论文部分内容阅读
随着移动互联网技术的迅猛发展,人们对精确的位置信息有了迫切的需求,具有经济、方便、快捷和易部署等特点的Wi Fi室内定位技术在众多室内定位技术中脱颖而出,成为研究热点。定位精度是评价定位性能的根本指标,室内环境的复杂性和多变性使得定位精度常常受制于多址干扰、多径传播以及非视距(Non-line of sight,NLOS)传播等因素。能否依据接收端的叠加信号完成多径分类已经成为Wi Fi室内定位的核心问题之一。在基于Wi Fi的室内定位系统中,传统的多径分类方法通常选用接收信号强度指示(Received Signal Strength Indicator,RSSI)作为观测量,但RSSI在多径传播环境中容易产生剧烈波动,影响分类性能,同时,现有多径分类方法通常需要设定特征区分度阈值,但获取高精度且广泛适用的阈值较为困难。基于上述问题,本文选用信道状态信息(Channel State Information,CSI)作为观测量进而研究多径分类问题,重点包括:1.现有分类方法中通常采用典型统计特征(如均值、标准差等)的分布特性进行分类,但其精度仍有待提升。针对这一问题,本文通过分析无线信号在视距(Line of sight,LOS)和非视距环境下的传播特点,提出了基于Kmeans聚类算法的KLOS因子。仿真和实测证明所提特征因子有利于改善分类性能。2.针对现有的多径分类方法通常受制于特征区分度阈值的问题,本文提出了一种基于改进随机森林算法的多径分类方法。(1)鉴于不同的特征组合会有不同的分类性能,本文以获得最优特征组合为目的,提出基于Fisher准则的特征筛选方法。通过计算不同类别的类间散射与类内散射构造Fisher准则进行特征筛选,使每个特征的类间散射尽可能大且类内散射尽可能小,有效降低算法计算量和运行时间,并快速找到分类性能较高的特征组合。仿真和实测验证了所用Fisher准则的有效性。(2)本文建立了基于C4.5算法的随机森林分类架构,计算不同统计特征的信息增益率,选择信息增益率突出的统计特征作为根节点来构造多棵决策树,将生成的多棵树组成随机森林并采用简单多数投票机制获得分类结果。仿真和实测证明所提方法有利于改善分类性能。