共查询到20条相似文献,搜索用时 18 毫秒
1.
2.
3.
4.
基于WiFi信号室内定位技术的研究 总被引:1,自引:0,他引:1
主要对基于WiFi信号的室内定位技术中的三角形定位法进行了研究。鉴于现有的三角形定位模型受信号强度和环境干扰的约束影响,定位精度不高,提出了一种结合室内影响因素约束的权重改正定位模型,更加切合复杂的室内定位环境。通过试验测试和数据分析,经过加权去噪模型改正后的定位精度更高,适用性更广。 相似文献
5.
6.
《武汉大学学报(信息科学版)》2016,(3)
基于WiFi的定位技术中,对接收信号强度(received signal strength indication,RSSI)的平稳性要求较高,本文在分析室内WiFi信号强度统计特征的前提下,以Friis传输方程和运动学方程为基础,利用抗差卡尔曼滤波方法估计信号强度,达到了信号平滑的目的,从源头上为WiFi定位精度提供保障,定位结果表明采用本文所提方法可以明显提高定位精度。 相似文献
7.
8.
在Android平台上利用WiFi信号强度特征进行定位,定位系统由安卓客户端、Tomecat服务器以及MySQL数据库组成。基于信号强度指示(RSSI)的WiFi指纹定位在离线阶段建立的指纹数据库受采样间距的影响,因此采样间距必然影响指纹定位的精度。为了探究采样间距对WiFi指纹定位影响,在教室内进行实验,选取不同采样间距进行基于RSSI的WiFi指纹定位实验和分析,以定位的精度和时效性作为定位结果的衡量标准,实验表明,在室内环境下,采样间距为3 m的时效性较高且定位精度也能满足要求。 相似文献
9.
针对目前利用WiFi信号进行室内定位实时精度较低的问题,该文提出了一种改进的K最近邻算法。由于室内人体走动对于WiFi信号的不规律干扰,使得室内实时定位的精度带有很大的不确定性。为了实时地消除外界干扰带来的误差,改进的K最近邻算法增加了外部节点来监测周围WiFi信号的强度变化,通过将获取的信号强度与指纹数据库中对应节点的信号强度比对,获取差值,并应用于节点周围的客户端,来实时地校正客户端的定位结果。利用此算法在Android平台上的实验表明,该算法定位简单,可以较为明显地改善节点周围2.4m范围内的实时定位精度,使平均精度能提高0.8~1m左右。 相似文献
10.
自动推算室内接入点坐标算法 总被引:2,自引:1,他引:1
随着基于位置服务的应用与发展,室外和室内定位技术都得到了飞速发展。特别是在WiFi定位技术的不断完善下,室内定位技术有了广泛的应用,但是,WiFi定位技术的两种定位方式均需预先知道室内网络接入点的精确坐标,这一要求无法满足一些紧急情况下的定位需求。因此,本文提出了一种基于M估计的自动推算室内接入点坐标算法。该算法借助在室内外交界处同时获取卫星定位信息和WiFi信号的RSSI信息,巧用分段RSSI测距算法提高长距离RSSI测距精度,结合残差绝对和最小的M估计改进距离交会定位算法,最终推算出室内接入点的三维坐标,实现自动化推算过程。试验结果表明:该方法的定位精度比常规距离交会最小二乘算法提高了50%,能够快速实时较精确地推算室内接入点的坐标,进一步完善了WiFi定位技术。 相似文献
11.
融合地磁/WiFi/PDR的自适应粒子滤波室内定位 总被引:1,自引:0,他引:1
随着国民经济的快速发展,人们在室内活动的时间越来越长,室内空间环境也越来越复杂,对室内环境的位置与导航服务的需求也越来越高。由于地磁信号具有稳定性的特点,且WiFi技术已得到广泛部署,融合使用地磁和WiFi定位具有一定的优势。因此,本文基于Android系统智能手机作为接收设备,融合地磁、WiFi及行人航迹推算(PDR)技术,通过自适应粒子滤波模型和随机抽样一致性算法对采集的信号进行处理。试验证明,地磁、WiFi、PDR三者融合进行室内定位的方法与其他单类方法相比,实现了将室内定位精度的误差最小降低到1.02 m。 相似文献
12.
