基于AP点选择和指纹扩充的WLAN室内定位算法研究

发布时间：2020-11-17 01:46

　　 在移动互联网时代,众多商业应用均离不开准确获取人的位置信息。在室外广域空间里,以GPS为代表的全球导航卫星系统(GNSS)是最有效的定位手段,由于卫星信号被遮挡,GNSS在室内作用有限,多种室内定位技术纷纷涌现,但尚无一种公认的标准手段。伴随无线局域网(WLAN)及智能手机的普及,WLAN指纹定位成为应用广泛的室内定位手段。围绕降低指纹定位过程运算消耗及人力成本,提高定位精度和运行效率的目标,本文集中对WLAN指纹定位中改进定位模型及降低指纹采集工作量相关策略开展研究。主要内容包括:LocalReliefF-C AP点选择算法、CSBA参考点聚类算法、隐朴素贝叶斯位置估算算法、基于GPR和CGAN的指纹库自动扩充框架、基于AP点RSS值平面搜索和叠加的定位算法、隐式众包指纹采集及定位系统框架、8)4)9)-8)(6指纹样本预处理方法以及协同随机森林半监督学习定位算法。主要研究成果如下:(1)室内环境中无线网络AP点不断增多,增加了指纹定位系统计算复杂度,其中存在一些冗余AP点和噪声AP点可以删除。为了选取最优位置判别AP点集合,提出一种基于位置判别能力评估和冗余特征检测的AP点选择算法LocalReliefF-C。首先,利用改进特征选择算法ReliefF计算指纹样本集中每个AP点分类能力权值,以此衡量AP点位置判别能力,选取权值最大的若干AP点,再计算每对所选AP点之间的最大信息系数(MIC),以此衡量AP点间的冗余关系,删除部分冗余AP点。实验结果表明,LocalReliefF-C AP点选择算法能够显著降低定位算法的运算消耗,得到的最优判别AP点子集同时保证了良好定位精度。(2)传统定位算法为了搜索目标位置要遍历每一个参考点的指纹样本,随着参考点增多搜索效率大幅下降。为提高位置查找效率,在前文AP点选择基础上,提出一种新的参考点聚类算法CSBA。离线阶段将大量参考点划分成有限数量的簇,实现搜索空间的局部化,在线阶段先确定目标簇,再确定簇内目标位置。聚类的依据是参考点的最优位置判别AP点集合具有一定数量的共同元素。实验结果表明,CSBA算法能够有效降低定位过程比较运算次数,显著提高位置查找效率。(3)在簇内位置估算时,引入一种改进定位模型隐朴素贝叶斯(HNB),它打破了经典朴素贝叶斯(NB)算法关于AP点间彼此条件独立的理想化假设,通过定义隐藏的父节点把AP点之间的相互影响纳入位置估算过程。实验表明,相比经典NB算法,HNB算法的定位精度更佳。(4)在已采样参考点数量有限,指纹样本数量不足条件下,定位性能难以保证。在不增加样本采集工作量前提下,提出一种指纹库自动生成与扩充策略,利用高斯过程回归模型(GPR)对样本RSS值与位置坐标之间关系进行建模,生成未采样参考点上指纹样本,再借助深度学习模型条件生成对抗网络(CGAN)生成大量与已有样本极为相似的指纹样本,实现指纹库扩充。(5)在指纹库自动扩充基础上,位置估算阶段提出一种基于AP点RSS值平面搜索和叠加的定位算法。构造指纹库中每个AP点在定位平面上的RSS值矩阵,针对新的RSS观测向量,依次在每个AP点RSS值平面上寻找目标位置区域,最后将多个目标区域叠加,确定最终定位结果。(6)传统指纹收集过程需要耗费高昂时间和人力成本,成为指纹定位系统推广使用的瓶颈。提出一种隐式众包指纹采集及位置估算系统框架,系统包含样本采集客户端、指纹样本预处理模块、半监督学习位置估算模块等核心组件。众包模式将繁重的样本采集任务分发给众多志愿者,指纹服务器实现上传样本的接收和集成。采集程序在设备后台静默运行无需用户主动干预,进一步提高系统实用性。min-max规范化方法实现众包采集指纹的预处理,统一各样本RSS值取值范围,实现取值离散化,有效解决众包模式下观测设备异构性问题,为后续位置估算过程做好数据准备。(7)隐式众包模式采集了大量无标记样本,为将它们用于定位,引入一种融合协同训练和集成学习思想的半监督学习定位算法Co-RandomForest。算法以协同训练的方式利用无标记样本集反复优化生成的随机森林分类器,发挥集成学习优势简化求解最置信样本过程,提高算法执行效率。实验结果表明,Co-RandomForest在使用少量标记样本条件下,通过挖掘大量易于获得的无标记样本定位价值,能够取得与传统监督学习算法相当的定位性能,从而摆脱对大量标记样本采样过程的依赖。
【学位单位】：中国矿业大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：TN925.93
【部分图文】：

