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。     

基于位置融合的WiFi室内定位新策略

基于接收信号强度（RSS）的WiFi室内定位技术由于其成本低、易部署的特点成为近年来的一个研究热点。基于RSS的WiFi室内定位由于受到室内环境复杂、动态变化性强的特性,位置估计精度和可靠度较低,因此本文提出了一种新的位置融合定位策略进一步改善基于RSS的WiFi室内定位的精度。新的位置估计策略融合三种AP选取策略的位置估计结果,试验结果表明,新提出的位置融合定位策略能够提高位置估计的精度,同时保证定位结果的可靠性,其整体定位性能更优。      

WiFi指纹定位中AP个数对定位精度的影响

基于RSSI的WiFi指纹定位算法离线建立指纹数据库阶段受AP个数影响,因此AP个数也将影响到指纹定位算法精度。为了探究AP个数对定位精度的影响,文中在室内环境下进行实验,选取不同的AP进行基于RSSI的WiFi指纹定位实验和分析,定位精度和可靠性作为定位结果的衡量指标。实验结果表明:在单个办公室内,5~6个AP时定位精度较高且定位结果可靠性达到最高。     

WiFi指纹定位的一种新组合算法

探讨AP选取策略和贝叶斯位置估计算法对基于RSS的WiFi室内定位技术位置估计精度的影响。国内外学者分别对AP选取算法和贝叶斯位置估计算法进行了大量的研究。为了进一步深入研究不同算法的优劣性,利用组合优化的思想对不同算法进行组合,通过找出最优算法组合从而提升WiFi室内定位系统的性能。基于互信息最小化的AP选取策略和考虑AP相关性的贝叶斯位置估计算法,提出一种新的WiFi指纹定位组合算法。实验分析表明:新算法具有良好的实用性和定位性能。     

WiFi/MEMS组合室内定位方法研究

随着LBS时代的来临,位置信息获取的需求日益提升,而传统卫星定位手段无法适用于封闭的室内环境,因此,对于室内环境的定位导航手段逐渐成为新的研究热点。本文对基于WiFi和MEMS传感器的两种定位方式进行介绍,并提出一套基于WiFi指纹匹配和MEMS传感器PDR算法组合的组合室内定位方法。试验结果表明,在行人正常移动状态下,组合定位方法具备1 m的定位精度,且保持连续稳定。     

WiFi融合环境光定位方法研究

针对现有基于WiFi的室内定位算法精度低、稳定性差的问题,该文提出了一种基于WiFi定位的环境光匹配组合室内定位方法。该方法利用智能手机中内置的传感器即可实现连续、可靠的定位。该文首先利用手机光线感应器采集室内环境光强度信息,并构建环境光指纹数据库;其次利用基于RSSI的质心定位算法进行初步定位;最后通过K-近邻匹配算法进行环境光数据库匹配,从而实现融合定位。实验结果表明,相比传统的仅靠WiFi进行定位的方法,该文算法的定位精度和稳定性有明显提升,可为大型超市、地下停车场、隧道、矿井等室内环境光较为稳定的区域提供定位技术帮助。     

稳态环境下WiFi指纹点的最佳空间分辨率确定

针对WiFi指纹室内定位技术中存在的指纹点空间分辨率的任意选取问题,该文提出了稳态环境下确定WiFi指纹定位的最佳空间分辨率的方法。指纹点空间分辨率的提高,会引起指纹点的数量的迅速增加,导致WiFi定位算法的内存和计算量的消耗。为了尽量减少WiFi室内定位技术的内存、计算量开销,在给定精度要求下,需要依据可靠度设计对应的指纹点空间分辨率。实验结果表明,对于2.0m的精度和90%的可靠性要求可采用3.0m空间分辨率;对于1.5m的精度和90%的可靠性要求可采用2.5m空间分辨率;对于1.0m精度需求的位置估计,建议采用1.5m空间分辨率的指纹点。     

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。     

基于最小二乘的WiFi匹配导航

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.     

