本文關(guān)鍵詞：基于人工智能的室內(nèi)指紋定位技術(shù)研究

  更多相關(guān)文章： 人工智能 指紋定位 聚類技術(shù) 接入點(diǎn)選擇 粒子群優(yōu)化 追蹤 基于位置的服務(wù) 優(yōu)化技術(shù)

【摘要】：隨著無線通信技術(shù)的不斷發(fā)展及室內(nèi)基于位置的服務(wù)(Location Based Service, LBS)業(yè)務(wù)需求的不斷增長(zhǎng),室內(nèi)無線定位技術(shù)近年來得到了越來越廣泛的研究。而高性能無線定位技術(shù),如高定位精度、高定位實(shí)時(shí)性、低計(jì)算復(fù)雜度、低開發(fā)應(yīng)用成本決定了室內(nèi)LBS業(yè)務(wù)的服務(wù)質(zhì)量。基于無線局域網(wǎng)(Wireless Local Area Network, WLAN)的接收信號(hào)強(qiáng)度(Received Signal Strength, RSS)指紋信息定位技術(shù)受益于米級(jí)定位精度性能、智能終端的低開發(fā)成本以及WLAN技術(shù)在室內(nèi)場(chǎng)景的廣泛分布這三大優(yōu)勢(shì)而成為室內(nèi)LBS系統(tǒng)中定位技術(shù)的首選。 而室內(nèi)指紋定位技術(shù)面臨一些主要問題以待解決。在離線階段,需要建立指紋數(shù)據(jù)庫并在環(huán)境變化時(shí)更新指紋數(shù)據(jù)庫以保證其定位有效性,而數(shù)據(jù)庫的建立與更新需要耗費(fèi)大量的人力物力,這不利于指紋定位算法的普及,特別是大型定位場(chǎng)景中的應(yīng)用。在在線階段,指紋模式匹配技術(shù)的設(shè)計(jì)需要克服RSS受多徑效應(yīng)、陰影效應(yīng)引起的時(shí)變特性所產(chǎn)生的位置估計(jì)誤差,同時(shí)需要降低算法計(jì)算復(fù)雜度,提高定位實(shí)時(shí)性性能。針對(duì)以上問題,本論文將通過人工智能領(lǐng)域技術(shù)及優(yōu)化技術(shù)來改善指紋定位系統(tǒng)整體性能,本文的主要工作及創(chuàng)新點(diǎn)如下： 1)在離線階段,提出了基于仿射傳播聚類算法的指紋數(shù)據(jù)庫自主重構(gòu)技術(shù)。通過基于分簇信道建模算法中的室內(nèi)區(qū)域分區(qū)原理觀測(cè)的RSS值分簇衰落特性,提出了室內(nèi)無線信號(hào)的區(qū)域化傳播模型(Regional Propogation Model, RPM)。利用仿射傳播聚類技術(shù)對(duì)稀疏密度分布的參考點(diǎn)處采樣得到指紋圖譜進(jìn)行分簇從而將室內(nèi)區(qū)域劃分成特定個(gè)數(shù)的子區(qū)域,然后利用各個(gè)子區(qū)域的采樣數(shù)據(jù)建立所提的RPM路徑損耗傳播模型,通過該模型預(yù)測(cè)其他未測(cè)量參考點(diǎn)處的指紋以重構(gòu)完整的指紋數(shù)據(jù)庫。