论文部分内容阅读
随着移动通信和定位技术的不断发展,基于WLAN的室内定位技术受到越来越多的关注,并在行人导航、紧急救援、医疗保健等领域展现出广泛的应用前景。但是,现有的WLAN室内定位技术在定位精度、实时性和灵活性上还不能完全满足人们的使用需求,限制了该技术的大规模应用和推广。通过对室内定位技术国内外研究现状的综述和分析,目前WLAN室内定位技术主要存在以下几个方面的问题:首先,受到室内复杂环境中多径效应、人员吸收、信号干扰等的影响,WLAN信号强度易出现波动和跳变,严重影响了定位的精度和稳定性;其次,现有的匹配型定位算法计算量大,在移动终端运行时易产生定位时延;最后,现有研究主要集中在平面的二维定位,对人们最为关心的楼层定位问题涉及较少。本文对WLAN室内定位技术进行了较为深入、系统的研究,针对定位技术中存在的问题,提出了相应的解决方案。本文的主要研究内容如下:为了提高定位系统的定位速度,提出了一种基于重要性加权密度函数改进模糊聚类的WLAN信号强度指纹库聚类算法。在WLAN定位中加入聚类步骤,可以有效降低定位阶段的计算量,同时还可以减少由于误匹配造成的定位误差,提高定位精度。模糊C均值聚类算法使用模糊隶属度来描述聚类结果,降低了聚类误匹配发生的概率,同时还降低了误匹配造成的定位误差。对于模糊C均值聚类算法,聚类中心的初始值选择十分重要,不同的初始值会导致不同的聚类划分结果。为了提高聚类效果,减少聚类算法的计算时间,本文提出使用重要性加权密度函数来计算初始聚类中心。重要性加权密度函数算法考虑了不同数据间的重要性和密度差异,选取了重要性权值较高且处于密集区域的数据点作为初始聚类中心,避免了聚类算法陷入奇异值和局部最优,是一种比较合理的聚类初始化方法。为了提高WLAN算法的定位精度,提出了一种基于协同粒子群优化神经网络的定位算法。该算法利用离线采集的信号强度数据,通过协同粒子群优化算法同时对神经网络的结构和参数进行训练。定位时,只需将实时接收到的信号强度输入已训练好的神经网络模型,即可获得当前的位置估计。相比于传统的指纹匹配算法,该算法在线定位阶段计算简单,定位反应迅速,且由于神经网络对非线性数据具有较强的泛化能力,因此该算法具有较高的定位精度。针对WLAN定位结果发生易发生跳变,致使误差偏大的问题,提出了一种基于自适应粒子滤波的WLAN-PDR组合定位算法。该算法将WLAN定位和行人PDR定位组合起来,通过两种定位方法的优势互补,以获得连续、稳定、准确的定位信息。同时,本文针对智能手机的硬件特征,从步态检测、步长估计、航向校准三个方面对行人PDR算法进行了改进,使其在应用在手机中进行定位时能够获得更高的定位精度。为了解决行人楼层定位的问题,提出了一种行人楼层识别方法。该方法根据行人楼层变化时产生的气压值变化对楼层变化进行检测,使用FCM聚类结果对具体楼层进行识别。通过对FCM聚类中隶属度的计算增强了识别算法的抗干扰能力,即使在WLAN信号特征不明显的区域,也能达到较好的楼层识别精度。