英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料
基于改进指纹定位的室内定位算法研究
自动化学院 北京理工大学
夏明哲 陈嘉彬 宋春雷 李楠 陈空
E-mail: 463611237@qq.com
【摘 要】无论定位指纹数据库是否创建，最终精确定位的关键点通过位置
指纹识别可以准确地反映位置和指纹之间的映射关系信号。为了提高室内定位
的准确性，采用均值平滑算法对其进行处理在建立WLAN室内指纹数据库期间收
集的数据而不是平均值。消除总量在使用均值平滑算法处理数据之前，必须使
用错误。同时，本文提出了一种改进的方法KNN算法，即权衡测试点和参考点
的差异，然后选择合适的算法alpha;的值。该算法基于构建具有无线路由器的室内
无线网络并收集五个无线路由器的信号强度。通过与常用室内的精度比较定位
算法，结果表明误差距离在3.6m内的定位精度可以达到90％，4.8米以内可以
达到97％。
【关键词】室内定位；位置指纹识别；均值平滑算法；改进的KNN算法
F
引论
近年来，无线室内定位系统已经变得非常流行。这些系统已经存在成功使用案例且用于许多应用程序，比如资产跟踪和库存管理。
随着移动通信技术与信息网络技术高速发展，位置基础服务（LBS）正变得越来越流行。LBS已广泛应用于许多领域，如紧急救援，医疗保健，社交网络，导航和监测，显示了LBS广阔的市场前景。准确的室内定位技术是LBS的关键组成部分和先决条件。大多数时间人们的生活和工作都是限制在室内的。高精准度的室内定位技术可以有效提高我们生活的效率和质量。因此，研究与人们的需求相适应的室内定位技术的发展具有很强的现实意义。大多数室内定位技术需要昂贵硬件设备，因此限制室内LBS的普及以及应用领域。其中，基于接收信号强度（RSS）的无线局域网（WLAN [1]）定位由于其较低的成本效益和相对高的准确性而受到特别关注。 WLAN的定位完全建立在现有的WLAN基础设施和移动设备上，完全不需要其他额外的设备。作为广泛建立在城市建设的无线局域网（WLAN），接入点（AP）定期发送包含的信息接收信号强度（RSS）。这提供了理论上的室内WLAN位置定位指纹方法的基础[2]需求。与到达角（AOA）[3]位置方法相比较而言，到达时间（TOA）[4]方法和其他室内定位方法，室内位置指纹法有相对简单的实现方法和低成本的优势[5]。然而，在复杂的室内无线电传播环境条件下，提高准确性是一项具有挑战性的任务。 这是因为RSS显示由各种因素引起的高度不确定的模式，如多路径效应，人体吸收等和信号干扰，因此在RSS和物理位置之间呈现非线性和多对多的映射关系。 所以为了室内定位能够提高准确性，使用均值平滑算法[6]在构建室内指纹数据库WLAN期间处理收集的数据而不是平均值。同时，本文提出了一种新的改进的KNN算法，即权衡测试点的差异和参考点，然后选择适当的值ɑ。
改进的位置指纹算法
位置指纹定位方法一般可以分为离线培训阶段和在线定位阶段[7]。
离线培训阶段的主要任务是建立一个位置指纹数据库。 我们首先选择参考点（RP）的位置，然后记录在参考点测量的每个AP信号的特征参数。本文选择接收信号强度（RRS）作为信号特征参数。 在在线定位阶段里面，我们使用移动终端来测量该位置的特征参数，并且将测量数据与数据库中的数据进行比较，最后搜索出一组与测量数据相匹配的存储的数据 所以我们可以近似估算出用户的地点。
离线数据处理的方法
1、一般使用的方法
一般来说，在离线阶段我们在每个点收集了数十个或数百套数据并将平均值存储在数据库中。但在同一个地方，由于人流，时间的变化，手持设备的方向以及环境的影响，RSS可能会由于这些因素而产生剧烈的波动时间的变化。 所以本文提出了均值平滑算法这个问题。
2、均值平滑算法
均值平滑算法需要预设阈值T.计算信号的标准偏差（std）在每个AP的离线中收集的强度值。如果标准偏差越大，则信号波动就会出现变得更大的情况，这一现象表明它更受周围环境的影响。如果我们取信号RSS的平均值，然后将它们存储在数据库中，会出现很大的错误。均值平滑算法是当stdgt; T的时候，让RSS中占很大比例的一部分在定位结果中的占比例，而小百分比的部分则占定位结果中的很小比例。所以均值平滑算法划分了数据，将其分为Rgm和Rlm两部分。 Rgm代表平均值数据大于所有数据的平均值。Rlm表示数据的平均值，其小于所有数据的平均值。收集的样本数量是ngm nlm。 Rm是所有数据的平均值。 ngm是样本数大于平均值数据。 nlm是比所有数据的平均值较少的样本数。
