论文部分内容阅读
室内定位技术在室内导航、行为监控、安全救援等方面有着广泛的应用,随着科技的发展与进步,智能终端设备越来越普及,室内定位技术也有了长足的发展。与其它定位技术相比,基于Wi-Fi的室内定位技术有着设备部署成本低和定位精度较好的优点。目前,在基于Wi-Fi的室内定位系统中,指纹法是使用较多的一种方法,由于信道状态信息(Channel State Information,CSI)相比于接收信号强度(Received Signal Strength,RSS)具有更细粒度的特征且更加稳定,因此基于CSI信号特征指纹的高精度定位成为了该领域研究的热点。本文针对神经网络等学习方法需要大规模的训练样本、需要较长的训练时间以及非参考点测试数据定位精度差等问题,提出了基于随机森林(Random Forest,RF)的CSI指纹定位方法,在离线阶段使用CSI指纹特征训练随机森林分类模型,在在线阶段使用训练好的模型实现粗定位,再利用WKNN算法完成精确定位。本文分析了CSI的空间特征及其用于室内定位系统的可行性,提出了增加RSS指纹特征组成混合指纹的方法,改善了CSI特征空间相似性不强的问题,提高了系统的定位性能;分析了非参考点测试数据对现有定位系统性能的影响,根据室内定位系统的现实要求提出了改进的相对多数投票结合策略——实时投票延时选择,再利用WKNN算法从最终投票结果中选出得票最多的K个,完成最终的位置估计,从而提高定位精度。实验结果显示在不同的环境中基于随机森林算法的定位系统离线训练时间和在线测试时间都比ConFi定位系统节省了70%以上。在参考点间隔1m的情况下基于RF的定位方法比基于CNN和KL的方法的平均定位误差下降了近1.2m,定位精度提升了27.3%。在参考点距离2m的情况下,本系统的定位精度依然有优势,定位误差比基于CNN和KL的方法分别下降了0.55m和0.71m,定位精度分别提高了13.1%和16.3%。通过实验的验证,本文提出的基于随机森林算法的CSI指纹定位系统在多种环境中都有着较好的定位精度和实时性。