RSS室内定位信号经验模型重构研究

介绍低秩矩阵填充理论,结合RSS室内信号图的特点,借鉴地形图中的地物特征点概念,提出RSS欧氏空间信号特征点概念;提出RSS室内定位信号经验模型的具体重构算法和流程。最后,分析RSS几何空间特征点构建指纹库的精度分析和RSS欧氏空间信号特征点信号模型重构的精度分析,对不同类型的特征点赋予不同的权值,并将这些特征点用在RSS室内定位信号经验模型的重构中。实验结果表明,在数据采样量略高于位置指纹(约为1.37倍)的情况下,利用RSS室内定位信号经验模型的定位精度显著高于位置指纹的定位精度(约为2倍),特别是0.5m以内的定位精度。     

一种顾及用户朝向的加权贝叶斯指纹定位方法

为了减少用户遮挡对基于Wi-Fi指纹的室内定位的影响,该文提出了一种顾及用户朝向的加权贝叶斯指纹定位方法。离线阶段,利用4个方向的位置指纹及用户朝向构建Wi-Fi方向指纹库;在线阶段,测试点信号指纹在指纹筛选机制的辅助下从Wi-Fi方向指纹库中选取方向指纹,按照贝叶斯估计原理计算信号指纹位于参考点的概率,选出n个最大概率对应的参考点,以概率为权值计算坐标加权平均值,作为位置估计结果。实验结果表明,基于普通指纹库的贝叶斯指纹定位方法的平均定位精度为4.979m,而顾及用户朝向的加权贝叶斯指纹定位方法的平均定位精度为2.333m,定位精度提高了53.1%。顾及用户朝向的加权贝叶斯指纹定位方法减少了用户遮挡对Wi-Fi指纹室内定位的影响,可以提高Wi-Fi指纹室内定位的精度。     

聚合CNN特征的遥感图像检索

针对高分辨率遥感图像检索中手工特征难以准确描述图像的问题,提出聚合卷积神经网络(convolutional neural network,CNN)特征的方法来改进特征表达。首先,将预训练的CNN参数迁移到遥感图像,并针对不同尺寸的输入图像,提取表达局部信息的CNN特征;然后,对该CNN特征采用池化区域尺寸不同的均值池化和视觉词袋(bag of visual words,Bo VW) 2种聚合方法,分别得到池化特征和Bo VW特征;最后,将2种聚合特征用于遥感图像检索。实验结果表明:合理的输入图像尺寸能提高聚合特征的表达能力;当池化区域为特征图的60%～80%时,绝大多数池化特征的结果优于传统均值池化方法的结果;池化特征和Bo VW特征的最优平均归一化修改检索等级值比手工特征分别降低了27. 31%和21. 51%,因此,均值池化和Bo VW方法都能有效提高遥感图像的检索性能。     

卷积神经网络特征在遥感图像配准中的应用

遥感图像配准是许多遥感应用的重要步骤之一。卷积神经网络(convolutional neural network,CNN)提取的图像高层特征在图像分类和检索问题上表现优异,能够克服低层配准特征的表达能力有限、容易受到干扰等问题。因此对利用CNN特征进行遥感图像配准开展研究。首先,针对遥感图像配准问题,对CNN中的全连接层特征和不同聚合大小的卷积层特征进行了研究;然后,对利用CNN特征进行图像配准的方法进行了分析;最后,将CNN特征与尺度不变特征变换(scale-invariant feature transform,SIFT)特征在图像的旋转角度、缩放倍数和亮度依次变换时的配准性能进行了对比分析。实验结果表明,在匹配精度和正确对应点的数量方面,CNN特征比SIFT方法具有更好的匹配性能;对变换后的图像而言,微调后的CNN特征比SIFT特征具有更强的鲁棒性。     

基于Wi-Fi和Android平台的室内定位技术研究

由于GPS不能满足用户对室内定位的需求,研究并开发基于Wi-Fi和Android平台的室内定位系统,利用位置指纹匹配算法和Kalman滤波实现室内定位。实验结果表明,该系统具有良好的实时动态定位效果。     

基于PCA-SMO的CSI指纹定位方法

Wi-Fi信道状态信息（CSI）中包含丰富的特征信息,使得基于CSI的指纹定位方法可以构建更高维度的特征以改善定位精度,但指纹特征中的冗余信息也导致构建的指纹库存储量大、建立定位模型的时间开销变大以及实时定位计算量大等问题. 对此,提出使用主成分分析（PCA）的方法对原始指纹特征进行降维,而后利用序列最小最优化算法（SMO）建立降维后特征与对应位置的回归模型并进行位置预测. 实验结果表明,此算法在有效克服上述问题的同时,平均定位误差为1.25 m,定位误差在2 m之内的累计概率可以达到97%.      

