基于CSI指纹序列匹配的LTE室内定位方法

针对传统单点指纹定位技术出现的定位点偏移过远问题,研究了基于CSI指纹序列匹配的LTE室内定位方法,利用OFDM子载波的CSI信息作为指纹特征并根据运动的连续性构建了指纹序列库,进一步引入序列匹配算法实现用户定位。实验结果表明,所提方法能够在提升指纹数据灵敏度和稳定性的同时,有效地降低定位出错概率,从而提升了LTE系统的定位性能。     

基于信道状态的室内定位技术研究

传统的室内定位技术由于RSSI受限于多径效应和时间波动性,定位效果具有很大的不稳定性。本文采用细粒化的无线状态信道信息,即通过对物理层信道响应的测量来减少多径干扰,并实现采用OFDM和MIMO技术的新一代无线网络条件下的室内定位新方法。本文分析了定位算法的系统设计,通过802.11n无线网卡采集OFDM系统中特性信道状态信息的频率分集特性参数并经过校准,使之应用于室内定位算法。仿真结果显示相比于传统基于RSSI的定位方法,基于信道状态信息的室内定位系统具有更好的定位精度和稳定性。     

基于信道状态信息幅值-相位的被动式室内指纹定位

基于信道状态信息(CSI)的室内定位技术近几年备受关注。已提出的室内定位方案主要在适用性和定位精度等方面进行不断地创新和改进。该文提出一种被动式的1发2收指纹室内定位系统。用两个固定接收端采集CSI数据,信号预处理阶段对CSI幅值进行奇异值去除与低通滤波,用线性拟合的方法对CSI相位进行校正,将两个接收端采集处理得到的CSI幅值和相位信息共同作为指纹,最终通过全连接神经网络对指纹样本进行训练,并与采集到的实时数据进行匹配识别。实验表明,采用两个接收端以及幅值和相位结合定位的方法,匹配识别率达到了98%,定位精度达到0.69 m。证明该系统能精确有效地实现室内定位。

     

基于OCAE-SOM的室内指纹定位算法研究

针对室内定位技术精度较低及数据量过大影响运算时间等问题,提出基于OCAE-SOM(Optimized Convolutional Autoencoder-Self Organizing Map)的室内指纹定位算法.离线阶段,先将信道状态信息的幅值相位预处理矩阵作为原始输入数据,并调整为RGB(Red,Green,Blu...     

基于RSS与CSI混合指纹室内定位研究

接收信号强度指示(RSS)作为一种主流的方案常用于基于测距的定位系统和指纹定位系统.但是,RSS常常受到多径效应及噪声信号的影响,其定位性能并不稳定.近年来,很多商用的WiFi设备支持获取物理层的信道状态信息(CSI).CSI是比RSS能以更细粒度表征信号特性的一种指标.相比RSS,CSI通过对多路子载波信号特征分析,从而尽可能避免多径效应与噪声的影响.CSI为基于WiFi的室内定位技术开辟了新的空间,因而被广大研究者所关注.基于以上原因,本文开展了异构无线网络下基于RSS与CSI混合指纹的室内定位方法研究.     

双频-时频信道联合指纹优化室内定位方法

传统信道状态信息（Channel State Information, CSI）指纹定位方法存在以下难题:1）单频段或单域的CSI存在较大维度损失,指纹解译能力差;2）硬件设备的基带设计导致CSI幅度和相位失真,定位稳健性差。因此,针对当前流行的双频WiFi网卡,提出双频-时频信道联合指纹优化室内定位方法。首先通过获取双频段的CSI进行幅度和相位优化,然后从优化后的CSI中提取出双频-时频信道联合指纹。将多个样本的该指纹分别输入到定位模型进行位置候选集构造,再根据候选集合,提出可信位置选择算法,联合优化各个候选位置的核密度函数和权重,选出值得信任的位置进行加权,得到最终位置的最优估计。两个实际场景中的实验结果表明所提定位方法极大地改善了指纹解译能力,较传统方法具有更高的定位精度和稳健性。      

嘈杂环境中利用CSI信息的室内轨迹跟踪技术

基于信道状态信息的室内轨迹跟踪技术近几年来备受关注。为了利用现有的商用WiFi设备实现实时的轨迹跟踪，本文采用了一发一收的室内轨迹跟踪系统，主要利用通过信道状态信息计算得到的多维参数包括飞行时间、到达角度、多普勒频移和信道衰减来计算得到相应的位置信息，并且提出了利用环境动态参数来修正定位参数的方法，以达到更为精准的轨迹跟踪效果。实验表明，采用这种方法，定位精度可以达到0.65m，证明了该方法能精确有效地实现室内轨迹的跟踪定位。      

基于迁移学习提高WiFi室内定位中信道状态信息指纹库的鲁棒性

基于信道状态信息(CSI)数据的WiFi指纹可用于室内定位。与信号强度值(RSSI)数据相比,CSI具有更高的数据信息粒度,并且可以在多个子载波上获得。当使用CSI数据进行室内定位时,相对于RSSI可以获得更好的结果。然而,无论使用RSSI还是CSI信号,在室内定位部署期间的一段时间后,室内环境通常会发生变化,并且基于测试数据的指纹数据库通常会恶化甚至失效。该文提出使用迁移学习算法来建立用于室内定位的指纹数据库。迁移学习的优势在于,可以使用较少的数据来获得更好的迁移训练结果。该文使用迁移学习来迁移指纹数据库的预测,延长指纹数据库的生命周期,并提高室内定位的鲁棒性。经过实验,1周后室内定位准确率保持在98%,两周后保持在97%。在相同成本下,该模型的生命周期和定位精度高于长短期记忆网络(LSTM)、卷积神经网络(CNN)、支持向量机(SVM)、深度神经网络(DNN)和其他定位系统。     

