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。     

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。     

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。     

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。     

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。     

5G信道状态信息信号质量及指纹定位性能分析

5G信道状态信息(channel state information,CSI)具有丰富的特征信息,是一种理想的指纹定位信号,但信号质量易受环境干扰,对定位性能影响较大.为了分析不同因素对5G信号质量和定位性能的影响程度,本文首先阐述了5G信号特征和基于支持向量回归(support vector regression,SVR)的定位算法,分析了数据采集时终端的高度、方向、人体遮挡等因素对信号质量的影响,测试了廊厅、小办公室和中型会议室三种场景下的定位性能.结果表明：5G信号质量受周围环境影响较大,在干扰较小的情况下,基于5G CSI的位置指纹定位算法在三种场景下的定位精度分别为0.93 m、1.46 m和1.94 m,能够满足大多数室内定位应用需求.     

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。     

PDR算法对地磁室内定位精度的提升研究

利用建筑物中金属结构引起的地磁场扰动可以对室内的行人目标进行定位,而且基于地磁场的定位无需布设任何额外设施,因此可以以低成本实现定位。但仅靠单一的地磁技术无法满足室内定位的精度要求。为了解决磁场数据中单点定位的模糊性问题,本文提出了一种利用粒子滤波算法将PDR与地磁相融合的室内定位方法,并开发了地磁室内导航系统,以智能手机为硬件平台构建磁力计传感器模型,建立匹配轨迹的均方误差准则并实现PDR累积误差实时校正的迭代计算。在68 m×1.8 m的试验区域内,产生的平均定位误差为1.13 m,最大定位误差为2.17 m。本文算法的定位精度比单独PDR算法提升了42%;与单一地磁指纹匹配算法相比,定位精度提高了57%。试验证明,本文提出的融合算法对提高室内定位精度具有显著的作用。     

卡尔曼滤波在无线信号定位中的应用

无线信号指纹定位技术已经广泛应用在室内定位中,针对无线信号不稳定造成信号指纹定位方法在连续单点定位时定位结果跳动的问题,提出利用卡尔曼滤波算法来估算用户的位置坐标。针对特定的室内环境,进行了滤波试验,试验结果表明,相比常用的均值滤波,卡尔曼滤波算法是鲁棒的,可有效改善无线信号指纹定位方法的精度,很好改善了无线信号指纹定位方法在连续单点定位时的跳动问题。     

融合CNN和CapsNet的Wi-Fi室内定位方法

针对基于位置指纹的Wi-Fi室内定位方法定位精度低的问题,本文提出了一种融合卷积神经网络(CNN)和胶囊网络(CapsNet)的Wi-Fi室内定位算法模型,记为CNN-CapsNet。首先将采集的RSSI时间序列信息,生成位置指纹图像数据集;然后通过由卷积层和池化层构成的CNN初级特征提取器,完成定位图像到初级特征图的转换;最后将初级特征图输入到CapsNet中,获得最终的分类结果。试验结果表明,在不同的向量维度,迭代次数等参数下,该模型的准确率高达99.99%,损失函数值低至0.009 91,优于其他的传统定位方法。