库室内定位算法具有成本低、定位误差小的优点,但指纹库信号采集需要消耗大量的时间和人力,本文对稀疏参考点下构建高效指纹数据库和高精度室内定位的方法进行了深入研究。本文改进了卡尔曼滤波有效解决了Wi-Fi的噪声和缺失点,设计了基于信号强度差分方差的无线接入点筛选策略来滤除信息量较低的接入点,提出了一种基于支持向量回归拟合的克里金插值算法（Kriging Interpolation Algorithm Based On Support Vector Regression, SVR-Kriging）进行指纹库的构建,最后通过接入点加权的K加权近邻法（AP weighted and Weighted K-Nearest Neighbor, AWKNN）完成定位。将该方法应用于实际的二维、三维定位场景,实验结果表明二维场景平均定位误差为1.01 m,三维场景平均定位误差为0.92 m。该方法解决了指纹数据库信号采集困难、接入点数据冗余的问题,有效地降低了定位误差。      

GNSS拒止环境下的伪卫星指纹定位方法

伪卫星具有发射与天上卫星相同信号的能力,可以作为GNSS(Global Navigation Satellite System)信号遮挡环境下稳定可靠的定位信号源,使得基于现有终端硬件条件实现室外内连续高精度定位成为可能,因此逐渐成为室内定位领域的研究热点.本文提出了一种基于同源多通道伪卫星的指纹库匹配定位方法,利用顾...     

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.     

基于稀疏训练点和指纹重构的室内可见光三维定位算法

目前构建基于机器学习的室内可见光定位模型主要依赖于光电二极管和指纹数量,为了降低指纹采集的复杂度,提高定位精度,提出一种基于指纹矩阵稀疏重构的室内三维可见光定位算法。该算法利用极限学习机训练稀疏采样点,采用奇异值分解和交替方向乘子法求解稀疏指纹矩阵的重构问题。该算法可以有效降低指纹的采样率,同时可以基于极限学习机算法较强的泛化能力提高定位速度和定位精度。在此基础上,由于可见光的多径反射等因素的影响,定位区域的边界定位误差大于内部定位误差,通过引入一种边界修正定位算法,可以有效降低边界定位误差。仿真和实验结果表明,与传统的机器学习算法相比,该算法在减少其所需指纹数量的同时,具有更高的定位速度和精度。     

基于深度置信网络的室内指纹定位技术

在基于无线指纹室内定位技术中,信号的时空干扰引入了定位误差。为了解决这一问题,文中提出基于深度信号特征的室内定位方案,利用深度置信网络从接收信号强度中提取特征参数作为特征指纹。该方法能有效地缓解信号的波动性干扰,感知当前复杂的室内环境。为评估所提方法的性能,文中选择在两个具有典型性室内场景中进行实验。实验结果表明,该方法在定位精度和定位系统稳定性上都有了显著的提高。     

室内定位系统中位置指纹库滤波算法研究

WiFi指纹定位是目前最受欢迎的室内定位技术之一,离线阶段创建的位置指纹库的精确与否对定位的精准度有很大的影响。传统的指纹库构建一般对采集的数据进行均值滤波,误差较大,并且在范围较大的场合进行定位时,由于位置指纹数据过多,使得定位时效性不好,结果不理想。为了提高指纹库的可靠性,通过给采集的源指纹数据赋予权值并根据权值的大小划分有效数据进行滤波处理,建立高精度指纹库,并利用基于临近域加权最近邻算法进行验证。实验结果表明,与传统的构建指纹库和定位算法相比,该方法显著提高了定位精度,缩短了定位时间。     

基于5G MR指纹的室内定位技术研究

5G蜂窝网络在为终端提供无线通信功能的同时，也可以提供定位功能。基于5G MR指纹的室内定位技术，可以在不需（或不能）额外布设信源设备情况下，满足室内定位的基本要求。首先概述信令软采网络的拓扑架构，通过信令镜像数据接口，提升MR数据采集解析的时效性；接着详细介绍了基于5G MR指纹的室内定位技术的具体算法，包括指纹库生成算法、渐进式指纹信息匹配算法，该算法既能有效提升定位精度，也可节省计算时间和资源消耗。     

