一种基于区域优选的自适应蓝牙指纹定位算法

针对蓝牙定位精度差、耗时长等问题,该文提出一种基于区域优选的自适应蓝牙指纹定位算法。离线阶段,采用粗细粒度划分建立关于RSSI采样点位置映射的指纹库;在线阶段,根据信标距离和RSSI的关系,提出加权欧氏距离和区域优选算法,有效地克服了定位稳定性差和耗时长的问题,定位效率提高了40%,在在线定位过程中,采用自适应K值定位算法,有效地剔除了离定位点较远的点,提高了定位的精度与稳定性。在5 m×9 m的区域内进行定位精度测试,结果表明:蓝牙定位平均定位误差为0.92 m,定位误差均在2 m以内,90%的点定位精度优于1.5 m。     

步态特征提取的K均值聚类自适应判别

针对微惯性零速修正算法中步态特征的准确提取,以及步态特征的无规律性成为制约行人导航系统中步态信息提取与辨识的问题,该文提出一种基于K均值聚类自适应的行人步态特征辨别方法。分析行人步态规律并通过设定角速率阈值法对步态特征进行初判后,采用K均值聚类自适应算法设定时间阈值并将误判的步态进行纠正。为验证该算法的普适性,分别针对不同测试个体和同一个体5组不同行走速度条件下的步态特征判别实验,结果表明,本文提出的步态自适应判别方法对不同个体具有良好的适应性;为进一步验证K均值自适应步态判别算法对人员位置解算的准确性,分别开展圆形及400m跑道闭合行走实验,对比不同行走路径对应的位置误差可看出,解算位置误差虽然随行走距离增大而增加,但其相对误差均不超过2%。     

一种基于蓝牙室内指纹定位的贝叶斯改进算法

贝叶斯估计是重要的位置指纹定位算法，但传统的等值贝叶斯先验概率在动态定位中不适用。针对该问题，本文提出了一种基于贝叶斯指纹定位的改进算法。首先，借助陀螺仪获取的航向信息和高斯核函数模型建立概率投票算法，计算先验概率；然后，结合先验概率和信号强度计算待测点位于参考点上的后验概率；最后，选取概率最高的参考点，以概率为权重计算待测点的最或然值。以智能手机为试验对象，在规则路径试验中，改进算法的平均定位误差为1.15 m，定位误差小于2 m的概率为96.1%，不规则路径试验中，平均定位误差为0.50 m，定位误差在1 m的可信度为94.8%；并且改进算法对定位中位置跳变的现象有明显改善，具有较好的稳健性。     

基于几何聚类指纹库的约束KNN室内定位模型

针对室内环境基于RSSI定位不稳定问题,提出了以几何信息改进基于指纹库的KNN定位算法。根据室内几何布局建立了聚类指纹库,提出了表征点位几何特性的点散发性强度(geometric strength of sporadic,GSS)概念。利用最邻近样本点的GSS判别移动终端所在参考点RP控制网结构以动态选择KNN关键参数K,构建最佳多边形为约束准则自适应选取后K-1个邻近点,建立了基于几何聚类指纹库的约束加权KNN室内定位模型。结果表明,改进后定位模型可以更好地估计终端位置信息,其中几何聚类指纹库是改善定位准确性的关键,约束KNN能够有效地提高室内定位精度。     

WiFi-PDR室内组合定位的无迹卡尔曼滤波算法

针对当前室内定位的应用需求和亟待解决的关键问题,结合城市室内环境下广泛存在的WiFi无线信号以及智能手机传感器信息,提出了一种WiFi无线信号联合行人航迹推算(PDR)的室内定位方法。该方法采用无迹卡尔曼滤波(UKF)算法对WiFi和PDR定位信息进行融合处理,有效克服了WiFi单点定位精度低和PDR存在累计误差的问题。针对融合算法中WiFi指纹匹配计算量大的问题,用k-means聚类算法对WiFi指纹库进行聚类处理,降低了指纹匹配算法的计算量,提高了算法的实时性。通过在华为P6-U06智能手机平台上实际测试,在时间效率上经过聚类处理后系统定位耗时有很大程度的改善,平均降幅为51%,其中最大降幅达到64%,最小的也达到了36%;在定位精度上,当室内人员为行走状态时WiFi定位平均误差为7.76m,PDR定位平均误差为4.57m,UKF滤波融合后平均定位误差下降到1.24m。     

