共查询到15条相似文献,搜索用时 531 毫秒
1.
2.
高精度的室内定位是物联网中基于位置服务应用的基础. 低功耗蓝牙信标的接收信号强度指标(RSSI)可用于室内定位. 为此,提出基于高斯和滤波的蓝牙信标室内定位(GSF-IL)算法. GSF-IL算法考虑到室内环境信号的多径衰落以及波动,利用高斯和滤波(GSF)算法处理RSSI测量值,使RSSI值具有非高斯特性,并利用瓦瑟斯坦距离(WD)将GSF模型的分量数降至单高斯分量. 仿真结果表明:提出的GSF-IL算法实现对原始RSSI值的修正作用,并利用了定位精度. 相似文献
3.
4.
5.
6.
一种改进的RSSI加权质心定位算法 总被引:1,自引:0,他引:1
针对现有加权质心定位算法易受环境因素影响、权重确定不合理导致的室内定位精度低的问题,该文提出了一种基于RSSI的改进加权质心定位算法,该方法在原算法基础上对权重的确定进行了改进,以RSSI值解算的距离值的倒数和作为权重,有效降低了较远距离在权值中所占的比重,提高了室内定位精度;针对权值修正系数n的取值对定位精度的影响,通过实例得出n=6时定位精度最高的结论,同时证明了本文算法优于现有的质心定位算法及加权质心定位算法。本文算法降低了室内复杂环境因素的影响,提高了利用无线传感网络的定位精度,可为智慧城市、智能交通、矿井及灾害救援等领域精确的位置估计提供帮助。 相似文献
7.
8.
9.
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
10.
高斯函数定权的改进KNN室内定位方法 总被引:2,自引:0,他引:2
室内某些区域无线访问接入点(AP)布设稀疏,以及信号指纹的时变特性等因素,均使得无线信号接收信号强度(RSSI)序列与射电地图(radio map)相应RSSI序列完全相同成为可能,计算得到信号空间的欧氏距离为0或非常小。利用欧氏距离定权的加权质心算法解算会出现错误,无法得到定位结果;取K个参考点坐标均值的KNN算法以1/K为权值,定位精度相对较低。本文提出了高斯函数定权的KNN定位算法,对K个最近邻欧氏距离进行了标准化处理,利用高斯函数分配权值,得到加权坐标值。与KNN和WKNN算法的定位结果相比,该方法提高了鲁棒性和定位精度。 相似文献
11.
洪洲 《测绘与空间地理信息》2017,40(10):156-158
为解决某市行政中心楼因建筑体量巨大、室内结构复杂而导致办事人员不易寻找目的地的问题,本文研究了室内空间定位搜寻方案,探讨了室内无卫星信号的定位方式。借助无线网络信号定位分析了无线网络信号传输中涉及的测距、信号滤波、空间定位等核心技术问题,并进行了试验验证,收到了良好的效果。 相似文献
12.
本文提出了一种基于蓝牙基站的室内定位解决方案。该技术方案中,蓝牙基站由低功耗蓝牙模块组成,在需要定位的室内空间均匀部署一定数量的蓝牙基站,每个蓝牙基站可以创建一个信号区域,并周期性地向外界广播自己独有的与位置信息对应的mac(media access control)地址和RSSI(Received Signal Strength Indication)值。当携带有蓝牙终端设备的用户进入该信号区域,就会接收蓝牙基站广播的RSSI值和mac地址,然后通过基于泰勒级数线性化的最小二乘迭代算法进行精确定位。实验结果表明,该系统定位精度在2.5 m以内,满足绝大多数的室内定位需求。 相似文献
13.
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
14.