论文部分内容阅读
随着人们对于室内位置服务需求的日益高涨,越来越多的研究者们投入到了室内定位技术的研究领域。其中,由于WiFi网络与设备的广泛部署以及智能移动终端的普遍使用,基于WiFi的室内定位技术成为研究的热点。本文研究了基于WiFi的室内定位技术,分析了国内外研究现状,比较了不同的室内定位方法的优势与不足,最后以基于位置指纹的定位方法开展了研究工作。本文从定位算法和指纹库的重建与更新进行研究,针对仅使用接收信号强度指示(Received Signal Strength Indication,RSSI)作为指纹的WiFi定位算法定位精度不高以及离线指纹库的建立与更新成本高的问题,提出了相应的改进方案。本文采用卷积神经网络(Convolutional Neural Networks,CNN)来改善基于传统RSSI指纹定位算法的定位性能,将每个位置的接收信号强度向量作为CNN训练输入,输出位置估计。之后,从误差修正的角度,提出了基于随机森林(Random Forest,RF)回归的定位误差修正算法,该算法执行CNN定位算法后,得到定位坐标,计算横纵坐标定位误差。接收信号强度向量和横纵坐标定位误差作为训练集对随机森林回归模型进行训练,以找出接收信号强度与定位误差的非线性映射关系。在线定位时利用已经训练好的随机森林回归模型预测定位点的横纵坐标定位误差,对CNN得到的定位坐标进行修正。针对离线指纹库后期的维护与更新成本高的问题,本文结合贝叶斯压缩感知理论与参考点指纹之间的相似性,提出了一种离线指纹库的构建算法。该算法充分利用参考点之间的相似性,通过测量新的环境下少量的参考点的信号强度的变化值,便能重构整个定位区域中来自某个AP的信号因环境改变而产生的变化值,用变化值对原离线指纹库中的指纹进行修正,便能得到新环境下的指纹数据。最后,本文在真实环境中实现参考点的部署,采集实际环境数据对本文提出的两个算法进行验证与分析。本文提出的CNN定位算法与DNN,SVM相比,定位精度上分别提高了7.49%和22.03%。基于CNN+RF的误差修正算法能够进一步改善定位精度,与CNN和CNN+SVR相比,在定位精度上分别提高21.63%和9.11%。基于相似性的贝叶斯压缩感知算法能够很好的重建指纹库,减少离线阶段的工作量,在相同条件下能够提高定位算法的定位精度。