论文部分内容阅读
随着室内定位技术的发展和WLAN的普及,人们对基于WLAN的室内定位服务需求日益增长。指纹法是WLAN室内定位的关键技术,该方法以WLAN接入点的接收信号强度(Received Signal Strength,RSS)为研究基础。指纹法主要分为两部分:离线阶段采集RSS构建指纹库;在线阶段实测的RSS利用匹配算法获取定位点。然而RSS本身具有时变性,而且在室内容易受到干扰,这对基于指纹法的WLAN室内定位系统的定位精度造成严重影响。因此,分析RSS的特性并且减小各种因素对RSS的干扰显得尤为重要。尽管人们对指纹法做了大量研究,但是多从改进匹配算法着手,对RSS特性分析的研究仍有待深入。本文主要以RSS的分布特性为研究基础,对当前优秀的采用基于RSS的指纹定位算法进行了分析和改进。具体工作如下:(1)分析室内环境下RSS的性质,重点分析了采用概率分布拟合RSS的算法。针对单一高斯分布不足以确保RSS数据准确建模的问题,本文提出了一种改进的混合分布(Multiple Mixed Distribution Model,MMDM)的方法,即采用混合高斯分布、混合二项分布和混合泊松分布组成的混合分布拟合RSS,同时本文引入了最小描述长度原理优化了MMDM算法参数。同高斯分布相比,在2米定位精度下,MMDM算法对RSS样本数据的正确分类能力提升了5.01%。(2)引入Adaboost算法提升弱分类器性能的思想,重点分析了基于SAMME.R的Adaboost算法,在此基础上与MMDM算法结合,提出了一种MMDM-Boost算法。由于指纹法室内定位可以视为样本分类问题,混合分布进行样本分类时,每种分布可当作不同的弱分类器,将两者结合有效提升了RSS样本正确分类性能。在2米定位精度下,MMDM-Boost算法比MMDM算法定位精度提高了2.31%。(3)设计实现基于WLAN的室内定位系统,重点分析两方面问题:(a)实现了Android手机APP和计算机服务器与本文提出的MMDM-Boost算法的有效结合;(b)针对RSS的采集容易受到室内干扰的问题,设计实现了基于LoRa无线传输的RSS数据采集工具。最后,通过实际场地的对比实验测试与分析,验证了数据采集工具的性能和本文提出算法的有效性。