一种WiFi指纹定位改进算法

目前,基于RSSI(received signal strength indication)的指纹定位算法由于低成本、易实施的特性,逐渐成为室内定位技术的研究热点。然而,基于RSSI的WiFi指纹定位受到指纹点观测质量的影响,RSSI抖动较大时引起定位精度较低。考虑到GPR(Gaussian process regression)模型能够有效地平滑时间序列信号,提出了基于GPR模型的WiFi指纹定位改进算法。实验结果表明,该算法能够有效提高定位精度,定位精度可达到1m,点位误差在小于1.5m限差时,其可靠度可达到83.3%。     

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.      

聚类阈值结合动态K值的蓝牙室内定位算法

针对固定阈值的动态K近邻算法定位时未能有效剔除距离较远参考点的问题,该文提出了基于聚类阈值结合动态K值的算法:①在离线阶段建立聚类指纹库,并在每个聚类子块中设定聚类阈值;②在线阶段根据待测点信号确定其所处的聚类子块和对应的阈值,由信号强度的欧氏距离和聚类阈值选取K个信号距离最小的参考点;③以信号距离倒数为权重计算坐标加权平均,作为定位结果。实验分析得出,与固定阈值的动态K值算法的平均定位误差为2.64m;聚类阈值结合动态K值算法的平均定位误差为1.12m,降低了57.6%,并且点位误差在1m和2m内的可信度分别为42.3%和77.8%。聚类阈值结合动态K值算法能够较好地剔除距离较远的参考点,可以有效提高蓝牙指纹定位的精度。     

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。     

一种基于蓝牙/Wi-Fi的自适应指纹定位方法

为混合蓝牙指纹定位和Wi-Fi指纹定位,该文提出了一种基于蓝牙/Wi-Fi的自适应指纹定位方法。通过Wi-Fi与蓝牙指纹定位结果的坐标间距判断是否存在异常定位结果,若坐标间距较小,说明定位结果无异常,两种指纹定位结果都可信,根据指纹确定权重,取加权平均值作为最终定位结果;如果坐标间距过大,说明存在异常定位结果,此时对指纹进行分析,评估定位结果的可信性,若评估结果表明只有一种定位结果可信,选择此结果作为定位结果,若两种结果都可信或都不可信,选择加权平均值作为定位结果。实验结果表明,蓝牙指纹定位的平均定位精度为3.133 m,Wi-Fi指纹定位的平均定位精度为2.878 m,而基于蓝牙/Wi-Fi的自适应指纹定位方法的平均定位精度为2.183 m,相比只用蓝牙指纹定位和Wi-Fi指纹定位,定位精度分别提高了30.32%和24.15%。     

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.      

全向指纹和Wi-Fi感知概率的WKNN定位方法

针对室内环境下Wi-Fi信号强度衰减受人体影响较大且存在信号缺失现象的现状,该文提出一种基于全向指纹和Wi-Fi感知概率的加权K近邻定位方法,离线阶段构建顾及用户朝向和Wi-Fi感知概率的全向指纹库,在线阶段将全向指纹库中的感知概率用于定位过程。分别开展了基于方向识别、全向指纹和该文所提定位方法的实验,该文所提的方法在K为2时定位精度最高,平均定位误差为1.42m,标准差为1.04m,45%定位结果的精度优于1m,80%定位结果的精度优于2m。实验结果表明,该方法在定位精度和稳定性方面优于基于方向识别定位方法和基于全向指纹的定位方法。基于全向指纹和Wi-Fi感知概率的WKNN定位方法能够减少用户身体遮挡和信号缺失对定位的影响,可提高Wi-Fi指纹定位的精度。     

基于移动智能终端的PDR/iBeacon融合室内定位

针对单传感器室内定位存在累积误差大、连续性差的问题，本文顾及行人航迹推算(PDR)与低功耗蓝牙信标(BLE Beacon)良好的互补性，研究了基于移动智能终端的融合PDR/iBeacon的室内定位算法：首先，采用电子罗盘和陀螺仪互补修正航向角法降低了PDR的累积误差，其次结合离线指纹库并利用加权K近邻法实现了iBeacon指纹定位，最后基于扩展卡尔曼滤波器(EKF)实现了PDR/iBeacon融合定位。两组实测结果表明，相较于传统的PDR,电子罗盘和陀螺仪互补修正航向角方法有效地抑制了航向误差的累积。室内行人航程为39和60 m时，融合PDR/iBeacon定位的平均误差分别为0.560、1.802 m,相比改进的PDR和iBeacon指纹定位精度提高了11.81%、25.53%和26.66%、11.75%。融合PDR/iBeacon的室内定位能降低PDR的误差累积和iBeacon定位的波动性，满足用户室内定位的需求。     

