最強基站MAC地址匹配的RSSI加權室內定位方法
發(fā)布時間：2020-12-14 21:40
針對傳統(tǒng)k近鄰算法定位時不能有效剔除距離較遠參考點的問題,提出最強基站介質訪問控制(MAC)地址匹配的接收信號強度指示(RSSI)加權改進室內定位方法:離線階段,通過模糊c均值算法劃分待測點的定位區(qū)域,生成基于區(qū)域劃分的聚類指紋庫;在線階段,首先確定待測點所在的目標區(qū)域,其次在目標區(qū)域內利用動態(tài)加權k近鄰算法剔除距離偏遠的參考點,然后通過MAC地址序列匹配的方法,只信任最強的基站,進一步篩選出k個中最優(yōu)的參考點,最后計算最優(yōu)參考點對應坐標的加權平均值作為待測點的最終估計位置。實驗結果表明,與動態(tài)加權k近鄰算法相比,該算法在房間以及走廊環(huán)境下的平均定位誤差都有改善,并且1～2 m和2～3 m定位精度的可信度有較好的提升。
【文章來源】：導航定位學報. 2020年05期
【文章頁數】：7 頁
【部分圖文】：
算法流程3實驗與結果分析
地為某5層樓的3層，包含走廊及318房間。走廊長45、寬3.6m，每隔5~6m布設1個iBeacon基站（共有7個基站）；318房間長11.5、寬5.5m，布設5個基站，基站附著在天花板上。將智能手機（小米6）作為采集設備，信號的采樣率設為1Hz。實驗者手持采集設備在每個采樣點上分別在東、西、南、北4個方向上采集60s的數據，用均值濾波處理RSSI數據，然后存入后臺指紋庫(密度為1m)。實驗場地、指紋參考點以及基站布設情況如圖2所示，實驗分為318房間實驗以及走廊部分實驗。圖2實驗環(huán)境
第5期孫玉曦，等.最強基站MAC地址匹配的RSSI加權室內定位方法233.2結果分析3.2.1FCM區(qū)域劃分實驗使用FCM算法對318房間及走廊區(qū)域進行區(qū)域劃分，其參考點的分布情況如圖3所示，大部分參考點都可以按照區(qū)域進行劃分，只有少量參考點未能按區(qū)域劃分。圖3FCM區(qū)域劃分3.2.2在線定位實驗1）318房間定位實驗。在318房間4個已知點上分別采集10s的RSSI數據，運用本文的改進算法和EWKNN算法進行數據處理，對2種結果進行比較。分別計算2種算法的定位誤差（如圖4（a）所示）和誤差累計概率分布（如圖4（b）所示），并將各類數據進行統(tǒng)計（如表1所示）。本文將最小定位誤差、最大定位誤差、平均誤差和不同定位精度下的誤差累計概率作為衡量定位精度的標準。圖42種算法定位誤差與誤差累計概率表12種算法精度對比算法不同定位精度下的誤差累計概率/%最大誤差/m最小誤差/m平均1m1.5m2m2.5m3m3.5m4m誤差/mEWKNN7.547.567.592.597.5100.0100.03.290.681.90改進算法35.060.085.099.5100.0100.0100.02.600.211.51由圖4（a）、圖4（b）及表1測試結果可知，改進的算法優(yōu)于EWKNN算法：EWKNN算法的平均定位誤差為1.90m，誤差在1和2m以內的可信度分別為7.5%和67.5%；而改進算法的平均定位誤差為1.51m，誤差在1和2m以內的可信度分別為35.0%和85.0%；改進算法的最大定位誤差為2.60m，EWKNN算法的最大定位誤差為3.29m；而且改進算法的定位誤差均在3m以下，而EWKNN方法定位誤差在3.5m以下。2）走廊區(qū)域定位實驗。在走廊區(qū)域2個已知點上分別采集10s的RSSI
【參考文獻】：
期刊論文
[1]聚類閾值結合動態(tài)K值的藍牙室內定位算法[J]. 郭英,馮茗楊,孫玉曦,劉清華,姬現磊. 測繪科學. 2019(11)
[2]抗差容積卡爾曼濾波及其在UWB室內定位中的應用[J]. 蔡贛飛,徐愛功,洪州,隋心. 測繪科學. 2018(12)
[3]基于智能手機的室內定位技術的發(fā)展現狀和挑戰(zhàn)[J]. 陳銳志,陳亮. 測繪學報. 2017(10)
[4]高斯函數定權的改進KNN室內定位方法[J]. 畢京學,甄杰,汪云甲,劉笑笑. 測繪通報. 2017(06)
[5]基于慣導輔助地磁的手機室內定位系統(tǒng)設計[J]. 宋鏢,程磊,周明達,吳懷宇,陳洋. 傳感技術學報. 2015(08)
[6]室內定位現狀與發(fā)展趨勢研究(英文)[J]. 鄧中亮,余彥培,袁協(xié),萬能,楊磊. 中國通信. 2013(03)
[7]一種基于AP ID過濾的WLAN位置指紋定位算法[J]. 趙慶賀,鄧平,陳佳. 通信技術. 2012(10)
[8]射頻識別(RFID)技術研究現狀及發(fā)展展望[J]. 吳永祥. 微計算機信息. 2006(32)
碩士論文
