论文部分内容阅读
随着无线通讯技术的不断发展和普及,Wi-Fi在日常生活中的应用领域越来越广,由于成本低、信号传输范围广、适用性强等特点,Wi-Fi广泛应用于不同的室内定位系统。由于不需要部署专有的设备,基于Wi-Fi的室内定位方法有着较大的优势。根据采集信号的不同,基于接收信号强度(Received Signal Strength,RSS)的室内定位技术与基于信道状态信息(Channel State Information,CSI)的室内定位技术组成了基于Wi-Fi的室内定位技术。但在室内环境中,RSS作为一种粗粒度信息,受到其他信号干扰的可能性较大,同时也会受室内多径效应的影响,无法提供较高的精确度和可靠性。使用IEEE 802.11n传输协议的Wi-Fi信号,可以通过修改无线网卡驱动来获取正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)子载波中的CSI,CSI来自物理层,它可以更好的表示信号发射端与接收端之间的信道特征和状态。本文主要研究工作如下:(1)将基于Wi-Fi的指纹室内定位技术与其他不同室内定位技术的技术特征做了对比分析,结合实际应用场景和需求提出一种利用RBM(Restricted Boltzmann Machine,RBM)的CSI指纹室内定位方法。采集数据后利用RBM训练校准CSI数据并建立指纹数据库,在线阶段使用朴素贝叶斯分类算法进行位置估计。实验结果显示指纹数据量较少的情况下,本文提出的方法能够提供较为可靠的定位精度。(2)针对数据完整性不足,实验环境单一,鲁棒性较低等问题,在第一阶段的研究基础上提出了一种利用DHNN(Discrete Hopfield Neural Network)的CSI指纹室内定位方法。该方法通过将指纹数据设置为吸引子并引入DHNN进行收敛判断,最终进行位置估计。同时,在实验中引入对比实验环境,验证本文提出方法的鲁棒性,实验结果与同类方法相比,本文提出的方法具有较高的定位精度。(3)在一定范围内,数据量越大指纹数据库构建的越详细定位精度就会越高,但采集数据的人力和时间成本就会显著上升,导致普适性降低。因此,提出了一种幅度和相位结合的CSI指纹室内定位方法。在实际环境中对硬件设备采集到的数据进行分析和筛选,在大量数据中选择最能够代表位置特征的数据,利用它构建更为准确的指纹数据库。实验结果显示,与同类方法相比,本文提出的方法能够提供较为可靠的定位精度,鲁棒性较强。