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。     

一种基于快速动态时间规整的地磁定位算法

针对地磁序列匹配定位中动态时间规整算法计算耗时长、实时性差的问题,该文提出一种基于快速动态时间规整的地磁定位算法。该算法首先利用粗粒度化的方法缩短地磁序列长度,得到"粗粒度"化的地磁数据;然后采用减小搜索空间的策略快速得出匹配地磁数据与指纹数据的相似距离和规整路径;最后将"粗粒度"化的地磁数据与规整路径再规整回原来地磁数据序列的大小。在该文提出的定位算法中,缩短地磁数据长度与控制搜索空间的策略较好地改善了地磁序列匹配定位的计算耗时问题。实验结果表明,当匹配定位的地磁序列数据长度为100时,基于快速动态时间规整的地磁定位算法的平均定位误差为1.31 m,均方根误差为1.44 m,且其单次定位时间比动态时间规整算法缩短了2.63 s,算法执行效率提升了78.5%。该文提出的地磁定位算法在保证定位精度的同时加快了算法运行速率,能满足室内定位实时性的需求,具有较高的应用价值。     

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。     

一种 RSSI 不同特征值融合的提取算法

室内WIFI指纹位置定位一般取RSSI的平均值作为其定位特征值,但考虑到室内环境的复杂性和动态性,平均值并不能准确地反映RSSI信号特征值。通过对不同外界干扰因素下RSSI的概率分布特征研究的基础上,提出一种RSSI不同信号特征值融合指纹定位算法。给出算法实现的步骤,并且在稳态环境下和动态环境下分别进行指纹定位在线端的数据采集实验。实验结果表明:RSSI不同信号特征值融合指纹定位算法的定位精度优于均值指纹定位算法的定位精度。     

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。     

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。     

PDR+BLE融合的室内实时定位方法

由于导航卫星信号在室内被遮挡,室内定位技术逐渐成为泛在导航定位领域的研究热点。行人航迹推算(PDR)和低功耗蓝牙(BLE)定位是惯性定位和射频信号定位的常用定位手段,PDR定位连续稳定但存在累积误差,BLE定位无误差累积但定位精度较差。为此,本文面向室内复杂环境行人自主定位需求,对PDR和BLE的实时融合定位展开了研究。首先针对PDR误差累积问题,提出了BLE临近校正PDR的改进算法;然后针对BLE定位粗差大的的问题,提出了基于扩展卡尔曼滤波(EKF)的自适应抗差PDR+BLE融合定位算法。试验结果表明,相比传统算法,BLE临近校正PDR算法定位精度提高了19%,基于EKF的自适应抗差融合定位精度提高了21%,定位精度和稳定性都有显著提升,在室内定位领域中具有较高的适用性和可扩展性。     

一种基于低功耗蓝牙的室内定位技术

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。     

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。     

一种基于高斯和滤波的蓝牙信标室内定位算法

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.      

高斯函数定权的改进KNN室内定位方法

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。     

一种基于图像灰度直方图相似度计算的室内定位方法

近年来,视觉定位由于定位精度高广泛应用于室内定位与导航。然而,室内环境复杂多变,视觉定位在很多场景下无法实现高精度定位,而且多数视觉定位算法耗时和计算复杂度高,不适用于智能手机。为实现基于智能手机的准确高效定位,本文提出了一种基于图像灰度直方图相似度计算的定位方法。该方法分为两个阶段：离线阶段和在线阶段。离线阶段在已知坐标的格网点分别利用智能手机采集图像,提取图像灰度直方图,建立图像灰度直方图图像特征库;在线阶段智能手机在待测点采集图像提取灰度直方图,然后与图像特征库进行相似度计算,选取相似度和最大值的格网作为概略位置,以相似度为权重采用加权均值法得到准确位置。将所提方法和KNN算法进行对比,试验结果表明,该方法的平均定位误差优于0.3 m,与KNN算法相比定位精度提高了40.7%,计算时间优于1.7 s。