基于CNN活动识别辅助PDR室内定位算法研究

摘要

近年来，基于位置的服务(Location Based Services ,LBS)一直占据着研究的热点。室外定位中，在GNSS的强大背景下，各种基于位置服务的应用运应而生，为人们的出行带来了便利。虽然GNSS在室外发挥着得天独厚的优势，但是其信号极易受到高楼大厦、茂密枝叶等影响产生多径效应，致使定位精度急剧下降，在这些地方以及室内所产生的定位误差极大，无法达到定位效果。而人们工作生活大部分时间都在室内，因此寻求一种同样高精度的室内定位技术尤为重要。本文通过对现有的室内定位技术分析和研究，结合智能移动设备和相关机器学习算法作为研究方向，针对现有的PDR技术所固有的缺陷，即累积误差造成精度下降的问题进行改善，以及针对行人在室内活动的日常行为进行数据分析，提出了一种基于CNN活动识别辅助PDR室内定位的方法。具体内容包括：　　（1）研究了基于CNN活动识别算法。对行人步行，左拐，右拐等日常活动进行数据分析，并建立基于CNN活动识别模型，实现了对行人这三种日常活动的识别。　　（2）对CNN活动识别模型的启动算法进行了研究。通过分析信号强度误差变化，得出信号强度变化阈值，并检测各个特征点处的AP信号强度，建立特征点指纹库，据此提出一种特征点指纹算法，实现了PDR定位和CNN活动识别的切换。　　（3）对基于CNN活动识别辅助PDR定位算法进行系统设计。该系统分成移动端和服务器端，在移动端实现了用户的交互，定位结果输出，而服务器端则主要进行数据分析，数据预处理，CNN活动识别模型的创建以及定位操作。　　（4）对传感器采集数据降噪算法进行了对比研究。对行人在运动过程中，智能移动设备传感器采集到的数据进行降噪处理，分别通过多种降噪方法对数据进行降噪，比较得出效果最好的降噪方法，并用于数据降噪。　　最后，通过实验表明，本文提出的CNN活动识别辅助PDR定位算法，在特征点处有较好的误差校正效果，具备较高的室内定位精度，同时降低了PDR定位的累积误差，在实用性和定位性能方面满足室内定位的高可用、高精度的需求。

目录

声明

第一章 绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.3本文主要研究工作

1.4 本文组织结构

第二章 行为识别和室内定位相关技术概述

2.1行为识别相关技术

2.1.1 基于决策树的行为识别技术

2.1.2 朴素贝叶斯的行为识别技术

2.1.3 基于人工神经网络的行为识别技术

2.2 室内定位相关技术

2.2.1 基于WiFi指纹定位技术

2.2.2 基于超宽带的室内定位技术

2.2.3 基于RFID的室内定位技术

2.2.4 基于行人航迹推算的室内定位技术

2.3室内定位技术中存在的问题及拟采取的措施

2.4本章小结

第三章 基于CNN活动识别辅助PDR定位的关键技术研究

3.1 传统WiFi-PDR定位误差分析

3.2 巴特沃斯滤波器

3.3 CNN活动识别

3.3.1 CNN工作原理

3.3.2基于CNN活动识别

3.4 启动CNN活动识别算法

3.5 CNN活动识别辅助PDR定位算法

3.6 本章小结

第四章 设计与实现

4.1.1Android开发平台介绍

4.1.2 Eclipse开发平台

4.1.3 硬件设备

4.2系统整体架构

（1）移动终端

（2）数据处理服务器

4.3系统设计

4.3.1移动终端设计

4.3.2服务器端设计

4.4本章小节

第五章 实验及数据分析

5.1.1实验环境

5.1.2滤波器实验

5.1.3 CNN活动识别实验流程

5.1.4 基于CNN活动识别辅助PDR定位

5.2 定位系统测试与数据分析

5.3 本章小结

第六章 总结与展望

6.1工作总结

6.2研究展望

参考文献

致谢

在读期间公开发表论文（著）及科研情况