[1]基于區(qū)域劃分的WLAN室內定位方法研究[D]. 胡志勇.西安理工大學 2018
[2]基于位置指紋方法的WIFI室內定位技術研究[D]. 李航.長春工業(yè)大學 2018
[3]藍牙室內定位關鍵技術的研究與實現[D]. 王益健.東南大學 2015
[4]基于Android的WIFI室內定位技術研究[D]. 羅利.西南交通大學 2014
本文編號：2917053
【文章來源】：導航定位學報. 2020年05期
【文章頁數】：7 頁
【部分圖文】：
算法流程3實驗與結果分析
地為某5層樓的3層，包含走廊及318房間。走廊長45、寬3.6m，每隔5~6m布設1個iBeacon基站（共有7個基站）；318房間長11.5、寬5.5m，布設5個基站，基站附著在天花板上。將智能手機（小米6）作為采集設備，信號的采樣率設為1Hz。實驗者手持采集設備在每個采樣點上分別在東、西、南、北4個方向上采集60s的數據，用均值濾波處理RSSI數據，然后存入后臺指紋庫(密度為1m)。實驗場地、指紋參考點以及基站布設情況如圖2所示，實驗分為318房間實驗以及走廊部分實驗。圖2實驗環(huán)境
第5期孫玉曦，等.最強基站MAC地址匹配的RSSI加權室內定位方法233.2結果分析3.2.1FCM區(qū)域劃分實驗使用FCM算法對318房間及走廊區(qū)域進行區(qū)域劃分，其參考點的分布情況如圖3所示，大部分參考點都可以按照區(qū)域進行劃分，只有少量參考點未能按區(qū)域劃分。圖3FCM區(qū)域劃分3.2.2在線定位實驗1）318房間定位實驗。在318房間4個已知點上分別采集10s的RSSI數據，運用本文的改進算法和EWKNN算法進行數據處理，對2種結果進行比較。分別計算2種算法的定位誤差（如圖4（a）所示）和誤差累計概率分布（如圖4（b）所示），并將各類數據進行統(tǒng)計（如表1所示）。本文將最小定位誤差、最大定位誤差、平均誤差和不同定位精度下的誤差累計概率作為衡量定位精度的標準。圖42種算法定位誤差與誤差累計概率表12種算法精度對比算法不同定位精度下的誤差累計概率/%最大誤差/m最小誤差/m平均1m1.5m2m2.5m3m3.5m4m誤差/mEWKNN7.547.567.592.597.5100.0100.03.290.681.90改進算法35.060.085.099.5100.0100.0100.02.600.211.51由圖4（a）、圖4（b）及表1測試結果可知，改進的算法優(yōu)于EWKNN算法：EWKNN算法的平均定位誤差為1.90m，誤差在1和2m以內的可信度分別為7.5%和67.5%；而改進算法的平均定位誤差為1.51m，誤差在1和2m以內的可信度分別為35.0%和85.0%；改進算法的最大定位誤差為2.60m，EWKNN算法的最大定位誤差為3.29m；而且改進算法的定位誤差均在3m以下，而EWKNN方法定位誤差在3.5m以下。2）走廊區(qū)域定位實驗。在走廊區(qū)域2個已知點上分別采集10s的RSSI
【參考文獻】：
期刊論文
[1]聚類閾值結合動態(tài)K值的藍牙室內定位算法[J]. 郭英,馮茗楊,孫玉曦,劉清華,姬現磊. 測繪科學. 2019(11)
[2]抗差容積卡爾曼濾波及其在UWB室內定位中的應用[J]. 蔡贛飛,徐愛功,洪州,隋心. 測繪科學. 2018(12)
[3]基于智能手機的室內定位技術的發(fā)展現狀和挑戰(zhàn)[J]. 陳銳志,陳亮. 測繪學報. 2017(10)
[4]高斯函數定權的改進KNN室內定位方法[J]. 畢京學,甄杰,汪云甲,劉笑笑. 測繪通報. 2017(06)
[5]基于慣導輔助地磁的手機室內定位系統(tǒng)設計[J]. 宋鏢,程磊,周明達,吳懷宇,陳洋. 傳感技術學報. 2015(08)
[6]室內定位現狀與發(fā)展趨勢研究(英文)[J]. 鄧中亮,余彥培,袁協(xié),萬能,楊磊. 中國通信. 2013(03)
[7]一種基于AP ID過濾的WLAN位置指紋定位算法[J]. 趙慶賀,鄧平,陳佳. 通信技術. 2012(10)
[8]射頻識別(RFID)技術研究現狀及發(fā)展展望[J]. 吳永祥. 微計算機信息. 2006(32)
碩士論文
[1]基于區(qū)域劃分的WLAN室內定位方法研究[D]. 胡志勇.西安理工大學 2018
[2]基于位置指紋方法的WIFI室內定位技術研究[D]. 李航.長春工業(yè)大學 2018
[3]藍牙室內定位關鍵技術的研究與實現[D]. 王益健.東南大學 2015
[4]基于Android的WIFI室內定位技術研究[D]. 羅利.西南交通大學 2014
本文編號：2917053
本文鏈接：http://www.lk138.cn/kejilunwen/xinxigongchenglunwen/2917053.html
