傳統(tǒng)室內(nèi)定位系統(tǒng)無法實現(xiàn)樓宇內(nèi)的三維位置定位,無法實現(xiàn)移動終端與物聯(lián)網(wǎng)終端的兼容服務。對此提出一種KPCA-IWKNN-BFPLN混合式樓宇內(nèi)定位系統(tǒng)(KPCA-IWKNN-BFPLN hybrid in-building position system, KIB HIPS)。該系統(tǒng)通過KPCA-IWKNN-BFPLN算法可以預測被服務終端的樓宇內(nèi)三維位置信息。結(jié)合基于Cordova框架混合式開發(fā)的終端和基于node.js框架開發(fā)的混合式室內(nèi)定位服務器,KIB HIPS定位系統(tǒng)能夠很好地解決傳統(tǒng)室內(nèi)定位系統(tǒng)所存在的問題,同時也具有跨平臺部署和服務多平臺的能力。仿真結(jié)果表明,KIB HIPS系統(tǒng)相關(guān)實驗定位數(shù)據(jù)指標表現(xiàn)優(yōu)異,具有研究與利用價值。

【文章頁數(shù)】：9 頁

【部分圖文】：

圖1 KPCA算法

KPCA方法是KIBHIP實現(xiàn)室內(nèi)定位的基礎(chǔ),KPCA算法具體步驟如圖1所示。IWKNN算法在線階段使用一種改進的加權(quán)k近鄰算法,可以更好地自主選擇近鄰數(shù)進行位置估計。這對于基于Hybrid混合式開發(fā)下利用無線通信模塊的相關(guān)函數(shù)與方法提供了更加簡單的獲取方式,同樣在Wi-Fi-....

圖2 IWKNN算法

在算法1的幫助下得到的經(jīng)過訓練特征位置指紋空間F′和在線特征紋空間S′可用于接下來的IWKNN算法的定位。其具體步驟如圖2所示。通過KPCA算法核特征提取出特征指紋空間并訓練此指紋空間,為在線狀態(tài)下IWKNN算法比較精確地定位二維空間位置提供了基礎(chǔ)。

圖3 BFPLN算法

系統(tǒng)可以在一定條件下完成對這兩種模式的任意切換,從而使被KIBHIPS服務的移動或物聯(lián)網(wǎng)終端節(jié)點在樓宇層數(shù)位置預測的定位效果最佳。其主要工作步驟如圖3所示。在Node.js應用服務器開發(fā)框架中,存在應用服務器Native原生功能模塊,利用Node.jsAPI接口提供的Wi-F....

圖4 定位系統(tǒng)框架

KIBHIPS系統(tǒng)由移動或物聯(lián)網(wǎng)終端（Mobile/IOTterminal）、AP節(jié)點、RP節(jié)點和KPCA-IWKNN-BFPLN混合式樓宇內(nèi)定位服務器（KPCA-IWKNN-BFPLNHybridIn-buildingPositionServer,KIBHIP....

本文編號：4057245