论文部分内容阅读
随着无线网络和智能设备的普及,室内定位得到了迅速发展。基于位置的信息服务引起了越来越多的关注,并且精准的位置信息在实际应用中发挥了重要作用。在室内定位中,基于地磁场的指纹定位方法因为无需外部设施、抗干扰性强等优点逐渐成为研究热点。然而,在室内环境中仅利用地磁场进行定位往往存在计算复杂度高、收敛速度慢等问题。特别是在某些大面积室内环境下更是如此。本文对磁场指纹定位存在的问题进行了分析和研究,通过利用信道状态信息(Channel state information,CSI)对磁场在室内定位中存在的缺陷进行改进。具体来说,本文的主要工作和创新如下:(1)研究了磁场指纹定位的技术原理和典型的匹配算法,并分析了磁场指纹定位算法在定位效率和定位精度方面的局限性。针对其在线阶段的匹配效率问题,提出了改进的视距(Line of Sight,LOS)/非视距(Not Line of Sight,NLOS)识别算法用于缩小指纹匹配区域,相比于原来的识别算法,改进的识别算法利用多个AP中的CSI信息增大了NLOS与LOS之间的差异,使得识别更结果更为准确。实验结果表明所提出的改进的LOS/NLOS算法比原来的识别算法具有更高的识别率和稳定性。(2)将CSI与磁场信息相结合构建混合指纹数据库以更充分的利用采样数据,并提出了基于多维尺度分析-K最近邻(Multi-Dimensional Scaling,MDS)-(kNearestNeighbor,KNN)的指纹匹配方法,该方法通过将高维指纹转化为低维指纹,更深入的利用了指纹中的特征信息,在减少定位误差的同时也降低定位系统的匹配计算复杂度。实验结果表明MDS-KNN匹配算法比传统的方法具有更小的定位误差。(3)对传统的指纹定位的离线阶段即指纹库构建阶段进行了分析,针对大多数指纹构建方法对指纹特征挖掘不够深入的情况,结合深度学习,提出了基于卷积神经网络(Convolutional Neural Network,CNN)的指纹库的构建方法。在收集原始指纹数据后,通过多层CNN网络对这些数据进行处理,可以将数据的特征更好的展现出来,也避免把原始数据用于指纹时可能存在的测量误差与干扰。实验结果表明提出的基于CNN网络的指纹库构建算法比无学习和浅层学习的指纹库构建方法有更高的定位精度。