论文部分内容阅读
由于室内空间越来越大且内部结构越来越复杂,移动终端用户无法在室内获得诸如GPS或北斗定位系统提供的有效位置服务,因而室内基于位置的服务(Location Based Service,LBS)逐渐受到关注(如商场购物指引服务等)。室内定位技术作为室内LBS中必不可少的底层技术,其在准确性、经济性、实时性等方面的好坏将直接影响室内LBS的服务质量。随着IEEE 802.11标准的完善,无线局域网(Wireless Local Area Network,WLAN)迅速在全球部署和普及,具有易扩展、易维护、抗干扰、高移动性、架构灵活等特点。基于WLAN的室内定位技术利用移动终端接收的热点信号集实现定位,已成为室内定位的主要技术,为室内LBS提供了巨大的应用空间和技术支持。针对基于WLAN室内定位技术中三个环节(指纹数据库的建立、AP节点的选择、定位预测)存在的不足,本文从降低信号强度的波动性入手,对其进行改进,以提高室内定位的精确性。首先分析了人员走动、时间变化等因素对信号的影响,针对信号具有时变性的特点,提出了一种基于自适应的GRNN室内定位算法,利用改进的人工蜂群算法对广义回归神经网络进行参数优化,建立无线信号特征与目标位置信息的映射关系,能有效降低信号强度波动的随机性对定位精度的影响,在定位准确率与适应性之间达到较好的平衡。其次,针对接入点(Access Point,AP)非全可用且未考虑子区域与AP节点之间相关性的不足,提出了一种分布式AP选择算法,将室内区域划分为若干个子区域,并计算子区域与AP节点的相关性,选取相关性优的AP节点作为该子区域的训练节点,通过深度置信网络模型进行定位模型训练,有效去除较大噪声以及位置分辨能力弱的AP节点。最后,针对室内结构复杂,难以获取足够多的有效标记数据的不足,提出了一种快速搜索与密度峰值聚类(CFSFDP)和极限学习机(ELM)相结合的半监督定位算法,利用CFSFDP聚类数据集,并标记聚类中心缺失的位置信息,扩充初始标记数据;利用ELM训练初始标记数据,根据输出阈值向量和“换位”思想扩充标记数据,提高了定位准确率并减少了标记数据采集的工作量。