基于线性判别分析和梯度提升树的WLAN室内定位算法研究

发布时间：2020-07-22 20:11

【摘要】：伴随着“互联网+”战略的推进落实,各类智能设备迅速普及。各种应用程序正在改变着人们的生活,从而催生出越来越多需要室内位置信息的场景。由于建筑墙体阻挡信号的传播,在室内无法采用全球定位系统进行精确定位。无线局域网(WLAN)技术标准日益完善,并且WLAN网络已经成为绝大多数建筑物的标准配置。基于WLAN的室内定位方法仅需使用建筑物内部的WLAN网络,能耗低、误差小,是室内定位技术的重点研究方向。本课题提出一种基于线性判别分析(LDA)和梯度提升树(GBDT)的WLAN室内定位算法,主要完成了如下五方面工作:(1)对国内外研究人员在室内定位领域取得的主要成果进行了总结,明确了本课题研究的意义。对WLAN的基本原理和技术标准进行了阐述,分析了WLAN室内定位中涉及的几何解算法和位置指纹法的基本理论,对这两类方法中包含的主要算法进行了探究,并分别指出了这些算法的不足之处。本课题对无须额外配置硬件且定位精度较高的位置指纹法进行了研究。(2)对接入点(AP)的接收信号强度值(RSSI)的特性和影响其准确性的因素进行了分析,针对RSSI值随时间不规律变化的问题,提出了基于LDA的定位特征提取算法,该算法可以充分利用参考点的坐标信息,有效去除原始位置指纹中的冗余特征和异常信号。(3)针对LDA提取位置指纹的主要定位特征后,仅利用个体学习算法计算待定点位置坐标的方法不能满足WLAN室内定位系统精度的要求,提出了基于集成学习的GBDT定位算法。该算法首先利用前向分布算法将损失函数的负梯度值作为定位误差的近似值拟合一个分类回归树(CART);接着采用加法模型将各次迭代生成的CART回归树线性结合,生成最终的GBDT定位算法。将LDA定位特征提取算法与GBDT定位算法结合,构成LDA-GBDT定位算法。(4)在公开数据集上对本文提出的LDA-GBDT定位算法的有效性进行了验证。实验从保留指纹空间维度、CART回归树最大深度、AP数量等多个不同方面开展。实验结果显示,本文所提出的LDA-GBDT定位算法在公开数据集场景下的定位精度为1.51m,与其他WLAN室内定位算法相比具有更高的精确度。(5)为了在真实场景下进一步验证LDA-GBDT定位算法的有效性,本课题设计了一款WLAN室内定位软件,并利用该软件采集真实场景下的实验数据。实验结果显示,本文所提出的LDA-GBDT定位算法在真实场景下的定位误差为1.19m,与其他定位算法相比具有显著的优势。
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN925.93
【图文】：

北京工业大学工学硕士学位论文用深色圆点表示测试点，共 60 个。实验空间中共安装了 13 用带有可以采集 AP 的 RSSI 值软件的设备，在每一个参考点、东北、东南、西北、西南 8 个方向上重复采集 110 次，每个 250ms，在每个方向上采集的平均值作为该方向的指纹信息。

第 5 章 LDA-GBDT 定位算法的有效性验证该软件的开发平台是 AndroidStudio2.3.3，语言是 JAVA，工程名为 scanwifi ，数据库是 Android 系统集成的 SQLite，如图 5-9 所示，为软件开发界面。在平台自有的虚拟机仿真调试运行后，下载到小米 6 手机中，对本节开发的 WLAN 室内定位软件进行实际测试。

图 5-9 软件开发界面Figure5-9 Software development interface（3）数据库设计WLAN 室内定位软件的数据库采用 SQLite，该数据库为轻量级数据库[65]，操作便捷。在离线阶段，工作人员采集参考点的指纹数据后自动存入如图 5-10 中所示的名为 WiFilocation 的数据库中。该数据库共有两张表，分别为 wifi 与location ，前者负责存储 AP 的编号、网络识别名、RSSI 值、物理地址等信息；后者负责存储参考点坐标等信息。两张数据表的具体信息如下表 5-4 和表 5-5 所示。

