论文部分内容阅读
随着人们对基于位置服务的需求尤其是基于室内定位的服务需求的不断增长,以及Wi-Fi通信技术的快速发展,基于Wi-Fi的室内定位技术成为了一个研究热点。在基于Wi-Fi的定位技术中,基于Wi-Fi的接收信号强度指示(Received Signal Strength Indication,RSSI)的室内定位技术只需用到生活中最常见的智能手机和无线网络资源即可定位,具有易于实现和成本低的优势,所以如今基于WiFi的室内定位技术大都是利用RSSI值的,但此技术还有许多待改进的地方。基于此,本文重点对基于RSSI值的指纹匹配算法进行了研究与改进,以提高基于Wi-Fi的室内定位技术在Android手机上的可用性。贝叶斯指纹匹配法是一种经典的基于Wi-Fi的室内定位算法,其主要由两个阶段组成:指纹库训练阶段和位置推理阶段。如今,基于贝叶斯的指纹匹配定位算法因其可用性较差而无法推广使用,其可用性较差主要是因为在该算法的指纹库训练阶段需要在每个参考点处长时间的实地采集到足够数量的RSSI值数据,这会耗费高昂的采集和维护成本,也会带来指纹库采集效率低下、计算量大和定位精度有限等问题,本文的研究主要围绕RSSI值如何高效采集这一关键问题,以提高基于Wi-Fi的定位算法的可用性和定位精度为研究目标。本文通过统计分析在实际场景中采集得到的大量RSSI值数据,发现RSSI值的真实分布并不符合传统认知的高斯分布,而是更接近于无线电传播模型中经典的Weibull信号模型。因此本文提出了Weibull-Bayesian密度模型来表示Wi-Fi的RSSI在无线电地图中的分布。本文主要贡献归纳如下:(1)本文在实时定位阶段提出了基于Wi-Fi的最强AP判断楼层法,在匹配定位前会先判断用户处于哪个楼层,再调用对应楼层的无线电地图信息进行匹配定位,此方法完整了基于Wi-Fi的室内定位系统,增强了可用性。(2)本文通过统计分析大量RSSI值在室内环境中的分布特性后发现其符合Weibull模型拟合的分布,进而提出运用Weibull模型来拟合RSSI值的真实分布,可以提高拟合RSSI值分布的准确性从而提高算法的精度及可用性。(3)本文提出运用Weibull-Bayesian密度模型表示RSSI值的概率分布密度,该模型用较少的样本量构建无线电地图时还比传统的直方图方法具有更高的精度,并且在无线电地图中每个AP仅需存储三个参数,可在极大简化指纹库复杂度的情况下不损失任何有用信息。(4)本文改进后的贝叶斯定位算法在实时定位阶段使用概率密度函数模型而不是传统直方图法中的RSSI值的概率分布值,通过将定位时接收到的AP的RSSI值加5dB、减5dB,再运用Weibull-Bayesian密度模型动态地实时计算概率,提出了基于RSSI的Wi-Fi指纹匹配的新算法。本文提出的方法都已在Android智能手机上初步实现的,并在不同的室内环境中评估过了其性能。结果显示,本文的指纹库建立方法用较少的RSSI值的贝叶斯指纹定位方法在不同的室内环境中,比使用更多样本的经典直方图的方法,定位精度提高了19-30%。因此,本文的新算法具有较好的科研和应用前景。因为本文的定位算法没有和PDR或其他定位源融合,只有Wi-Fi指纹匹配定位,因此定位精度不是最好的,未来和PDR等其他定位源融合可以获得精度更好的定位结果。