室內(nèi)定位技術(shù)隨著科學(xué)技術(shù)的進(jìn)步而迅速發(fā)展,人們位置信息的需求也愈發(fā)強(qiáng)烈。室內(nèi)定位技術(shù)主要有射頻識(shí)別技術(shù)、Wi-Fi技術(shù)、紅外線技術(shù)、超寬帶技術(shù)、藍(lán)牙技術(shù)、可見(jiàn)光技術(shù)等,定位方法則分為幾何測(cè)量法、近似法、位置指紋法等。本文采取了相對(duì)于其他方法更有優(yōu)勢(shì)的位置指紋法,定位技術(shù)則選擇了新興的低功耗藍(lán)牙技術(shù),該技術(shù)低成本,壽命較長(zhǎng),同時(shí)擁有較低功耗,在部署上也更加簡(jiǎn)單易行,并且可以提供持久穩(wěn)定的信號(hào)傳輸。位置指紋法分為兩個(gè)階段:離線建庫(kù)階段和在線定位階段。離線建庫(kù)階段主要建立指紋數(shù)據(jù)庫(kù),也稱作無(wú)線電地圖。離線建庫(kù)階段通常需要使用聚類算法對(duì)數(shù)據(jù)集合進(jìn)行聚類處理,常用的聚類算法有K-means算法等。本文對(duì)聚類算法中k個(gè)初始點(diǎn)的選擇進(jìn)行了優(yōu)化,通過(guò)不斷二分聚類直到簇的個(gè)數(shù)滿足要求,最終將各簇的質(zhì)心作為初始點(diǎn),同時(shí)通過(guò)手肘法科學(xué)的確定聚類數(shù)。在線定位階段主要就是將待測(cè)點(diǎn)實(shí)時(shí)采集到的指紋信息去和指紋庫(kù)中的數(shù)據(jù)進(jìn)行指紋匹配。本文對(duì)在線定位階段使用的WKNN算法進(jìn)行了優(yōu)化,提出了一種新的基于RSS并且結(jié)合一定補(bǔ)償機(jī)制的分類模型,避免分類錯(cuò)誤導(dǎo)致的定位誤差;同時(shí)在權(quán)重值的選擇上比較了推導(dǎo)的物理距離和曼哈頓距離...

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 論文背景及研究的目的和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文主要內(nèi)容及論文結(jié)構(gòu)
第2章 BLE室內(nèi)指紋定位理論基礎(chǔ)
    2.1 低功耗藍(lán)牙與iBeacon協(xié)議
        2.1.1 低功耗藍(lán)牙技術(shù)
        2.1.2 iBeacon協(xié)議
    2.2 室內(nèi)定位方法研究
        2.2.1 幾何測(cè)量法
        2.2.2 位置指紋定位
        2.2.3 不同定位方法比較
    2.3 聚類算法原理
        2.3.1 K-means聚類算法
        2.3.2 FCM算法
    2.4 分類算法原理
        2.4.1 NN算法
        2.4.2 KNN算法
        2.4.3 WKNN算法
    2.5 本章小結(jié)
第3章 室內(nèi)指紋定位的算法優(yōu)化
    3.1 K-means算法的優(yōu)化
        3.1.1 聚類數(shù)目選取的優(yōu)化
        3.1.2 初始點(diǎn)選擇的優(yōu)化
    3.2 WKNN定位算法的優(yōu)化
        3.2.1 優(yōu)化分類模型
        3.2.2 自適應(yīng)權(quán)重值選取
    3.3 本章小結(jié)
第4章 室內(nèi)指紋定位實(shí)驗(yàn)與結(jié)果分析
    4.1 實(shí)驗(yàn)環(huán)境與實(shí)驗(yàn)設(shè)備
    4.2 無(wú)線電地圖的創(chuàng)建
    4.3 定位效果的衡量標(biāo)準(zhǔn)
    4.4 聚類數(shù)目的選擇
    4.5 聚類算法對(duì)定位效果的影響分析
    4.6 WKNN算法中權(quán)重值對(duì)定位效果的影響分析
    4.7 不同定位算法定位效果的對(duì)比
    4.8 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝



本文編號(hào)：3765533