WiFi指纹定位中采样间距对定位精度的影响

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。      

基于互补滤波融合WiFi和PDR的行人室内定位

提出了一种基于互补滤波融合WiFi和PDR的行人室内定位方法。首先改善WiFi位置指纹定位的KNN算法，通过阈值的设定，排除相似度高但实际上不可能的点，获取动态K值；然后通过行人航位推算（PDR）初始化算法，动态轨迹概率计算，确定PDR初始位置；最后在改进的WiFi和PDR的定位基础上，基于互补滤波原理，根据WiFi和PDR定位的不同特性，利用各自的定位优点，使用WiFi定位修正PDR的定位结果，通过相应权重参数的调整，输出最终融合定位结果。试验过程中，选取3种不同的室内环境区域，试验结果证明了该算法可大大提高室内定位的精度和稳定性。     

一种基于全向指纹库的WiFi室内定位方法

WiFi室内定位技术是导航与位置服务领域的研究热点。室内环境下WiFi信号衰减受人体遮蔽影响较大,本文考虑了用户朝向引起的信号强度差异,提出了一种基于全向指纹库的WiFi室内定位方法。试验结果表明,该方法定位精度高于基于方向识别的指纹定位方法,当K取4时,平均定位误差为1.44 m,定位精度优于1 m的置信概率为54%,优于2 m的置信概率为88%。     

基于粒子滤波的PDR/地磁指纹室内定位

针对行人航位推算（PDR）定位存在误差累积和地磁指纹不唯一导致的误匹配问题,本文改进了基于粒子滤波的PDR/地磁指纹室内定位方法。在PDR定位过程中利用地图信息控制粒子权重更新,得到较为准确的位置信息后,利用动态时间规整（DTW）算法在PDR推算位置基础上进行快速序列匹配,获取最优位置估计。试验结果表明,融合定位方法有效解决了行人位置穿墙问题,最大定位误差小于1.5 m,53.33%概率定位精度1 m。     

利用渐消自适应EKF算法进行PDR-WiFi融合定位

针对基于指纹库的WiFi定位存在的点位重积、回跳,行人航位推算算法中误差积累的问题,提出了并实现了通过一种自适应加权扩展卡尔曼滤波对两种定位算法进行松耦合。首先给出了WiFi无线定位和行人航位推算进行位置解算的原理,采用渐消因子的自适应加权EKF算法实现了两者的融合,最后通过实测数据验证算法的有效性。试验表明,该方法在保持了WiFi定位单次定位高精度的特性的同时,继承了航位推算的连贯性,不仅减少了WiFi定位所存在的重复堆积点以及回跳点,并在一定程度上削弱了行人航位推算所存在的积累误差,提高了融合算法的效率,大大提高了室内定位的精度与稳定性。     

低功耗蓝牙手机终端室内定位方法

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。     

一种基于智能手机的室内融合定位方法

随着室内无线终端与智能手机的快速发展,室内定位技术成为近几年的研究热点之一。本文研究了基于低功耗蓝牙(BLE)和行人航位推算(PDR)技术,利用扩展卡尔曼滤波(EKF)进行融合处理的室内定位方法。该方法包含3部分:①离线阶段利用蓝牙指纹快速采集方法建立指纹库,在线阶段利用加权K邻近算法进行指纹定位;②利用手机内置传感器准确估计航向角,并结合步态识别算法和步长估计算法推算行人位置;③利用EKF对两种定位结果进行融合,获取最优位置估计。试验结果表明,融合定位方法的平均定位精度为1.17 m,90%的概率定位精度达到2 m。     

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。     

基于RSSI联合算法的二维室内定位系统设计与实现

针对位置指纹匹配算法计算量大导致室内定位精度不高的问题,提出了一种基于接收信号强度指示(RSSI)的联合算法. 该算法以K近邻位置指纹匹配算法为基础算法,加入三角定位辅助算法,首先进行三角定位得出参考区域,再进行位置指纹匹配进行精准定位,有效地提高了定位精度. 使用Android Studio基于Java语言开发了一款集Wi-Fi位置指纹采集与在线定位一体化的软件,并在试验场地进行测试.实验结果表明:该算法定位精度在二维平面内达到 1～3 m,较单一算法定位精度有所提高.      

RSSI信号特征值对WiFi室内定位精度的影响分析

室内WiFi指纹定位一般取接收信号强度定位技术RSSI信号特征的平均值作为其定位特征值,但由于室内环境的复杂性,平均值并不总能准确地反映RSSI信号特征。选取不同的RSSI信号特征值,即平均值、众数、中位数和最大值,通过实验数据比较分析不同RSSI信号特征值对WiFi室内定位精度的影响。结果表明,平均值作为RSSI信号的特征值用于指纹定位,相对于中位数、众数和最大值等特征值,其定位精度并没有改善,而且稳态环境下其定位结果不如最大值理想,为后续的研究提出一种基于RSSI不同信号特征值的融合算法奠定了基础。