基于卷积神经网络的室内指纹定位算法

随着无线网络和智能设备的普及,室内定位得到了迅速发展.在室内定位中,基于指纹的定位方法因为无需外部设施、抗干扰性强等优点逐渐成为研究热点.近几年深度学习的发展为提高指纹定位算法的精度带来了新的机遇.因此提出了一种基于CNN的指纹定位算法,使用卷积神经网络（convolutional neural network,简称CNN）来改进指纹库的构建.首先,在收集了CSI与磁场数据后,通过CNN对这些数据进行处理,将每个参考点处的CNN模型参数值用作为指纹.然后使用一种概率方法来进行最后的指纹匹配.实验结果表明,该定位算法比传统的指纹定位算法具有更好的鲁棒性和更高的定位精度.     

基于广义RBF神经网络室内定位修正算法

为提高基于接收信号强度指示(RSSI)室内定位的定位精度,并降低时效性对定位的影响,提出将加权仿射传播聚类(WAP)与广义径向基函数(RBF)神经网络相结合的室内定位算法以及一种指纹数据优化方案.通过高斯分布对指纹数据进行优化;采用熵值法对仿射传播聚类算法的偏向参数p进行均值加权处理,得到粗定位结果;结合广义RBF神经网络得到修正后的定位结果.实验结果表明,该方法在提高室内定位精度的同时,减少了RSSI值的时效性对定位精度的影响.     

基于神经网络的多源融合室内定位算法

针对WiFi信号在室内复杂环境下不稳定以及建筑物对地磁场的扭曲作用造成单一定位源定位精度不高的问题, 本文采用多源信息融合定位技术, 有效利用WiFi和地磁场的指纹数据来进行定位, 提出了一种改进的自适应差分进化算法来优化BP神经网络(improved differential evolution BP, IDEBP). 该方法通过改进差分进化算法的变异、交叉和选择操作来优化BP神经网络的权值和偏差, 有助于BP模型更好地学习WiFi和地磁场指纹数据的特征. 仿真结果表明, IDEBP算法能大大提高室内指纹定位的精度.     

基于人工鱼群算法的无线室内定位优化

针对基于BP神经网络室内定位算法收敛速度慢和定位精度低的问题,提出了改进的人工鱼群算法( AFSA)和距离加权质心法。通过改进人工鱼觅食和寻优方式来提高人工鱼全局寻优的能力和速度,并用该算法来选取室内定位神经网络参数;通过改进的加权质心法计算距离,以减小室内复杂环境干扰造成的定位的误差。实验证明该改进方法使室内定位的平均精度比BP神经网络模型提高8%左右,并提高了室内定位的可靠性。     

基于进化理论的无线网络室内定位算法

传统测距算法采用电磁信号的理论模型,其参数根据经验确定,导致定位误差较大。为了提高室内的定位精度,减少环境因素的不利影响,提出了一种基于进化理论的无线网络室内定位算法。首先采用模拟生物进化的遗传算法对损耗模型参数进行估计,找到最优的模型参数,然后采用三边定位算法对未知节点进行定位,最后进行仿真实验测试其性能。结果表明:该方法可以有效降低无线网络的室内平均定位误差,具有一定实用价值。     

基于IGWO-GRNN的室内3D定位算法

为解决基于相对位置的定位算法易受环境干扰,定位精度不高的问题,提出一种基于改进灰狼算法-广义回归神经网络(IGWO-GRNN)的室内3D定位算法.利用GRNN建立3D定位模型,通过IGWO优化平滑因子,将待测节点与信标节点间的信号强度值作为神经网络的输入,神经网络的输出即为待测节点的真实三维坐标.将仿真结果与其它算法进行比较,验证了所提算法的定位精度与收敛速度均优于其它算法.     

一种RSS和CSI融合的二阶段室内定位方法

针对基于接收信号强度RSS(Received Signal Strength)或信道状态信息CSI(Channel State Information)的室内定位方法在现实环境中定位精度低的问题,提出一种RSS和CSI融合的二阶段室内定位方法.离线训练时采集数据构建指纹库;在线测试时首先利用RSS和改进的k最近邻kNN(k-NearestNeighbor)算法进行位置粗略估计,然后根据粗略估计结果筛选参考点构建子指纹库,最后使用高斯核函数改进的k最近邻算法进行位置精确估计.将该定位方法在室内复杂环境和空旷环境两种环境中进行实验验证,定位精度分别达到72.4％和75.9％,并将本文方法与两种现有的经典定位方法DeepFi和Horus在同一环境中进行比较,实验结果表明该方法能够有效地减小定位误差、提高定位精度.     

