本文關(guān)鍵詞：基于Wifi的指紋定位系統(tǒng)在室內(nèi)定位中的應(yīng)用研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著移動(dòng)通信技術(shù)的飛速發(fā)展,基于無(wú)線傳感器網(wǎng)絡(luò)的位置感知服務(wù)LBS(Location Based Services)越來(lái)越受青睞,而對(duì)于LBS來(lái)說(shuō)定位技術(shù)是其提供服務(wù)的基礎(chǔ)。在開(kāi)闊的室外環(huán)境下GPS全球定位系統(tǒng)可提供較精確的定位服務(wù)。然而在高樓密集的中心城區(qū)和建筑物內(nèi)部,由于無(wú)法感知GPS衛(wèi)星信號(hào),從而無(wú)法在這些場(chǎng)景中實(shí)現(xiàn)定位。為了彌補(bǔ)GPS存在的定位盲區(qū),實(shí)現(xiàn)室內(nèi)環(huán)境中的精準(zhǔn)定位,本文在研究經(jīng)典Wifi指紋定位算法思想的基礎(chǔ)上,針對(duì)該算法中存在的一些不足加以改進(jìn),提出了一種基于分段和插值的KNN+Bayes融合定位算法,在滿足定位精度需求的同時(shí),有效的降低了算法的計(jì)算復(fù)雜性。本文的主要研究工作如下:(1)由于Wifi信號(hào)在室內(nèi)傳播時(shí)會(huì)受到障礙物和多徑效應(yīng)的影響,導(dǎo)致其信號(hào)強(qiáng)度長(zhǎng)期處于一種波動(dòng)狀態(tài),如果直接根據(jù)單次采集的信號(hào)強(qiáng)度值進(jìn)行定位計(jì)算,會(huì)產(chǎn)生較大的定位誤差。針對(duì)上述問(wèn)題,本文采用高斯模型來(lái)對(duì)采樣周期內(nèi)的多組信號(hào)強(qiáng)度值進(jìn)行濾除處理,保留出現(xiàn)概率大的信號(hào)強(qiáng)度值,去除出現(xiàn)概率小的信號(hào)強(qiáng)度值。提高了信號(hào)的采集精度和系統(tǒng)的定位精度。(2)由于傳統(tǒng)KNN算法計(jì)算復(fù)雜度低、易于實(shí)現(xiàn),但是其定位誤差較大,很難滿足精確定位的需求。傳統(tǒng)的Bayes算法定位精度高,但是計(jì)算復(fù)雜度也較高。為了使定位算法在滿足精度需求的同時(shí),有效減小其計(jì)算復(fù)雜度,本文采用分段和插值的方法將KNN算法和Bayes算法進(jìn)行融合,在分段過(guò)程中采用MAC過(guò)濾和KNN粗定位來(lái)縮小定位區(qū)域的范圍,從而減小指紋匹配計(jì)算的復(fù)雜度。在插值的過(guò)程中采用水平插值和垂直插值方法來(lái)提高定位區(qū)域中的指紋密度,從而提高Bayes算法的定位精度。最后,我們基于Android+J2EE+MySQL平臺(tái),依照上述改進(jìn)理論,設(shè)計(jì)并實(shí)現(xiàn)出了基于Wifi的指紋定位系統(tǒng),并在現(xiàn)實(shí)定位場(chǎng)景中進(jìn)行了定位實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明:本文提出的基于分段和插值的KNN+Bayes融合定位算法,在定位精度方面遠(yuǎn)遠(yuǎn)高于KNN算法,在計(jì)算復(fù)雜度方面遠(yuǎn)遠(yuǎn)低于Bayes算法,不斷能夠滿足定位精確的需求,而且有效的降低了算法的計(jì)算復(fù)雜性,對(duì)于推動(dòng)室內(nèi)定位技術(shù)的發(fā)展有重要的意義。
【關(guān)鍵詞】：Wifi KNN+Bayes融合定位算法 室內(nèi)定位系統(tǒng)
【學(xué)位授予單位】：江西師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN92
【目錄】：

