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。     

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。     

WiFi指纹定位的一种新组合算法

探讨AP选取策略和贝叶斯位置估计算法对基于RSS的WiFi室内定位技术位置估计精度的影响。国内外学者分别对AP选取算法和贝叶斯位置估计算法进行了大量的研究。为了进一步深入研究不同算法的优劣性,利用组合优化的思想对不同算法进行组合,通过找出最优算法组合从而提升WiFi室内定位系统的性能。基于互信息最小化的AP选取策略和考虑AP相关性的贝叶斯位置估计算法,提出一种新的WiFi指纹定位组合算法。实验分析表明:新算法具有良好的实用性和定位性能。     

基于WiFi信号室内定位技术的研究

主要对基于WiFi信号的室内定位技术中的三角形定位法进行了研究。鉴于现有的三角形定位模型受信号强度和环境干扰的约束影响,定位精度不高,提出了一种结合室内影响因素约束的权重改正定位模型,更加切合复杂的室内定位环境。通过试验测试和数据分析,经过加权去噪模型改正后的定位精度更高,适用性更广。     

环境WiFi能量采集系统的匹配网络与整流电路设计

设计了一款针对WiFi信号的环境能量采集系统,工作频率范围从2.4 GHz到2.485 GHz.该系统采用了4倍压整流电路,并设计了从天线到整流电路的宽带匹配电路,提升了能量采集的效率.设计的宽带匹配电路在WiFi工作频率范围内,S₁₁均小于-10 dB.整流电路可将采集信号增加4倍,能有效提高RF-DC转换效率.测试结果表明,所设计的电路达到了设计要求,在-10 dBm的输入功率下,达到了40%的RF-DC转换效率,并使超级电容在30 min内采集到了257 mV的电压.     

一种基于WiFi Direct技术的位置信息共享方法

当移动设备处于离线状态时,设备之间难以实现基于位置的信息共享。本文尝试利用Android设备搭载的WiFi Direct技术建立无线自组织网络的方法,实现了在该网络下位置信息的共享,并对该网络的性能进行了测试,同时考虑了设备中存在有设备与服务器连接时的信息共享情况。试验表明,该方法可在一定程度上解决因网络中断,设备之间不能进行位置等信息的共享或从服务器获取信息的问题。     

一种WiFi距离交会加权融合定位算法

基于距离交会的WIFI室内定位算法受环境的影响,距离反演精度较低导致定位误差较大,不同距离反演模型对定位误差影响特性存在差异。考虑到GPR距离反演模型过度平滑引起定位结果扎堆的缺陷和传统损耗模型反演精度过低引起定位结果误差较大的缺陷,提出一种基于GPR预测模型和损耗模型的加权融合定位算法。实验结果表明:该融合算法能够有效提高定位精度并明显改善基于GPR模型定位算法的定位结果扎堆现象。     

模糊数学的WiFi室内定位算法

针对目前大多数基于位置指纹的WiFi定位算法都是以统计数学理论为依托,而且很少涉足定位精度在空间分布上的研究这一问题,该文在总结K近邻、加权K近邻以及最大似然模型的WiFi室内定位基础上,提出了一种结合模糊数学理论的WiFi定位算法。从平均误差、最小误差、最大误差、变异程度、定位时间这几个角度,将该算法与其他传统算法进行比较分析。基于真实场地的实验测试结果表明,该算法定位精度高,定位速度快。最后对定位误差进行空间插值分析,结果表明4种模型的定位精度均与WiFi信号源的分布位置有很强的相关性。     

Device-free human micro-activity recognition method using WiFi signals

ABSTRACT

Human activity tracking plays a vital role in human–computer interaction. Traditional human activity recognition (HAR) methods adopt special devices, such as cameras and sensors, to track both macro- and micro-activities. Recently, wireless signals have been exploited to track human motion and activities in indoor environments without additional equipment. This study proposes a device-free WiFi-based micro-activity recognition method that leverages the channel state information (CSI) of wireless signals. Different from existed CSI-based micro-activity recognition methods, the proposed method extracts both amplitude and phase information from CSI, thereby providing more information and increasing detection accuracy. The proposed method harnesses an effective signal processing technique to reveal the unique patterns of each activity. We applied a machine learning algorithm to recognize the proposed micro-activities. The proposed method has been evaluated in both line of sight (LOS) and none line of sight (NLOS) scenarios, and the empirical results demonstrate the effectiveness of the proposed method with several users.     

基于WiFi探针数据的城市出行轨迹提取

为了更便捷地提取城市居民的出行轨迹,从而分析个体的日常空间行为,进而为城市管理的各项措施决策提供数据支撑,本文提出基于WiFi探针数据的城市出行轨迹提取方法,主要解决WiFi探针数据的路网匹配及丢失轨迹重构问题。首先,通过对终端MAC码和时间戳进行多列排序后提取出轨迹记录序列,利用信号强度RSSI值为每条记录提取坐落在路网上的候选点集。其次,设计基于局部评价的算法,对于每一个候选点,利用其前后相邻的几条记录提取的候选点集与其之间的时空关系,先后对其进行时间一致性评价和空间一致性评价,再结合以时间反比动态构建的权函数,得到最终评分;然后将每个候选点集中评分最高的点作为最佳匹配点,至此完成轨迹记录的路网匹配。最后,先采用基于深度优先的路径搜索算法搜索出丢失轨迹上下点之间的所有可行路径,再基于TOPSIS法决策出最优的重构路径。本文以东莞市市中心区域收集的WiFi探针数据为实验数据进行测试,平均每日可提取6万多条轨迹,与其中获取的GPS数据相比较验证了方法的可行性,为城市出行轨迹挖掘提供了新的解决方案。