论文部分内容阅读
基于位置的服务(Location Based Services,LBS)近年来一直是研究热点,无论是在室内还是室外,位置服务都在以它独特的魅力吸引着大家的关注,发挥着重要的作用。随着物联网(Internet of Things,IoT)技术的快速发展,位置服务给人们的生活带来更便捷的体验,目前可应用于定位的技术有很多,其中Wi-Fi技术以其易于实施、经济高效、可与多种技术融合使用的特点备受青睐。本文通过分析大量Wi-Fi定位系统发现,虽然室内定位算法研究已经取得了一些成就,但定位精度和准确率仍有待提高,针对这个问题,本文借助融合技术研究和区域细化的方法来改善定位技术的应用现状。本文主要工作介绍如下:(1)针对信号接收强度(Received Signal Strength Indicator,RSSI)的取值高度随机、容易受到多径干扰、无法刻画多径传播的问题,提出一种基于信道状态信息(Channel State Information,CSI)的室内人员入侵检测与定位算法。使用CSI作为位置指纹特征,将采集到的CSI值经过去噪、特征提取处理后存入指纹库,结合陆地移动距离(Earth Mover’s Distance,EMD)算法设定阈值进行入侵检测,然后依据检测结果估计待测目标所在的大概区域,最后使用基于高斯核函数改进的加权k最近邻(Weighted k-Nearest Neighbor,WKNN)算法进行精确定位。(2)CSI细粒度高,包含的位置信息较多,在信号处理和指纹匹配过程中难免会使部分位置特征丢失,从而影响定位精度的提高。针对上述问题,为了最大化利用位置特征提高定位准确率,提出一种使用CSI图像的区域细化定位算法。将同一个子载波在不同天线上取得的CSI值分别作为RGB的像素值,把CSI数据转化为RGB图像,然后通过图像的相似度比较确定大概位置。最后,利用经典的尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)算法进行位置精确估计。(3)为了进一步提高定位精度,将Wi-Fi信号中提取出的RSSI和CSI融合作为指纹特征,使粗略度的RSSI和细粒度的CSI优劣互补,增强位置信息特征,提出一种RSSI和CSI融合的室内定位算法。首先利用RSSI实现区域细化,通过改进的k最近邻(k-Nearest Neighbor,kNN)算法筛选测试区域内的参考点构成子指纹库,然后将子指纹库中参考点的RSSI和CSI融合特征与测试点进行对比,最后使用高斯核函数改进的WKNN算法进行精确定位。