论文部分内容阅读
随着信息时代的发展,室内定位受到了越来越多的关注。Wi-Fi网络因其覆盖范围广、部署成本低等优点被广泛应用于定位。在进行Wi-Fi定位研究时主要包括接收信号强度指示(Received Signal Strength Indication,RSSI)和信道状态信息(Channel State Information,CSI)。RSSI是工作在媒体接入控制(Media Access Control,MAC)层,作为粗粒度的物理信息,它是由多条路径信号的幅度叠加之和,因其普适性被广泛应用于室内定位。CSI是工作在物理层(Physical Layer,PHY),作为细粒度的物理信息,它是由若干子载波组成的并且每个子载波均由幅度和相位进行表示,因此,CSI对环境感知更加敏感,在进行室内定位时具有更好的鲁棒性。本文综合了RSSI信息和CSI信息的优点,将两者进行结合作为指纹进行室内定位,能有效的避免多径效应对定位精确度的影响。论文的主要工作包括:(1)研究基于CSI和RSSI测量值的室内定位系统相关理论并搭建了硬件平台。首先介绍了基于Wi-Fi指纹定位系统的相关技术和方法。然后搭建CSI测量值和RSSI测量值的硬件实验平台,实验所需要的主要设备为:Inter5300型号的无线网卡,TP-Link路由器,台式计算机。操作系统为Ubuntu14.04,其内核版本3.13.0-24-generic,数据采集软件为CSI-Tool。最后利用此平台完成数据采集。(2)提出了基于支持向量回归学习的CSI和RSSI定位算法。在离线阶段,首先对CSI幅度值进行主成分分析(Principal Component Analysis,PCA)预处理,降低训练数据的维数。然后提取6个幅度信号的统计特征,结合RSSI测量值和对应参考点位置坐标,形成指纹数据库。最后通过支持向量机算法对指纹数据库进行回归学习,得到位置回归函数。在线阶段,对CSI幅度值进行PCA降维处理并提取相应的统计特征后,与RSSI测量值输入到位置回归函数,完成对位置的估计。本算法综合考虑物理层和媒体接入控制层的定位测量值,能够产生更高的定位精度。同时CSI测量值和RSSI测量值可以同时获取,硬件开销小。实验结果表明,与存在的定位算法相比,所提算法具有更精确的定位性能。(3)提出了基于极限学习机ELM-AdaBoost分类学习的CSI和RSSI定位算法。离线阶段,提取CSI测量值的9个统计特征,并与RSSI测量值结合,形成指纹数据库。然后以极限学习机(Extreme Learning Machine,ELM)作为为弱分类器,为了克服ELM算法参数的随机性,利用AdaBoost算法将多个弱分类器形成一个强的分类器。每个ELM弱分类器由权重更新的训练数据产生。最终的强分类器通过加权方法得到。在线阶段,在完成对CSI测量值的统计特征提取后,与RSSI测量值输入到位置分类函数,完成位置估计。本算法能够降低训练数据的存储需求和算法复杂性,同时提供高定位性能。实验结果表明,与存在的定位算法相比,所提算法定位性能高,计算复杂性低和数据存储需求低。