基于ESN的无线传感网络位置指纹定位方法研究

发布时间：2017-04-13 11:38

  本文关键词：基于ESN的无线传感网络位置指纹定位方法研究，，由笔耕文化传播整理发布。

【摘要】：基于Wi-Fi(Wireless Fidelity,无线保真技术)的位置指纹室内定位方法能够有效地解决GPS(Global Positioning System,全球定位系统)信号传播易受建筑物阻碍、定位技术价格昂贵等问题。目前,基于Wi-Fi的室内定位方法中,KNN(k-Nearest Neighbors,k近邻)、SVM(Support Vector Machine,支持向量机)等计算智能方法都具有较好的定位精度。ESN(Echo State Networks,回声状态网络)作为一种新型的RNN(Recurrent Neural Networks,递归神经网络),其SR(State Reservoir,状态储备池)具有特殊的ESP(Echo State Property,回声状态特性)性能,网络训练时只需计算输出权值,具有很强的动态的非线性逼近能力。研究了ESN网络的正则化离线及RLS(Recursive Least Squares,递归最小二次)在线学习算法,并针对动态变化的室内环境及时变的RSS(Received Signal Strength,接收信号强度)值影响定位精度的问题,给出一种基于ESN的室内定位方法。在此基础上,考虑对所有Wi-Fi AP(Access Point,接入点)测量的RSS值进行特征提取的预处理技术,给出另一种基于KPCA(Kernel Principal Components Analysis,核主成分分析)和ESN网络相结合的室内定位方法,即为KPCA-ESN定位方法,以进一步提高对时变的RSS值的鲁棒性及室内定位的精度。研究主要包括如下几个方面:(1)在ESN网络基本理论基础上,研究两种ESN训练算法。第一,基于正则化离线学习算法的ESN方法;第二,基于RLS在线学习算法的ESN方法。同时,研究位置指纹定位的基本原理,分析传统定位方法的定位性能,如目前精度较好的WKNN(Weighted k-Nearest Neighbors,加权k近邻)、SVM等方法。(2)将所研究的两种ESN方法与位置指纹定位模型相结合,得到两种定位方法,包括基于正则化离线学习的ESN定位方法及基于RLS在线学习的ESN定位方法。将所给出的ESN方法应用于仿真及物理环境的Wi-Fi室内定位实例实验中,在同等条件下,与WKNN、SVM、ELM(Extreme Learning Machine,极限学习机)等方法进行比较。结果表明,ESN方法取得较好的定位精度,具有较好的环境适应能力。(3)分析室内环境的动态变化及接收信号强度值的时变特性,使用KPCA方法对RSS指纹信息进行预处理,给出基于KPCA-ESN的定位方法。通过KPCA方法在特征空间有效提取模型输入的非线性主元,在此基础上,利用ESN的正则化离线及RLS在线学习算法构建提取出的定位特征与物理位置之间的非线性映射关系。将所给出的定位方法应用于室内定位实验中,结果表明,两种KPCA-ESN定位方法能够取得很好的定位精度,对不同室内环境的变化及RSS值的时变性具有非常好的适应能力。
【关键词】：室内定位 算法 Wi-Fi 回声状态网络 核主成分分析 位置指纹
【学位授予单位】：兰州交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP212.9;TN929.5
【目录】：

• 摘要4-6
• Abstract6-10
• 1 绪论10-15
• 1.1 引言10-11
• 1.2 研究背景及意义11-12
• 1.3 国内外研究现状12-13
• 1.4 论文主要研究内容13-15
• 2 位置指纹定位方法15-22
• 2.1 位置指纹的简要介绍15
• 2.2 位置指纹定位原理15-16
• 2.3 主要指纹定位算法介绍16-21
• 2.3.1 WKNN定位方法16-18
• 2.3.2 SVM定位方法18-19
• 2.3.3 OS-ELM定位方法19-21
• 2.4 小结21-22
• 3 基于ESN网络的定位方法22-43
• 3.1 ESN网络22-24
• 3.2 ESN网络学习算法24-28
• 3.2.1 离线学习算法24-26
• 3.2.2 在线学习算法26-28
• 3.3 ESN定位方法28-29
• 3.4 ESN方法在室内定位中的应用29-41
• 3.4.1 仿真实验30-33
• 3.4.2 实例实验一33-38
• 3.4.3 实例实验二38-41
• 3.5 小结41-43
• 4 基于KPCA-ESN的室内定位方法43-56
• 4.1 KPCA方法43-45
• 4.2 KPCA-ESN定位方法45-47
• 4.3 KPCA-ESN方法在室内定位中的应用47-55
• 4.3.1 仿真实验47-49
• 4.3.2 实例实验一49-54
• 4.3.3 实例实验二54-55
• 4.4 小结55-56
• 结论56-57
• 致谢57-58
• 参考文献58-61
• 攻读学位期间的研究成果61

【参考文献】

中国期刊全文数据库 前10条

1 陈斌涛;刘任任;陈益强;刘军发;蒋鑫龙;刘定俊;;动态环境中的WiFi指纹自适应室内定位方法[J];传感技术学报;2015年05期

2 张勇;黄杰;徐科宇;;基于PCA-LSSVR算法的WLAN室内定位方法[J];仪器仪表学报;2015年02期

3 冯秀芳;吕淑芳;;基于RSSI和分步粒子群算法的无线传感器网络定位算法[J];控制与决策;2014年11期

4 张维;李文涛;王力;;基于接收信号强度的不同移动终端定位方法研究[J];西北工业大学学报;2014年03期

5 夏颖;马琳;张中兆;周才发;;基于半监督流形学习的WLAN室内定位算法[J];系统工程与电子技术;2014年07期

6 刘雯;徐连明;李智峰;邓中亮;;基于空域的网格匹配定位算法[J];华中科技大学学报(自然科学版);2014年03期

7 石欣;印爱民;陈曦;;基于RSSI的多维标度室内定位算法[J];仪器仪表学报;2014年02期

8 高鹏;石为人;周伟;王小刚;李洪兵;;基于图论模糊聚类的室内自适应RSSI定位算法[J];仪器仪表学报;2013年09期

9 朱明强;侯建军;刘颖;苏军峰;;基于尺度优化IUKF滤波的室内定位估计方法[J];北京邮电大学学报;2013年04期

10 张会清;石晓伟;邓贵华;高学金;任明荣;;基于BP神经网络和泰勒级数的室内定位算法研究[J];电子学报;2012年09期

  本文关键词：基于ESN的无线传感网络位置指纹定位方法研究，由笔耕文化传播整理发布。

本文编号：303477