论文部分内容阅读
基于位置的服务已经成为了人们生活中必不可少的一部分。而基于Wi Fi的室内定位系统由于其设备成本低,易部署等优点,成为近年来室内定位研究的热点。传统的WiFi室内定位方法一般采用接收信号强度(RSS)作为参量,但RSS易受环境影响,导致定位精度不高。随着OFDM技术和MIMO技术在WiFi标准的应用,获取物理层的信道状态信息(CSI)成为可能,CSI较RSS是一种反映信道状态更加细颗粒度的参量。因此,目前的室内定位研究转向使用CSI代替RSS作为指纹信息,进一步提高定位精度。本文围绕基于CSI指纹的WiFi室内定位算法展开研究,充分挖掘CSI丰富的信道信息。论文的主要研究内容如下:(1)介绍了WiFi室内定位技术的基本理论,指出了使用CSI代替RSS作为指纹信息的优势。(2)在离线阶段使用位置点CSI样本集矩阵的主特征值建立CSI指纹库。首先,采用基于密度聚类的算法消除离群噪声点。接着,为了利用CSI相位信息,采用了基于线性变换的处理方法提取真实相位信息。最后,为了减少算法复杂度和提高指纹有效性,使用主成分分析,提取CSI样本集矩阵的主特征值作为位置指纹。(3)结合实际问题,将经典的k最近邻算法和支持向量机回归方法,应用在定位阶段,从而根据待定位点的指纹信息预测出位置坐标。(4)在大厅和餐厅两种室内环境分别进行实验,分析验证本文提出的室内定位方法的有效性和定位精度。并与目前已提出的CSI-MIMO室内定位系统做对比。实验结果表明,在多径效应较少的大厅环境,以CSI样本集的主特征值作为指纹,使用kNN算法定位的PCA-kNN室内定位算法的平均定位误差为1.36 m,较CSI-MIMO系统精度提高了11%,使用SVR算法的平均定位误差为1.44 m,较CSI-MIMO系统精度提高了6%;而在室内环境较复杂的餐厅,PCA-kNN算法和SVR算法的平均定位误差分别为1.73 m和1.58 m,较CSI-MIMO系统定位精度分别提高了12%和20%。