对RSS进行平滑后如下：（0 lt;alpha;lt;1）
当T确定时，alpha;也确定时。 alpha;是用于测量Rlm和Rgm的比例接收信号强度。由于路由器品牌和每个品牌的路由器各自都有不同的信号强度和传播距离差异，导致标准差是不同。 从实验结果我们可以得出一个结论是：标准差的范围是0.5--5。所以将T值设置为1,2,3,4,5和标准偏差的平均值，用以通过MATLAB仿真确定最佳的T值。
2015年第27届中国控制与决策大会（CCDC）
定位算法
1.K-最近邻算法
最近邻法（ＮｅａｒｅｓｔＮｅｉｇｈｂｏｒｈｏｏｄ，ＮＮ）是最基本的算法，它是 Ｋ 最近邻法的特殊情况，即 Ｋ＝１。定位节点在定位阶段，首先获取周围参考节点的信号强度，记作Ｓ＝（Ｓ１，Ｓ２，hellip;，Ｓｎ），其中ｎ为参考节点的数目，然后将此信号强度与指纹数据库中 的 指 纹 数 据 Ｆ＝ （ｆ１，ｆ２，hellip;，ｆｎ）进行匹 配，从 而 获 取定位节点的位 置 信 息。ＮＮ 算法在匹配阶段采用式（１）中 的方法，通过计算Ｓ与Ｆｉ 之间的距离，获 取 与Ｓ 距离最 小 的 那个信号强度指 纹，并 以 Ｆｉ 的 位置 坐 标（ｘｉ，ｙｉ）作 为定 位 节 点的最终定位结果。
式中，Ｄｉ 为定位节点接收参考节点发射的信号强度Ｓ 与第ｉ个信号强度指纹矢量之间的距离；Ｓｊ 为定位节点收到第ｊ 个参考节点发射的信号强度；ｆｉｊ为第ｉ个信号强度 指 纹 矢 量Ｆｉ来自第ｊ个参考节点发送的信号强度；ｌ为参考节点的个数；ｑ＝１时代表曼哈顿距离，ｑ＝２时代表欧几里得距离，在 实际定位过程中可以根据自己的需求与定位精度来选取ｑ的值。
K-近邻法是在最近邻法的基础上改进而来的，它 们 之 间的区别在于 ＫＮＮ 算法在匹配信号强度指纹数据库时，并不是选择与定位节点接收信号强度Ｓ 最近的那个指纹数据Ｆ，而是选择与距离最近的 Ｋ（Ｋge;２）个指纹数据矢量，再计算这Ｋ 个信号强度指纹参考点的平均坐标（ｘ珚，ｙ珔），并 将其 作 为 定位节点的最终位置信息，在计算矢量距离时通常采用欧几里得距离来计 算。其定位公式如下所示，式（２）中 的（ｘｉ，ｙｉ）是第ｉ个信号强度指纹参考点的位置坐标。
ＫＮＮ 定位算法在离线采集信号强度指纹阶段，采集周围所有参考节点的信号强度，每个位置采集的参考节点的个数不一样，这导致数据库中存在过多的冗余信息。ＫＮＮ 定位算
法从指纹数据库中全局搜索最近 Ｋ 个临近指纹，首 先，搜 索空间过大，降低了定位算法的时间复杂度；第 二，由 于 离 线 数据库中相似信号强度指纹的影响，定位结果会产生较大的误差；第三，没有考虑最近参考节点对指纹匹配会产生更大影响。
在使用KNN之前，我们应该有所不同在测试点的RSS矩阵[s1，s2，...，sn]之间参考点的RSS矩阵[S1，S2，...，Sn]数据库。假设有M个参考点数据库和N AP。 Sij是平均值的处理值第i个参考的第j个AP的平滑算法指向数据库。 sj是第j个AP的RSS在在线阶段测量[9]。I =1,2，...，N。 的定义距离由公式给出
当q = 1时，Lqi称为曼哈顿距离，当q = 2时，Lqi被称为Euclidian Distance。 当q = 2时，一个戏剧性的增加发生在计算量，所以我们通常取q = 1.KNN算法是，选择K.Lqi中从小到大的参考点并使用公式（7）计算平均坐标为估计测试点的位置。
（xi，yi）表示K参考中的第i个坐标point，（x，y）代表估计的位置。但是，这种算法的缺点是所有的AP都在矩阵在计算中占有相同的比例没有例外。 并且当sj-S1j的值非常大时很大，它会失去定位的意义。
最近邻匹配的流程如下：
1)从收到的信号向 量 中，提取定位节点所在大区域的周
围4个参考节点的信号强度向量（RSSI1，RSSI2，RSSI3，RSSI4），（RSSI1，RSSI2，RSS3，RSSI4）与该大区域内的4个参考节点一一对应。
2)计算待定位节点对应小区域内的信号强度指纹数据库中的信号加权距离。
