论文部分内容阅读
随着移动智能终端在生活中的大量普及,基于终端的应用也日趋多元化。得益于智能终端,室内定位系统摆脱了需要额外硬件设备的枷锁。但也出现了新的问题,在无线局域网(Wireless Local Area Networks,WLAN)位置指纹定位系统中,由于开发人员与用户所持终端不同,接收信号强度(Received Signal Strength Indication,RSSI)测量结果存在差异。另外,在定位过程中,因为人为或者自然原因,参考接入点(Access Point,AP)不可达或位置变更,导致定位结果不准确。现有减少终端差异的线性或非线性校准方法,需要在离线阶段预先针对应用环境进行数据训练。为了减少终端差异带来的影响,有效处理参考AP异常现象,文章基于指纹定位技术,对以上问题进行分析研究。相应的,本文具体研究内容分为以下几个部分:首先,针对终端差异带来的信号强度值测量差异问题,文章通过分析指纹数据与用户数据之间的曲线相似度,提出了基于pearson相关系数的室内定位算法。与线性、非线性校准方法相比,pearson相关系数法不需要离线阶段模型训练,环境改变时也无需重新建立模型。在相同环境下,文章对相关系数法和传统欧氏距离定位算法进行了比较。实验结果表明,在存在终端差异情况下,基于pearson相关系数的定位算法在2m内误差减少了8%。其次,文章分析了在定位过程中参考AP不可达和位置移动现象,并提出了相应的算法与解决方案。主要包括两个方面:第一,针对定位过程中参考AP不可达现象,提出基于权重因子的定位算法。通过求取指纹数据与用户数据交集中AP数目,定义权重因子,来修正定位结果。实验表明,当存在AP不可达情况时,与非基于权重法相比,此算法在3米内的定位精度提高了9%;第二,针对参考AP位置变更问题,文章通过pearson相关系数和群智感知相结合,来感知AP位置变化。当参考AP发生位置变更时,测得的AP信号强度与指纹库中差异较大,基于此特征,文章定义与AP位置相关的pearson系数,根据此系数来判断AP位置是否发生变化。最后,利用移动智能终端,在多终端所建立的指纹库定位系统中,比较了pearson相关系数法和欧氏距离算法的定位精度。模拟群智感知系统中的指纹库建立过程,文章在同一环境、不同位置处,利用多种移动智能终端进行RSSI数据采集,建立指纹库。验证结果表明,pearson相关系数法比传统欧氏距离算法在2m内的定位精度提高了30%。