自适应K值及指纹库扩充的WLAN室内定位方法

针对细粒度指纹库构建耗时、邻近点误匹配等突出问题,为提升细粒度指纹库构建效率,该文提出了一种基于克里金插值算法的可靠接入点指纹点扩充方法。该方法在稀疏采样基础上完成细粒度指纹库自动扩充,获得丰富指纹样本。对于WKNN匹配算法中临近点误匹配和固定K值适应能力较弱等问题,提出一种改进的LWKNN算法,通过引入离群点探测剔除误匹配参考点,自适应获得动态K值,提高了参考点选取的准确性。经验证,提出的指纹库自动扩充方法及改进的LWKNN算法,在建库效率、定位稳定性和精度上均有显著提升。     

仿射传播聚类在室内定位指纹库中的应用研究

基于位置指纹的室内定位,由于指纹数据结构复杂,信号时变性强等原因验证影响了定位的时效性。K-means聚类算法虽可以有效地减少数据遍历的工作量,但该方法仅仅考虑采样点在信号域的相关性,使定位精度下降,同样难以满足室内定位的实时性要求。本文基于位置指纹方法,借鉴K-Means聚类算法的思路,研究了指纹的样本点位置域和信号域特征的融合方法,并将融合后的特征引入了仿射传播聚类算法。实验测试表明：本文使用的方法可在保证精度的前提下,时间消耗平均减少40%,有效地提高了系统的实时性,可以满足室内定位的基本要求。     

一种改进的组合定权的指纹定位算法

室内场景复杂、WiFi信号不稳定等因素,造成基于信号空间K最近邻法的WiFi指纹定位算法匹配的邻近点会出现偏差,使用偏差较大的点计算待定点位置会直接影响定位结果。本文提出了一种改进的组合定权的指纹定位算法,对K个邻近点的几何结构进行分析,剔除其中偏离邻近点几何中心较远的点后,同时分析匹配邻近点中心同待定点几何位置存在理论上的关联,利用选择后的邻近点与其中心点的几何距离、待定点与指纹点欧氏距离组合定权,加权求取坐标。与KNN、WKNN算法定位结果分别进行比较,表明该方法提高了定位准确性和精度。     

一种基于智能手机四向RSS指纹的室内定位方法

针对传统位置指纹匹配算法只能表征单一维度指纹点特征的问题,提出了一种基于智能手机四向接收信号强度(RSS)指纹的室内定位方法. 该方法通过离线阶段的数据采集、特征提取、接入点(AP)权重分配三个步骤提取了更丰富的指纹点信息,在线阶段使用改进的K最近邻(KNN)分类算法将测试点与指纹点匹配. 在操作系统版本为Android 10的智能手机上使用蓝牙传感器进行实验验证,随机选取30个测试点,得到的实验结果表明:1)四向RSS指纹优于传统的单向RSS指纹,在相同的实验条件下使用四向RSS指纹最高可降低13.4%的定位误差;2)使用四向RSS指纹结合提出的算法,平均定位误差在1.61 m,且响应时间在毫秒级.      

ST-CFSFDP:快速搜索密度峰值的时空聚类算法

时空聚类算法是地理时空大数据挖掘的基础研究命题。针对传统CFSFDP聚类算法无法应用于时空数据挖掘的问题,本文提出一种时空约束的ST-CFSFDP(spatial-temporal clustering by fast search and find of density peaks)算法。在CFSFDP算法基础上加入时间约束,修改了样本属性值的计算策略,不仅解决了原算法单簇集多密度峰值问题,且可以区分并识别相同位置不同时间的簇集。本文利用模拟时空数据与真实的室内定位轨迹数据进行对比试验。结果表明,该算法在时间阈值90 s、距离阈值5 m的识别正确率高达82.4%,较经典ST-DBCSAN、ST-OPTICS及ST-AGNES聚类算法准确率分别提高了5.2%、4.2%和7.6%。