基于极限学习机和迭代自组织数据分析聚类的室内定位算法研究

发布时间：2021-01-15 17:18

　　随着无线电通信技术、移动互联网技术的发展,很多场合对于基于位置的服务（Location Based Services,LBS）的需求越来越高。然而应用广泛的卫星类定位系统由于受到建筑物的遮挡,室内定位效果差,因此,室内场景需要非全球导航卫星系统（Global Navigation Satellite System,GNSS）进行定位。室内定位研究近年来已经成为热点。由于室内高密度的Wi-Fi节点布设,Wi-Fi信号室内覆盖范围大。大量的移动终端都内嵌Wi-Fi接收机,因此Wi-Fi信号在室内容易接收。极限学习机（Extreme Learning Machine,ELM）作为一种新型的前馈神经网络（feed-forward neuron network）机器学习算法,其隐层节点参数可随机给定且不需人为调整,学习效率高,泛化能力强。因此本文开展基于ELM的Wi-Fi室内定位技术研究。研究主要包括以下几个方面:（1）研究基于接收信号强度指示（Received Signal Strength Indicator,RSSI）的指纹定位模型和工作原理,在此基础上介绍了常用的指纹匹配算法。然后对极限... 

【文章来源】：南京邮电大学江苏省

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景和研究意义
    1.2 常见室内定位方法
        1.2.1 测距定位方法
        1.2.2 非测距定位方法
    1.3 基于接收信号强度指示RSSI的定位算法
        1.3.1 基于距离的RSSI定位算法
        1.3.2 基于压缩感知的RSSI定位算法
        1.3.3 基于位置指纹的RSSI定位算法
    1.4 国内外室内定位研究现状
    1.5 本文主要工作
    1.6 文章结构安排
第二章 基于ELM的指纹定位模型
    2.1 基于RSSI的指纹定位算法
    2.2 常见位置指纹匹配算法
        2.2.1 k邻近法
        2.2.2 加权k邻近法
        2.2.3 反向传播神经网络法
        2.2.4 支持向量机法
    2.3 基于极限学习机的定位理论
        2.3.1 极限学习机的提出
        2.3.2 基于ELM的定位算法研究现状
    2.4 本章小结
第三章 基于MK-ELM和 ISODATA聚类技术的定位算法
    3.1 ELM定位系统模型及面临问题描述
        3.1.1 ELM定位系统模型
        3.1.2 问题描述
    3.2 算法具体描述
        3.2.1 算法基本思想
        3.2.2 离线阶段描述
        3.2.3 在线阶段描述
    3.3 算法总结和理论分析
        3.3.1 算法步骤总结
        3.3.2 算法理论分析
    3.4 算法定位性能分析
        3.4.1 实验设备及场景
        3.4.2 定位效果分析
        3.4.3 计算复杂度分析
    3.5 本章小结
第四章 半监督条件下基于ELM理论和ISODATA聚类的定位算法
    4.1 定位系统模型和问题提出
        4.1.1 系统模型
        4.1.2 问题提出
    4.2 算法主要思想描述
    4.3 算法离线阶段描述
        4.3.1 RSSI测量值通过无监督聚类方法进行数据预处理
        4.3.2 分类学习
        4.3.3 RSSI测量值特征提取
        4.3.4 回归学习
    4.4 算法在线阶段描述
    4.5 算法性能分析
        4.5.1 实验设备与测试场景
        4.5.2 参数设置
        4.5.3 性能比较
    4.6 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 研究展望
参考文献
附录1 攻读硕士学位期间撰写的论文
附录2 攻读硕士学位期间申请的专利
附录3 攻读硕士学位期间参加的科研项目
致谢


【参考文献】：
期刊论文
[1]基于加权极速学习机室内高动态环境的定位算法[J]. 周世悦,张静.  上海师范大学学报(自然科学版). 2017(02)
[2]一种基于位置指纹的WSN室内安全定位算法[J]. 徐小卜.  电脑知识与技术. 2016(09)
[3]基于KELM的位置指纹室内定位方法研究[J]. 郭伯勋,李军.  计算机工程与应用. 2016(09)
[4]一种基于Wi-Fi信号指纹的楼宇内定位算法[J]. 牛建伟,刘洋,卢邦辉,宋文芳.  计算机研究与发展. 2013(03)
[5]一种无线传感器网络质心定位改进算法[J]. 朱博,陈曙.  传感技术学报. 2010(06)
[6]基于k-近邻算法的定位方法设计和仿真[J]. 李文杰,李文明.  计算机仿真. 2009(04)
[7]关于核函数选取的方法[J]. 王炜,郭小明,王淑艳,刘丽琴.  辽宁师范大学学报(自然科学版). 2008(01)
[8]基于单片机的红外超声室内定位系统[J]. 鲁琦,殳国华.  微处理机. 2006(02)

博士论文
[1]基于锚节点的无线传感器网络定位技术研究[D]. 唐弢.哈尔滨工业大学 2013
[2]无线传感器网络定位算法及其应用研究[D]. 戴欢.江南大学 2012
[3]基于无线传感器网络的分布式定位跟踪系统[D]. 申兴发.浙江大学 2007
[4]支持向量机算法的研究及其应用[D]. 范昕炜.浙江大学 2003

硕士论文
[1]基于位置指纹的室内定位算法研究[D]. 周红亮.安徽工程大学 2018
[2]室内基于无线信号的指纹定位方法研究[D]. 周世悦.上海师范大学 2016
[3]基于WIFI位置指纹室内定位算法关键技术的研究[D]. 葛丽.南京邮电大学 2015
[4]室内无线定位的研究[D]. 叶蔚.华南理工大学 2010



本文编号：2979205