论文部分内容阅读
随着智能终端的普及,各种基于位置服务的应用层出不穷,这些应用对定位的要求越来越高。在复杂的室内环境中,如何快速准确获取终端位置信息,已经成为定位研究的重点。基于WIFI的室内定位技术凭借其部署成本低、易扩展等优势成为研究室内定位技术的热点。而位置指纹定位算法实现简单,对环境依赖性小成为室内定位技术的重点研究方向。但是,位置指纹定位算法也存在计算量大、定位精度不高等问题。本文分析了位置指纹定位算法,指出了在定位过程中可能引起计算量大、定位精度不高的原因,提出了基于灰度预测模型区域划分和带权KNN在线定位的改进位置指纹定位算法GWKNN。改进的位置指纹定位算法主要从以下两个方面进行:(1)在线匹配阶段,将灰度预测模型引入到位置指纹定位算法中,构建了一种基于灰度预测模型的划分区域方法。该方法的目的是为了缩小定位范围,减少相似度的计算量。本文将灰度预测模型引入位置指纹定位算法中,基于当前时刻之前的三个位置坐标序列,利用灰度模型预测出待定位节点的位置坐标。以当前位置坐标、当前时刻的速度以及与上个时刻的时间差为参考来划分区域,缩小定位范围,从而达到减少计算量、减少定位时间的目的;(2)在线定位阶段,构建了一种改进的带权KNN在线定位方法。为保证定位精度,在线定位阶段通过分析RSS(Received Signal Strength,简称接收的信号强度)距离能量损耗特点,对RSS向量进行基于特征分析的噪声过滤,以过滤后的向量相似度为权重计算标准,确定权值参数列表,然后通过带权KNN计算待定节点坐标,实现定位。最后,对GWKNN位置指纹定位算法和传统的位置指纹定位算法进行仿真实验。实验表明,当AP接入点数目越多,位置指纹数据库粒度越细时,传统的位置指纹定位算法和GWKNN位置指纹定位算法的平均定位误差都会减小。但是在相同的条件时,改进算法的平均定位误差相对较小。参考节点数目较多时,GWKNN位置指纹定位算法比传统的位置指纹定位算法的定位时间明显减少。并且参考节点的个数对GWKNN位置指纹定位算法的定位时间没有明显影响。因此,改进的位置指纹定位算法定位精度更高,而且在指纹库规模较大时定位时间明显减少。