论文部分内容阅读
随着“互联网+”概念的提出以及物联网技术的成熟,位置服务在物流运输、生产、急救、定位、巡航、查询等各个方面凸显出越来越重要的作用,推动着基于位置服务(Location-Based Service,LBS)行业定位技术的发展。技术上,目前已有如蓝牙(Bluetooth)、红外线(Infrared)、超宽带(Ultra Wideband,UWB)等相关技术应用到室内定位。然而上述技术在应用过程中需要投入大量的硬件基础设施,且信号传输过程需要视距传播(Line of Sight,LOS)或容易受到其他因素的干扰。随着宽带的普及、Wi-Fi技术的相关基础设施逐步完善,基于Wi-Fi的室内定位技术逐渐成为研究的热点。但是现有基于Wi-Fi的室内定位算法往往忽略了待定位区域逐渐变大对定位精度和定位效率的影响。据此,本文在前人工作的基础上,针对如何提升定位精度和定位效率进行了深入研究。本文的主要工作及创新点如下:1.为降低离线阶段构建的RSSI指纹数据库的指纹数量及热点(Access Point,AP)数量对定位精度和定位效率的影响,提出基于MD5-KNN的Wi-Fi室内定位算法。该算法对接收信号强度(Received Signal Strength Indication,RSSI)指纹数据库进行优化:在线下训练阶段,将参考点的RSSI指纹转化为32位16进制表示的MD5(Message Digest Algorithm 5)序列,降低RSSI指纹数据库的信息冗余;线上阶段,利用待定位点与参考点之间的MD5信息匹配,提升获得最邻近参考点的效率,同时自适应的计算出最优K值,解决了K最近邻(K-Nearest Neighbor,KNN)算法中需要手动设置K值问题。仿真结果表明,相较于RSSI-KNN算法,改进后的算法在定位精度上提升了20%以上,在定位效率上也得到明显的改善。2.针对定位区域较大时为保证定位精度而需要设立大量参考点的问题,提出一种基于分布式递归高斯过程的RSSI概率指纹(PF-drGP)定位算法。所提算法首先将待定位区域划分若干子区域,分别对每个子区域的Wi-Fi信号的RSSI特征进行提取;然后运用基于BCM(Bayesian Committee Machine)机制对子区域融合,获得全局RSSI概率指纹模型。所提算法通过将整个区域进行划分,分别运用基于高斯过程的RSSI概率指纹定位算法,提升RSSI概率分布数据库的构建效率,同时可以在保证定位精度的前提下降低参考点的数量,降低算法的计算复杂度。仿真结果表明,从基于PF-drGP的算法获得的RSSI模型明显优于基于标准高斯过程的算法,计算复杂度得到有效降低;且与WKNN-RSSI和PF-GP算法相比,定位精度得到了改善。