论文部分内容阅读
指纹定位技术是目前室内定位研究的重点方向,现有的指纹定位方法是利用信号强度RSS的差异性,创建RSS向量与位置坐标之间的对应关系,将这种对应关系存储在指纹数据库中,通过待定位节点所测得RSS向量,利用优化算法,估算该节点对应的位置坐标。目前室内定位信号源采用Wi-Fi、蓝牙、UWB等为主,这些信号源存在易受干扰,部署运营成本高等缺点。反之,FM广播作为一种现有公共的无线信号,且功率大、频率受保护和广域覆盖等特点,其作为指纹定位信号源具有独特优势。基于FM广播的指纹定位研究目前只见部分碎片化的工作,未见体系化的研究成果。本文从上述需求出发,开展指纹定位系统及其关键技术研究。首先,基于FM信号RSS特点开展了更高效的指纹定位模型及算法研究。其次,由于室内无线传播环境的变化和FM信号自身的非线性时变性,造成指纹库数据的变化,需要解决快速更新指纹库的问题;最后,面对指纹定位应用过程中的安全需求,研究了各种恶意攻击下的定位问题。本文从以上三个角度出发,研究了FM广播的指纹定位关键技术,并取得如下成果和创新内容:第一,通过实测数据分析调频广播的多种信号特征(RSS、音频SNR、信号隔离度等),验证信号强度RSS能够作为指纹定位的一个特征。针对现有机器学习算法,本文选择KNN算法作为指纹数据库的匹配算法,由于指纹库中相邻参考点(Reference Point,RP)指纹数据相近,算法的模糊匹配导致筛选出的RP点所围成的区域较大,因此计算这些RP质心坐标时定位精度较低。针对以上所述问题,本文研究了加权质心的KNN算法。选择使用当前RP质心替换距离质心最远的RP点,通过多次迭代,定位误差明显减小,相比于传统的WKNN、KNN和贝叶斯定位算法,中值定位误差分别减少了32%,39%和47%。第二,由于外界的诸多因素(环境因素、调频发射点所处位置的变化、信号本身的时变性等)影响指纹数据的准确性,提出了基于迁移学习模型的指纹库动态校准算法,通过采集不同时间段的少量校准参考点的数据,来实现对智能终端的实时定位。该算法显著提高了现有FM定位算法综合性能,同时大大节约了人工勘测指纹数据的成本与时间。第三,针对动态传感器定位过程中节点容易受恶意攻击的情形,本文提出了一种安全定位算法,该算法在动态传感器蒙特卡洛(MCL)算法中引入FM安全校验机制,该机制通过投票方式能较准确的判断恶意锚节点并进行删除。安全算法能够抵抗无线传感器网络定位过程中所受的多种恶意攻击,大大减小了恶意攻击情况下智能终端的定位误差。