共查询到17条相似文献，搜索用时 655 毫秒
1.
讨论了WiFi室内定位技术中常用的定位方法,并以位置指纹匹配方法为例,详细分析了其定位算法及精度.在此基础上,提出了基于最小二乘的接收信号强度匹配方法.在仿真场景下,分别对该算法进行了静态和动态的实验.结果表明,与位置指纹匹配方法相比,基于最小二乘的匹配方法可以达到子格网的定位精度. 相似文献
2.
研究分析了手机传感器和室内地磁场的性质后,针对室内定位问题提出了一种基于客户端 服务器架构的定位系统.因智能手机大多搭载了能够收集地磁信号的三轴磁通门传感器,提出了两种构建位置指纹的方法:将地磁传感器的数据水平化,或是结合方向信息和地磁数据构建混合位置指纹,并通过将定位区域划分为网格的方式构建定位基准图.针对两种位置指纹设计了基于欧几里得距离的匹配算法.最后,在Android平台部署应用并进行实验,分别对比了两种位置指纹的定位准确度、地磁匹配速度,实验结果表明系统能够达到1 m的定位精度. 相似文献
3.
针对行人航位推算（PDR）定位存在误差累积和地磁指纹不唯一导致的误匹配问题,本文改进了基于粒子滤波的PDR/地磁指纹室内定位方法。在PDR定位过程中利用地图信息控制粒子权重更新,得到较为准确的位置信息后,利用动态时间规整（DTW）算法在PDR推算位置基础上进行快速序列匹配,获取最优位置估计。试验结果表明,融合定位方法有效解决了行人位置穿墙问题,最大定位误差小于1.5 m,53.33%概率定位精度1 m。 相似文献
4.
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。 相似文献
5.
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
6.
7.
8.
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
9.
针对传统位置指纹匹配算法只能表征单一维度指纹点特征的问题,提出了一种基于智能手机四向接收信号强度(RSS)指纹的室内定位方法. 该方法通过离线阶段的数据采集、特征提取、接入点(AP)权重分配三个步骤提取了更丰富的指纹点信息,在线阶段使用改进的K最近邻(KNN)分类算法将测试点与指纹点匹配. 在操作系统版本为Android 10的智能手机上使用蓝牙传感器进行实验验证,随机选取30个测试点,得到的实验结果表明:1)四向RSS指纹优于传统的单向RSS指纹,在相同的实验条件下使用四向RSS指纹最高可降低13.4%的定位误差;2)使用四向RSS指纹结合提出的算法,平均定位误差在1.61 m,且响应时间在毫秒级. 相似文献
10.
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
11.
提出了一种基于互补滤波融合WiFi和PDR的行人室内定位方法。首先改善WiFi位置指纹定位的KNN算法，通过阈值的设定，排除相似度高但实际上不可能的点，获取动态K值；然后通过行人航位推算（PDR）初始化算法，动态轨迹概率计算，确定PDR初始位置；最后在改进的WiFi和PDR的定位基础上，基于互补滤波原理，根据WiFi和PDR定位的不同特性，利用各自的定位优点，使用WiFi定位修正PDR的定位结果，通过相应权重参数的调整，输出最终融合定位结果。试验过程中，选取3种不同的室内环境区域，试验结果证明了该算法可大大提高室内定位的精度和稳定性。 相似文献
12.
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。 相似文献
13.
由于GPS不能满足用户对室内定位的需求,研究并开发基于Wi-Fi和Android平台的室内定位系统,利用位置指纹匹配算法和Kalman滤波实现室内定位。实验结果表明,该系统具有良好的实时动态定位效果。 相似文献
14.
针对传统指纹库存在建立工作量大以及随机森林匹配误差大等问题,提出了一种基于指纹库自动扩充的改进随机森林指纹定位方法(FDE-IRF)以提升指纹库构建的效率和指纹匹配的精度. 该方法对传统全采样构建指纹库方法和随机森林回归定位方法进行改进,稀疏采样多时间段的指纹数据和Kriging插值方法组合补全未采样指纹点,提升建库效率,得到强代表性的指纹库. 同时,利用决策树加权策略改进传统随机森林平均投票的方式,根据袋外数据评估决策树的预测误差,分配相应的权重,提高该算法的回归准确率. 实验结果表明:该方法的平均定位误差为1.26 m,其误差值比同类方法至少降低14.3%,验证了算法的准确性和有效性. 相似文献
15.
Wi-Fi信道状态信息（CSI）中包含丰富的特征信息,使得基于CSI的指纹定位方法可以构建更高维度的特征以改善定位精度,但指纹特征中的冗余信息也导致构建的指纹库存储量大、建立定位模型的时间开销变大以及实时定位计算量大等问题. 对此,提出使用主成分分析（PCA）的方法对原始指纹特征进行降维,而后利用序列最小最优化算法（SMO）建立降维后特征与对应位置的回归模型并进行位置预测. 实验结果表明,此算法在有效克服上述问题的同时,平均定位误差为1.25 m,定位误差在2 m之内的累计概率可以达到97%. 相似文献
16.
17.
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