智能手机-22 -95 73图2-3具体描绘了5种不同移动设备在5个参考位置上观测所得RSS平均值的差异情况，每一个子图对应一个不同的 AP 点。可以发现，即使在相同位置上针对同一 AP 点进行观测，不同类型设备所得的 RSS 平均值也总是存在差异。本实验中不同类型设备观测 RSS 均值最大差距可达 27dBm，平均差距也有 8dBm。究其原因，一是因为不同硬件在信号强度感测能力方面存在差异，二是因为不同设备厂商所使用 RSSI 到 RSS 的映射方案是不统一的。RSSI（Received SignalStrength Indicator）是接收设备（无线网卡或 Wi-Fi 模块）接收射频信号能量强度的测量值，IEEE 802.11 标准规定 RSSI 的取值介于 0 到 255 之间，而实际上硬件厂商实现时将 RSSI 限制在 0 到 RSSI_Max 之间

2 WLAN 位置指纹室内定位基础理论瑞利（Rayleigh）分布、麦克斯韦（Maxwell）分布多为右偏分布较难用已知典型分布来建模。图 2-4 展示了实验区域里采集的 100方图的偏度值情况，采样位置为图书馆借阅大厅中随机选取的 20个参考点上收集周围环境中 5 个 AP 点的信号强度值，针对每个 A 40 次构成 RSS 直方图。从图中可以看到，100 个直方图中共有 6负值，16%的偏度小于-0.5，说明 62%的 RSS 直方图是左偏斜的，为显著偏斜的。表 2-2 给出了偏度值在各区间的分布情况。一般而信号强度等级较高时（例如在 AP 点距离观测设备较近，或者在视RSS 数据分布呈现比较显著的左偏形态，当信号强度较低时（在 A设备较远，或在非视距条件下），左偏形态相对轻微。在进行位置时，对于分布特征为轻微偏斜的 RSS 值可以用高斯分布近似描述斜的 RSS 值利用直方图方法加以描述，常常取得更好的效果。

图 2-5 参考点位置分布Figure 2-5 Distribution of reference locations图 2-6 不同参考点上指纹数据的可区分性-6 Distinguishability of fingerprint data on different ref
【参考文献】

相关期刊论文 前10条

1 吴海玲;高丽峰;汪陶胜;李作虎;;北斗卫星导航系统发展与应用[J];导航定位学报;2015年02期

2 阮陵;张翎;许越;郑星雨;;室内定位:分类、方法与应用综述[J];地理信息世界;2015年02期

3 汪明峰;顾成城;;上海智慧城市建设中公共WLAN热点的空间分析与检讨[J];地理科学进展;2015年04期

4 邓中亮;尹露;;基于TC-OFDM体制的室内定位系统[J];电信网技术;2015年03期

5 刘春燕;王坚;;基于几何聚类指纹库的约束KNN室内定位模型[J];武汉大学学报(信息科学版);2014年11期

6 赵锐;钟榜;朱祖礼;马乐;姚金飞;;室内定位技术及应用综述[J];电子科技;2014年03期

7 沈芮;张剑;;基于可见光通信的室内定位方法[J];信息工程大学学报;2014年01期

8 刘越;李珊;王彦龙;;4G背景下的WLAN发展趋势[J];世界电信;2013年12期

9 李晶辉;张小刚;陈华;胡义函;;一种改进隐朴素贝叶斯算法的研究[J];小型微型计算机系统;2013年07期

10 王巍;;惯性技术研究现状及发展趋势[J];自动化学报;2013年06期

本文编号：2886931