基于CNN海上钻井平台检测模型的构建及训练算法分析

卷积神经网络(CNN)是深度学习(DL)中最具代表性的一种网络结构。合成孔径雷达(SAR)图像具有位置结构关系,CNN模型可以利用图像的位置结构关系,能够更好地提取图像特征,因此更适合采用CNN模型检测海洋目标。本文首先基于CNN框架构建了海上钻井平台检测的DL模型Ocean TDAx,并对模型进行训练和测试。试验结果表明,Ocean TDA9模型精度最高。然后针对Ocean TDA9模型,采用Adam、RMSprop、Stochastic gradient descent (SGD)、Adagrad、Momentum等7种模型训练算法进行试验,比较不同算法的训练损失和精度与训练批次的相关性。最后基于渤海海域的极化SAR数据,对提出的Ocean TDA9模型、已有的CNN模型及VGG模型进行海上钻井平台检测对比。结果表明,构建的Ocean TDA9模型在钻井平台检测中整体性能优良。     

基于图像匹配的高精度室内定位技术研究

本文提出了一种新的室内定位方法,上传由手机摄像头拍摄的照片,在定位图像库中进行场景选择、图像匹配,得到最佳匹配图像,根据该图像的预留信息实现准确的室内定位。首先,利用深度卷积神经网络特征和无监督学习方法进行场景选择,然后采用ASIFT(Affine Scale Invariant Feature Transform)算法对既定场景的图像逐一匹配,同时加入对极几何约束,进一步提高定位精度和速度。这种基于图像匹配的室内定位技术能够同时得到用户的位置信息和拍照时的方向信息。     

基于改进MCNN的密度图在室内定位中的应用

北京商场购物人群众多，易发生人群拥挤踩踏事故，使得确定高密度人群区域的位置变得至关重要，因此本文引入人群密度图，确定图中人群分布情况，得出室内人群的定位信息。首先将采集的人群视频分割为图像帧，并分成训练集和测试集；然后对训练集图片作人头标签处理，生成地面实况密度图，将其作为改进的多列卷积神经网络算法的训练数据生成模型，并将模型应用于测试集图片生成人群密度图；最后运用ArcGIS对人群密度图与室内平面图作地理配准处理，从而实现对高密度人群的定位。研究结果表明，利用人群密度图确定的高密度区域的位置坐标与实际坐标值基本一致，将人群密度图应用于室内定位是可行的。     

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.      

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。     

正则化距离准则的Wi-Fi位置指纹室内定位方法

针对K-近邻法中常规指纹相似度匹配准则未能充分利用测试点和参考点的几何距离信息问题,该文提出了正则化距离准则的Wi-Fi位置指纹室内定位方法。该方法较常规距离准则兼顾了测试点与参考点的指纹距离和可靠几何距离,仅增加了正则化距离和K-近邻位置估算的迭代流程。而且,该方法仅含一个正则化因子,确定方法简便且可解释性好。密集与稀疏参考点格网间距下智能手机Wi-Fi平面定位实验表明,所提方法在正则化距离准则下能够有效提高约20%的定位精度,其中曼氏和欧氏定位中误差不超过2m。     