市区环境下北斗B1信号双通道联合跟踪环路设计

北斗导航系统已正式公开其B1频点,为亚太大部分地区提供导航,授时,定位服务。在城市环境实现导航定位是其一项重点应用。但是,城市内遍布高楼,桥梁,树木等遮挡物,对卫星信号产生衰减,遮挡,使接收机接收到的卫星信号强度低于-150dBm,甚至达到-160dBm,远远小于设计的-130dBm。另外,城市道路中,大部分情况下接收机是运动的,所以遮挡与衰减不是固定的,而是动态变化的。所以如何在该种信号状况下完成跟踪,以及如何在信号短暂消失后快速恢复信号,是北斗导航系统在城市环境中应用的研究重点。本文,根据实际道路应用特点以及北斗导航手持单天线接收机信号跟踪特性,设计了一种使用两个通道跟踪一颗卫星的方法,对信号能量下降情况,两个通道分别采用环路保持和弱信号跟踪两种处理方式,完成在信号强度低于-160dBm的环境下的信号跟踪。并通过实际道路测试,证明该方法在定位可用性上有较大提升。      

基于CC2431的无线定位系统

在固定环境下对移动目标定位可使用的技术主要有超声波定位技术、射频识别技术以及基于接收信号强度（RSSI）的定位技术。经过比较,基于接收信号强度（RSSI）的定位技术更适合于复杂的环境。文中介绍了基于RSSI定位机制的zigbee芯片／CC2431片内集成定位引擎在定位系统中的应用,并在室内环境下进行了实测,其定位效果良好。     

Incorporating Data from Multiple Sensors for Localizing Nodes in Mobile Ad Hoc Networks

The ad hoc network localization problem deals with estimating the geographical location of all nodes in an ad hoc network, focusing on those nodes that do not have a direct way (for example, GPS) to determine their own location. Proposed solutions to the ad hoc localization problem (AHLP) assume that nodes are capable of measuring received signal strength indication (RSSI) and/or are able to do coarse (sectoring) or fine signal angle-of-arrival (AoA) measurements. Existing algorithms exploit different aspects of such sensory data to provide either better localization accuracy or higher localization coverage. However, there is a need for a framework that could benefit from the interactions of nodes with mixed types of sensors. In this paper, we study the behavior of RSSI and AoA sensory data in the context of AHLP by using both geometric analysis and computer simulations. We show which type of sensor is better suited for which type of network scenario. We study how nodes using either, both, or none of these sensors could coexist in the same localization framework. We then provide a general particle-filtering framework, the first of its kind, that allows heterogeneity in the types of sensory data to solve the localization problem. We show that, when compared to localization scenarios where only one type of sensor is used, our framework provides significantly better localization results. Furthermore, our framework provides not only a location estimate for each nonanchor, but also an implicit confidence measure as to how accurate this estimate is. This confidence measure enables nodes to further improve on their location estimates using a local, iterative one-hop simple message exchange without having to rely on synchronized multiphase operations like in traditional multilateration methods.     

An improved handover algorithm based on signal strength plus distance for interoperability in mobile cellular networks

In future generation mobile cellular systems, position location of mobile terminal is expected to be available. In this paper, we propose an initiation algorithm for intersystem handover based on the combination of position location of mobile terminal and the absolute signal strength thresholds. Global System for Mobile communication (GSM) and Universal Mobile Telecommunication Systems (UMTS) networks are considered for interworking. The proposed algorithm reduces the handover rate by around 50% and thus improves the network resource efficiency as compared to that based on signal strength thresholds only.     

