论文部分内容阅读
为了在不增加任何硬件基础设施和基站的条件下,仅依靠现有的室内环境和硬件条件实现房间级定位和房间内区域级定位,本文主要利用公共Wi-Fi的接收信号强度RSSI和环境声的声学特征,结合Android智能手机的软件实现。同时,为了获取大量Wi-Fi和环境声指纹,开发了两款专业采集数据的Android手机软件。最后将基于Wi-Fi和环境声指纹的室内分区算法移植到Android软件上实现室内分区定位。先利用Wi-Fi的接收信号强度RSSI建立的Wi-Fi指纹地图实现房间级定位,再利用室内环境声的声学特征建立的环境声指纹地图实现房间内区域级定位。为了处理通过手机软件采集的大量Wi-Fi和环境声指纹,本文主要是通过两种相似度算法提取最优指纹,降低指纹地图占用的内存、去除数据的噪声和冗余度。并且在建立环境声指纹地图之前,研究了多种声学特征以及组合特征,挖掘最适合用于房间内分区定位的声学特征或组合特征。论文完成的工作包括:(1)开发了采集Wi-Fi指纹的Android手机软件,同时协助开发了采集环境声的Android手机软件。首先确定Wi-Fi指纹的多个参数和数据格式,再根据仿真需求设计软件框架,编写软件。在开发采集环境声的软件时,主要工作是确定采集音频的各类参数,包括音频采样率、声道和时长等;(2)研究Wi-Fi和环境声的最优指纹提取算法。利用杰卡德相似度算法和皮尔逊相似度算法,提取每个房间的Wi-Fi最优指纹和房间内每个分区的环境声最优指纹,解决了多设备采集的Wi-Fi和环境声指纹存在的冗余度和噪声等问题;(3)从时长为10秒的环境声样本中提取了多种声学特征,研究声学特征和声学组合特征在房间内分区定位的可靠性和稳定性。声学特征主要包含Chromagram、Sonagram、MFCC、功率、功率谱密度与第五百分位功率六种特征,并对这六种声学特征进行各种组合共41种。为了提高分区定位的效率和对分区的识别率,最后提出了一种新的声学特征PI05;(4)将定位算法和指纹地图移植到Android智能手机上,理论研究与实际应用相结合,开发可以用于实时分区定位的手机软件。本文的结论是利用Wi-Fi实现房间级定位的平均识别率为99.17%。在环境声样本时长为10秒时,比较多种声学特征以及组合特征的分区定位结果,得出Chromagram、Sonagram和改进的功率谱密度的组合特征对分区的识别率最高,能达到85.21%。进一步研究了第五百分位功率的改进特征PI05和做了缩短环境声样本时长的实验,在环境声时长为3秒时,声学特征PI05对分区的平均识别率最高能达到87.0%。