2、改进K-最近邻算法
我们应该得到RSS矩阵之间的区别[s1，s2，...，sn]测试点和RSS矩阵[S1，S2，...，Sn]的参考点数据库第一。 假设有M个参考点数据库和N AP。 Sij是经过处理的值改进了第i个第j个AP的均值平滑数据库中的参考点。 s j是RSS平均值在线阶段测量的第j个API =1,2，...，N。 所以，测试点与参考点之间的差异第i个参考是sj - Sij（j = 1,2 ...，n）改进的KNN算法是预设阈值alpha;。当sj - Sij lt;alpha;时，sj - Sij变为1 / sj - Sij，当sj - Sijgt;alpha;时，让sj - Sij = 0。 就这样加权小的差分信号强度的AP会增加，对定位的影响变大。当sj - Sij = 0时，设1 / sj - Sij = 1.5。 所以定义了公式的距离
然后使用公式（7）计算平均坐标测试点的估计位置。
实验与模拟
1、实验环境
实验环境必须类似于实际应用环境。选择会议房间，实验室和办公室在综合建设为实验地点。坐标原点实验室的东南角。实验楼瓷砖长1.2米。选择的顶点地砖作为参考点，地砖的中心以及地砖的顶点作为测试点。有60个参考点和94个测试点。选择五个路由器品牌有TP-LINK，NETGEAR和D-LINK。的模型TP-LINK路由器是TL-WR2041N，有三个天线。该NETGEAR路由器的型号是JNR 3300和D-Link的型号路由器是D-LINK DIR-816。将它们放入实验中离地面1.2米的阶段。运行收集信号联想A789智能手机的强度应用（图1）每个参考点收集100组数据。该实验环境部署如下（图2）
图2：实验环境部署
2、模拟和分析
在PC配置中运行的仿真程序是如下：CPU：i5，RAM：2GB，操作系统：Windows7，仿真软件：MATLAB2013a
3、离线数据处理方法的仿真
使用均值平滑算法和均值处理数据价值分别。 随机选择一个测试点进行模拟100次。 使用改进的KNN算法（K = 3）来实现定位。 仿真结果如下如下（图3）
图3：平均平滑算法和平均值的模拟结果值
从图中可以看出，准确率是使用平均值时最低。 当T = 1时，准确性利率优于使用平均价值。 当T = 2时，定位精度略高于T = 1并使用平均值。 当T分别为3,4或5时，定位精度优于T为2.当T为取平均值的标准差，准确度位置是最好的。
4、改进KNN算法的仿真研究
K的值会影响定位结果使用改进的KNN算法。 设K = 3，然后通过MATLAB选择alpha;的最优值模拟。 模拟结果如下（图4）
图4：改进的KNN算法的定位精度比较到KNN算法
从图中可以看出，定位精度KNN算法是最低的。 当alpha;= 1时，定位距离误差在1.2米和1.9米的精度是最好的，但是在3.6米和4.8米是最差的。 当alpha;= 2时，定位在1.2米的精度是最好的，但在1.9米，2.4米和3.0米是最不好的。 当alpha;= 3时，定位精度为3.0m，3.6m和4.2米是最好的。 当alpha;= 4,5时，定位精度与alpha;= 3基本相似。 所以我们可以画画结论随着alpha;的增加，定位精度没有明显变化。 所以我们可以设定alpha;为3,4或5。（图5）
图5：K值影响定位结果
我们可以从图中看到，当K = 1时，定位0m处距离误差的准确度最好（25％）。 但是其他地区的准确度最差。 当K = 2,3,4,5或6时，定位精度，其中0m数据是独占的，当K = 1时，优于准确度。 和曲线当K = 2,3,4,5或6时变得相似.K的值不能太小或太大。 如果K的值太大算法的复杂性会增加定位时间会变长。 如果K的值是太小（K = 1），定位精度会降低。因此，考虑到因素的复杂性算法，定位精度，误差距离综合来说，我们采用K = 3。
结语
为了提高基于指纹的室内定位精度定位，本篇文章提出了一种方法，用于处理离线数据和改进的
全文共6282字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[249]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
