共查询到20条相似文献，搜索用时 15 毫秒
1.
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。 相似文献
2.
3.
4.
一种基于蓝牙室内指纹定位的贝叶斯改进算法 总被引：1，自引：0，他引：1
贝叶斯估计是重要的位置指纹定位算法,但传统的等值贝叶斯先验概率在动态定位中不适用。针对该问题,本文提出了一种基于贝叶斯指纹定位的改进算法。首先,借助陀螺仪获取的航向信息和高斯核函数模型建立概率投票算法,计算先验概率;然后,结合先验概率和信号强度计算待测点位于参考点上的后验概率;最后,选取概率最高的参考点,以概率为权重计算待测点的最或然值。以智能手机为试验对象,在规则路径试验中,改进算法的平均定位误差为1.15 m,定位误差小于2 m的概率为96.1%,不规则路径试验中,平均定位误差为0.50 m,定位误差在1 m的可信度为94.8%;并且改进算法对定位中位置跳变的现象有明显改善,具有较好的稳健性。 相似文献
5.
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。 相似文献
6.
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。 相似文献
7.
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
8.
当前智能手机大多集成了多种传感器,组合多种传感器数据进行室内定位已成为研究热点。本文针对传统的Wi-Fi位置指纹室内定位精度不高的问题,提出了一种基于卡尔曼滤波结合行人航位推算的融合定位方法,经测试,融合定位方法的平均定位精度为3.1 m,较单独Wi-Fi指纹定位精度提升了43%。同时针对PDR步数检测不准确的问题,本文提出了基于低通滤波和阈值滤波的组合滤波方法,将计步准确率提高至99%,对于不同的应用场景具有较强的适应性。 相似文献
9.
《测绘科学》2020,(2)
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%。 相似文献
10.
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。 相似文献
11.
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. 相似文献
12.
13.
针对Wi-Fi信号易受噪声等外界不确定因素的影响以及移动终端接收信号强度指示（RSSI）与真实值存在偏差而导致定位精度不高的问题,本文提出了一种基于GF-KF修正RSSI的室内指纹定位方法．由于采集的RSSI不稳定,该方法利用RSSI类高斯分布的特性,对RSSI数据进行高斯拟合,以得到较为确定的RSSI值．在此基础上,引入卡尔曼滤波算法对拟合后的RSSI数据进行误差修正,结合加权K近邻（WKNN）匹配算法进行定位．实验结果表明:本文方法的平均定位误差为1.5 m,2.0 m以内的误差累积分布概率为90.06％,定位效果优于同类方法． 相似文献
14.
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。 相似文献
15.
在城市峡谷地区,由于高楼大厦的遮挡,GPS可视卫星数量往往不足4颗,无法正常定位;另一方面,随着互联网的发展,城市中的Wi-Fi热点越来越多,而且现在的数码产品(如智能手机)除了具备GPS定位功能外,还可以利用Wi-Fi信号无线上网。在此背景下,研究了利用城市泛在的Wi-Fi信号辅助GPS定位的方法。首先利用Wi-Fi信号定位获得初始的经纬度,考虑到Wi-Fi信号在高程方向的分辨率比较差,因此将观测区域的平均大地高作为先验的高程,从而获得概略的三维位置信息;然后利用高程可获得模式下的三颗GPS卫星观测值来进一步定位。实验结果表明,在加入了GPS卫星观测值后,定位精度与Wi-Fi定位初始结果相比有了明显提高。 相似文献
16.
17.
针对贝叶斯室内定位技术存在定位精度低及时间复杂度较高的问题，提出了一种基于高斯混合模型和密度聚类(GMM-DBC)的信道状态信息(CSI)定位算法.通过对分模型参数的初次估计构建GMM概率分布模型并进行误差计算；引入确定分模型个数(DSM)策略，结合误差计算结果更新GMM模型参数，减小由模型精度引起的定位误差；基于不同参考点的分布特征，判断参考点间紧密程度，将紧密相连的参考点划为一类，减小搜索范围，降低时间复杂度；根据分簇结果，利用改进的贝叶斯概率算法进行权值计算，得到最终定位结果.实验结果表明：所提算法能较好地提高定位精度，降低时间复杂度. 相似文献
18.
19.
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. 相似文献
20.
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。 相似文献