区域细化的被动室内定位融合技术研究
发布时间：2021-03-10 16:51
基于位置的服务（Location Based Services,LBS）近年来一直是研究热点,无论是在室内还是室外,位置服务都在以它独特的魅力吸引着大家的关注,发挥着重要的作用。随着物联网（Internet of Things,IoT）技术的快速发展,位置服务给人们的生活带来更便捷的体验,目前可应用于定位的技术有很多,其中Wi-Fi技术以其易于实施、经济高效、可与多种技术融合使用的特点备受青睐。本文通过分析大量Wi-Fi定位系统发现,虽然室内定位算法研究已经取得了一些成就,但定位精度和准确率仍有待提高,针对这个问题,本文借助融合技术研究和区域细化的方法来改善定位技术的应用现状。本文主要工作介绍如下:（1）针对信号接收强度（Received Signal Strength Indicator,RSSI）的取值高度随机、容易受到多径干扰、无法刻画多径传播的问题,提出一种基于信道状态信息（Channel State Information,CSI）的室内人员入侵检测与定位算法。使用CSI作为位置指纹特征,将采集到的CSI值经过去噪、特征提取处理后存入指纹库,结合陆地移动距离（Earth Mo...
【文章来源】：西北师范大学甘肃省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
DLFi算法测试环境平面分布图
3.2.3 定位性能分析 为了更好地说明 DLFi 算法的定位性能，在同一条件下将 DLFi 与经典定位算法 Nuzzer 和 Pilot 进行对比分析。图 3-7 展示的是在不同环境下获得的定位误差CDF 图。图 a 是在大多数 LOS 路径被阻碍的实验室环境中取得的定位结果，从图中可以看出，DLFi 算法超过 50%的测试点的定位误差小于 1 米，是三个定位算法中定位性能最好的一个。图 b 中的定位结果来自空旷的会议室环境，DLFi 定位误差在 1 米以内的测试点达到 70%以上，而 Pilot 只有约 56%，Nuzzer 仅有 33%，DLFi 的定位准确率仍然是最高的。之所以选 Nuzzer 和 Pilot 进行比较分析，是因为本章所用的实验设备和测试环境与 Nuzzer、Pilot 中的非常相似，减少了其他非必要因素的干扰，提高了实验结果的可信度。
西北师范大学硕士学位论文24有一些数据记录明显偏离整个数据分布，说明这些数据受到干扰后发生严重变异，为了提高位置估计的准确性，必须将这些离群数据剔除掉，以获得更可靠的位置信息。（a）CSI幅度测量值（b）提取的位置特征图4-2CSI幅度处理与特征提取DBSCAN算法是一种基于密度的聚类算法，通常假设类别可以由样本分布的紧密性来确定，本章引入该算法来检测和去除离群数据。图4-2中a图是采集到的CSI原始数据，b图是经过DBSCAN处理之后提取的主要特征，数据中的毛刺点被去除之后，主要特征就很容易被提取出来。然后将处理后的CSI数据主要特征转换为图像，以CSI图像作为指纹特征进行位置估计，将定位问题转化为图像匹配问题。在数据采集时选用1×3链路，每个数据包含有三条链路，刚好可以作为RGB的三个通道，为图像转换提供了便利条件，充分利用位置信号信息。具体方法如下：将一条链路看作一个RGB通道，分别从一条链路上取一个子载波的CSI幅度值作为RGB的值，利用这些像素值合成的图像就是CSI图像。（a）位置1处的RGB图像（b）位置2处的RGB图像图4-3不同位置CSI幅度转换的RGB图像
本文编号：3074957
【文章来源】：西北师范大学甘肃省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
DLFi算法测试环境平面分布图
3.2.3 定位性能分析 为了更好地说明 DLFi 算法的定位性能，在同一条件下将 DLFi 与经典定位算法 Nuzzer 和 Pilot 进行对比分析。图 3-7 展示的是在不同环境下获得的定位误差CDF 图。图 a 是在大多数 LOS 路径被阻碍的实验室环境中取得的定位结果，从图中可以看出，DLFi 算法超过 50%的测试点的定位误差小于 1 米，是三个定位算法中定位性能最好的一个。图 b 中的定位结果来自空旷的会议室环境，DLFi 定位误差在 1 米以内的测试点达到 70%以上，而 Pilot 只有约 56%，Nuzzer 仅有 33%，DLFi 的定位准确率仍然是最高的。之所以选 Nuzzer 和 Pilot 进行比较分析，是因为本章所用的实验设备和测试环境与 Nuzzer、Pilot 中的非常相似，减少了其他非必要因素的干扰，提高了实验结果的可信度。
西北师范大学硕士学位论文24有一些数据记录明显偏离整个数据分布，说明这些数据受到干扰后发生严重变异，为了提高位置估计的准确性，必须将这些离群数据剔除掉，以获得更可靠的位置信息。（a）CSI幅度测量值（b）提取的位置特征图4-2CSI幅度处理与特征提取DBSCAN算法是一种基于密度的聚类算法，通常假设类别可以由样本分布的紧密性来确定，本章引入该算法来检测和去除离群数据。图4-2中a图是采集到的CSI原始数据，b图是经过DBSCAN处理之后提取的主要特征，数据中的毛刺点被去除之后，主要特征就很容易被提取出来。然后将处理后的CSI数据主要特征转换为图像，以CSI图像作为指纹特征进行位置估计，将定位问题转化为图像匹配问题。在数据采集时选用1×3链路，每个数据包含有三条链路，刚好可以作为RGB的三个通道，为图像转换提供了便利条件，充分利用位置信号信息。具体方法如下：将一条链路看作一个RGB通道，分别从一条链路上取一个子载波的CSI幅度值作为RGB的值，利用这些像素值合成的图像就是CSI图像。（a）位置1处的RGB图像（b）位置2处的RGB图像图4-3不同位置CSI幅度转换的RGB图像
本文编号：3074957
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3074957.html
