随着移动互联网应用的高速发展,位置信息对人们的生活作用越来越重要,尤其是在室内环境中提供精确的位置信息,将进一步提升生活质量,提高生活便利性。全球定位系统(Global Positioning System,GPS)和北斗卫星导航系统(BeiDou Navigation Satellite System,BDS)已经能够满足室外定位和导航的需求,但是室内定位技术一直未能够满足大众生活需求。目前,城市里公共场所无线网络覆盖率持续增高,基于接收无线信号强度指示(Received Signal Strength Indication,RSSI)信息定位的算法就有了广阔的发展空间,基于Wi-Fi的室内定位技术可以实现成本低、扩展性高、灵活度高的室内定位系统。针对基于Wi-Fi的室内定位系统中存在的技术难点,采用基于支持向量机的机器学习方法构建室内定位方法及技术方案。该室内定位方案主要包括离线训练阶段和在线预测阶段,离线阶段主要工作是采集参考点指纹信息,训练预测模型;在线阶段主要工作是实时采集指纹数据,根据预测模型预测实时位置。由于室内环境复杂并且易发生变化,移动设备在离线阶段采集的训练样本数据和在在线阶段采集的数据可能存在偏差,进而导致预测位置不准确。针对这个问题,提出对训练数据和实时采集数据处理方案:在离线阶段,通过设计的算法对接收到的训练数据进行筛选,去除噪点以提高支持向量机的训练模型质量;在线阶段,采用连续多次接收实时采集RSSI信息,通过设计的筛选策略去除影响预测结果的无线接入点(Access Point,AP),以提高支持向量机预测精度。基于加利福尼亚大学尔湾分校(University of California Irvine,UCI)公开的UJIIndoorLoc数据集进行实验对比发现,提出的基于支持向量机(Support Vector Machine,SVM)的室内无线定位方法具有较高的定位精度,且具有良好的普适性。
当今世界正日益进入信息化、大数据、云计算的大信息化时代,人们对于信息的需求与日俱增。其中位置信息尤为重要,而基于位置信息的服务正时刻改变着人类的生活,在医疗救助、救灾抢险、安全监管、社交网络、智能家居、个性化信息传递、商品流通等领域显示出强劲的发展动力,是未来信息服务的发展方向。随着无线网络技术的迅猛发展和智能移动终端的广泛应用,使得现有定位技术,特别是室内无线定位技术,在使用成本、操作性、便捷性等方面满足了普适计算的要求,进入人们的生活。高精度的室内无线定位技术是实现位置信息服务的关键和前提。本文为满足人们对室内定位技术的需要,针对基于无线保真(Wireless-Fidelity,WiFi)和接收信号强度(Received Signal Strength,RSS)的室内无线定位技术进行研究。主要研究工作如下:1、本文总结了目前室内无线定位技术的分类、室内无线定位方法、室内无线定位算法,分析了其各自的优缺点,选择相应的定位技术、方法、算法。并针对影响室内无线定位精度的关键因素进行实验验证;2、本文详细研究了室内无线信号传播模型和BP神经网络的基本原理,确定了BP神经网络的模型参数,设计了基于BP神经网络拟合下信号传播损耗模型的室内无线定位方法流程,并用实验仿真验证其定位效果;3、本文详细研究了位置指纹法和机器学习理论(包括k均值聚类和支持向量机)的基本原理,确定了支持向量机的核函数和参数选择,改进了支持向量机的多分类问题。最终设计了基于机器学习位置指纹法的室内无线定位方法流程:AP信号的预处理、聚类分块、组合二分类器、数据训练、子区域判定和定位算法估计用户位置。
暂无评论