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...     

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...     

蓝牙室内测距模型研究与精度分析

针对低功耗蓝牙进行室内定位过程中,蓝牙信号在室内传播过程中受到多路径、反射、非视距等误差的影响,导致蓝牙信号值存在波动性、奇异值等问题,进一步导致测距误差较大。为了验证环境对信号传播的影响,本文验证了3种主要影响因素对信号值的影响,并提出3种滤波方法对采集的初始值进行预处理;根据实际环境利用最小二乘法分段拟合测距模型;根据拟合的测距模型与处理后的RSSI值,得到准确的测距信息。实验表明,利用分段拟合的测距模型和混合滤波方法处理后的强度值,测距精度得到了明显的提高。     

基于RFID的室内定位技术的开发与研究

阐述了对基于射频识别(RFID)的室内定位技术的研究结果,基于该原理的研究成果,以无线局域网为媒介、以C#编程开发实现了基于信号能量指标(RSSI)测距的室内定位应用程序,并设计测试方案对其定位误差进行测试与分析。经测试,该程序定位误差在2.5m以内,长时间解算值方差在0.04以内,证明了该技术实现室内定位的可行性。     

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。     

基于BLE室内精确测距模型研究与精度分析

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。     

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%。     

一种基于区域优选的自适应蓝牙指纹定位算法

针对蓝牙定位精度差、耗时长等问题,该文提出一种基于区域优选的自适应蓝牙指纹定位算法。离线阶段,采用粗细粒度划分建立关于RSSI采样点位置映射的指纹库;在线阶段,根据信标距离和RSSI的关系,提出加权欧氏距离和区域优选算法,有效地克服了定位稳定性差和耗时长的问题,定位效率提高了40%,在在线定位过程中,采用自适应K值定位算法,有效地剔除了离定位点较远的点,提高了定位的精度与稳定性。在5 m×9 m的区域内进行定位精度测试,结果表明:蓝牙定位平均定位误差为0.92 m,定位误差均在2 m以内,90%的点定位精度优于1.5 m。     

RSSI信号特征值对WiFi室内定位精度的影响分析

室内WiFi指纹定位一般取接收信号强度定位技术RSSI信号特征的平均值作为其定位特征值,但由于室内环境的复杂性,平均值并不总能准确地反映RSSI信号特征。选取不同的RSSI信号特征值,即平均值、众数、中位数和最大值,通过实验数据比较分析不同RSSI信号特征值对WiFi室内定位精度的影响。结果表明,平均值作为RSSI信号的特征值用于指纹定位,相对于中位数、众数和最大值等特征值,其定位精度并没有改善,而且稳态环境下其定位结果不如最大值理想,为后续的研究提出一种基于RSSI不同信号特征值的融合算法奠定了基础。     

自动推算室内接入点坐标算法

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。     

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。     

A regression model-based method for indoor positioning with compound location fingerprints

ABSTRACT

This 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.     

ZigBee定位技术在珍贵物品监测中的应用

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。     

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。     

基于人工鱼群优化的BP神经网络WiFi指纹室内定位方法

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.      

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.