實(shí)驗(yàn)測(cè)試結(jié)果顯示,所提路徑損耗傳播模型的RSS預(yù)測(cè)精度高于現(xiàn)有的傳播模型；同時(shí),在降低指紋采集工作量50%以上時(shí),所提算法仍然能夠獲取較高的定位精度。 2)接入點(diǎn)(Access Point, AP)選擇算法有利于降低指紋定位系統(tǒng)中信號(hào)處理的特征維度,降低算法的計(jì)算復(fù)雜度從而提高定位實(shí)時(shí)性：同時(shí),有利于降低系統(tǒng)存儲(chǔ)開銷。論文通過定位誤差估計(jì)的克拉美-羅底界分析,提出了一種融合信號(hào)強(qiáng)度、區(qū)分度及穩(wěn)定性的混合AP選擇算法,從而在降低計(jì)算復(fù)雜度的同時(shí)最大化AP信號(hào)的空間位置區(qū)分能力以提高定位精度性能。實(shí)驗(yàn)測(cè)試結(jié)果顯示,所提算法定位精度性能優(yōu)于其它算法,平均定位精度可達(dá)1～2m。 3)在在線階段位置估計(jì)與追蹤算法設(shè)計(jì)中,提出了基于粒子群優(yōu)化(Particle Swarm Optimization, PSO)與卡爾曼濾波(Kalman Filter, KF)算法(PSOKF)的定位追蹤系統(tǒng)。論文給出了PSO算法在指紋定位系統(tǒng)中的應(yīng)用模型,分析了PSO算法粒子群初始化對(duì)定位誤差的影響及分析了算法的計(jì)算復(fù)雜度。在動(dòng)態(tài)位置估計(jì)中,改進(jìn)了PSO算法的初始化策略以提高算法的收斂速度及全局收斂性能,從而提高位置估計(jì)精度：同時(shí),結(jié)合卡爾曼濾波算法對(duì)位置估計(jì)結(jié)果做進(jìn)一步的修正平滑以獲取高精度的終端位置追蹤效果。理論分析與實(shí)驗(yàn)結(jié)果驗(yàn)證了所提PSOKF算法的有效性,結(jié)果顯示PSOKF算法的最大位置估計(jì)誤差小于1.5m。 4)論文中所有實(shí)驗(yàn)是用所開發(fā)的定位平臺(tái)在兩個(gè)真實(shí)的室內(nèi)場(chǎng)景中測(cè)試實(shí)現(xiàn)的,充分驗(yàn)證了所提算法的有效性與實(shí)用性,對(duì)室內(nèi)LBS商業(yè)化進(jìn)展具有一定的促進(jìn)作用。
【關(guān)鍵詞】：人工智能 指紋定位 聚類技術(shù) 接入點(diǎn)選擇 粒子群優(yōu)化 追蹤 基于位置的服務(wù) 優(yōu)化技術(shù)
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN92;TP18
【目錄】：

