基于WIFI网络的室内无线定位技术研究

发布时间：2017-08-19 12:35

  本文关键词：基于WIFI网络的室内无线定位技术研究

  更多相关文章： 室内定位 位置指纹 聚类技术 信号强度 最近邻算法

【摘要】：近几年来,随着移动互联网技术爆炸式的增长和智能移动终端设备的普及,出现了许多如位置交友、周边搜索等基于地理位置的服务,而定位技术正是位置服务的技术基础。到二十世纪九十年代末,GPS等全球定位技术已经十分成熟并取得了卓越的成绩。但是GPS定位只适用于室外环境,室内环境相对于室外环境更加复杂,而且GPS信号穿透建筑物能力较差,所以传统的室外定位技术在室内环境下并不适用,新的室内定位技术的研究已经刻不容缓。目前国内外主要采用的室内定位技术有超声波定位技术、WIFI定位技术、射频识别定位技术和红外线定位技术等无线定位技术。其中WIFI技术具有覆盖范围广、成本低、操作方便等优势。并且为了更好的吸引和服务年轻人,现在许多的大型室内环境例如大型商场、博物馆、机场、咖啡厅都设有免费的WIFI热点。这更加促进了WIFI室内定位技术的研究。本文采用基于WIFI网络的位置指纹定位技术进行室内环境下的定位研究。对位置指纹定位算法的定位原理进行研究,指出定位过程中的关键问题,总结出定位系统的评价标准。通过对典型的位置指纹定位算法研究以及对各自算法的适用场所的分析和比较,指出造成定位误差的主要方面,改善定位流程,对定位算法进行优化,最终提出一种新的室内定位算法。即离线阶段对采样点处信号进行多次测量后取平均值录入到指纹数据库中。然后采用聚类技术对指纹库进行训练,把指纹数据库中的数据分成许多小的类簇,最终只保留和待测点相似度最高的类,去除相似度较小的类,减少匹配算法运行时的搜索空间,减少算法时间复杂度,降低信号误差对定位精度造成的影响。仔细研究并对传统的聚类技术进行改进,降低聚类结果对初始聚类个数K值的依赖,解决了由于初始聚类中心选择不恰当造成的局部最优解问题,降低了聚类算法的时间复杂度,提高了计算速度。充分考虑到不同信号接收端接收信号能力的差异,优化了定位阶段匹配算法的权重系数,增加了稳定性高、信号较强的数据点的权重,降低稳定性差、信号较弱的数据点的权重,提高定位精度。最后通过MATLAB仿真工具,在同一环境下对改进前后的定位算法进行定位精度、均值误差、收敛性等方面的比较,测试表明,改进后的位置指纹定位算法有效的降低定位误差,有更高的定位精度。
【关键词】：室内定位 位置指纹 聚类技术 信号强度 最近邻算法
【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】：TN92
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-15
• 1.1 课题研究背景和意义9-12
• 1.2 国内外的研究现状12-13
• 1.3 论文的主要研究内容和章节安排13-15
• 2 室内定位技术研究15-30
• 2.1 室内定位技术概述15
• 2.2 常见的室内定位技术15-20
• 2.2.1 超声波技术15
• 2.2.2 红外线技术15-16
• 2.2.3 超宽带技术（UWB）16
• 2.2.4 蓝牙定位技术（Bluetooth）16-17
• 2.2.5 射频识别技术（RFID）17-18
• 2.2.6 ZigBee定位技术18
• 2.2.7 WIFI定位技术18-20
• 2.3 WIFI无线通信技术20-24
• 2.3.1 WIFI基本介绍20
• 2.3.2 WIFI基本组成20-22
• 2.3.3 无线网络的拓扑结构22-23
• 2.3.4 无线信道及特征23-24
• 2.4 影响室内定位的主要因素24
• 2.5 常见的定位算法24-28
• 2.5.1 基于测距的定位技术24-27
• 2.5.2 无需测距的定位算法27-28
• 2.6 定位系统性能的评价标准28-30
• 3 位置指纹定位算法研究30-46
• 3.1 位置指纹定位算法的定位原理30-31
• 3.2 典型的位置指纹定位算法31-35
• 3.2.1 最近邻法（NN）32
• 3.2.2 K最近邻法（KNN）32
• 3.2.3 K加权最近邻法（WKNN）32-33
• 3.2.4 BP神经网络法33-34
• 3.2.5 贝叶斯网络算法34-35
• 3.3 位置指纹定位算法分析35-38
• 3.4 位置指纹定位技术关键问题分析38-40
• 3.4.1 衰落对信号强度的影响38-39
• 3.4.2 不同移动终端对信号强度的影响39
• 3.4.3 人的行为对接收信号的影响39-40
• 3.4.4 指纹密度对定位的影响40
• 3.5 位置指纹空间聚类技术40-46
• 3.5.1 聚类技术基本介绍40
• 3.5.2 相似性度量40-42
• 3.5.3 K均值聚类算法介绍42-45
• 3.5.4 现有的K均值聚类算法存在的问题45-46
• 4 位置指纹定位算法的改进与仿真分析46-58
• 4.1 K均值聚类算法的改进47-50
• 4.2 K加权最近邻法的改进50-52
• 4.3 改进算法的仿真与实现52-58
• 结论58-60
• 致谢60-61
• 参考文献61-63

【参考文献】

中国期刊全文数据库 前10条

1 徐振华;;基于BP神经网络的分布式入侵检测模型改进算法研究[J];网络安全技术与应用;2016年02期

2 马壮壮;束龙仓;季叶飞;荆艳东;鲁程鹏;;基于遗传算法的BP神经网络计算岩溶水安全开采量[J];水文地质工程地质;2016年01期

3 朱甜甜;李朋朋;王萍;郑国莘;;2.6GHz频段走廊环境下MIMO信道特性的研究[J];电子测量技术;2016年01期

4 李冬;张宝贤;;基于指纹的室内定位技术[J];中兴通讯技术;2015年06期

5 王琪;;基于WiFi信号指纹的室内定位技术[J];计算机与网络;2015年21期

6 徐潇潇;谢林柏;彭力;;一种改进的基于贝叶斯的位置指纹算法[J];江南大学学报(自然科学版);2015年05期

7 吴绍春;陈亮;;基于RSSI的矿山井下人员定位方法研究[J];计算机应用与软件;2015年10期

8 石云;陈钟;孙兵;;基于均值聚类分析和多层核心集凝聚算法相融合的网络入侵检测[J];计算机应用研究;2016年02期

9 徐潇潇;谢林柏;;位置指纹算法关键参数的提取[J];江南大学学报(自然科学版);2015年03期

10 李银;汪洋;陈冬明;;基于RSSI的无线传感器网络定位系统设计与实现[J];计算机测量与控制;2015年03期

，

本文编号：700754