【相似文献】

相关期刊论文 前10条

1 张起荣;陈善雄;余廷忠;王燕;;二维合并双向可调拉普拉斯逆线性判别分析算法[J];贵州工程应用技术学院学报;2017年03期

2 马家军;;针对人脸个体差异性的核线性判别分析[J];商洛学院学报;2016年02期

3 马冯艳;;主分量分析和线性判别分析在分类问题中的应用[J];科技视界;2015年13期

4 王金甲;胡备;;脑机接口的广义核线性判别分析方法研究[J];中国生物医学工程学报;2012年01期

5 高建强;范丽亚;;模糊线性判别分析中距离对面部识别的影响[J];井冈山大学学报(自然科学版);2012年03期

6 郑秋梅;吕兴会;时公喜;;基于双向二维直接线性判别分析的人脸表情识别[J];中国石油大学学报(自然科学版);2010年05期

7 杨昔阳;;基于模糊线性判别分析的控制规则约简[J];泉州师范学院学报;2010年06期

8 刘笑嶂;冯国灿;;多重核线性判别分析及其权值优化[J];计算机应用;2009年09期

9 胡煜;;线性判别分析和主分量分析法应用于基因芯片数据分析[J];海南广播电视大学学报;2007年04期

10 姚棣荣;;逐步非线性判别分析[J];科技通报;1988年03期

相关会议论文 前10条

1 欧阳梅兰;张志敏;陈晨;刘鑫波;梁逸曾;;稀疏线性判别分析法在代谢组学数据研究中的应用[A];中国化学会第29届学术年会摘要集——第19分会：化学信息学与化学计量学[C];2014年

2 张明锦;杜一平;童佩瑾;;基于非相关线性判别分析的分层特征选择方法及其在蛋白质组数据分析中的应用[A];第十届全国计算(机)化学学术会议论文摘要集[C];2009年

3 包森成;董远;杨浩;董乘宇;王海拉;;中文有调语音识别系统的改进[A];第九届全国人机语音通讯学术会议论文集[C];2007年

4 陈晨;张志敏;欧阳梅兰;刘鑫波;易伦朝;梁逸曾;;质心收缩正则判别分析法在代谢组学数据分析中的应用[A];中国化学会第29届学术年会摘要集——第19分会：化学信息学与化学计量学[C];2014年

5 仪淑敏;杨立平;徐永霞;李学鹏;励建荣;;秘鲁鱿鱼丝在加工过程中挥发性风味物质分析[A];中国食品科学技术学会第十一届年会论文摘要集[C];2014年

6 贺海浪;龙绪明;刘明晓;罗爱玲;曹宏耀;董健腾;;(2D)~2LDA和支持向量机在PCB焊点检测中的应用[A];2014中国高端SMT学术会议论文集[C];2014年

7 王毅军;张志广;李勇;高小榕;高上凯;杨福生;;2003年脑机接口数据竞赛论文之一——基于CSSD和FDA的单次手指运动诱发脑电分类算法[A];首届全国功能神经影像学和神经信息学研讨会论文汇编[C];2003年

8 黄良韬;林志敏;刘庆聪;;脑机融合图像识别中的统计模型[A];2015年（第四届）全国大学生统计建模大赛论文[C];2015年

9 陈思宝;姚志强;胡郁;王仁华;;基于树的相关系数补偿满方差建模技术研究[A];第九届全国人机语音通讯学术会议论文集[C];2007年

10 乔红波;徐永伟;程登发;周益林;;冬小麦主要病虫害的高光谱识别[A];植物保护与现代农业——中国植物保护学会2007年学术年会论文集[C];2007年

相关博士学位论文 前10条

1 刘笑嶂;核方法的若干关键问题研究及其在人脸图像分析中的应用[D];中山大学;2010年

2 潘志斌;半监督排序的若干关键问题研究[D];华中科技大学;2014年

3 袁大林;代谢组学与中药研究中复杂体系的解析方法及应用研究[D];中南大学;2010年

4 刘忠宝;基于核的降维和分类方法及其应用研究[D];江南大学;2012年

5 刘俊;人脸图像的子空间表示研究[D];南京航空航天大学;2007年

6 张明锦;基于特征选择的多变量数据分析方法及其在谱学研究中的应用[D];华东理工大学;2011年

7 文颖;数字、字符识别及其应用研究[D];上海交通大学;2009年

8 尹学松;半监督聚类分析策略设计及其拓展性研究[D];南京航空航天大学;2009年

9 沈道义;基于最小化训练误差的子空间分类算法研究[D];中国科学技术大学;2008年

10 赵松;人脸识别中的姿态估计、识别算法和融合算法的研究[D];中国科学技术大学;2009年

相关硕士学位论文 前10条

1 王成祥;多示例学习支持向量降维机及其应用[D];大连理工大学;2019年

2 林恩;基于等级数据的产品质量统计分析[D];上海交通大学;2016年

3 房园;基于多特征信息融合的癌症凝集素的鉴定方法研究[D];云南大学;2019年

4 牛铮;基于线性判别分析和梯度提升树的WLAN室内定位算法研究[D];北京工业大学;2019年

5 滕君;基于度量学习的行人再识别技术研究[D];重庆邮电大学;2018年

6 陈莎;基于鬼成像的光学加密及物体分类方法研究[D];南京邮电大学;2019年

7 车志勇;基于线性判别分析（FDA）的迁移学习方法[D];广东工业大学;2019年

8 王馨彤;函数型线性判别分析[D];新疆大学;2019年

9 董良;基于线性判别分析与特征加权支持向量机的选股模型研究[D];河北工业大学;2016年

10 郭月;基于正交线性判别分析的高光谱空谱联合分类方法[D];辽宁工程技术大学;2018年

本文编号：2766289