• 致謝5-6
• 中文摘要6-8
• ABSTRACT8-14
• 插圖索引14-17
• 表格索引17-18
• 1 緒論18-39
• 1.1 研究背景與意義18-21
• 1.2 無線定位技術(shù)發(fā)展現(xiàn)狀與趨勢(shì)21-26
• 1.2.1 無線定位技術(shù)發(fā)展及標(biāo)準(zhǔn)化22-24
• 1.2.2 無線定位系統(tǒng)及性能評(píng)估24-26
• 1.3 室內(nèi)定位技術(shù)難點(diǎn)與挑戰(zhàn)26-35
• 1.3.1 室內(nèi)定位主要方法及主要問題27-29
• 1.3.2 指紋定位技術(shù)的研究現(xiàn)狀29-30
• 1.3.3 人工智能技術(shù)在室內(nèi)指紋定位技術(shù)中的典型應(yīng)用30-35
• 1.4 本文簡(jiǎn)述35-39
• 1.4.1 論文的研究點(diǎn)與創(chuàng)新點(diǎn)35-37
• 1.4.2 論文結(jié)構(gòu)安排37-39
• 2 室內(nèi)指紋定位系統(tǒng)框架與基本理論39-50
• 2.1 指紋定位系統(tǒng)39-42
• 2.1.1 基本框架39-40
• 2.1.2 定位機(jī)理40-42
• 2.2 數(shù)據(jù)庫重構(gòu)算法42-45
• 2.2.1 基于回歸分析的自適應(yīng)無線圖譜算法42-44
• 2.2.2 基于衰落模型的指紋數(shù)據(jù)庫構(gòu)建算法44-45
• 2.3 模式匹配算法45-48
• 2.3.1 確定性鄰近點(diǎn)算法45-46
• 2.3.2 基于高斯核函數(shù)的貝葉斯算法46
• 2.3.3 基于徑向基函數(shù)網(wǎng)絡(luò)的定位算法46-48
• 2.3.4 基于壓縮感知的定位算法48
• 2.4 室內(nèi)追蹤系統(tǒng)48-49
• 2.5 本章小結(jié)49-50
• 3 基于聚類算法的指紋數(shù)據(jù)庫自主重構(gòu)技術(shù)50-76
• 3.1 引言50
• 3.2 室內(nèi)無線傳播特性50-55
• 3.2.1 基于分簇的室內(nèi)無線信道傳播模型50-51
• 3.2.2 室內(nèi)信號(hào)大尺度衰落的分簇特性51-55
• 3.3 基于聚類技術(shù)的數(shù)據(jù)庫重構(gòu)算法55-65
• 3.3.1 K-Means聚類算法55-56
• 3.3.2 仿射傳播聚類算法56-59
• 3.3.3 聚類實(shí)驗(yàn)效果59-61
• 3.3.4 指紋數(shù)據(jù)庫重構(gòu)與位置估計(jì)61-62
• 3.3.5 定位誤差克拉美-羅下界理論分析62-65
• 3.4 算法性能驗(yàn)證分析65-75
• 3.4.1 實(shí)驗(yàn)平臺(tái)65-66
• 3.4.2 指紋預(yù)測(cè)精度性能評(píng)估66-71
• 3.4.3 定位精度性能評(píng)估71-75
• 3.5 本章小結(jié)75-76
• 4 混合AP選擇算法76-89
• 4.1 引言76-77
• 4.2 經(jīng)典AP選擇算法77-81
• 4.2.1 最強(qiáng)AP選擇算法77-78
• 4.2.2 基于Fisher準(zhǔn)則的AP選擇算法78-79
• 4.2.3 基于信息增益的AP選擇算法79-81
• 4.2.4 隨機(jī)AP選擇算法81
• 4.3 混合AP選擇算法81-84
• 4.3.1 定位誤差影響因素分析81-83
• 4.3.2 算法建模83-84
• 4.4 實(shí)驗(yàn)驗(yàn)證分析84-88
• 4.5 本章小結(jié)88-89
• 5 基于粒子群優(yōu)化與卡爾曼濾波的指紋定位追蹤算法89-108
• 5.1 引言89-90
• 5.2 粒子群優(yōu)化算法90-97
• 5.2.1 PSO算法建模90-92
• 5.2.2 PSO算法性能分析92-97
• 5.3 基于PSOKF定位追蹤技術(shù)97-99
• 5.4 算法性能驗(yàn)證分析99-107
• 5.4.1 基于PSO定位算法性能評(píng)估99-105
• 5.4.2 基于PSOKF追蹤算法性能評(píng)估105-107
• 5.5 本章小結(jié)107-108
• 6 總結(jié)與展望108-111
• 6.1 論文工作總結(jié)108-109
• 6.2 下一步研究展望109-111
• 參考文獻(xiàn)111-118
• 縮略語118-120
• 作者簡(jiǎn)歷120
• 承擔(dān)的科學(xué)研究工作120-122
• 攻讀博士學(xué)位期間發(fā)表的學(xué)術(shù)論文122-123
• 攻讀博士學(xué)位期間申請(qǐng)與授權(quán)的專利123-125
• 學(xué)位論文數(shù)據(jù)集12

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前1條

1 鄧志安;徐玉濱;馬琳;;基于接入點(diǎn)選擇與信號(hào)映射的高精度低能耗室內(nèi)定位算法(英文)[J];中國(guó)通信;2012年02期

，

本文編號(hào)：778536