论文部分内容阅读
室内定位是将位置服务、物联网等应用由室外走向室内的关键技术之一。WLAN室内定位因为成本低廉,一直是热门的研究课题。这项技术最后的关键步骤是从数据库中筛选出若干目标位置指纹群体,即目标群体筛选,然后将目标位置估计为这些目标群体的加权位置中心。目前,WLAN室内定位存在目标群体筛选方式固化的问题,从而导致目标位置估计不准。针对此问题,本文从“建库→聚类→目标群体筛选”步步优化的思路对基于目标群体筛选的室内定位方法展开研究。其主要研究内容包括:
(1)通过对常规WiFi室内定位流程的分析,发现了其在离线工作量、聚类质量、粗定位和精定位方面的一系列问题。针对这些问题,本文做了室内定位流程上的优化。在离线阶段,新增了插值和聚类处理的联合过程。通过联合过程有效减少了离线建库的工作量和提高了位置指纹群体的聚类质量。在在线粗定位阶段,新增了位置指纹群体的过滤过程。通过过滤过程可以初步过滤掉一些信号差异较大的位置指纹群体,减少了精定位中目标群体误筛选的可能性,提高了在线定位的定位精度。在在线精定位阶段,新增了自适应目标群体筛选的过程,使得定位算法可以根据在线状态自适应筛选出合适的目标群体,从而提高定位精度。
(2)针对离线建库工作量繁重、数据库中位置指纹群体聚类质量不佳的问题,本文采用了自适应仿射传播聚类算法与加权K最近邻插值算法的联合处理。首先,针对自适应仿射传播聚类算法在应用过程中出现的不收敛和时效问题,使用了动态阻尼因子、动态偏向参数、二分法和记忆元组法等措施。经过仿真实验,证明了使用的系列措施可以有效保证算法的收敛、尽可能少的运行时间和更佳的聚类质量。其次,针对离线建库工作量繁重的问题,本文采用了自适应仿射传播聚类算法为加权K最近邻插值算法寻找可信邻居,然后再对这些可信邻居使用K最近邻插值算法进行未知数据的插值处理。实验证明,采用可信邻居进行插值处理可以以原本更少的采集工作量获得贴近的定位结果。最后,插值处理后的位置指纹群体再次采用自适应仿射传播聚类算法进行聚类处理。实验证明,最后的聚类处理结果具有更高的聚类质量,可以得到更佳的定位精度。
(3)针对目标群体筛选不准确、目标群体筛选数量固定的问题,本文提出了提出了一种自适应目标群体筛选的压缩感知定位算法和一种自适应目标群体筛选的加权K最近邻定位算法。所提自适应目标群体筛选的压缩感知定位算法首先计算出目标点与所有数据库中位置指纹群体之间的信号差异值。其次,按照信号差异值排序,过滤掉较大差异项,将位置指纹数量筛选到指定数目。然后,采用基于阈值的检测方法对信号恢复向量不断进行迭代估计,直到迭代结果满足条件为止。最后,通过得到的恢复向量确定目标群体的数量以及权值。经过实验证明,所提算法的定位精度比原压缩感知定位算法高出42%。所提自适应目标群体筛选的加权K最近邻定位算法首先计算出目标点与所有原群体之间的信号差异值。然后,按照信号差异值排序,通过寻找与目标点的信号差异相似项个数来动态调整目标群体的数量K,最后得到K个较小信号差异值对应的目标群体,用以目标位置估计,以此提高定位精度。实验结果表明,所提动态K值策略的定位精度比传统固定K值策略提高了21%。
本文通过对基于目标群体筛选的室内定位方法研究,弥补了目前目标群体获取方式固化的漏洞,获得了更高的定位精度,为以后WLAN室内定位通过自适应目标群体筛选获取准确的目标位置估计奠定了理论基础,推动了WLAN室内定位的实用化进程。
(1)通过对常规WiFi室内定位流程的分析,发现了其在离线工作量、聚类质量、粗定位和精定位方面的一系列问题。针对这些问题,本文做了室内定位流程上的优化。在离线阶段,新增了插值和聚类处理的联合过程。通过联合过程有效减少了离线建库的工作量和提高了位置指纹群体的聚类质量。在在线粗定位阶段,新增了位置指纹群体的过滤过程。通过过滤过程可以初步过滤掉一些信号差异较大的位置指纹群体,减少了精定位中目标群体误筛选的可能性,提高了在线定位的定位精度。在在线精定位阶段,新增了自适应目标群体筛选的过程,使得定位算法可以根据在线状态自适应筛选出合适的目标群体,从而提高定位精度。
(2)针对离线建库工作量繁重、数据库中位置指纹群体聚类质量不佳的问题,本文采用了自适应仿射传播聚类算法与加权K最近邻插值算法的联合处理。首先,针对自适应仿射传播聚类算法在应用过程中出现的不收敛和时效问题,使用了动态阻尼因子、动态偏向参数、二分法和记忆元组法等措施。经过仿真实验,证明了使用的系列措施可以有效保证算法的收敛、尽可能少的运行时间和更佳的聚类质量。其次,针对离线建库工作量繁重的问题,本文采用了自适应仿射传播聚类算法为加权K最近邻插值算法寻找可信邻居,然后再对这些可信邻居使用K最近邻插值算法进行未知数据的插值处理。实验证明,采用可信邻居进行插值处理可以以原本更少的采集工作量获得贴近的定位结果。最后,插值处理后的位置指纹群体再次采用自适应仿射传播聚类算法进行聚类处理。实验证明,最后的聚类处理结果具有更高的聚类质量,可以得到更佳的定位精度。
(3)针对目标群体筛选不准确、目标群体筛选数量固定的问题,本文提出了提出了一种自适应目标群体筛选的压缩感知定位算法和一种自适应目标群体筛选的加权K最近邻定位算法。所提自适应目标群体筛选的压缩感知定位算法首先计算出目标点与所有数据库中位置指纹群体之间的信号差异值。其次,按照信号差异值排序,过滤掉较大差异项,将位置指纹数量筛选到指定数目。然后,采用基于阈值的检测方法对信号恢复向量不断进行迭代估计,直到迭代结果满足条件为止。最后,通过得到的恢复向量确定目标群体的数量以及权值。经过实验证明,所提算法的定位精度比原压缩感知定位算法高出42%。所提自适应目标群体筛选的加权K最近邻定位算法首先计算出目标点与所有原群体之间的信号差异值。然后,按照信号差异值排序,通过寻找与目标点的信号差异相似项个数来动态调整目标群体的数量K,最后得到K个较小信号差异值对应的目标群体,用以目标位置估计,以此提高定位精度。实验结果表明,所提动态K值策略的定位精度比传统固定K值策略提高了21%。
本文通过对基于目标群体筛选的室内定位方法研究,弥补了目前目标群体获取方式固化的漏洞,获得了更高的定位精度,为以后WLAN室内定位通过自适应目标群体筛选获取准确的目标位置估计奠定了理论基础,推动了WLAN室内定位的实用化进程。