基于阵列天线和稀疏贝叶斯学习的室内定位方法

由于多径和非同源等因素的影响,传统基于蓝牙信号强度的室内定位方法的性能精度和稳定性都不高。针对基于蓝牙信号的复杂室内环境定位问题,该文提出基于低成本阵列天线的室内定位方法,该方法利用单通道轮采极化敏感阵列天线对蓝牙信号进行采样,然后结合暗室测量获得的准确阵列流形和极化快收敛稀疏贝叶斯学习(P-FCSBL)算法实现信源的角度估计,最后通过角度实现定位。该方法充分利用极化信息和角度信息来实现目标和多径信号的分离,同时对单信源的同时采样保证了估计的稳定性。最后通过实测数据处理验证了该方法的有效性。     

An Improved Hybrid RSS/TDOA Wireless Sensors Localization Technique Utilizing Wi-Fi Networks

This paper presents a hybrid localization algorithm for wireless sensor networks (WSNs) that simultaneously exploits received signal strength (RSS) and time difference of arrival (TDOA) measurements. The accuracy and convergence reliability of the proposed hybrid scheme are also enhanced by incorporating RSS measurements from Wi-Fi networks via cooperative communications between Wi-Fi and sensor networks. To this end, two different types of estimators based on Taylor-series (TS) expansion and maximum-likelihood (ML) estimation are first proposed to solve the set of nonlinear RSS/TDOA equations taking into account measurement errors. The corresponding Cramér-Rao lower bound (CRLB) for the established scheme is then derived and utilized as a performance measure for the two estimators. Simulation results show that the proposed hybrid positioning approach significantly outperforms the previously considered localization solutions in WSNs, thanks to the joint process of the received signals’ power and time difference of arrival. The advantages of the proposed scheme in providing high location accuracy, fast convergence, low complexity implementation, and low power consumption make it an attractive localization solution via WSNs.     

基于麦克风阵列的相容时延矢量声源定位方法

时延估计是常用的声源定位方法,传统的算法将定位分为两个步骤,即先估计麦克风阵列中每一对基元的接收信号时延,然后根据这些时延用几何的方法确定声源的位置。在低信噪比下,一对麦克风的时延估计误差较大,导致定位误差较大。相容时延矢量估计算法将两步合为一步,没有逐对估计时延,而是构造一个目标函数,通过搜索得到声源的位置。仿真结果表明,在低信噪比下,只需要较短的数据,该算法仍可得到较高的定位精度。     

基于压缩感知信号重构的wifi室内定位算法研究

针对位置指纹定位算法在训练阶段信号数据采集量大和定位精度不高的问题,提出一种压缩感知(CS,Compressed Sensing)与K均值改进支持向量机(SVM,Support Vector Machine)相结合的定位算法模型(CS-KSVM)。CS算法在训练阶段利用已采集到的部分参考点wifi信号强度数据对整个指纹信号库进行重构以降低信号采集工作量,再用K均值改进SVM算法来实现测试点的准确分类。实验仿真结果表明,CS-KSVM算法在相同采样点条件下的定位精度明显要高于传统定位算法,同时在相同定位精度条件下大大减少了定位需要的采样点数。CS-KSVM算法在3米之内的定位准确度可以达到93.2%。     

Manifold‐based canonical correlation analysis for wireless sensor network localization

Signal‐strength‐based location estimation in wireless sensor networks is to locate the physical positions of unknown sensors via the received signal strengths. In this field, there are few localization researches sufficiently exploiting topology structures of the network in both signal space and physical space. The goal of this paper is to first establish two effective localization models based on specific manifold (or local) structures of both signal space and physical (location) space by using our previous locality preserving canonical correlation analysis (LPCCA) model and a newly‐proposed locality correlation analysis (LCA) model, and then develop their corresponding novel location algorithms, called location estimation—LPCCA (LE—LPCCA) and location estimation—LCA (LE—LCA). Since both LPCCA and LCA relatively sufficiently take into account locality characteristics of the manifold structures in both the spaces, our localization algorithms developed from them consequently achieve better localization accuracy than other publicly available advanced algorithms. Copyright © 2011 John Wiley & Sons, Ltd.     

基于北斗系统驾校考试终端设计研究

本文采用BD/GPS双模式辅助差分定位技术设计了一种汽车考试行驶轨迹动态记录报警终端,具备测向、测距、测速、位置信息记录、位置信息比较以及区域报警功能。