最强基站MAC地址匹配的RSSI加权室内定位方法
发布时间：2020-12-14 21:40
针对传统k近邻算法定位时不能有效剔除距离较远参考点的问题,提出最强基站介质访问控制(MAC)地址匹配的接收信号强度指示(RSSI)加权改进室内定位方法:离线阶段,通过模糊c均值算法划分待测点的定位区域,生成基于区域划分的聚类指纹库;在线阶段,首先确定待测点所在的目标区域,其次在目标区域内利用动态加权k近邻算法剔除距离偏远的参考点,然后通过MAC地址序列匹配的方法,只信任最强的基站,进一步筛选出k个中最优的参考点,最后计算最优参考点对应坐标的加权平均值作为待测点的最终估计位置。实验结果表明,与动态加权k近邻算法相比,该算法在房间以及走廊环境下的平均定位误差都有改善,并且1～2 m和2～3 m定位精度的可信度有较好的提升。
【文章来源】：导航定位学报. 2020年05期
【文章页数】：7 页
【部分图文】：
算法流程3实验与结果分析
地为某5层楼的3层，包含走廊及318房间。走廊长45、宽3.6m，每隔5~6m布设1个iBeacon基站（共有7个基站）；318房间长11.5、宽5.5m，布设5个基站，基站附着在天花板上。将智能手机（小米6）作为采集设备，信号的采样率设为1Hz。实验者手持采集设备在每个采样点上分别在东、西、南、北4个方向上采集60s的数据，用均值滤波处理RSSI数据，然后存入后台指纹库(密度为1m)。实验场地、指纹参考点以及基站布设情况如图2所示，实验分为318房间实验以及走廊部分实验。图2实验环境
第5期孙玉曦，等.最强基站MAC地址匹配的RSSI加权室内定位方法233.2结果分析3.2.1FCM区域划分实验使用FCM算法对318房间及走廊区域进行区域划分，其参考点的分布情况如图3所示，大部分参考点都可以按照区域进行划分，只有少量参考点未能按区域划分。图3FCM区域划分3.2.2在线定位实验1）318房间定位实验。在318房间4个已知点上分别采集10s的RSSI数据，运用本文的改进算法和EWKNN算法进行数据处理，对2种结果进行比较。分别计算2种算法的定位误差（如图4（a）所示）和误差累计概率分布（如图4（b）所示），并将各类数据进行统计（如表1所示）。本文将最小定位误差、最大定位误差、平均误差和不同定位精度下的误差累计概率作为衡量定位精度的标准。图42种算法定位误差与误差累计概率表12种算法精度对比算法不同定位精度下的误差累计概率/%最大误差/m最小误差/m平均1m1.5m2m2.5m3m3.5m4m误差/mEWKNN7.547.567.592.597.5100.0100.03.290.681.90改进算法35.060.085.099.5100.0100.0100.02.600.211.51由图4（a）、图4（b）及表1测试结果可知，改进的算法优于EWKNN算法：EWKNN算法的平均定位误差为1.90m，误差在1和2m以内的可信度分别为7.5%和67.5%；而改进算法的平均定位误差为1.51m，误差在1和2m以内的可信度分别为35.0%和85.0%；改进算法的最大定位误差为2.60m，EWKNN算法的最大定位误差为3.29m；而且改进算法的定位误差均在3m以下，而EWKNN方法定位误差在3.5m以下。2）走廊区域定位实验。在走廊区域2个已知点上分别采集10s的RSSI
【参考文献】：
期刊论文
[1]聚类阈值结合动态K值的蓝牙室内定位算法[J]. 郭英,冯茗杨,孙玉曦,刘清华,姬现磊. 测绘科学. 2019(11)
[2]抗差容积卡尔曼滤波及其在UWB室内定位中的应用[J]. 蔡赣飞,徐爱功,洪州,隋心. 测绘科学. 2018(12)
[3]基于智能手机的室内定位技术的发展现状和挑战[J]. 陈锐志,陈亮. 测绘学报. 2017(10)
[4]高斯函数定权的改进KNN室内定位方法[J]. 毕京学,甄杰,汪云甲,刘笑笑. 测绘通报. 2017(06)
[5]基于惯导辅助地磁的手机室内定位系统设计[J]. 宋镖,程磊,周明达,吴怀宇,陈洋. 传感技术学报. 2015(08)
[6]室内定位现状与发展趋势研究(英文)[J]. 邓中亮,余彦培,袁协,万能,杨磊. 中国通信. 2013(03)
[7]一种基于AP ID过滤的WLAN位置指纹定位算法[J]. 赵庆贺,邓平,陈佳. 通信技术. 2012(10)
[8]射频识别(RFID)技术研究现状及发展展望[J]. 吴永祥. 微计算机信息. 2006(32)
硕士论文
[1]基于区域划分的WLAN室内定位方法研究[D]. 胡志勇.西安理工大学 2018
