论文部分内容阅读
随着移动互联网与移动终端的蓬勃发展,人们在室内活动中花费越来越多的时间。与此同时,基于位置服务的应用的大量需求推动了室内定位技术的研究与发展。得益于可以提供较高的定位精度与稳定性且成本低的优势,基于WLAN指纹的技术成为了目前室内定位技术的研究热点,其流程主要包括线下指纹库建立阶段与线上定位阶段。位置指纹主要分为接收信号强度(Received Signal Strength,RSS)与信道状态信息(Channel State Information,CSI):RSS易于采集,但是其仅是一种粗粒度信息,随时间变化大,且对多径衰落敏感,进而使得定位精度提升困难;CSI是一种物理层细粒度的高维度信息,但是不同天线的子载波间CSI存在大量冗余信息与噪声,其高维度的特点也提高了定位算法的计算复杂度。针对以上问题,本文基于RSS空间相关性提出基于谱聚类的参考点聚类方法,并提出基于深层自编码器的CSI降维与特征提取方法对CSI编码;进一步,联合RSS与CSI以丰富位置指纹特征,提出基于深度学习的定位方法以提高定位精度与稳定性,主要工作与贡献如下:(1)为了提高在3D室内定位场景下基于RSS定位方法的定位精度,本文提出了基于谱聚类和加权反向传播神经网络的3D室内定位方法,其主要创新点在于:线下阶段,利用RSS的空间相关性,定义指纹间相似度,提出的基于谱聚类的参考点聚类算法划分子指纹库,并训练基于反向传播神经网络的定位预测模型;线上阶段,根据定义的指纹相似度计算不同定位预测模型的权重,获得加权平均预测坐标,进而提高定位精度。实验结果表明,与基于神经网络的定位方法相比,本算法的中值定位误差降低了11.9%,训练时间减少了41.48%。(2)为了进一步提升定位精度,本文提出了联合RSS与CSI的基于深度学习的室内定位方法:为了降低不同子载波间CSI的冗余与噪声,提出基于深层自编码器的CSI降维与特征提取方法,将CSI降维并抽象编码;为了降低定位预测模型的计算复杂度与训练时间,联合RSS与基于CSI编码建立指纹库;基于深度神经网络的定位预测,进而提高定位精度。本算法优势在于:可扩展性强(以AP角度建立指纹库,可根据实际场景添加AP选择算法),可迁移性高(基于深度神经网络,更新指纹库时可利用已训练好的模型),定位精度较高(实验结果表明,本算法的平均定位误差为0.72m,中值误差为0.5m)。(3)为了应对实际室内定位场景中大量移动客户端高并发定位请求的巨大的挑战,本文设计并开发了基于Netty,SpringBoot,RabbitMQ框架的室内定位系统。该系统包括服务器端与客户端,其设计思想是:根据功能将服务器端的模块化,通过系统核心调度器与异步化的思想降低模块间耦合度,提高系统性能与稳定性。此外,利用电脑端客户端模拟高并发定位请求的场景并对定位系统测试,结果表明:在定位请求间隔为500ms或700ms的条件下,系统可以支持1500个用户稳定的定位服务。因此,本文设计的室内定位系统可以提供快速、高效、稳定的定位服务。