針對(duì)傳統(tǒng)k近鄰算法定位時(shí)不能有效剔除距離較遠(yuǎn)參考點(diǎn)的問題,提出最強(qiáng)基站介質(zhì)訪問控制(MAC)地址匹配的接收信號(hào)強(qiáng)度指示(RSSI)加權(quán)改進(jìn)室內(nèi)定位方法:離線階段,通過模糊c均值算法劃分待測(cè)點(diǎn)的定位區(qū)域,生成基于區(qū)域劃分的聚類指紋庫;在線階段,首先確定待測(cè)點(diǎn)所在的目標(biāo)區(qū)域,其次在目標(biāo)區(qū)域內(nèi)利用動(dòng)態(tài)加權(quán)k近鄰算法剔除距離偏遠(yuǎn)的參考點(diǎn),然后通過MAC地址序列匹配的方法,只信任最強(qiáng)的基站,進(jìn)一步篩選出k個(gè)中最優(yōu)的參考點(diǎn),最后計(jì)算最優(yōu)參考點(diǎn)對(duì)應(yīng)坐標(biāo)的加權(quán)平均值作為待測(cè)點(diǎn)的最終估計(jì)位置。實(shí)驗(yàn)結(jié)果表明,與動(dòng)態(tài)加權(quán)k近鄰算法相比,該算法在房間以及走廊環(huán)境下的平均定位誤差都有改善,并且1～2 m和2～3 m定位精度的可信度有較好的提升。 

【文章來源】：導(dǎo)航定位學(xué)報(bào). 2020年05期

【文章頁數(shù)】：7 頁

【部分圖文】：

算法流程3實(shí)驗(yàn)與結(jié)果分析

地為某5層樓的3層，包含走廊及318房間。走廊長45、寬3.6m，每隔5~6m布設(shè)1個(gè)iBeacon基站（共有7個(gè)基站）；318房間長11.5、寬5.5m，布設(shè)5個(gè)基站，基站附著在天花板上。將智能手機(jī)（小米6）作為采集設(shè)備，信號(hào)的采樣率設(shè)為1Hz。實(shí)驗(yàn)者手持采集設(shè)備在每個(gè)采樣點(diǎn)上分別在東、西、南、北4個(gè)方向上采集60s的數(shù)據(jù)，用均值濾波處理RSSI數(shù)據(jù)，然后存入后臺(tái)指紋庫(密度為1m)。實(shí)驗(yàn)場地、指紋參考點(diǎn)以及基站布設(shè)情況如圖2所示，實(shí)驗(yàn)分為318房間實(shí)驗(yàn)以及走廊部分實(shí)驗(yàn)。圖2實(shí)驗(yàn)環(huán)境

