基于WiFi信号指纹精细化的室内定位方法

发布时间：2019-10-14 17:27

【摘要】：室内定位是基于位置的服务(LBS)的前提,是近年来的研究热点,得到学术界和工业界的广泛关注。随着智能手机的普及,当前已发展出多种基于WiFi和移动智能终端的室内定位技术。与前期定位技术相比,基于智能手机和WiFi进行室内定位具有明显优势,但是仍然存在人工采集位置指纹信息成本相对比较高的问题。本文首先通过对室内定位规模化应用的关键因素、基于智能手机和WiFi的室内定位基本方法和工作分类进行总结和对比,得出了当前工作的不足和未来可能的发展方向。然后,基于WiFi信号接收信号强度的指数衰变模型和信号在室内的正态分布特征,提出了一种基于位置指纹精细化的定位方法。该方法采用分治的思想,对初期采集的粗粒度的信号指纹样本进行精细化,进而得到细粒度的样本,从而能够使用简单的位置匹配算法就可以达到比较理想的定位精度,大大减少了样本采集的成本。最后,本文基于QT实现了一个室内定位仿真平台,用来对样本数据可视化的处理分析、精细化样本库、执行匹配算法,以确定一个定位精度好的样本库和位置匹配算法。本文使用所设计的室内定位仿真平台和真实采集的位置指纹信息,对提出的位置指纹精细化的方法进行验证。实验表明位置指纹库的精度越高,定位平均错误距离越低,当使用精细化到0.25米的位置指纹样本库和K-近邻匹配算法(K=4)的时候,定位平均误差距离为1.82785米,小于其它未精细化过的样本数据进行定位的平均误差距离,表明基于位置指纹精细化的方法可以在大大减小样本采集成本的情况下达到更好的定位效果。
【图文】：

示意图,算法,示意图,移动设备

如何去除干扰的 RSS 信息，使得计算距离更加准确，因为同一个置可能会有几个 RSS 信息；如何在避免或者减少提前部署工作的前提下将相对位置转换成绝类方法中典型的算法就是文献[8]提出的 EZ 算法，如图 3-1（场景 1动设备（M1 和 M2）可以测量分别得到其到两个热点（AP1 和 Ad11，d12，，d21，d22），但是这时候无法确定 M1 和 M2 的位置，多可能的位置分布，如图 2-1（场景 2）中测量到的距离值和图 1致，但是位置不同。而随着移动设备和热点的增多如图 3-1 中（场置分布的可能性就越小，当移动设备和热点的数量达到一定量之后个唯一的位置分布情况。然后再通过少量移动设备接收到的 GPS息就可以确定所有移动设备的绝对位置。方法的核心思想就是穷举所有可能的位置分布情况，然后排除不可后得到一个位置分布情况，好处就是不需要人工参与信号采集就可室内定位效果。

地图,指纹,基本步骤,地图

具体的实现方法会有很多种，但是总体的思想是一致的。用户在运动过程中捕获位置指纹信息，查询位置的时候将位置指纹信息发送给定位系统? RSSI），定位系统根据 RSSI 地图（位置 RSSI）匹配得到当前位置指纹应的位置信息（位置? RSSI），此类方法的关键点是获得 RSSI 地图和通过SI 地图计算得到位置信息。该方法需要预先收集大量的位置指纹信息。一般情况下位置指纹收集的越，定位的准确率就越高，直到达到某个阈值。得到位置指纹地图之后，还需要个高效的算法估计待测位置的位置信息，文献[9]采用的是贝叶斯(Na ve Baye)算法，实现简单而且定位效果良好。另外文献[10]中使用 K-近邻(K-Neareighbor，KNN)算法，其中 K=1，该方法实现简单，定位效果良好。总结起来类方法要解决的问题有以下三点：1）如何避免或者减少获得 RSSI 地图需要花费的人力；2）如何解决 RSSI 信息和位置不一一对应的问题；3）如何通过 RSSI 地图高效的计算出位置信息。
【学位授予单位】：天津大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TN92

【相似文献】