本文關鍵詞：基于流形對齊的WLAN室內定位方法研究

  更多相關文章： WLAN室內定位系統(tǒng) 流形對齊 直接映射定位 超分辨率分析 無線電地圖

【摘要】：隨著可移動計算終端及無線技術的發(fā)展,定位導航系統(tǒng)受到越來越多研究人員的關注,其應用也越來越廣泛。在室外,可以利用衛(wèi)星信號進行定位導航;在室內,由于可見衛(wèi)星數(shù)目不足,衛(wèi)星定位導航方法并不適用于室內。近年來,多種基于不同方式的室內定位系統(tǒng)被提出,包括基于紅外線、超聲波、以及射頻等信號的室內定位系統(tǒng)�；赪LAN的室內定位系統(tǒng)(WLAN based Indoor Localization System,WILS)利用已有的無線局域網(wǎng)的基礎設施來完成室內定位系統(tǒng)的構建,不需要增加硬件設備,因此受到許多研究人員的重視。針對基于WLAN的室內定位系統(tǒng)中存在的Radio Map建立效率低、工作量大、RSS與Radio Map處理及定位算法的多樣性等問題,本文提出以流形對齊為核心的Radio Map快速建立及WLAN室內定位方法:直接映射定位(DML)及基于重建Radio Map的KNN算法(re KNN)。本文介紹了典型的WILS的用戶端、無線接入點及定位服務器等三個核心層次及其系統(tǒng)工作流程,并對確定型及概率型位置指紋定位算法進行了詳細分析;本文詳細介紹了位置指紋數(shù)據(jù)庫的建立方式及其無線電地圖(Radio Map)的組成,并采用了OPPO T29、Google Nexus5、Samsung Note II及聯(lián)想V450筆記本電腦等四種移動終端對部署在哈爾濱工業(yè)大學通信技術研究所內兩個WLAN室內定位系統(tǒng)(HIT-WILS10、HIT-WILS12)進行了數(shù)據(jù)采集。為了提高位置指紋定位方法的實時性能及其對不同實驗環(huán)境的適應性,本文提出了基于仿射聚類(AP)方法的位置指紋定位方法(AP-KNN),并以HITWILS12所在走廊實驗區(qū)域的實測數(shù)據(jù)進行了性能測試。仿真結果表明,APKNN可以不僅可以在單次采樣Radio Map時有效地保持KNN的定位性能,同時也可以適應不同重采樣次數(shù)的Radio Map。AP-KNN在3米及4米內定位精度達到了83%及93%。本文分析了流形理論的基本概念及典型的流形學習方法,并對流形學習中的耦合度量學習進行了詳細地分析;然后從基于相關關系的耦合度量學習及基于Fisher準則的耦合度量學習出發(fā),推導了統(tǒng)一耦合度量學習(UCML)方法。在此基礎上,本文提出了基于UCML的流形對齊方法(UCML-MA)及基于流形對齊的超分辨率分析(SRA-MA)算法。在UCML-MA及SRA-MA的理論基礎上,本文提出了基于流形對齊的WLAN室內定位系統(tǒng)的總體方案,包括基于流形對齊Radio Map建立及WLAN室內定位模塊。本文基于SRA-MA算法提出了Radio Map超分辨率重建方法,即從稀疏Radio Map實現(xiàn)高采樣分辨率Radio Map建立,從而實現(xiàn)Radio Map快速建立。同時,基于UCML-MA方法提出了兩種WLAN室內定位方法:DML及re KNN算法。通過采用四種不同終端對HIT-WILS10/12系統(tǒng)的實測及性能仿真結果表明,本文提出的Radio Map建立方法及DML、re KNN可以有效地解決了Radio Map建立效率低、RSS、Radio Map及定位方法多樣等問題,并實現(xiàn)Radio Map建立與WLAN室內定位方法的統(tǒng)一。仿真結果表明:隨著Radio Map的重采樣次數(shù)的增加,KNN算法的整體性能的影響無明顯變化,而對于DML及re KNN算法,隨著重采樣次數(shù)的增加,其3米及4米內定位精度均有5%左右的提升,分別從55%及75%提升至60%及80%,達到與KNN算法定位性能一致。從等分辨率及超分辨率的整體定位結果來看,基于SRA-MA的Radio Map重建方法可以有效地降低Radio Map建立的工作量的同時,維持不同算法的定位性能。仿真結果表明,采用的SRA-MA算法的Radio Map重建方法可以在至少降低一半Radio Map建立工作量的前提下,保持WLAN室內定位系統(tǒng)的性能不變,并可以在一定程度上提升定位精度。Radio Map建立的效率的提高幅度最高可達16倍,即采樣分辨率從0.25提升至4,而WLAN室內定位系統(tǒng)的性能與原系統(tǒng)可比擬。
