共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
3.
4.
在Android平台上利用WiFi信号强度特征进行定位,定位系统由安卓客户端、Tomecat服务器以及MySQL数据库组成。基于信号强度指示(RSSI)的WiFi指纹定位在离线阶段建立的指纹数据库受采样间距的影响,因此采样间距必然影响指纹定位的精度。为了探究采样间距对WiFi指纹定位影响,在教室内进行实验,选取不同采样间距进行基于RSSI的WiFi指纹定位实验和分析,以定位的精度和时效性作为定位结果的衡量标准,实验表明,在室内环境下,采样间距为3 m的时效性较高且定位精度也能满足要求。 相似文献
5.
针对室内WiFi指纹位置定位中取RSS的平均值作为其定位特征值在室内环境的复杂性和动态性不能准确地反映RSS信号真值的问题,以及卡尔曼滤波和粒子滤波算法等用于RSS信号的提取只针对线性噪声或非线性噪声中的一种,在室内动态多变、干扰复杂多样的环境下鲁棒性不理想的问题,结合卡尔曼滤波和粒子滤波,提出一种用于RSS提取的改进的粒子滤波算法。给出了算法实现的步骤,并且在不同地点不同环境条件(静态环境和动态环境)下分别进行了指纹定位在线端的数据采集实验。实验结果表明:基于改进粒子滤波的RSS提取算法的定位精度和鲁棒性均优于均值算法、卡尔曼滤波算法、粒子滤波算法等已有算法。 相似文献
6.
《武汉大学学报(信息科学版)》2016,(3)
基于WiFi的定位技术中,对接收信号强度(received signal strength indication,RSSI)的平稳性要求较高,本文在分析室内WiFi信号强度统计特征的前提下,以Friis传输方程和运动学方程为基础,利用抗差卡尔曼滤波方法估计信号强度,达到了信号平滑的目的,从源头上为WiFi定位精度提供保障,定位结果表明采用本文所提方法可以明显提高定位精度。 相似文献
7.
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
8.
9.
WiFi-PDR室内组合定位的无迹卡尔曼滤波算法 总被引:1,自引:0,他引:1
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。 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.
12.
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。 相似文献
13.
《测绘通报》2019,(Z2)
随着WiFi技术的快速发展与普及应用,利用WiFi进行室内定位已成为当前室内定位领域研究的热点。目前室内AP布置已经非常密集,WiFi信号无处不在。但是室内AP布设存在不均匀、冗余及遮挡现象,这严重影响了WiFi室内定位的精度,同时也增加了计算过程中的复杂度。本文针对AP的选择问题提出了一种综合AP选择策略。该策略融合了方差过滤、最大平均值及互信息方法,考虑了AP信号波动性、信号区域性和AP相关性。试验结果表明:采用AP综合选择方法实现AP组合的最优化,通过WKNN定位算法对定位性能进行评估,发现AP综合选择方法定位精度明显改善,定位平均误差为0.6292m,标准差为0.2483m,与最大平均值和信息增益算法结果相比平均误差均减少0.4m以上。 相似文献
14.
随着基于位置服务应用的普及,室内外无缝定位已成为下一代定位系统的核心,但是精确的室内定位至今仍是难点问题。众多学者提出过无线信号定位算法,然而无线信号具有不稳定性,且需要事先建立信号特征指纹数据库,这给定位带来了误差和繁琐性。通过对室内环境中超宽带信号测距结果分析以及对快速生成无线信号数据库方法的探讨,提出一种基于多用户测距约束的融合多传感器信息的协同室内定位算法。该算法利用粒子滤波集成了航向推算数据、WiFi数据、用户间测距以及室内地图等信息。测距约束能够剔除由于信号不稳定或数据库没有及时更新造成的误差。通过集成室内采集的数据,验证了该算法能够有效提高室内定位精度及稳定性。结果表明该算法比航向推算或WiFi定位结果提高了40%以上。 相似文献
15.
16.
近十年来,基于RSS(received signal strength)的WiFi指纹室内定位技术逐渐成为国内外学者的研究热点,其通过接收多个AP(access points)的信号来估计用户的位置.受到室内复杂环境的影响,不同AP的观测质量存在较大差异,AP选取对WiFi室内定位性能具有重要的影响.考虑到AP在传播过程中存在信号丢失,有学者提出了基于信号丢失率(signal loss rate,SLR)的AP选取算法,为了能够选取出更加合适的AP,本文针对基于SLR的AP选取算法进行了相关参数设置实验分析.实验结果表明:在合适的参数设置下,基于信号丢失率的AP选取算法与其他现有常见方法相比,具有更高的定位精度以及可靠性. 相似文献
17.
18.
针对目前利用WiFi信号进行室内定位实时精度较低的问题,该文提出了一种改进的K最近邻算法。由于室内人体走动对于WiFi信号的不规律干扰,使得室内实时定位的精度带有很大的不确定性。为了实时地消除外界干扰带来的误差,改进的K最近邻算法增加了外部节点来监测周围WiFi信号的强度变化,通过将获取的信号强度与指纹数据库中对应节点的信号强度比对,获取差值,并应用于节点周围的客户端,来实时地校正客户端的定位结果。利用此算法在Android平台上的实验表明,该算法定位简单,可以较为明显地改善节点周围2.4m范围内的实时定位精度,使平均精度能提高0.8~1m左右。 相似文献
19.
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。 相似文献
20.
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