針對無設(shè)備的室內(nèi)重點區(qū)域監(jiān)測問題,本文提出一種Wi-KAM方法,通過獲取室內(nèi)人員的實時位置信息,判斷重點區(qū)域內(nèi)部的人員存在情況和區(qū)域邊界的入侵情況.本方法使用高斯低通濾波算法和主成分分析（PCA）法對提取出的信道狀態(tài)信息（CSI）進行預處理,并提取位置特征信息.結(jié)合最小二乘支持向量機（LSSVM）,對樣本集進行離線訓練和在線分類,獲取人員實時位置,實現(xiàn)對重點區(qū)域內(nèi)部及周邊人員位置情況的監(jiān)測.實驗表明,本方法可以更精確地進行重點區(qū)域內(nèi)人員入侵檢測和位置判別,并提高了室內(nèi)人員定位的準確性. 

【文章來源】：小型微型計算機系統(tǒng). 2020年02期 北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

Wi-KAM算法流程圖

對原有位置參考點的指紋信息進行低通濾波處理后，可得到降噪后的數(shù)據(jù)矩陣向量如式(4)所示:圖3為第20號位置第2天線30個數(shù)據(jù)包的單條天線CSI原始數(shù)據(jù)和經(jīng)過高斯低通濾波處理的圖像．

根據(jù)上述步驟，PCA處理效果如圖4所示．圖4(a)為圖3(b)為使用PCA處理后的得分矩陣特征波形，圖4(b)為PCA得分矩陣進行加權(quán)平均后得到的特征波形．圖像結(jié)果表明低通濾波數(shù)據(jù)經(jīng)過PCA處理后，波形收束相比之前更加緊密，提取得到的新波形在保留原有數(shù)據(jù)特征的情況下，自身幅值細節(jié)信息更加明顯，在對多條特征數(shù)據(jù)進行加權(quán)平均后，可將單個位置點的一次采樣信息凝練為一組有效特征波形，以提高后續(xù)樣本訓練與分類的效率和精度．

【參考文獻】：
期刊論文
[1]基于近鄰法的WIFI室內(nèi)定位改進算法研究[J]. 田家英,張志華.  測繪工程. 2018(12)
[2]基于距離測量和位置指紋的室內(nèi)定位方法研究[J]. 李方敏,張韜,劉凱,劉果,馬小林.  計算機學報. 2019(02)
[3]一種基于二維相控陣天線的RFID定位方法[J]. 梁笑軒,黃樟欽,邱蘭馨.  電子學報. 2018(04)
[4]一種結(jié)合眾包的WIFI指紋數(shù)據(jù)庫自構(gòu)建及更新算法[J]. 張熠,陳璟,王革超.  小型微型計算機系統(tǒng). 2017(11)
[5]基于SVM分類和回歸的WiFi室內(nèi)定位方法[J]. 桑楠,袁興中,周瑞.  計算機應(yīng)用研究. 2014(06)
[6]一種傳播模型無關(guān)的快速WiFi訪問點定位算法[J]. 白云,喻莉,謝長生,張東華.  小型微型計算機系統(tǒng). 2013(02)
[7]超寬帶定位研究與應(yīng)用:回顧和展望[J]. 肖竹,王勇超,田斌,于全,易克初.  電子學報. 2011(01)



本文編號：2944056