共查询到16条相似文献,搜索用时 156 毫秒
1.
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... 相似文献
2.
3.
4.
5.
低功耗蓝牙手机终端室内定位方法 总被引:5,自引:1,他引:4
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。 相似文献
6.
《测绘地理信息》2017,(4)
由于室内实际环境中低功耗蓝牙(bluetooth low energy,BLE)接收信号强度指示(received signal strength indication,RSSI)信号易受折射、多径、障碍物、散射等不稳定因素的影响,测距误差较大,针对这一问题,研究基于BLE的RSSI室内测距分析,首先,选取3个室内主要环境影响因素,研究其对RSSI测量的影响,并进行实验分析;然后,分析RSSI室内测距模型参数,根据具体室内实际环境采用平均值法优化测距模型参数;最后,提出3种不同滤波方法处理RSSI值。实验结果表明,参数优化和高斯滤波后的测距精度最高,测距误差在0.5m以内。 相似文献
7.
8.
9.
10.
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
11.
12.
ABSTRACTThis paper proposed and evaluated an estimation method for indoor positioning. The method combines location fingerprinting and dead reckoning differently from the conventional combinations. It uses compound location fingerprints, which are composed of radio fingerprints at multiple points of time, that is, at multiple positions, and displacements between them estimated by dead reckoning. To avoid errors accumulated from dead reckoning, the method uses short-range dead reckoning. The method was evaluated using 16 Bluetooth beacons installed in a student room with the dimensions of 11 × 5 m with furniture inside. The Received Signal Strength Indicator (RSSI) values of the beacons were collected at 30 measuring points, which were points at the intersections on a 1 × 1 m grid with no obstacles. A compound location fingerprint is composed of RSSI vectors at two points and a displacement vector between them. Random Forests (RF) was used to build regression models to estimate positions from location fingerprints. The root mean square error of position estimation was 0.87 m using 16 Bluetooth beacons. This error is lower than that received with a single-point baseline model, where a feature vector is composed of only RSSI values at one location. The results suggest that the proposed method is effective for indoor positioning. 相似文献
13.
随着定位服务的兴起,越来越多的人和公司注重对其所拥有的珍贵物品的管理与保护,通过对其位置的确定达到管理的目的。目前主要的定位方式是利用全球卫星导航系统(GNSS)。但是许多所要定位的珍贵物品储存于室内,而室内很难接收到卫影信号,所以无法对其进行准确定位。ZigBee室内定位技术作为目前一种新兴的短距离无线数据网络通信技术,具有低功耗、低成本、低速、高容量、高安全性、高可靠性和短时延等特点非常适合对室内珍贵物品定位。在ZigBee室内定位技术的众多定位算法中RSSI测量技术现代化无线模块已经具有对RSSI的测量功能,不需要额外硬件支持,同时误码率可以被用来估计信号衰减。同时大多数珍贵物品的所存储房间大多室内结构简单,环境因素对其影响较大,信号干扰影响基本很小。所以利用ZigBee定位算法中RSSI测量技术对室内存放的珍贵物品进行定位是可行的。 相似文献
14.
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
15.
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
16.
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. 相似文献