【摘要】：802.11無線局域網(wǎng)技術(shù)的廣泛普及,給無線室內(nèi)定位系統(tǒng)帶來了良好的發(fā)展契機.提出了一種基于支持向量回歸的802.11無線室內(nèi)定位方法.該方法主要包括離線訓練和在線定位兩個階段.離線階段的主要工作是得到精確的位置預測模型;在線階段的主要工作是根據(jù)移動設(shè)備的接收信號強度(received signal strength,簡稱RSS)進行在線定位.由于存在室內(nèi)環(huán)境復雜、信道擁塞、障礙物影響和節(jié)點的通信半徑有限等問題,移動設(shè)備的接收信號強度易受干擾,復雜多變.針對以上問題,離線階段對接收信號強度信息進行統(tǒng)計分析,得出數(shù)據(jù)過濾規(guī)則,對訓練數(shù)據(jù)集進行過濾,以此提高訓練樣本質(zhì)量,從而提高支持向量回歸預測模型的質(zhì)量.在線階段使用連續(xù)K次測量定位法獲取信號強度信息,保證訓練樣本與在線輸入信息之間的一致性,提高最終的定位精度.通過實驗對該定位方法進行了綜合對比分析,實驗結(jié)果表明:與常用概率定位法、神經(jīng)網(wǎng)絡(luò)法相比,該方法具有更高的定位精度,同時具有對移動設(shè)備的存儲容量及其計算能力要求較低的特點.
【圖文】：

石柯等:一種基于支持向量回歸的802.11無線室內(nèi)定位方法26392基于SVR的定位方法2.1概述基于SVR的定位方法的核心是通過支持向量回歸原理找出802.11無線局域網(wǎng)RSS信息與其地理位置的關(guān)系.其總體框架如圖1所示,移動設(shè)備通過與802.11無線接入點的通信獲取自身的位置信息.Fig.1FrameworkofSVR-basedlocationmethod圖1基于SVR的定位方法的總體框架整個定位過程包括離線和在線兩個階段:(1)離線階段離線階段的主要工作包括:采集數(shù)據(jù)通過將移動設(shè)備依次置于預先部署好的位置已知的參考點,采集各802.11無線接入點的RSS信息,得到原始訓練數(shù)據(jù)集.數(shù)據(jù)過濾由于室內(nèi)環(huán)境復雜,再加上信道擁塞等因素的影響,移動設(shè)備接收的RSS信息易受干擾,復雜多變,因此,移動設(shè)備采集到的原始數(shù)據(jù)集質(zhì)量較差.在數(shù)據(jù)過濾階段,采用數(shù)據(jù)過濾規(guī)則對采集的原始數(shù)據(jù)集進行過濾處理,以提高訓練樣本的質(zhì)量.通過支持向量回歸算法利用訓練數(shù)據(jù)進行監(jiān)督學習利用支持向量機回歸算法訓練過濾后的數(shù)據(jù)集,以得到相應的位置預測模型.(2)在線階段連續(xù)k次采集RSS信息由于RSS信息易受干擾,復雜多變,即使在同一位置,移動設(shè)備每次測量得到RSS信息也不一致.根據(jù)離線階段對移動設(shè)備接收RSS信息的統(tǒng)計分析,移動設(shè)備接收到的RSS信息的質(zhì)量與其所在位置、環(huán)境以及各802.11無線接入點(WAP)的位置密切相關(guān).為了得到高質(zhì)量的模型輸入,在線階段采用連續(xù)k次測量法,即,移動設(shè)備在同一位置連續(xù)測量k次得到位置預測模型的原始RSS輸入信息.原始RSS輸入信息預處理802.11無線接入點在線連續(xù)k次采集數(shù)據(jù)采集數(shù)據(jù)數(shù)據(jù)過濾通過支持向量回歸算法利用訓練數(shù)據(jù)集進行監(jiān)督學習進行預處理定位原始訓練數(shù)據(jù)集離線階段在線階段得到訓練好的坐標回歸預測模型訓練數(shù)據(jù)集

石柯等:一種基于支持向量回歸的802.11無線室內(nèi)定位方法2645Fig.4Deploymentoftheexperimentalsystem[20]圖4實驗系統(tǒng)部署[20]我們使用libsvm-3.1來實現(xiàn)SVR算法,參數(shù)C和分別取經(jīng)驗值1000和0.01.同時,為了度量定位誤差,設(shè)模型對某個點預測得到的位置坐標為{xp,yp},而該點的實際坐標為{xr,yr},則有定位誤差距離Error為22()()prprErrorxxyy(27)在實驗中,默認對訓練樣本根據(jù)相應規(guī)則進行了過濾處理,且在線定位階段進行連續(xù)k次測量,并通過預處理得到模型的輸入.同時,在實驗中通過設(shè)計相應的實驗驗證了不做訓練樣本過濾以及在線定位階段預處理時對模型的定位精度的影響.對實驗中參數(shù)的說明見表1.Table1Experimentalparametersdescription表1實驗參數(shù)說明參數(shù)名稱默認值參數(shù)說明訓練樣本大小5000實驗中所有訓練樣本大小的默認為5000,同時,在實驗中驗證了樣本大小對定位模型的影響無線接入點數(shù)量17實驗中,無線接入點的數(shù)量默認為17,同時,在實驗中通過改變無線接入點數(shù)量驗證了其對定位結(jié)果的影響核函數(shù)高斯核函數(shù)實驗中默認的為高斯核函數(shù),同時,在實驗中通過使用不同的核函數(shù)驗證了其對定位結(jié)果的影響重復測量次數(shù)k8實驗中,在線定位階段多次測量次數(shù)k默認值為8,同時,在實驗中通過改變測量次數(shù)驗證了其對定位結(jié)果的影響0.9實驗中的默認值為0.9,的默認值為4,同時,在實驗中通過改變其取值驗證了其對測量次數(shù)k的影響4實驗中的默認值為4,同時,在實驗中通過改變其取值驗證了其對測量次數(shù)k的影響測試樣本大小10003.2數(shù)據(jù)質(zhì)量對模型的影響離線階段的數(shù)據(jù)過濾和在線階段的數(shù)據(jù)預處理,分別提高了訓練數(shù)據(jù)的質(zhì)量和模型輸入數(shù)據(jù)的質(zhì)量.為了分析相應數(shù)據(jù)質(zhì)量對基于支持向量回歸的定位模型精度的影響,分別進行了以下4種實驗,對?

【共引文獻】

相關(guān)期刊論文 前10條

1 孫U，

本文編號：2564733