WiFi定位邻近个数对位置估计的影响

基于RSSI指纹的WiFi定位算法的位置估计精度受到线上阶段WiFi指纹匹配个数的影响。考虑到室内环境的复杂性,目前国内外学者多采用任意指定指纹匹配个数的策略。本文在室内环境下进行试验,提出了WiFi定位邻近指纹匹配点的最佳个数的确定指标,对常用的邻近点匹配个数的位置估计策略进行了比对分析。位置估计的可靠度检验和包围盒检验的结果表明,在单个房间的室内环境中,选取5~8个邻近点较为合理。     

一种基于传播模型和位置指纹的混合室内定位方法

提出了一种结合传播模型的位置指纹室内定位方法。首先利用无线信号传播模型公式建立定位环境中已测定位置坐标的参考点距离各AP的理论距离的指纹数据库;然后再根据传播模型公式确定待定点到AP的理论距离;最后通过匹配待定点和匹配度最大的3个参考点之间的欧氏距离的倒数作为计算待定点坐标的权值,计算待定点坐标。试验结果表明,相对于传统的单独使用传播模型法或位置指纹法,本方法通过对两种方法结合进行室内定位,取得了更高的精度。     

改进加权距离定位算法在室内定位中的应用

基于RSSI(Received Signal Strength Indication)的距离测量技术是一种新型低成本的距离测量技术,并且在距离定位的领域中得到广泛的运用。针对常规的Zigbee指纹定位的加权最邻近定位算法较为复杂且精度低下的问题,该文对基于RSSI的Zigbee指纹数据库定位算法中加权最邻近算法进行了研究,提出了利用一种新的加权距离定位算法,并且使用Zigbee无线网络系统进行实验。结果表明,使用加权定位算法后,与常规的3种定位算法相比,Zigbee定位系统的定位偏差得到一定程度的提高且优于1.57m。     

WiFi室内距离交会定位位置的迭代解法

针对WiFi信号进行室内距离交会定位模型中WiFi测距误差引起的线性化误差不能忽略,提出在建立接收信号强度与距离的关系模型的条件下,利用高斯-牛顿迭代解法来提高室内定位的解算精度。阐述了该方法的原理,以最小二乘法求得的待定点坐标为初值进行高斯-牛顿迭代法计算。结果表明,此方法能有效提高定位精度,但精度仍不及传统指纹算法,该迭代解法仍需进一步改进。     

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。     

一种虚拟空间划分的室内指纹库定位方法

RSSI测量距离技术被广泛应用于距离定位的领域。针对传统的Zigbee指纹定位算法和复杂环境,文章提出了一种虚拟空间划分的Zigbee指纹库定位算法,其中包括虚拟空间划分最邻近定位算法、虚拟空间划分加权最邻近定位算法和虚拟空间划分贝叶斯定位算法。实验结果表明,在最优情况下,此方法能将定位误差抑制在1.50m。     

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。     

模糊数学的WiFi室内定位算法

针对目前大多数基于位置指纹的WiFi定位算法都是以统计数学理论为依托,而且很少涉足定位精度在空间分布上的研究这一问题,该文在总结K近邻、加权K近邻以及最大似然模型的WiFi室内定位基础上,提出了一种结合模糊数学理论的WiFi定位算法。从平均误差、最小误差、最大误差、变异程度、定位时间这几个角度,将该算法与其他传统算法进行比较分析。基于真实场地的实验测试结果表明,该算法定位精度高,定位速度快。最后对定位误差进行空间插值分析,结果表明4种模型的定位精度均与WiFi信号源的分布位置有很强的相关性。     

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。     

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.     

5G基站的改进加权质心室内定位算法

针对现有基站室内定位算法参与定位基站选择及权重设置不合理导致定位精度低的问题,提出了5G环境下基于接收信号强度指示(RSSI)进行加权质心室内定位算法. 该算法通过RSSI测距得到5个已知基站到待定位点的距离,以已知基站位置为圆心作圆,针对相交所得的五边形区域,取任意3个顶点组成三角形,并根据不同的基站类型以及与待定位点的距离,设定合适权重计算三角形质心坐标,利用所得的10个三角形质心坐标做最大似然估计(MLE)得到最终定位点. 仿真结果表明:在基站稀疏和密集两种环境下,本算法较经典质心算法和加权质心算法,室内定位精度明显提高.      