CAEFi:基于卷积自编码器降维的信道状态信息指纹室内定位方法

针对提高Wi-Fi指纹室内定位技术性能,该文首先提出一种基于卷积神经网络(CNN)的信道状态信息(CSI)指纹室内定位方法。该方法在离线阶段联合CSI幅度差和相位差信息对CNN模型进行训练。在廊厅和实验室两种不同室内定位场景进行了定位实验,分别获得了25 cm和48 cm的平均定位误差;然后,在此基础上重点针对提高基于CNN的CSI室内定位时效性,引入卷积自编码器(CAE)实现CSI的降维处理,在保证原始定位方法精度的前提下,定位时间提高了40%,同时将内存消耗降低到原算法的1/15,实验结果验证了所提算法的有效性。     

基于电源线和位置指纹的室内定位技术

该文提出将室内环境不可或缺的电源线作为天线,通过在电源线上注入宽带高频信号构造室内空间的位置指纹,进而实现室内空间精确定位。首先介绍了电源线上宽带高频信号注入模块的实现技术,以及室内空间位置指纹的构造方法;其次,介绍了基于朴素贝叶斯分类算法的室内定位原理;最后,通过实验分析证明在多训练样本情况下,基于朴素贝叶斯分类算法的定位算法比基于K最邻近点(KNN)分类算法的定位算法有更好的定位准确率和时间迁移适应能力。     

Indoor Wi-Fi Positioning Algorithm Based on Location Fingerprint

Mobile Networks and Applications - Currently most of the existing indoor fingerprint positioning algorithms are based on fingerprint database. The accuracy of the fingerprint database will directly...     

基于RFID的室内定位技术研究

RFID(射频识别技术)以其非视距,非接触,多目标,低成本,效率高,识别速度快,定位精度高等特点而逐渐成为一颗耀眼的定位新星。文章先介绍了RFID系统的发展状况,然后按各主要组件介绍其分类及功能,阐述RFID系统工作原理,提出了RFID常用技术的应用,同时对RFID技术未来的发展趋势进行展望。     

基于RSSI测距的室内定位技术

搭建了基于ZigBee技术的室内定位实验平台,以实验室楼道为室内场景进行了接收信号强度(RSSI)测距和定位实验研究。首先对测距实验采集到的数据使用线性回归分析拟合出当前环境的具体测距模型,并对信标和未知节点进行软件开发,实现了基于RSSI的定位算法。经过定位实验精度评估,文中算法的平均定位误差为2.3 m,满足大多室内场景要求。     

基于场强地图的室内定位技术研究

室内定位技术的发展,要求能提供快速建立、适应性强、成本低的定位系统。基于场强地图的室内定位技术,能大幅减少离线测试工作量。针对当前离线阶段存在预测场强不准的问题,提出了追踪共轭梯度法,能快速建立场强地图。在线阶段提出了加权差分坐标K最近邻法,结果表明该方法与传统方法相比,能使离线阶段的反演模型数据优化,使得在线阶段的定位匹配误差进一步减小,获得更高的定位精度。     

基于位置指纹的室内定位技术

近年来,随着物联网逐渐成为世界信息产业发展的热点,室内智慧化建设的技术要求越来越高,而位置信息在室内环境中具有广泛的应用场景.基于此,综述现有的室内定位技术与方法,从成本、部署难易程度、后期推广方面综合分析,总结出基于位置指纹的室内定位方法的优势;主要研究并实现了一种基于位置指纹的室内多模定位方法,该方法是一种低成本、...     

室内定位技术应用分析研究

本文阐述了室内定位技术的应用场景、实现原理和面临的问题,介绍了典型的室内定位系统,通过对不同技术优劣的比较和对室内定位技术发展趋势的分析,得出如下的结论：现阶段室内定位解决方案要综合考虑用户需求、环境特性、各种定位技术的优劣进行设计,融合多种技术提高性能。未来室内定位技术的发展将会向着融合多种技术的分米级广域无缝室内外定位的目标前进。     

基于多传感器室内云定位技术研究

目前室内定位技术仍处于探索阶段,正在研究的室内定位技术包括WiFi、Bluetooth、RFID、Zigbee、可见光定位、地磁定位、红外线定位和超声波定位等,通过这些独立的技术手段已经实现5～10 m的室内定位精度,但是在工作过程中这些技术手段往往存在可靠性、连续性和稳定性不足的现象,难以满足大众位置服务和应急救援的需求。在研究智能手机的WiFi、蓝牙和地磁等多传感器的基础上,提出了一种混合室内云定位技术,通过基于深度学习的多层指纹特征提取技术、基于众包数据的指纹数据更新技术,最终实现可靠连续稳定的定位结果,达到优于3 m的室内定位精度。     

可见光重构指纹室内定位算法研究

提出一种可见光重构指纹室内定位算法(RFP),通过融合到达时间差(TDOA)算法和指纹算法可快速完成室内高精度定位。该算法首先利用TDOA算法多次估计得到的解集定义一个区域,然后在该区域中构建三维精细指纹库,再利用匹配算法定位未知节点。仿真结果表明,该算法的平均定位误差约为0.1719m,与传统的TDOA算法相比,提高了定位精度,与传统精细指纹算法相比,节省了定位时间。