针对传统的基于反向传播(BP)神经网络室内定位算法存在着低精度和慢收敛问题,且考虑到室内环境复杂,通常存在多径效应,无法使用信号强度衰减测距模型进行精确定位,提出一种改进的人工鱼群优化的BP神经网络WiFi指纹室内定位算法.利用人工鱼群觅食和寻优方式来提高全局寻优搜索的速度和能力,采用改进的人工鱼群算法(IAFSA)优化选取室内定位BP神经网络的权值和阈值,有效避免了传统BP神经网络的预测值易陷入局部最优的缺点,同时利用高斯滤波对信号进行去噪处理,建立采样点获取到的信号强度值(RSSI)与位置坐标的关系.实验结果证明所提方法与传统的BP神经网络方法相比,平均定位误差减少了0.75 m,平均定位精度提高32.2%,提高了定位可靠性,算法具有更好的稳定性. 相似文献
13.
《测绘通报》2019,(Z2)
随着WiFi技术的快速发展与普及应用,利用WiFi进行室内定位已成为当前室内定位领域研究的热点。目前室内AP布置已经非常密集,WiFi信号无处不在。但是室内AP布设存在不均匀、冗余及遮挡现象,这严重影响了WiFi室内定位的精度,同时也增加了计算过程中的复杂度。本文针对AP的选择问题提出了一种综合AP选择策略。该策略融合了方差过滤、最大平均值及互信息方法,考虑了AP信号波动性、信号区域性和AP相关性。试验结果表明:采用AP综合选择方法实现AP组合的最优化,通过WKNN定位算法对定位性能进行评估,发现AP综合选择方法定位精度明显改善,定位平均误差为0.6292m,标准差为0.2483m,与最大平均值和信息增益算法结果相比平均误差均减少0.4m以上。 相似文献
14.
15.
16.
低功耗蓝牙手机终端室内定位方法 总被引:5,自引:1,他引:4
为满足高精度室内定位的需求,提出了基于地图匹配技术和指纹技术的高精度室内蓝牙定位方法。该方法以低功耗蓝牙手机终端为指纹采集和定位媒介,通过获取蓝牙信号强度参数,并与室内地图进行匹配处理,建立蓝牙信号指纹库。在定位阶段,通过手机终端获取附近蓝牙信号强度信息,与指纹进行对比。在位置计算过程中,采用地图匹配技术,通过空间叠加分析过滤后确定手机终端的空间位置。本文选取了一典型商业环境,通过测试,当蓝牙锚点部署密度间隔15 m时,平均定位精度在3 m以内。 相似文献
17.
讨论了WiFi室内定位技术中常用的定位方法,并以位置指纹匹配方法为例,详细分析了其定位算法及精度.在此基础上,提出了基于最小二乘的接收信号强度匹配方法.在仿真场景下,分别对该算法进行了静态和动态的实验.结果表明,与位置指纹匹配方法相比,基于最小二乘的匹配方法可以达到子格网的定位精度. 相似文献
18.
针对Wi-Fi信号易受噪声等外界不确定因素的影响以及移动终端接收信号强度指示(RSSI)与真实值存在偏差而导致定位精度不高的问题,本文提出了一种基于GF-KF修正RSSI的室内指纹定位方法.由于采集的RSSI不稳定,该方法利用RSSI类高斯分布的特性,对RSSI数据进行高斯拟合,以得到较为确定的RSSI值.在此基础上,引入卡尔曼滤波算法对拟合后的RSSI数据进行误差修正,结合加权K近邻(WKNN)匹配算法进行定位.实验结果表明:本文方法的平均定位误差为1.5 m,2.0 m以内的误差累积分布概率为90.06%,定位效果优于同类方法. 相似文献
19.
针对多项式模型在大地高向正常高的转换中精度偏低的问题,本文首先讨论一次、二次、三次多项式模型的高程拟合精度,以确定最优拟合参数,进一步结合最小二乘配置法及EGM2008重力场模型对多项式模型进行精度优化。通过实例分析,多项式模型i=3时精度最高为0.045 m,结合最小二乘配置法的拟合中误差为0.032 m,再结合移去-恢复法为0.017 3 m。二次多项式模型拟合精度最高,最小二乘配置法及重力场模型可进一步将拟合精度提高至四等水准的精度要求。 相似文献
20.
WiFi-PDR室内组合定位的无迹卡尔曼滤波算法 总被引:1,自引:0,他引:1
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。 相似文献