一种抑制NLOS误差的UWB定位方法

针对超宽带设备在室内环境下受各种因素的干扰存在标准偏差的问题,对测距数据进行拟合,求解标准偏差,对设备进行标定;针对室内场景存在的非视距误差会降低定位精度的问题,提出了一种改进的扩展卡尔曼滤波算法,设定阈值判别视距数据与非视距数据,剔除非视距误差。实验结果表明:该方法可以有效抑制标准偏差和非视距误差对定位精度的不良影响:视距环境下,静态定位和动态定位精度均可达到厘米级;非视距环境下,静态定位精度达到厘米级,动态定位精度达到亚分米级。     

利用指纹稀疏性的室内定位技术

室内无线网络信号强度在一定程度上表现了接收器与信号发射源的距离信息,因此在移动设备上不添加任何额外接收设备而利用无线网络信号进行室内定位是目前的一种主流技术。但由于无线网络信号容易受到复杂的室内环境干扰,基于无线网络信号的定位结果容易产生较大的误差。文章提出了一种基于无线网络信号构成的指纹室内定位技术,用传统的指纹室内定位技术结合稀疏表示方法,利用稀疏字典提取指纹中的主特征指纹从而分离大部分的指纹噪声,再利用分离后的指纹进行定位。实验结果表明,与传统算法相比,该算法可将定位精度提高约20%。     

一种基于支持向量回归的802.11无线室内定位方法

802.11无线局域网技术的广泛普及,给无线室内定位系统带来了良好的发展契机.提出了一种基于支持向量回归的802.11无线室内定位方法.该方法主要包括离线训练和在线定位两个阶段.离线阶段的主要工作是得到精确的位置预测模型;在线阶段的主要工作是根据移动设备的接收信号强度(received signal strength,简称RSS)进行在线定位.由于存在室内环境复杂、信道拥塞、障碍物影响和节点的通信半径有限等问题,移动设备的接收信号强度易受干扰,复杂多变.针对以上问题,离线阶段对接收信号强度信息进行统计分析,得出数据过滤规则,对训练数据集进行过滤,以此提高训练样本质量,从而提高支持向量回归预测模型的质量.在线阶段使用连续K次测量定位法获取信号强度信息,保证训练样本与在线输入信息之间的一致性,提高最终的定位精度.通过实验对该定位方法进行了综合对比分析,实验结果表明：与常用概率定位法、神经网络法相比,该方法具有更高的定位精度,同时具有对移动设备的存储容量及其计算能力要求较低的特点.     

Aitken迭代法在无线传感器网络节点定位中的应用

传感器节点的自定位问题是无线传感器网络的重要研究内容之一.为了减小无线传感器网络节点定位中节点测距误差和定位算法自身引入误差的积累对定位精度的影响,建立了基于Aitken迭代公式的适用于无线传感器网络的迭代模型.算法包括两个阶段:第一阶段,利用DV-Hop算法进行粗定位;第二阶段,建立Aitken迭代模型,利用第一阶段的定位结果作为初值,求取定位结果的最优值.研究结果表明,该算法能够有效提高节点的定位精度,对于网络节点密度小、信标节点比例低的情况,算法效果显得非常明显.     

ZigBee-based intelligent indoor positioning system soft computing

Nowadays positioning system is no longer only for military purpose, while it has been widely applied to various livelihood purposes such as biological information, emergency rescue, public facilities and individual safety. While the most frequently used to identify the coordinates of users is global positioning system (GPS), however, it tends to be interfered by indoor buildings such that it cannot be effectively used in indoor environment. Recently, wireless sensor network has become a trendy research topic, the positioning service of indoor positioning system can be achieved by the measurements of received signal strength (RSS) or link quality indicator (LQI). In this paper, the average RSS is first adopted for reducing the noise interference of LQI, and then the object to be detected will be trained by radial basis function network (RBFN) with the capability of identifying the environment of location. ZigBee module will then be integrated to realize a set of convenient wireless indoor positioning system with low cost. In addition, multiple similar artificial neural networks within the same region will be adopted to further improve the positioning accuracy. Experiments shown that this study is capable of effective enhancement of existing IPS accuracy with the average error of indoor positioning at 2.8 meters 100 % comparing with other approaches.     

一种改进的基于KNN的动态预测指纹定位算法*

针对目前的WiFi室内定位普遍存在定位精度不高、定位结果不稳定等问题进行了研究,为了改善这些不稳定因素,根据室内传播信号波动较大的特点提出了一种基于KNN的指纹定位改进算法。该算法通过动态预测节点位置,从无线地图中过滤掉到标签处没有相似RSS向量的RP来寻找最近邻,以降低KNN算法的时间和计算复杂度。实验结果表明,改进后的算法在定位精确度方面有了较大的提高。因此,得出结论：改进后的KNN定位算法在减小位置漂移和定位的平均误差, 确实可以提高定位的精确度。     

基于无线体域网的在线人体活动识别

基于智能手机传感器的人体活动识别是普适计算领域的研究热点.为扩展可识别的活动种类,并提高准确率和实时性,提出了由智能手环和智能手机组建无线体域网通过深度神经网络在线识别人体活动的方法.首先,设计由智能手环和智能手机组成的无线体域网的总体框架;然后,对预处理后的传感信号,构造带有Inception结构的卷积神经网络和长短时记忆递归神经网络来分别提取时空域特征,并结合两类网络结构来融合多模态传感数据,离线进行神经网络模型训练;最后,对训练好的神经网络模型进行优化,并部署到智能手机上,在线实时识别人体活动.实验结果表明,本文方法无需手工设计特征,可自动融合各类异构传感数据,更加准确、高效地识别了更多种类的活动.     