【關鍵詞】：WLAN室內定位系統(tǒng) 流形對齊 直接映射定位 超分辨率分析 無線電地圖
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN925.93
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-23
• 1.1 課題來源及目的意義10-14
• 1.1.1 課題來源10-11
• 1.1.2 課題目的及意義11-14
• 1.2 室內定位系統(tǒng)及其定位方法的研究現(xiàn)狀14-16
• 1.2.1 室內定位系統(tǒng)研究現(xiàn)狀14-16
• 1.2.2 室內定位方法研究現(xiàn)狀16
• 1.3 Radio Map建立方法的研究現(xiàn)狀16-19
• 1.3.1 手動建立Radio Map方法研究現(xiàn)狀17
• 1.3.2 Radio Map的無監(jiān)督建立方法的研究現(xiàn)狀17-18
• 1.3.3 Radio Map的半監(jiān)督建立方法的研究現(xiàn)狀18-19
• 1.4 流形對齊的研究現(xiàn)狀19-20
• 1.5 本文研究結構及主要內容20-23
• 第2章 WLAN室內定位系統(tǒng)概述23-39
• 2.1 WILS的組成及其實現(xiàn)流程23-24
• 2.1.1 系統(tǒng)結構23-24
• 2.1.2 系統(tǒng)工作流程24
• 2.2 WLAN室內定位方法24-27
• 2.2.1 確定型FLA算法25-26
• 2.2.2 概率型FLA算法26-27
• 2.3 Radio Map的建立及其特征27-32
• 2.3.1 基于固定終端的Radio Map特征分析27-28
• 2.3.2 基于移動終端的Radio Map特征分析28-32
• 2.4 基于仿射聚類的位置指紋定位方法32-37
• 2.4.1 基于仿射傳播聚類的分區(qū)方法32-33
• 2.4.2 基于位置指紋的子區(qū)域匹配方法33
• 2.4.3 AP-KNN算法的性能分析33-37
• 2.5 本章小結37-39
• 第3章 流形對齊及超分分辨分析39-60
• 3.1 流形及典型流形學習方法39-49
• 3.1.1 基本理論39-41
• 3.1.2 典型流形學習方法41-49
• 3.2 耦合度量學習及流形對齊的基本概念49-51
• 3.2.1 耦合度量學習簡介49-50
• 3.2.2 流形對齊簡介50-51
• 3.3 基于UCML的流形對齊方法51-57
• 3.3.1 統(tǒng)一耦合度量學習51-54
• 3.3.2 基于UCML的流形對齊算法54-57
• 3.4 SRA-MA57-59
• 3.5 本章小結59-60
• 第4章 基于流形對齊的WILS及其性能分析60-74
• 4.1 WILS的系統(tǒng)架構及其部署60-64
• 4.1.1 基于流形對齊的WILS的基本框架60-61
• 4.1.2 WILS的部署61-64
• 4.2 基于流形對齊的WLAN室內定位方法64-66
• 4.2.1 基于流形對齊的Radio Map的建立64-65
• 4.2.2 基于流形對齊的WLAN室內定位方法65-66
• 4.3 多終端情形下DML及re KNN的性能分析66-70
• 4.4 HIT-WILS12 中DML及re KNN的性能分析70-73
• 4.5 本章小結73-74
• 結論74-76
• 參考文獻76-82
• 攻讀學位期間發(fā)表的學術論文82-84
• 致謝84-85
• 附錄A85-90
• A.1 采樣分辨率對照表85
• A.2 Google Nexus 5 及Samsung Note II的性能測試結果85-88
• A.3 不同參數(shù)下HIT-WILS12 系統(tǒng)性能分析結果88-90

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 王佰玲;田志宏;張永錚;;奇異值分解算法優(yōu)化[J];電子學報;2010年10期

，

本文編號：636116