论文部分内容阅读
随着物联网的蓬勃发展和移动设备的普及,基于位置的服务显得愈发重要。越来越多的设备已经被接入物联网,日常生活中人们对定位导航的需求日益增加。作为一项基本技术,基于位置的服务是智能城市建设的先行需求,定位精度的提高将以指数形式推动相应的服务呈指数级增长。它的应用场景十分广阔,包括智慧城市、工业自动化、智能交通和数字医疗和智能家居等。目前,在室内定位领域,市场上已经存在基于蓝牙,WiFi技术和红外技术的广泛应用的成熟的定位系统。但是,蓝牙的特点是传输范围小,传输率低。在现实生活中,很难同时处理多端口,高密度和低功耗的需求。使用红外线技术的产品具有方向性,这意味着变送器必须与接收器对齐,中间没有障碍物。在这样的背景下,WLAN逐渐兴起并凸显了它的优越性。本文调研了国内外室内定位技术研究的发展和现状,对基于WiFi的室内定位技术进行了大量的研究,选择使用信道状态信息(CSI)作为研究对象。CSI可以直接从WiFi中提取出来,它能够尽可能避免多径效应与噪声的影响,提高定位稳定性和精度。针对目前室内CSI指纹定位技术中存在的问题,在现有的硏究基础上,提出了两种基于信道状态信息(CSI)指纹的室内定位方法:(1)提出了一种基于多维尺度分析(MDS)的CSI指纹定位方法。首先在离线阶段,利用CSI振幅作为指纹并将它们存储在数据库中。在在线阶段采用MDS来缩减CSI的维数并将相似度转换为相对坐标。降维后,选择确定性算法K最近邻法(KNN)来匹配目标点位置和指纹。通过KNN算法可以获得最接近目标点的参考点,并将该点作为目标估计位置。此外,作者选取?一小部分参考点,通过基于CSI传播模型的优化三角形质心算法,获得另一个待估计的目标位置,并将多维尺度分析的定位结果和质心算法定位结果的平均值作为最终目标位置。(2)提出了一种深度学习方法来实现基于CSI的室内定位方法。离线阶段中使用栈式自动编码器(SAE)网络来训练CSI数据并探索其特征,然后用深度网络的权重作为指纹存入数据库。在在线阶段用基于径向基神经网络的贝叶斯概率模型来估计用户所在位置。这两种方法都进行了相关实验,并与其它典型算法做了比较。实验证明,这两种算法都是有效的,与其它现有的典型基于CSI指纹的室内定位方法比较,本文的方法达到了更好的效果。最后,对本文的工作进行了总结,并对下一步需要做的工作进行了展望。