论文基于信号幅值分布室内指纹定位算法是关于本文可作为幅值方面的大学硕士与本科毕业论文幅值的单位论文开题报告范文和职称论文论文写作参考文献下载。
摘 要： 室内定位算法是基于位置服务领域研究的难点之一.针对室内定位应用场合和精度问题,提出了利用K?means和KNN融合算法对覆盖率广的WiFi信号进行指纹定位.WiFi指纹定位主要问题是前期指纹库数据的精确以及后期数据的匹配效果.首先,对WiFi信号的概率分布进行研究,弥补了一直以来由于K?means是无监督学习带来的k值的难以选取的缺陷,提高了指纹库的精确性,同时确保数据实时性.后期在线数据处理利用KNN分类算法进行后期在线定位过程的准确性.经多个实验场景测试结果表明,该算法在室内定位精度上3 m定位精度概率保持在78.4%,4 m精度保持在93.6%,基本上保证了室内定位精度的要求.
关键词： 信号幅值; 指纹定位; 概率分布; K?means; KNN分类算法; WiFi信号
中图分类号： TN911?34; TP393文献标识码： A 文章编号： 1004?373X（2018）10?0039?04
Abstract： Indoor positioning algorithm is one of difficulties in location?based service field research. In allusion to the application scene and precision problems of indoor positioning, the view that using the K?means and KNN fusion algorithm to perform fingerprint positioning for wide?coverage WiFi signals is proposed. The main problems of WiFi fingerprint positioning lie in the data accuracy of the front?stage fingerprint database and the matching effect of late?stage data. The probability distribution of WiFi signals is studied to make up the defect that it is difficult to select the k value as K?means is an unsupervised learning for a long time, which can improve the accuracy of the fingerprint database, and meanwhile ensure the real?time performance of data. During the process of late?stage online data processing, the KNN classification algorithm is adopted to obtain the accuracy of the late?stage online positioning. The algorithm was tested in multiple experimental scenes. The results show that the 3 m positioning accuracy probability of the algorithm remains 78.4% in indoor positioning accuracy, and the 4 m positioning accuracy probability remains 93.6%, which can basically ensure the accuracy requirement of indoor positioning.
Keywords： signal amplitude; fingerprint positioning; probability distribution; K?means; KNN classification algorithm; WiFi signal
0 引 言
基于位置服务（Location Based Services,LBS）的其中一项内容是室内定位.由于室内布局和临时遮挡物的因素会造成信号不稳定,所以对于定位精度,室内定位较之于室外定位难度大[1].现阶段国内外基于室内定位采取的技术手段中WiFi为最佳选择[2].原因是成本低、覆盖范围广、精度高,用户的移动接收设备可直接用于定位,已覆盖WiFi的室内场所无需铺设其他硬件设备,可移植扩展[3].定位方法有两种：一种是基于无线信号强度传播模型,将信号的幅值和距离进行公式化建模,例如经典的对数距离模型[4],然而在室内遮挡物较多且容易移动,模型会因无线信号受遮挡物影响衰减而变得不准确;另一种是基于位置?指纹进行定位.相比较来说,指纹定位会有更好的表现[5].
本文重点分析了WiFi信号的概率分布,并获得了WiFi信号幅值的概率分布情况.使用K?means联合KNN算法,在提高了指纹库的准确性的同时,减少了计算量,增加了定位精度和稳定性[6].通过办公室、实验楼、家庭住宅等多个平面场所进行的实际测试得出定位精度提高到1～2 m范围内.
1 WiFi指纹定位技术
总结:本文关于幅值论文范文,可以做为相关论文参考文献,与写作提纲思路参考。
参考文献：
1、 一种改进的LANDMARC室内定位算法 摘要：针对射频定位LANDMARC算法精度差的问题，提出了一种改进算法，依据最邻近参考标签到阅读器的距离及其接收的信号强度指示RSSI（rece。
2、 距离无关传感器网络定位算法 【 摘 要 】 针对无线传感器网络节点定位问题，文章首先简单地论述了几种较为经典的距离无关定位算法并对它们进行了比较，然后对近3年提出的部分优化。
3、 基于51单片机光电传感器室内区域定位系统设计 摘要：室内的定位系统，目前最常见的是利用无线电、超声波等进行室内物质坐标的准确定位，文章介绍基于单片机技术以及运用光线的叠加性进行室内坐标的定位。
4、 Schmid内话甚高频信号电平值测试方法和分析 摘要：在Schmid内话系统中，Radio板卡负责甚高频语音信号的接人。Radio板卡的电平值设置是决定甚高频通信质量的重要因素。本文通过测试实。
5、 基于改进多块局部二进制模式的人眼定位算法 摘 要： 人眼定位是人脸识别系统中必须解决的问题，为了提高人眼定位的精确度和速度，提出一种基于改进多块局部二进制模式的眼睛中心定位算法。该算法构。