【摘要】：隨著社會(huì)現(xiàn)代化的推進(jìn),智能手機(jī)已經(jīng)普及人們的生活,基于位置的服務(wù)(Location Based Services,簡(jiǎn)稱(chēng)LBS)也越來(lái)越影響著我們,人們對(duì)于基于位置的服務(wù)的要求也越來(lái)越高。室內(nèi)定位作為基于位置的服務(wù)中的一個(gè)重要技術(shù),近年來(lái)受到了越來(lái)越多的關(guān)注。室內(nèi)環(huán)境的復(fù)雜性導(dǎo)致了室外的定位方法如全球定位系統(tǒng)(Global Positioning System,簡(jiǎn)稱(chēng)GPS)等現(xiàn)有方式無(wú)法在室內(nèi)實(shí)現(xiàn)良好的定位效果。并且,由于WiFi大量的在大型超市、醫(yī)院、機(jī)場(chǎng)等場(chǎng)合的大量覆蓋,利用WiFi信號(hào)實(shí)現(xiàn)室內(nèi)定位成為了人們實(shí)現(xiàn)高效、經(jīng)濟(jì)、簡(jiǎn)單的室內(nèi)定位的一種選擇。然而,如何利用WiFi實(shí)現(xiàn)更加精確定位,如何應(yīng)對(duì)多種場(chǎng)景下的不同需求,是一個(gè)亟待解決的問(wèn)題。本文主要從以下兩個(gè)方面展開(kāi)工作:針對(duì)室內(nèi)定位的粗定位(分類(lèi))問(wèn)題,為了改善傳統(tǒng)室內(nèi)定位分類(lèi)算法僅使用WiFi強(qiáng)度指紋作為特征的單一指紋方法,提升室內(nèi)環(huán)境粗定位的分類(lèi)精度,本文利用WiFi通信獲得的WiFi指紋強(qiáng)度信息和一同獲得的其他信息特征進(jìn)行多特征融合,提出了基于集成學(xué)習(xí)模型(XGBoost與LightGBM)和多特征融合的定位系統(tǒng)。我們把所提出的定位系統(tǒng)應(yīng)用在真實(shí)的場(chǎng)景中,實(shí)驗(yàn)表明,多特征融合的方法相較于傳統(tǒng)單一僅使用WiFi指紋特征的方法能夠提升定位的精確度,所引入的集成模型(XGBoost與LightGBM)相比傳統(tǒng)的隨機(jī)森林模型能夠?qū)崿F(xiàn)更好的定位效果,同時(shí)我們對(duì)于系統(tǒng)適用的場(chǎng)景也做了進(jìn)一步的探討。針對(duì)室內(nèi)定位精定位(坐標(biāo)定位)問(wèn)題,本文就已有的基于特征縮放的方法k近鄰(Feature Scaling based k-nearest neighbor,簡(jiǎn)稱(chēng)FS-kNN)算法中出現(xiàn)的“邊界模糊”問(wèn)題,提出了一種改進(jìn)的使用連續(xù)特征縮放模型和異常點(diǎn)剔除的算法,簡(jiǎn)稱(chēng)CFS-kNN(Continuous Feature Scaling based k-nearest neighbor)。CFS-kNN不同于FS-kNN需要將整個(gè)RSSI(Received Signal Strength Indicator)信號(hào)空間劃分間隔,從而避免了相鄰區(qū)間上的權(quán)重選擇問(wèn)題,同時(shí)結(jié)合異常點(diǎn)剔除這一流程,進(jìn)一步提高了定位的準(zhǔn)確性。通過(guò)實(shí)際場(chǎng)景下的實(shí)驗(yàn)表明,所提出的算法在實(shí)驗(yàn)的幾種算法中實(shí)現(xiàn)了最高的精度。最后,通過(guò)實(shí)驗(yàn)驗(yàn)證了算法在新環(huán)境下的穩(wěn)定性。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TN92
【圖文】：

圖 4-1 “邊界模糊”問(wèn)題示意圖明了“邊界模糊”問(wèn)題可能出現(xiàn)在相鄰區(qū)間的算結(jié)果會(huì)導(dǎo)致錯(cuò)誤的定位結(jié)果。模糊”問(wèn)題，同時(shí)繼承特征縮放這一方法的優(yōu)點(diǎn)預(yù)處理過(guò)程，該方法不需要將整個(gè)信號(hào)空間劃續(xù)特征縮放的權(quán)重作為距離計(jì)算的縮放權(quán)重，2,1( ( ))Nnwm m n nnwd RSSI r tW= ∑ nw 為：,( )m n nRSSI r tnw eσ =歸一化因子。第 n 個(gè)連續(xù)特征縮放權(quán)重為nwW。式（4-6）中，σ 是正則化因子，公式（4-5）計(jì)

從而有可能導(dǎo)致定位誤差的產(chǎn)生。計(jì)算出的距離衡量了 ( )nr t 不同于m ,nRSSI 的程度，并且元素貢獻(xiàn)，與m ,nRSSI 越接近，則貢獻(xiàn)越大。換句話說(shuō)，變的，而采用公式（4-5）權(quán)值會(huì)沿著,( )m n nRSSI = r t這條越大，則相應(yīng)的權(quán)值越小。RSSI 層匹配RSSI1 to 1

圖 4-3 RP 點(diǎn)的相對(duì)位置分布 map）為：31, 33, 2533, 40, 28,37, 34, 2339, 42, 18 , ]33 25 ， =[ , , ]2RSSI 33 40 28 ， R]8 。待估計(jì)點(diǎn)的 RSSI 向量為 r ( t ) =[ 33表 4-1 r ( t )與指紋庫(kù)四個(gè)指紋間不同距離1RSSI2RSSIRSS8.06 8.06 7.02.35 0.53 12.1

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 時(shí)亞棟;;淺析我國(guó)手機(jī)產(chǎn)業(yè)發(fā)展的現(xiàn)狀[J];科技致富向?qū)?2014年29期

本文編號(hào)：2798010