基于众包的WLAN室内定位技术研究

发布时间：2020-11-06 17:06

　　 随着无线网络的大规模部署和智能移动终端的迅速普及,基于位置服务(Location Based Service,LBS)已经广泛应用到社会生活和生产的各个领域,在电子商务、医疗保健、紧急救援、物流管理等方面都展示了良好的发展前景和巨大的市场空间。由于无线局域网(Wireless Local Area Networks,WLAN)系统已经部署在诸如商场、学校、医院、机场等公共场所,因此在不增加任何硬件设备的情况下,只进行软件开发即可实现对用户位置的估计,这使得WLAN定位系统成为实现室内定位导航和LBS发展的首选。然而,受限于室内复杂的电磁环境,接收信号强度(Received Signal Strength,RSS)数据具有高度不确定性,因此,传统WLAN定位系统需要采集大量RSS数据建立radio map,这使得离线阶段采集工作量巨大,限制了WLAN定位系统的大规模推广应用。众包技术将radio map的建立过程交给大量志愿者完成,对每个志愿者采集的少量RSS数据进行整合即可获得radio map。基于众包的WLAN室内定位系统有效降低了离线阶段的采集工作量,但该系统中仍然有一些关键环节有待深入研究。通过对基于众包的WLAN室内定位技术的深入研究和国内外研究现状的分析,目前基于众包的WLAN室内定位系统中存在以下几个问题:首先,不管是在线阶段还是离线阶段,每个用户手中的移动终端各不相同,造成严重的设备多样性问题;其次,志愿者使用的移动终端中传感器性能不同,因此无法给所有采集的RSS数据进行位置标记,带来了大量无标记数据,而传统的定位技术无法有效利用未标记数据,造成资源浪费,半监督学习算法虽然能够利用未标记数据,但传统连接图容易受噪声影响,造成定位精度的下降;最后,虽然利用众包技术可以降低离线阶段采集工作量,但每个志愿者采集的RSS数据数量较少,这使得RSS数据的波动会影响所建立radio map的精度,造成定位精度的降低。针对上述基于众包的WLAN室内定位系统中存在的问题,本文的主要研究和创新点如下:第一,针对基于众包的WLAN室内定位系统中设备多样性带来的RSS差异问题,本文提出了基于线性回归算法的设备多样性问题消除方法,实现了不同设备采集RSS数据的融合。由于不同设备使用的WLAN信号接收天线和芯片、信号处理算法都不相同,因此在同一时间同一地点接收的同一AP的RSS值各不相同,但不同设备采集的RSS数据之间存在线性关系,利用线性回归算法对不同设备采集的RSS数据进行处理,能够将不同设备采集的RSS数据映射到同一个数据空间,从而实现了在离线阶段建立具有一致性的radio map,在线阶段实现高精度定位。针对线性最小二乘算法对奇异点敏感的问题,本文提出了利用快速最小截平方算法计算不同设备之间的线性回归系数,从而提高了系统的抗噪声能力。利用线性回归算法可以大幅度消除不同设备之间的差异性,提高整个定位系统的定位精度。在利用线性回归算法消除设备多样性问题后,本文推导得到了radio map中各指纹的误检测概率公式,表明当某一指纹在物理空间上越靠近在线RSS数据的最近邻指纹时,其被误检测概率越高。第二,针对基于众包的WLAN室内定位系统中未标记点无法有效利用和半监督学习算法的连接图对噪声敏感的问题,本文提出了基于压缩感知的半监督学习WLAN室内定位算法,实现了连接图的精确重构和未标记点的有效利用,提高了定位精度。在建立radio map时,志愿者手中的终端设备不一定全部装备有传感器,有些志愿者出于个人原因会关闭某些传感器,因此很多RSS数据没有对应的位置坐标。半监督学习算法可以利用少量标记点和大量未标记点实现对设备采集RSS数据的坐标估计,不但能够降低离线阶段的采集工作量,而且能够实现对未标记数据的有效利用。通过压缩感知算法,可以实现对连接图权重矩阵的更加精确的重构,从而提高权重矩阵的鲁棒性,实现更加精确的坐标估计。第三,针对基于众包的WLAN室内定位系统中RSS数据波动造成radio map精度低的问题,本文提出了基于室内信号传播模型的RSS数据平滑算法,实现了radio map中奇异点的消除和RSS数据的平滑。在radio map中,不管是坐标空间还是数据空间,各指纹之间都存在一定的内在关系,并且利用信号传播模型,指纹在两个空间中的内在关系也存在映射关系。本文利用室内传播模型和相邻指纹上的RSS数据,提出基于信号传播模型的奇异点消除算法(Signal Propagation-based Outlier Reduction Technic,SPORT),实现对每一个参考点上的RSS数据的预测,检测radio map中存在的奇异点,并进行纠正。通过半监督学习算法和压缩感知算法能够更加精确的挖掘各指纹之间的内在关系,并与室内传播模型相结合,从而实现了对radio map中各指纹上RSS数据的更加精确的估计,从而得到更加平滑的radio map。
【学位单位】：哈尔滨工业大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：TN925.93
