基于信号强度的WLAN室内定位跟踪系统研究

摘要

随着信息技术的发展，位置服务成为人们的一个重要需求。然而，成熟的GPS（Globe Positioning System，全球定位系统）不能用于室内环境。因而，室内定位需要使用新的信号。近年来WLAN(Wireless Local AccessNetwork，无线局域网)发展迅速，各大公共场所均配备了WLAN，这使得WLAN室内定位跟踪系统变得非常有吸引力。而且，该室内定位跟踪系统使用WLAN信号强度进行定位，不需要任何其他的专用硬件，因而WLAN室内定位跟踪系统得到了越来越多的研究人员的关注，成为了最流行的室内定位跟踪系统之一。 本文对基于信号强度的WLAN室内定位系统做了一些改进，其主要贡献和创新为: 1.传统的室内定位方法采用标准高斯模型对参考点上接收到的信号强度进行建模。然而，室内环境非常复杂，存在多径干扰、频繁的人员干扰和环境变化。实际上参考点上信号强度分布并不是一个标准的高斯分布。因此，本文对参考点上信号强度分布采用多高斯混合模型进行建模。该模型不仅考虑了各种干扰的影响还考虑了各AP(Access Point，接入点)的信号强度之间的相关关系，使得该方法的性能相比之前的标准高斯分布模型大大提高。对于多高斯混合模型的参数，本文使用EM(Expectation Maximization，期望最大值)算法估计。最后的实验结果验证了本方法的有效性。 2.对于较大目标环境的室内定位系统，指纹数据库的参考点数量会非常多。因此，对指纹数据库进行聚类就变得非常必需了。本文基于自组织映射神经网络，将指纹数据库的高维元素映射到一个二维平面。之后，在这个二维平面上进行聚类。这样做的好处就在于能够避免高维空间聚类困难的问题，准确度高。最后的实验结果验证了该方法的有效性。 3.对于室内目标跟踪，一般的方法使用卡尔曼滤波器。然而室内噪声实际上并不是高斯噪声，这需要使用无迹卡尔曼滤波器或是精度更高的粒子滤波器。不幸的是粒子滤波器的算法复杂度非常大，特别是当状态超过三维的情况，已不适合于实时系统。本文将整个目标状态划分为均为二维矢量的位置分量和速度分量，对速度分量采用无迹卡尔曼滤波器估计，而对位置分量则采用粒子滤波器估计。不仅大大地提高了室内跟踪系统的系统性能，还将算法复杂度限制在可以实时使用的程度。最后的实验结果验证了本方法的有效性。

目录

声明

摘要

1绪论

1．1研究背景

1．1．1移动计算

1．1．2 GPS与其他全球定位系统

1．1．3 WLAN

1．2研究意义

1．2．1大型室内公共场所

1．2．2矿井

1．2．3校园

1．3主要研究内容与创新点

1．3．1主要研究内容

1．3．2主要创新点

1．4论文安排

2相关工作与本文实验环境

2．1已有的室内定位系统

2．2基于无线信号传播模型的室内定位方法

2．3基于指纹数据库的室内定位方法

2．4本文的实验环境

3基于WLAN的室内定位算法介绍

3．1基于模型的室内定位方法

3．1．1无线信号传播特性

3．1．2三边测量法

3．1．3基于模型的室内定位方法的优缺点

3．2基于指纹数据库的室内定位方法

3．2．1 KNN方法

3．2．2 HORUS

3．2．3差别自适应神经网络方法

3．2．4 KCCA方法

3．3指纹数据库快速搜索方法

3．3．1最大信号强度值聚类算法

3．3．2 DMS搜索算法

4基于多高斯混合模型的WLAN室内定位系统

4．1引言

4．2 多高斯混合模型构建指纹数据库

4．2．1多高斯混合模型

4．2．2 EM算法

4．2．3算法初始化

4．3基于多高斯混合模型的WLAN室内定位方法

4．3．1室内定位算法详细描述

4．3．2算法实时复杂度分析

4．4实验结果与分析

4．5小结

5室内定位系统中指纹数据库的聚类方法研究

5．1引言

5．2 k-均值聚类算法

5．3 SOM算法

5．4提出的室内定位系统指纹数据库聚类算法

5．4．1指纹数据库聚类算法

5．4．2指纹数据库聚类算法与室内定位系统的结合

5．5实验结果与分析

5．6小结

6一种基于混合滤波器的WLAN室内跟踪系统

6．1引言

6．2卡尔曼滤波器

6．2．1标准卡尔曼滤波器

6．2．2扩展卡尔曼滤波器

6．2．3无迹卡尔曼滤波器

6．3粒子滤波器

6．3．1标准粒子滤波器算法

6．3．2粒子滤波器与无迹卡尔曼滤波器的区别

6．4基于混合滤波器的室内定位跟踪算法

6．4．1系统模型

6．4．2基于混合滤波器的室内定位跟踪算法

6．5实验结果与分析

6．5．1实验设计

6．5．2实验结果

6．6小结

7总结与展望

7．1本文总结

7．2今后的研究展望

参考文献

攻读博士学位期间发表的学术论文

致谢