灰度直方图与K-最近邻的影像分割算法

针对灰度直方图在影像分类时需要考虑阈值和K-最近邻分类算法分类效率低等问题,提出了一种基于灰度直方图与KNN相结合的影像分割算法:首先对待分割的影像进行灰度直方图统计;其次利用灰度直方图对影像进行硬阈值的划分,得到已知类别样本和未标记样本;然后选择一定数量已知类别的样本对KNN分类器进行训练;最后利用KNN分类器对未标记样本进行类别划分,得到最终分割图像。实验结果表明,该算法结合了灰度直方图高效性和KNN高精度的优势,避免了直方图分割最佳阈值的选取;与传统的KNN算法相比,本文算法大大提高了分类效率,且精度相当,满足实际生产应用的需求。     

欧氏聚类算法支持下的点云数据分割

欧氏聚类算法是多元统计中的一种重要分类方法,可以将其应用于测绘领域中点云数据的分割。本文首先计算点云数据中两点之间的欧氏距离,将距离小于指定阈值作为分为一类的判定准则;然后迭代计算,直至所有的类间距大于指定阈值,完成欧氏聚类分割。具体步骤为：①利用Octree法建立点云数据拓扑组织结构;②对每个点进行k近邻搜索,计算该点与k个邻近点之间的欧氏距离,最小归为一类;③设置一定的阈值,对步骤②迭代计算,直至所有类与类之间的距离大于指定阈值。试验证明,欧氏聚类算法对不同测量技术手段获取的点云数据均具有适用性,可以成功对点云数据进行分割,分割效果良好。     

基于改进AP选择的融合随机森林室内定位算法

针对复杂室内环境下接收信号强度(RSS)值和维度发生变化的问题,提出一种改进的接入点(AP)选择方法并融合随机森林(RF)分类算法进行实时室内定位. 在离线阶段应用改进的AP选择方法,并使用AP的RSS数据方差以及AP出现频率来衡量AP稳定性并选取前m个稳定的AP. 在处理方差时会经拉普拉斯平滑,以避免出现方差为0的情况,并以此构建初步的指纹数据库;在在线阶段利用集成学习中的RF来对分类结果进行投票表决得到最终位置信息,并将改进后的算法同传统RF,改进后的AP选择融合加权的K近邻算法(WKNN)以及基于信息增益(IG)的AP选择算法加随机森林相比较. 实验结果表明:文中所提出的方法在定位误差方面较其他三个算法分别下降29.3%、23.2%、17.2%,同时在定位时间方面也有提升.      

最大空圆约束下的最邻近计算方法

移动目标的最邻近查询是位置服务的重要内容之一。本文针对地理目标分布不均的情况,将离散点集的最大空圆参数引入到最邻近查询中,提出了最大空圆约束下的k-D树最邻近查询算法。通过实验证明该算法可以有效地减少节点访问次数,减少距离计算次数,从而提高最邻近的查询效率。进而将该算法应用于移动目标的k阶邻近查询中,可以有效地减少移动点在三角网中的定位次数,改善k阶邻近的查询效率。     

一种分布式计算的空间离群点挖掘算法

针对现有空间离群点挖掘算法无法适应大规模空间数据挖掘的需求,该文提出了一种分布式条件下的空间离群点挖掘算法。首先,该文针对集群上分布式计算和存储的特点提出使用空间填充曲线来划分数据集,加速寻找目标点的近似空间最近邻居。其次,使用信息熵的理论来定义空间离群系数,考虑到多维数据中不同属性对离群系数的影响具有差异性,该算法能够自动根据数据原有特点,计算各属性的权重;同时使用反距离权定义空间因素对离群系数的影响。最后,实验结果表明该算法在大规模的空间数据集中挖掘离群点的效率远高于传统算法,离群点的挖掘精度在90%以上。     

一种K-均值聚类的改进算法及其应用

由于传统的K-均值聚类算法固有的特性,如对初始聚类中心的依赖性和对噪声点的敏感性,导致了其聚类结果的不稳定。文中基于k-dist图提出一种改进算法,算法首先去除数据集中的噪声点,然后从数据集中选取靠近点聚集区域、相距最远的k′个数据点作为初始簇中心。实验结果证明,文中算法能够很好地消除K-均值聚类算法对初始簇中心的依赖性,并能有效去除噪声点。     

应用改进的ICP算法检测工业封头表面变形

由于工业封头变形使得采集到的两期点云重心不一致,受点云重心变化的干扰,传统ICP算法出现局部收敛的情况,本文提出了一种基于点对间欧氏距离计算点云加权重心的ICP改进算法。该方法通过给不同距离的点对赋予权值,变形区域的点对距离较大,赋予的权值相对小,有效地消除了变形区域的点云对重心位置的影响。实验结果表明,该方法大大提高了ICP算法的精准性,有效消除重心变化的影响,从而可以准确地检测出工业封头变形区域。     

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.      

基于K-近邻搜索的点云初始配准

为了使用最近点迭代算法(ICP)实现点云的精确配准,需要点云有良好的初始姿态,这可以通过点云的粗配准实现。本文结合K-近邻搜索和法向量估计,通过组建不变角度作为匹配特征,求解旋转矩阵和平移向量实现粗配准,方法由Matlab7.1编程实现。具体的实验结果表明,利用该方法能得到理想的粗配准效果,可以进一步应用ICP算法实现精确配准,该方法是有效的。