【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题的研究背景、目的和意义
        1.1.1 课题的研究背景
        1.1.2 课题的研究目的和意义
    1.2 室内定位技术国内外研究现状
        1.2.1 基于位置的服务发展与研究现状
        1.2.2 典型的室内定位技术
        1.2.3 基于WLAN的位置指纹室内定位系统
    1.3 基于众包的WLAN位置指纹室内定位系统
        1.3.1 众包技术国内外发展与研究现状
        1.3.2 基于众包的WLAN位置指纹定位系统
    1.4 WLAN位置指纹定位系统存在的问题及国内外研究现状
        1.4.1 radiomap低成本建立算法研究现状
        1.4.2 设备多样性问题研究现状
        1.4.3 RSS信号波动问题研究现状
    1.5 本文主要研究内容
第2章 WLAN位置指纹定位系统理论基础
    2.1 引言
    2.2 基于WLAN的位置指纹室内定位系统
        2.2.1 WLAN位置指纹室内定位基本原理
        2.2.2 WLAN位置指纹数据库的建立
        2.2.3 WLAN位置指纹定位算法
    2.3 基于众包的WLAN位置指纹室内定位基本原理
        2.3.1 基于众包的WLAN位置指纹室内架构分析
        2.3.2 基于众包的WLAN位置指纹室内定位系统特征
    2.4 WLAN位置指纹室内定位实验系统
        2.4.1 哈尔滨工业大学科学园2A栋12楼走廊室内定位环境
        2.4.2 多伦多大学Bahen楼4楼走廊室内定位环境
    2.5 本章小结
第3章 基于线性回归的设备多样性问题消除算法
    3.1 引言
    3.2 WLAN室内定位系统终端多样性问题分析
        3.2.1 终端多样性问题描述
        3.2.2 终端采集RSS数据线性关系证明
    3.3 基于线性回归的设备多样化消除算法
        3.3.1 RSS数据预处理
        3.3.2 RSS数据预定位
        3.3.3 AP选择
        3.3.4 基于线性回归算法的设备多样化问题消除
    3.4 线性回归算法指纹误检测概率分析
        3.4.1 特殊情况：radiomapX中包含两个指纹
        3.4.2 一般情况：radiomapX中包含n个指纹
    3.5 实验结果与分析
        3.5.1 实验设置
        3.5.2 线性回归算法试验结果
        3.5.3 RSS数据预处理与预定位对定位结果影响
    3.6 本章小结
第4章 基于压缩感知的半监督学习室内定位算法
    4.1 引言
    4.2 半监督学习算法
        4.2.1 无监督学习
        4.2.2 监督学习
        4.2.3 半监督学习
    4.3 基于图的半监督学习室内定位算法
        4.3.1 标记传播算法及其收敛性分析
        4.3.2 基于标签传播的室内定位算法
        4.3.3 传统图构建方法
        4.3.4 压缩感知理论
        4.3.5 基于压缩感知的权重图重构算法
        4.3.6 基于KNN-L1理论的权重图重构算法
    4.4 实验与仿真结果与分析
        4.4.1 实验设置
        4.4.2 半监督学习算法定位结果
        4.4.3 KNN-L1图对定位结果影响
    4.5 本章小结
第5章 基于室内信号传播模型的RSS数据平滑算法
    5.1 引言
    5.2 室内环境中RSS信号波动分析
    5.3 基于压缩感知的AP位置估计算法
    5.4 基于信号传播模型的奇异值消除算法
        5.4.1 SPORT基本理论
        5.4.2 基于SPORT算法的奇异值消除算法
    5.5 RSS差值感知的半监督学习RSS数据平滑算法
        5.5.1 差值?Rd（Si,Sj）估计
        5.5.2 最优值求解
        5.5.3 基于压缩感知理论的RG-SSL稀疏图建立算法
    5.6 实验结果与分析
        5.6.1 基于SPORT算法的奇异值消除仿真结果分析
        5.6.2 基于半监督学习算法的RSS数据平滑结果分析
        5.6.3 权重图稀疏恢复对RSS数据平滑的影响
        5.6.4 RSS数据平滑算法在哈尔滨工业大学2A栋12楼定位环境的性能
    5.7 本章小结
结论
参考文献
攻读博士学位期间发表的论文及其他成果
致谢
个人简历

