基于多特征融合与连续特征缩放的WiFi室内定位算法研究

发布时间：2020-08-20 13:02

【摘要】：随着社会现代化的推进,智能手机已经普及人们的生活,基于位置的服务(Location Based Services,简称LBS)也越来越影响着我们,人们对于基于位置的服务的要求也越来越高。室内定位作为基于位置的服务中的一个重要技术,近年来受到了越来越多的关注。室内环境的复杂性导致了室外的定位方法如全球定位系统(Global Positioning System,简称GPS)等现有方式无法在室内实现良好的定位效果。并且,由于WiFi大量的在大型超市、医院、机场等场合的大量覆盖,利用WiFi信号实现室内定位成为了人们实现高效、经济、简单的室内定位的一种选择。然而,如何利用WiFi实现更加精确定位,如何应对多种场景下的不同需求,是一个亟待解决的问题。本文主要从以下两个方面展开工作:针对室内定位的粗定位(分类)问题,为了改善传统室内定位分类算法仅使用WiFi强度指纹作为特征的单一指纹方法,提升室内环境粗定位的分类精度,本文利用WiFi通信获得的WiFi指纹强度信息和一同获得的其他信息特征进行多特征融合,提出了基于集成学习模型(XGBoost与LightGBM)和多特征融合的定位系统。我们把所提出的定位系统应用在真实的场景中,实验表明,多特征融合的方法相较于传统单一仅使用WiFi指纹特征的方法能够提升定位的精确度,所引入的集成模型(XGBoost与LightGBM)相比传统的随机森林模型能够实现更好的定位效果,同时我们对于系统适用的场景也做了进一步的探讨。针对室内定位精定位(坐标定位)问题,本文就已有的基于特征缩放的方法k近邻(Feature Scaling based k-nearest neighbor,简称FS-kNN)算法中出现的“边界模糊”问题,提出了一种改进的使用连续特征缩放模型和异常点剔除的算法,简称CFS-kNN(Continuous Feature Scaling based k-nearest neighbor)。CFS-kNN不同于FS-kNN需要将整个RSSI(Received Signal Strength Indicator)信号空间划分间隔,从而避免了相邻区间上的权重选择问题,同时结合异常点剔除这一流程,进一步提高了定位的准确性。通过实际场景下的实验表明,所提出的算法在实验的几种算法中实现了最高的精度。最后,通过实验验证了算法在新环境下的稳定性。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN92
【图文】：

示意图,问题,示意图,权重

图 4-1 “边界模糊”问题示意图明了“边界模糊”问题可能出现在相邻区间的算结果会导致错误的定位结果。模糊”问题，同时继承特征缩放这一方法的优点预处理过程，该方法不需要将整个信号空间划续特征缩放的权重作为距离计算的缩放权重，2,1( ( ))Nnwm m n nnwd RSSI r tW= ∑ nw 为：,( )m n nRSSI r tnw eσ =归一化因子。第 n 个连续特征缩放权重为nwW。式（4-6）中，σ 是正则化因子，公式（4-5）计

定位问题,基本原理,权值,采用公式

从而有可能导致定位误差的产生。计算出的距离衡量了 ( )nr t 不同于m ,nRSSI 的程度，并且元素贡献，与m ,nRSSI 越接近，则贡献越大。换句话说，变的，而采用公式（4-5）权值会沿着,( )m n nRSSI = r t这条越大，则相应的权值越小。RSSI 层匹配RSSI1 to 1

相对位置,指纹库,指纹,不同距离

图 4-3 RP 点的相对位置分布 map）为：31, 33, 2533, 40, 28,37, 34, 2339, 42, 18 , ]33 25 ， =[ , , ]2RSSI 33 40 28 ， R]8 。待估计点的 RSSI 向量为 r ( t ) =[ 33表 4-1 r ( t )与指纹库四个指纹间不同距离1RSSI2RSSIRSS8.06 8.06 7.02.35 0.53 12.1

【参考文献】