论文部分内容阅读
随着移动通信和互联网技术的高速发展,基于位置服务(Location Based Services,LBS)的应用需求日趋强烈。由于全球导航卫星系统(Global Navigation Satellite System,GNSS)可以提供连续、高精度的室外位置信息,实现了诸如车辆跟踪、车辆及行人导航等室外位置服务。但是在室内复杂多变的环境中,GNSS因信号减弱或衰竭无法导航定位,因而高精度的室内定位技术成为研究热点。因此,基于短距离无线通信的的室内定位方案应运而生。由于Wi-Fi是无线通信标准,具有传输距离远、信号保真度高、移动性强、组网便捷等特点,并且在大型公共场所等室内环境已经广泛部署,基于Wi-Fi指纹的定位技术成为室内LBS应用中定位技术的首选。但是当前Wi-Fi指纹定位方案仍存在一些问题以待解决,如信号在室内传播中受多径效应、非视距等因素导致的时变性影响定位的可靠性;参考点划分的密集程度决定算法的复杂度,影响定位的实时性;传统的KNN定位算法只能粗略估计定位点的位置范围,不能对定位点范围进一步约束。针对以上问题,本文提出一种改进的KNN—三角形内点(KNN—PIT)室内定位算法。主要工作及创新点如下:(1)根据室内空间结构特征,建立具有类标号的位置指纹库。传统的指纹库仅包含位置和对应的接收信号强度指示(Received Signal Strength Indication,RSSI)向量。在指纹库中增加类标号位置属性,有助于缩减定位的匹配区域,降低算法复杂度。(2)引入虚拟参考点,利用最佳三角形内点(point in triangulation,PIT)原理进一步约束目标点的定位区域,自适应地使用定位算法进行定位。虚拟参考点并不在指纹库中真实存在,它是在KNN算法定位时假定出来,不仅有助于提高定位精度,也有助于降低指纹库容量,降低计算复杂度。(3)综合运用高斯滤波、均值滤波技术,降低离线和在线阶段的信号随机误差带来的定位影响。离线阶段对采集到的大样本Wi-Fi信号数据进行高斯滤波处理,去除误差较大的干扰值。在线阶段采用均值滤波降低信号的单次随机误差影响。最后,通过实验结果表明:改进后的KNN-PIT定位算法与传统KNN定位算法相比可以更好地估计用户的实际位置,降低定位误差,提高定位实时性。