第5期孫玉曦，等.最強(qiáng)基站MAC地址匹配的RSSI加權(quán)室內(nèi)定位方法233.2結(jié)果分析3.2.1FCM區(qū)域劃分實(shí)驗(yàn)使用FCM算法對(duì)318房間及走廊區(qū)域進(jìn)行區(qū)域劃分，其參考點(diǎn)的分布情況如圖3所示，大部分參考點(diǎn)都可以按照區(qū)域進(jìn)行劃分，只有少量參考點(diǎn)未能按區(qū)域劃分。圖3FCM區(qū)域劃分3.2.2在線定位實(shí)驗(yàn)1）318房間定位實(shí)驗(yàn)。在318房間4個(gè)已知點(diǎn)上分別采集10s的RSSI數(shù)據(jù)，運(yùn)用本文的改進(jìn)算法和EWKNN算法進(jìn)行數(shù)據(jù)處理，對(duì)2種結(jié)果進(jìn)行比較。分別計(jì)算2種算法的定位誤差（如圖4（a）所示）和誤差累計(jì)概率分布（如圖4（b）所示），并將各類數(shù)據(jù)進(jìn)行統(tǒng)計(jì)（如表1所示）。本文將最小定位誤差、最大定位誤差、平均誤差和不同定位精度下的誤差累計(jì)概率作為衡量定位精度的標(biāo)準(zhǔn)。圖42種算法定位誤差與誤差累計(jì)概率表12種算法精度對(duì)比算法不同定位精度下的誤差累計(jì)概率/%最大誤差/m最小誤差/m平均1m1.5m2m2.5m3m3.5m4m誤差/mEWKNN7.547.567.592.597.5100.0100.03.290.681.90改進(jìn)算法35.060.085.099.5100.0100.0100.02.600.211.51由圖4（a）、圖4（b）及表1測(cè)試結(jié)果可知，改進(jìn)的算法優(yōu)于EWKNN算法：EWKNN算法的平均定位誤差為1.90m，誤差在1和2m以內(nèi)的可信度分別為7.5%和67.5%；而改進(jìn)算法的平均定位誤差為1.51m，誤差在1和2m以內(nèi)的可信度分別為35.0%和85.0%；改進(jìn)算法的最大定位誤差為2.60m，EWKNN算法的最大定位誤差為3.29m；而且改進(jìn)算法的定位誤差均在3m以下，而EWKNN方法定位誤差在3.5m以下。2）走廊區(qū)域定位實(shí)驗(yàn)。在走廊區(qū)域2個(gè)已知點(diǎn)上分別采集10s的RSSI

【參考文獻(xiàn)】：
期刊論文
[1]聚類閾值結(jié)合動(dòng)態(tài)K值的藍(lán)牙室內(nèi)定位算法[J]. 郭英,馮茗楊,孫玉曦,劉清華,姬現(xiàn)磊.  測(cè)繪科學(xué). 2019(11)
[2]抗差容積卡爾曼濾波及其在UWB室內(nèi)定位中的應(yīng)用[J]. 蔡贛飛,徐愛功,洪州,隋心.  測(cè)繪科學(xué). 2018(12)
[3]基于智能手機(jī)的室內(nèi)定位技術(shù)的發(fā)展現(xiàn)狀和挑戰(zhàn)[J]. 陳銳志,陳亮.  測(cè)繪學(xué)報(bào). 2017(10)
[4]高斯函數(shù)定權(quán)的改進(jìn)KNN室內(nèi)定位方法[J]. 畢京學(xué),甄杰,汪云甲,劉笑笑.  測(cè)繪通報(bào). 2017(06)
[5]基于慣導(dǎo)輔助地磁的手機(jī)室內(nèi)定位系統(tǒng)設(shè)計(jì)[J]. 宋鏢,程磊,周明達(dá),吳懷宇,陳洋.  傳感技術(shù)學(xué)報(bào). 2015(08)
[6]室內(nèi)定位現(xiàn)狀與發(fā)展趨勢(shì)研究(英文)[J]. 鄧中亮,余彥培,袁協(xié),萬能,楊磊.  中國通信. 2013(03)
[7]一種基于AP ID過濾的WLAN位置指紋定位算法[J]. 趙慶賀,鄧平,陳佳.  通信技術(shù). 2012(10)
[8]射頻識(shí)別(RFID)技術(shù)研究現(xiàn)狀及發(fā)展展望[J]. 吳永祥.  微計(jì)算機(jī)信息. 2006(32)

碩士論文
[1]基于區(qū)域劃分的WLAN室內(nèi)定位方法研究[D]. 胡志勇.西安理工大學(xué) 2018
[2]基于位置指紋方法的WIFI室內(nèi)定位技術(shù)研究[D]. 李航.長春工業(yè)大學(xué) 2018
[3]藍(lán)牙室內(nèi)定位關(guān)鍵技術(shù)的研究與實(shí)現(xiàn)[D]. 王益健.東南大學(xué) 2015
[4]基于Android的WIFI室內(nèi)定位技術(shù)研究[D]. 羅利.西南交通大學(xué) 2014



本文編號(hào)：2917053