• 摘要3-4
• Abstract4-8
• 第1章 緒論8-12
• 1.1 選題背景及現(xiàn)實(shí)意義8
• 1.2 相關(guān)研究現(xiàn)狀8-10
• 1.3 本文主要研究?jī)?nèi)容10-11
• 1.4 本文結(jié)構(gòu)安排11-12
• 第2章 Wifi指紋定位技術(shù)原理12-18
• 2.1 典型的室內(nèi)信號(hào)傳播模型12-13
• 2.1.1 線性路徑損耗模型12-13
• 2.1.2 信號(hào)傳輸對(duì)數(shù)損耗模型13
• 2.2 經(jīng)典位置指紋匹配算法13-16
• 2.2.1 最近鄰法(NNSS)算法13-14
• 2.2.2 k最近鄰(k-Nearest Neighbor, KNN)算法14
• 2.2.3 概率定位算法14-15
• 2.2.4 極大似然概率 (Maximum likelihood , ML) 算法15-16
• 2.3 基于Wifi的指紋定位技術(shù)原理16-17
• 2.4 本章小結(jié)17-18
• 第3章 KNN+Bayes融合定位算法18-32
• 3.1 Wifi信號(hào)在室內(nèi)的傳播模型選擇及其誤差修正18-22
• 3.1.1 室內(nèi)信號(hào)的統(tǒng)計(jì)與特征分析18-21
• 3.1.2 傳播模型選擇21-22
• 3.1.3 誤差修正22
• 3.2 KNN算法和Bayes算法性能分析22-25
• 3.2.1 KNN算法性能分析23-24
• 3.2.2 Bayes算法性能分析24-25
• 3.3 定位算法效率分析25-28
• 3.3.1 定位規(guī)模與算法效率25-26
• 3.3.2 終端差異與指紋魯棒性26-27
• 3.3.3 指紋密度與定位精度27
• 3.3.4 定位規(guī)模與指紋庫(kù)構(gòu)建27
• 3.3.5 指紋庫(kù)構(gòu)建與定位精度27-28
• 3.4 基于分段和插值的KNN+Bayes融合定位算法的原理28-31
• 3.4.1 高斯濾波處理28
• 3.4.2 MAC地址過(guò)濾28-29
• 3.4.3 KNN算法粗定位29-30
• 3.4.4 插值法生成虛擬采樣點(diǎn)30
• 3.4.5 Bayes算法精確定位30-31
• 3.5 本章小結(jié)31-32
• 第4章 KNN+Bayes融合定位算法的應(yīng)用32-40
• 4.1 系統(tǒng)需求分析32-34
• 4.1.1 系統(tǒng)描述32-33
• 4.1.2 定位系統(tǒng)的功能需求分析33-34
• 4.2 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)34-39
• 4.2.1 系統(tǒng)定位服務(wù)流程34-35
• 4.2.2 移動(dòng)客戶端設(shè)計(jì)35-37
• 4.2.3 定位服務(wù)器的設(shè)計(jì)37-38
• 4.2.4 指紋庫(kù)的設(shè)計(jì)38-39
• 4.3 本章小結(jié)39-40
• 第5章 定位測(cè)試與分析40-44
• 5.1 定位系統(tǒng)部署40-41
• 5.2 定位測(cè)試與結(jié)果分析41-43
• 5.3 本章小結(jié)43-44
• 第6章 總結(jié)與展望44-46
• 6.1 本文總結(jié)44
• 6.2 未來(lái)研究工作展望44-46
• 參考文獻(xiàn)46-49
• 致謝49-50
• 攻讀碩士學(xué)位期間公開(kāi)發(fā)表的論文50

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 杜鋒;田世偉;李廣俠;;無(wú)線局域網(wǎng)絡(luò)定位研究進(jìn)展[J];導(dǎo)航定位學(xué)報(bào);2014年03期

2 喬鋼柱;曾建潮;;一種適用于動(dòng)態(tài)環(huán)境的改進(jìn)RSSI定位方法[J];計(jì)算機(jī)研究與發(fā)展;2010年S2期

3 萬(wàn)國(guó)峰;鐘俊;楊成慧;;改進(jìn)的RSSI測(cè)距和定位算法[J];計(jì)算機(jī)應(yīng)用研究;2012年11期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 沈陽(yáng);基于指紋的無(wú)線室內(nèi)定位中接入點(diǎn)選擇算法研究[D];浙江大學(xué);2014年

  本文關(guān)鍵詞：基于Wifi的指紋定位系統(tǒng)在室內(nèi)定位中的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：295553