[2]基于位置指纹方法的WIFI室内定位技术研究[D]. 李航.长春工业大学 2018
[3]蓝牙室内定位关键技术的研究与实现[D]. 王益健.东南大学 2015
[4]基于Android的WIFI室内定位技术研究[D]. 罗利.西南交通大学 2014
本文编号：2917053
【文章来源】：导航定位学报. 2020年05期
【文章页数】：7 页
【部分图文】：
算法流程3实验与结果分析
地为某5层楼的3层，包含走廊及318房间。走廊长45、宽3.6m，每隔5~6m布设1个iBeacon基站（共有7个基站）；318房间长11.5、宽5.5m，布设5个基站，基站附着在天花板上。将智能手机（小米6）作为采集设备，信号的采样率设为1Hz。实验者手持采集设备在每个采样点上分别在东、西、南、北4个方向上采集60s的数据，用均值滤波处理RSSI数据，然后存入后台指纹库(密度为1m)。实验场地、指纹参考点以及基站布设情况如图2所示，实验分为318房间实验以及走廊部分实验。图2实验环境
第5期孙玉曦，等.最强基站MAC地址匹配的RSSI加权室内定位方法233.2结果分析3.2.1FCM区域划分实验使用FCM算法对318房间及走廊区域进行区域划分，其参考点的分布情况如图3所示，大部分参考点都可以按照区域进行划分，只有少量参考点未能按区域划分。图3FCM区域划分3.2.2在线定位实验1）318房间定位实验。在318房间4个已知点上分别采集10s的RSSI数据，运用本文的改进算法和EWKNN算法进行数据处理，对2种结果进行比较。分别计算2种算法的定位误差（如图4（a）所示）和误差累计概率分布（如图4（b）所示），并将各类数据进行统计（如表1所示）。本文将最小定位误差、最大定位误差、平均误差和不同定位精度下的误差累计概率作为衡量定位精度的标准。图42种算法定位误差与误差累计概率表12种算法精度对比算法不同定位精度下的误差累计概率/%最大误差/m最小误差/m平均1m1.5m2m2.5m3m3.5m4m误差/mEWKNN7.547.567.592.597.5100.0100.03.290.681.90改进算法35.060.085.099.5100.0100.0100.02.600.211.51由图4（a）、图4（b）及表1测试结果可知，改进的算法优于EWKNN算法：EWKNN算法的平均定位误差为1.90m，误差在1和2m以内的可信度分别为7.5%和67.5%；而改进算法的平均定位误差为1.51m，误差在1和2m以内的可信度分别为35.0%和85.0%；改进算法的最大定位误差为2.60m，EWKNN算法的最大定位误差为3.29m；而且改进算法的定位误差均在3m以下，而EWKNN方法定位误差在3.5m以下。2）走廊区域定位实验。在走廊区域2个已知点上分别采集10s的RSSI
【参考文献】：
期刊论文
[1]聚类阈值结合动态K值的蓝牙室内定位算法[J]. 郭英,冯茗杨,孙玉曦,刘清华,姬现磊. 测绘科学. 2019(11)
[2]抗差容积卡尔曼滤波及其在UWB室内定位中的应用[J]. 蔡赣飞,徐爱功,洪州,隋心. 测绘科学. 2018(12)
[3]基于智能手机的室内定位技术的发展现状和挑战[J]. 陈锐志,陈亮. 测绘学报. 2017(10)
[4]高斯函数定权的改进KNN室内定位方法[J]. 毕京学,甄杰,汪云甲,刘笑笑. 测绘通报. 2017(06)
[5]基于惯导辅助地磁的手机室内定位系统设计[J]. 宋镖,程磊,周明达,吴怀宇,陈洋. 传感技术学报. 2015(08)
[6]室内定位现状与发展趋势研究(英文)[J]. 邓中亮,余彦培,袁协,万能,杨磊. 中国通信. 2013(03)
[7]一种基于AP ID过滤的WLAN位置指纹定位算法[J]. 赵庆贺,邓平,陈佳. 通信技术. 2012(10)
[8]射频识别(RFID)技术研究现状及发展展望[J]. 吴永祥. 微计算机信息. 2006(32)
硕士论文
[1]基于区域划分的WLAN室内定位方法研究[D]. 胡志勇.西安理工大学 2018
[2]基于位置指纹方法的WIFI室内定位技术研究[D]. 李航.长春工业大学 2018
[3]蓝牙室内定位关键技术的研究与实现[D]. 王益健.东南大学 2015
[4]基于Android的WIFI室内定位技术研究[D]. 罗利.西南交通大学 2014
本文编号：2917053
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2917053.html
