跨异构设备的室内Wi-Fi指纹定位方法

基于Wi-Fi位置指纹的室内定位中,采用异构设备在同一位置、同一时间采集的无线信号接收强度（Received signal strength indicator,RSSI）存在差异,使得离线指纹库与不同用户在线采集的信号难以兼容而影响定位精度。针对该问题,本文提出一种适应异构设备的定位算法。该方法首先通过接入点（Access point, AP）选择,构建信号稳定的离线指纹数据库,再使用普氏分析法（Procrustes analysis, PA）对指纹库标准化,消除异构设备引入的信号差异。在线阶段采用余弦相似度（Cosine similarity, CS）算法得到目标的位置估计。在2种典型室内环境中利用4台手机测试了所提方法的定位性能,并分析了影响定位性能的因素。实验结果表明,所提方法在2种室内环境中的平均定位误差分别为2.96 m和2.29 m,相比较加权K近邻（Weight K-nearest neighbor, WKNN）算法定位精度分别提高了21.3%和21.6%。     

基于 DPC 指纹子空间匹配的室内 WiFi 定位方法

针对无线接收信号强度 (RSS) 受传播环境突发噪声影响从而引起指纹定位较大误差的问题,本文提出了一种指纹子 空间匹配结合密度峰值聚类 (DPC) 的定位算法,有效避免大误差点。 首先通过在线阶段目标 RSS 信号的接入点 (AP) 覆盖 向量,确定有效的参考位置点,并划分多个指纹子空间,利用改进的 WKNN 算法估计目标在每个子空间内的位置;最后利用 DPC 算法选取决策值最大的 S 个估计位置确定目标。 所提算法简单,不需要离线阶段的学习过程训练定位模型,尤其适合存在 大量 AP 的大范围室内定位区域。 实际环境中的定位实验表明,基于 DPC 的指纹子空间匹配算法比 WKNN 算法的定位精度提 升了 25% 左右,且在参考点分布密度为 1. 8 m × 1. 8 m 的实验条件下基本消除了 4 m 以上的大定位误差,有效提高了定位方法 的整体性能。     

利用分子机器的组装与分解构建pH敏感性谷胱甘肽过氧化物人工酶

谷胱甘肽过氧化物酶（GPx）是体内一种重要的抗氧化酶,对GPx的人工模拟能够拓展其体外应用,利用生命体内天然pH差异实现响应的pH敏感性GPx人工酶更是有着广泛的潜在应用。然而目前制备的pH敏感性GPx人工酶普遍存在活性较低的缺点,本文设计合成了同时含有高活性GPx催化中心和两个伯胺基团的乙胺单碲醚分子,酶促反应动力学的分析结果表明其二级反应速率常数高达10¹ L·mol^-1·min^-1数量级。pH=6时,乙胺单碲醚分子能够与葫芦[6]脲分子（CB[6]）组装形成分子机器,此时活性中心被包埋于CB[6]的疏水空腔之中,仅能展现出（0.04±0.02）μmol·min^-1·μmol^-1的活性;pH=7时,分子机器部分分解,能够展现出高达（0.35±0.06）μmol·min^-1·μmol^-1的活性。因此,通过调控体系pH在6和7之间变化,借助分子机器的组装及部分分解调控人工酶活性的关闭与开启,从而构建了高活性的pH敏感性GPx人工酶。     

利用分子机器的组装与分解构建pH敏感性谷胱甘肽过氧化物人工酶

谷胱甘肽过氧化物酶（GPx）是体内一种重要的抗氧化酶,对GPx的人工模拟能够拓展其体外应用,利用生命体内天然pH差异实现响应的pH敏感性GPx人工酶更是有着广泛的潜在应用。然而目前制备的pH敏感性GPx人工酶普遍存在活性较低的缺点,本文设计合成了同时含有高活性GPx催化中心和两个伯胺基团的乙胺单碲醚分子,酶促反应动力学的分析结果表明其二级反应速率常数高达10¹ L·mol^-1·min^-1数量级。pH=6时,乙胺单碲醚分子能够与葫芦[6]脲分子（CB[6]）组装形成分子机器,此时活性中心被包埋于CB[6]的疏水空腔之中,仅能展现出（0.04±0.02）μmol·min^-1·μmol^-1的活性;pH=7时,分子机器部分分解,能够展现出高达（0.35±0.06）μmol·min^-1·μmol^-1的活性。因此,通过调控体系pH在6和7之间变化,借助分子机器的组装及部分分解调控人工酶活性的关闭与开启,从而构建了高活性的pH敏感性GPx人工酶。     

室内多用户在线协同指纹定位算法

针对室内环境中多个用户同时申请定位服务的场景,提出一种基于多用户在线协同的室内指纹定位算法.考虑到邻近的多个用户在同一时段观测的Wi-Fi接入点(Access Point, AP)的接收信号强度指示(Received Signal Strength Indicator, RSSI)信号服从相似的空间分布,从而可利用该信号强度的大小来校准用户的估计位置.算法首先由目标用户的AP覆盖向量确定邻近的候选参考节点(Reference Point, RP)以及协同定位用户;利用协同定位用户观测的RSSI信息对候选RP进行可信度评估,并结合目标用户的RSSI信号与各候选RP指纹的相似度,筛选候选RP,利用WKNN(Weighted K-Nearest Neighbors)算法获得经协同定位用户校准后的目标用户的校准估计位置;同时,算法还融合了子集定位的思想,利用目标用户的在线RSSI信号构建用于校准定位的多个AP子集,并由位置密度检测方法剔除异常校准位置,确定目标的最终估计位置.算法涉及的协同用户的发现和位置的校准都无需额外的硬件支持,对用户透明.典型室内环境中的实验结果表明,多用户在线协同定位算...