基于精确时间测量的无线网络室内定位系统研究

随着IEEE 802.11-2016协议(也称为802.11mc)的精确时间测量(FTM)定位解决方案的引入,通过RTT往返时间来进行测距并进行定位的技术路线正在得到重视.目前提出的基于FTM的测距方案测距精度在视线环境下通常具有1~2 m的偏移误差,由于在802.11mc中,噪音不具备高斯性,精度的进一步提升存在着较大困难,进而导致定位精度达不到米级.本文选用了成本仅在数百元量级的市场设备搭建室内定位系统,提出了一种新的单目标网络定位方案——基于极大似然估计与核密度估计的可扩展贝叶斯定位算法(MLKB).该算法首先利用核密度估计法对测距数据集进行预处理,再对室内AP测距结果小于10 m的数据进行线性拟合,将拟合后的测距结果代入基于紧邻AP策略的线性最小二乘法作为粗定位结果,定义基于极大似然估计的目标函数,最后利用贝叶斯算法迭代得到最终的预测位置.本文基于Wi-Fi FTM Linux Tool开源工具实现了FTM测距、定位模块并验证了其精度.通过在室内视线环境和非视线环境下进行实验,结果表明在室内LOS环境下,MLKB算法可达到最高62%的米级定位精度,在强NLOS环境下可达到41%的米级定位精度,相比朴素贝叶斯算法在LOS和强NLOS环境下的米级精度分别提高43%和17%.在仅使用4个AP协同室内单目标定位的条件下,同近年先进研究成果运用的定位算法相比,MLKB算法在不同环境下具有良好的泛化能力,总平均定位精度能达到1.5 m以内,平均米级定位精度数据占比达到了45%,定位效果均优于各种常见的定位算法.     

无线传感器网络节点OSFL-TLBO定位算法

定位技术对于无线传感器的应用是至关重要的,没有位置坐标的传感器节点信息是没有意义的。针对非测距的DV-Hop算法定位精度不高的问题,提出了一种新的基于反向蛙跳-教学优化(OSFL-TLBO)定位算法,以改进DV-Hop用平均跳距来代替欧式距离时的累积误差问题和利用最小二乘法求解非线性方程时对初值敏感,受测量误差影响较大的问题。把无线传感器网络节点的定位问题转化为求解最优解的问题。仿真结果表明,所提算法的定位准确度提高大约10%~25%,有效的提高了定位精度。     

Wi-Fi multi-floor indoor positioning considering architectural aspects and controlled computational complexity

This paper focuses on the positioning of Wi-Fi nodes in multi-floor indoor environments. A target radio-frequency (RF) fingerprint – measured by the MS to be localized – is compared with georeferenced RF fingerprints, previously stored in a correlation database (CDB). Therefore, this strategy lies within the so-called Database Correlation Methods (DCM) used to locate mobile stations (MS) in wireless networks. To obtain best matches in terms of architectural structures such as floors, doors, aisles, among others, the authors apply two combined techniques that improve localization accuracy: unsupervised clustering (K-medians and Kohonen layer) and majority voting committees of backpropagation artificial neural networks (ANNs). The unsupervised clustering is employed to allow collected data (the fingerprints) to group freely in their natural space, without precluding – through the imposition of architectural constraints – any natural arrangement of the collected fingerprints. The proposed combined strategy improves floor identification accuracy, which in indoor multi-floor positioning must be high. The effects of the proposed solution on the DCM positioning accuracy are experimentally evaluated using actual measured data. In the trial the floor identification accuracy ranged from 91% to 97%, and the average 2D positioning error ranged from 4.5 to 1.7 m, depending on the size of the measurement window (from 1 to 25 samples).     

无线传感器网络定位综述

无线传感器网络定位在当前需求的推动下,已经成为热点研究领域。本文分别从定位方式、定位技术以及定位原理3个方面对无线传感器网络定位研究进行了梳理并展开了综述;其次,分别对3种基于无线传感器网络的定位算法进行了描述;然后,阐述了目前无线传感器网络定位的热点问题,其中,针对定位研究中非视距干扰问题,分别从非视距误差的数值特征和统计特征两个方面的研究现状进行了分析,并对基于多传感器融合的无线传感器网络定位方法进行了分析和总结;最后,针对无线传感器网络定位应用的挑战进行了展望。