【相似文献】

相关期刊论文 前10条

1 马旭燕;;众包在项目翻译教学中的应用初探[J];上海翻译;2017年06期

2 王志宏;傅长涛;李阳阳;;众包的行业应用研究述评[J];长安大学学报(社会科学版);2017年05期

3 李洋;温亮明;李健;;国内图书馆众包研究文献综述[J];知识管理论坛;2018年02期

4 刘彤;;关于档案众包的分析与研究[J];山东档案;2018年04期

5 曾婧婧;;国外政府资助型科研众包研究综述[J];中国科技论坛;2016年12期

6 郝迎春;祖菊;;人力资源众包服务平台应用研究[J];企业改革与管理;2017年07期

7 张永云;张生太;吴翠花;;嵌入还是卷入:众包个体缘何贡献知识?[J];科研管理;2017年05期

8 张宏树;陈雪波;;众包十年背景下的众筹新闻再考察[J];青年记者;2017年17期

9 任重;;基于万众创新的科研众包研究:定义、理论内涵与启示[J];自然辩证法通讯;2017年04期

10 王晔;;科研众包模式下图书馆支持服务研究[J];图书馆研究;2017年04期

相关博士学位论文 前10条

1 张立晔;基于众包的WLAN室内定位技术研究[D];哈尔滨工业大学;2018年

2 向为;创意设计柔性众包的方法与应用[D];浙江大学;2017年

3 吴薇;众包竞赛情境下接包者持续参与行为研究：竞争自我效能的作用[D];中国科学技术大学;2018年

4 林素芬;基于众包参与者网络的众包绩效提升研究[D];华侨大学;2015年

5 冯小亮;基于双边市场的众包模式研究[D];武汉大学;2012年

6 饶华铭;人本计算系统中众包数据质量控制方法的改进及其应用研究[D];南京理工大学;2017年

7 庞建刚;众包社区创新的运营机制设计[D];中国科学技术大学;2014年

8 胡昭阳;众包科学：网络传播语境下的公众参与创新[D];中国科学技术大学;2015年

9 李春华;基于机器学习模型与众包的知识融合方法研究[D];苏州大学;2017年

10 邹凌飞;众包社区成员创造力绩效影响因素分析及其应用研究[D];华中科技大学;2015年

相关硕士学位论文 前10条

1 王梦婧;基于众包的物流配送调度优化方案[D];哈尔滨工业大学;2017年

2 张倩茹;互联网竞赛型众包模式下雇主绩效影响因素与管理策略[D];长安大学;2018年

3 莫小燕;基于众包手机数据的实时路况估计和路径规划研究[D];哈尔滨工业大学;2017年

4 江雨;基于不确定任务环境的众包用户行为分析及调度策略研究[D];华东师范大学;2018年

5 吴永成;基于众包平台针对可达性查询的不确定图清洗研究[D];华东师范大学;2018年

6 章汉铭;基于表示学习的众包服务领域用户消费意图理解技术的研究[D];哈尔滨工业大学;2018年

7 张真铭;科研众包平台双边用户参与行为的影响因素研究[D];太原理工大学;2018年

8 赵敏;众包模式下我国中小企业创新绩效影响研究[D];华中师范大学;2018年

9 艾阔;众包数据提取平台的设计与实现[D];北京交通大学;2018年

10 孙毓鸿;基于众包的CIDP平台出版编撰流程改进研究[D];西安工业大学;2018年

本文编号：2873417