论文部分内容阅读
随着物联网技术和无线通信技术的发展,人们对室内定位服务的需求日益增加。室内定位服务是根据室内位置所提供的数据来展开服务的。移动终端通过采集信息和匹配由地理位置坐标信息和相关位置特征信息组成的空间指纹库为用户提供室内定位服务。基于接收信号强度指示(RSSI)的室内定位问题可以转换为机器学习问题求解。RSSI作为数据特征,位置坐标作为训练标签用于训练定位模型已经广泛应用于室内定位研究中。但是,现存的室内定位方案中,大都未对指纹库做有效处理,缺点如下:直接用PCA对数据进行降维,使训练数据中掺杂了大量无效RSSI;人为部署路由器采集RSSI,不仅工作量大成本高,在实际部署中也有很大的局限性。大多存在的定位系统,都是使用单个训练模型进行建模,在较大面积的室内,由于不同区域室内环境的不同,单个模型很难实现对所有室内区域建立高精度的定位模型,因此本文在信号RSSI指纹库建立和不同区域定位模型建立上做研究。本文根据当前国内外室内定位的研究现状做的主要工作有:(一)针对使用RSSI指纹库时采集成本过高和降维过程中掺杂干扰数据的问题,本文提出了Relief F和PCA结合的特征优化算法(RPCA)。RPCA基于实际物理坐标运用Relief F算法为不同的特征赋予一个权值,通过训练观察设置一个阈值来动态筛选有利于分类的特征,然后使用PCA算法对过滤后的指纹库进行降维。RPCA算法使我们在采集数据阶段无需再部署路由器,只需要采集已存在的RSSI就可以构建指纹库,大大节省了工作成本,并且不用担心降维过程中掺杂干扰数据的问题。我们在南京邮电大学图科楼4楼搭建实验环境进行测试,实验结果表明,将本文提出的RPCA算法应用于指纹定位算法中,指纹库特征数平均降低了98%,在线阶段平均定位时间为0.058s,平均定位误差为1.50m,相较于不用RPCA算法的指纹定位算法平均定位误差2.43m,平均定位时间0.449s,该方法定位误差减少了0.93m,运行效率提高了62.14%。(二)为进一步提高基于指纹定位算法的定位精度,本文对指纹定位算法做了三处优化:首先,为解决离线区域定位阶段K-Means++算法聚类结果随机性大的问题,提出了预划分区域与K-Means++算法相结合的方法实现无监督聚类,解决了聚类结果随机性较大且不同簇间数据交叉不易区分的问题。然后,针对单个训练模型定位精度低的问题,本文在离线回归学习阶段提出基于混合回归(Hybrid Regression,HRN)的室内定位算法。HRN集成了两种常用的定位算法:支持向量机(SVM)和k近邻(k NN)算法。不同区域用多种算法学习,通过比较该区域不同算法的均方根误差(RMSE),选择较小的作为该区域的训练模型。通过HRN算法可以更好的训练出适合不同区域的定位模型,提高整个室内的定位精度。最后,在线测试阶段,本文设计了指纹评分系统(FSP),FSP通过计算测试阶段数据集与离线训练数据集的匹配度判断之前训练的模型是否具有效性,如果有效则进行定位,如果失效则需要重新采集数据进行训练,从而提高了系统的稳定性。我们通过实验测试,将平均定位误差缩小到0.92米,平均在线执行时间为0.069s。相较于传统的指纹定位算法,平均定位误差减少了1.51m,程序执行效率提高了84.63%。