兼顾要素正确分类及精准定位的栅格海图水深注记自动提取方法

针对当前水深注记自动提取实现困难、精度不高及效率过低等问题,将卷积神经网络(convolutional neural networks, CNN)模型应用于水深注记的自动识别,结合水深注记空间分布及几何特性对传统模式识别算法进行了改进,提出了一种兼顾要素正确分类及精准定位的栅格海图水深注记自动提取方法。通过对海图切片邻域的定量扩张,建立了顾及要素完整性的海图自适应切分模型,克服了CNN模型应用于大幅面海图要素识别的局限性;结合预测框角点位置的空间关系分析及评估,设计了面向空域冲突的要素唯一性判定原则,解决了邻域扩张引起的水深注记重复识别问题;在此基础上,进一步论证了水深注记主点位置的空间分布规律,建立了考虑要素几何分布特征的连通域分析改进模型,实现了水深注记的精准定位及数值提取。试验结果表明：(1)本文方法较好地实现了水深注记的自动提取,在CNN模型实现水深注记分类及粗定位过程中,具有较高的查全率和分类查准率。同时,最终水深注记数值提取结果正确率较高,且主点位置能满足水深注记提取的特殊要求。(2)通过多种CNN模型应用于本文自动提取模型中的对比试验,对比不同CNN模型在本文自动提取模型...     

基于回归CNN特征融合的遥感图像检索方法

针对单一图像特征不能够全面反映图像信息，导致不同图像检索性能差异性较大的问题，该文提出了一种基于回归卷积神经网络(CNN)自适应融合多特征的遥感图像检索方法。该方法利用回归CNN模型对各特征的初始检索结果进行评价和估计权重，然后根据权重融合特征，以弥补单一特征对于图像描述能力的不足，提升检索精度。此外还利用图像到查询类的距离来进一步提高检索性能。在UCMD和PatternNet两个公开遥感检索数据集上进行了算法的测试和验证，mAP较其他方法分别提升了2.13%和1.32%。结果表明，该方法能够提高遥感图像检索的性能。     

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。     

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%。     

一种基于智能手机的室内地磁定位系统

研究分析了手机传感器和室内地磁场的性质后,针对室内定位问题提出了一种基于客户端 服务器架构的定位系统.因智能手机大多搭载了能够收集地磁信号的三轴磁通门传感器,提出了两种构建位置指纹的方法:将地磁传感器的数据水平化,或是结合方向信息和地磁数据构建混合位置指纹,并通过将定位区域划分为网格的方式构建定位基准图.针对两种位置指纹设计了基于欧几里得距离的匹配算法.最后,在Android平台部署应用并进行实验,分别对比了两种位置指纹的定位准确度、地磁匹配速度,实验结果表明系统能够达到1 m的定位精度.      

仿射传播聚类在室内定位指纹库中的应用研究

基于位置指纹的室内定位,由于指纹数据结构复杂,信号时变性强等原因验证影响了定位的时效性。K-means聚类算法虽可以有效地减少数据遍历的工作量,但该方法仅仅考虑采样点在信号域的相关性,使定位精度下降,同样难以满足室内定位的实时性要求。本文基于位置指纹方法,借鉴K-Means聚类算法的思路,研究了指纹的样本点位置域和信号域特征的融合方法,并将融合后的特征引入了仿射传播聚类算法。实验测试表明：本文使用的方法可在保证精度的前提下,时间消耗平均减少40%,有效地提高了系统的实时性,可以满足室内定位的基本要求。     

联合局部二值模式的CNN高光谱图像分类

卷积神经网络CNN（Convolutional Neural Networks）具有强大的特征提取能力，应用于高光谱图像特征提取取得了良好的效果，双通道CNN模型能够分别提取高光谱图像的光谱特征和空间特征，并实现了特征的决策级融合。局部二值模式LBP（Local Binary Patterns）是一种简单但有效的空间特征描述算子，能够减轻CNN特征提取的压力并提高分类精度。为了充分利用CNN的特征提取能力及LBP特征的判别能力，提出一种双通道CNN和LBP相结合的高光谱图像分类方法，首先，采用1维CNN（1D-CNN）模型处理原始高光谱数据提取深层光谱特征，同时采用另一个1D-CNN模型处理LBP特征数据进一步提取深层空间特征，然后，将两个CNN模型的全连接层进行连接，实现深层光谱特征和空间特征的融合，并将融合特征输入到分类层中完成分类。实验结果表明，该方法在Indian Pines数据、Pavia University数据及Salinas数据上能够分别取得98.54%、99.73%、99.56%的分类精度，甚至在有限数量的训练样本条件下也能取得较好的分类效果。