共查询到10条相似文献,搜索用时 15 毫秒
1.
室内场景复杂、WiFi信号不稳定等因素,造成基于信号空间K最近邻法的WiFi指纹定位算法匹配的邻近点会出现偏差,使用偏差较大的点计算待定点位置会直接影响定位结果。本文提出了一种改进的组合定权的指纹定位算法,对K个邻近点的几何结构进行分析,剔除其中偏离邻近点几何中心较远的点后,同时分析匹配邻近点中心同待定点几何位置存在理论上的关联,利用选择后的邻近点与其中心点的几何距离、待定点与指纹点欧氏距离组合定权,加权求取坐标。与KNN、WKNN算法定位结果分别进行比较,表明该方法提高了定位准确性和精度。 相似文献
2.
在具有线性约束的室内区域,如走廊或狭窄通道,使用行为地标和室内地图辅助的方法,可以提供较为精确的位置信息.但在非线性约束的室内区域,如办公室、商铺和机场大厅等空间范围较大的室内空间,人为活动轨迹难以进行线性约束,很难使用行为地标和室内地图辅助的方法进行定位.虚拟无线信号接入点(access point,AP)是利用无线信号衰减的简化公式计算出的AP的"虚拟位置".基于此,本文提出一种基于虚拟AP坐标的指纹点聚类算法,完成离线阶段对指纹点的聚类分割;提出一种基于八阵图的AP选取算法,减少在线定位阶段使用的AP的数量,降低用户定位的计算量.最后,在典型的室内场景,对所提出算法进行试验验证,显著提高了室内非线性约束区域定位的精度. 相似文献
3.
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
4.
5.
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
6.
高斯函数定权的改进KNN室内定位方法 总被引:2,自引:0,他引:2
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。 相似文献
7.
8.
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
9.
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
10.