论文部分内容阅读
最近几年,当前情境感知计算成为国内外社会的热门研究对象。情境的内容非常丰富,而其中最重要的内容便是位置,如何计算实体位置是情境感知计算的重要内容。目前比较成功的研究成果有全球定位系统和蜂窝网络系统,它们能够在室外环境中满足人们对无线定位的要求,但是在室内环境中,还没有比较完善的无线定位解决方案。本文主要研究基于WiFi的室内无线定位技术,研究基于位置指纹方法中接入点的选择以及位置估计算法。本文首先介绍了室内定位的主要技术及研究现状,之后分析了与距离相关和与距离无关这两种常用的定位方法。在基于WiFi的室内无线定位中,室内环境复杂多样,定位区域的大小也受到限制,因而基于距离的几何定位方法并不适合。而相比之下位置指纹(Fingerprint)方法更适合于室内无线定位环境,它的优点在于定位精度较高,缺点是离线阶段需要采集大量的指纹生成样本库,工作量比较大。本文的主要研究内容是基于位置指纹法的AP选择以及位置估计的算法。现在已有的AP选择方法大多数工作在离线阶段,它们能够很好的减小计算量,但是无法滤除受环境影响而性能变差的AP。本文采用在线阶段的AP选择方法,将图像处理领域中使用的RANSAC算法引入AP选择中,在在线阶段作外点检测,不仅能够降低计算量,而且能很好的滤除掉受环境影响的AP,以提高定位精度。在后续的定位算法研究上,传统的贝叶斯算法和KNN算法是使用最广泛的两种方法,但是它们都有着自身的缺陷,本文针对两者的缺点,对这两种算法做了相应的改进。在传统贝叶斯算法的基础上,采用区域划分的概念,先初步定位出待定位点所在的区域,再进一步定位该点在区域内的具体位置,并且在区域定位上采用和概率来代替积概率计算。在传统KNN算法基础上引入集群分类,并且在集群划分时,允许一个参考点被分到多个集群之中,在不同的集群中使用不同的指纹。最后采用了一种新的动态联合方法,联合了上述两种改进算法,进一步提高算法性能。在上述研究基础上,我们的定位系统的平均定位误差达到1.63米,最小误差为0.76米。