基于人工智能的室内指纹定位技术研究

摘要

随着无线通信技术的不断发展及室内基于位置的服务(Location BasedService，LBS)业务需求的不断增长，室内无线定位技术近年来得到了越来越广泛的研究。而高性能无线定位技术，如高定位精度、高定位实时性、低计算复杂度、低开发应用成本决定了室内LBS业务的服务质量。基于无线局域网(Wireless Local Area Network，WEAN)的接收信号强度(Received Signal Strength，RSS)指纹信息定位技术受益于米级定位精度性能、智能终端的低开发成本以及WEAN技术在室内场景的广泛分布这三大优势而成为室内LBS系统中定位技术的首选。
　　而室内指纹定位技术面临一些主要问题以待解决。在离线阶段，需要建立指纹数据库并在环境变化时更新指纹数据库以保证其定位有效性，而数据库的建立与更新需要耗费大量的人力物力，这不利于指纹定位算法的普及，特别是大型定位场景中的应用。在在线阶段，指纹模式匹配技术的设计需要克服RSS受多径效应、阴影效应引起的时变特性所产生的位置估计误差，同时需要降低算法计算复杂度，提高定位实时性性能。针对以上问题，本论文将通过人工智能领域技术及优化技术来改善指纹定位系统整体性能，本文的主要工作及创新点如下:
　　1)在离线阶段，提出了基于仿射传播聚类算法的指纹数据库自主重构技术。通过基于分簇信道建模算法中的室内区域分区原理观测的RSS值分簇衰落特性，提出了室内无线信号的区域化传播模型(Regional Propogation Model，RPM)。利用仿射传播聚类技术对稀疏密度分布的参考点处采样得到指纹图谱进行分簇从而将室内区域划分成特定个数的子区域，然后利用各个子区域的采样数据建立所提的RPM路径损耗传播模型，通过该模型预测其他未测量参考点处的指纹以重构完整的指纹数据库。实验测试结果显示，所提路径损耗传播模型的RSS预测精度高于现有的传播模型;同时，在降低指纹采集工作量50％以上时，所提算法仍然能够获取较高的定位精度。
　　2)接入点(Access Point，AP)选择算法有利于降低指纹定位系统中信号处理的特征维度，降低算法的计算复杂度从而提高定位实时性;同时，有利于降低系统存储开销。论文通过定位误差估计的克拉美-罗底界分析，提出了一种融合信号强度、区分度及稳定性的混合AP选择算法，从而在降低计算复杂度的同时最大化AP信号的空间位置区分能力以提高定位精度性能。实验测试结果显示，所提算法定位精度性能优于其它算法，平均定位精度可达1～2m。
　　3)在在线阶段位置估计与追踪算法设计中，提出了基于粒子群优化(ParticleSwarm Optimization，PSO)与卡尔曼滤波(Kalman Filter, KF)算法(PSOKF)的定位追踪系统。论文给出了PSO算法在指纹定位系统中的应用模型，分析了PSO算法粒子群初始化对定位误差的影响及分析了算法的计算复杂度。在动态位置估计中，改进了PSO算法的初始化策略以提高算法的收敛速度及全局收敛性能，从而提高位置估计精度;同时，结合卡尔曼滤波算法对位置估计结果做进一步的修正平滑以获取高精度的终端位置追踪效果。理论分析与实验结果验证了所提PSOKF算法的有效性，结果显示PSOKF算法的最大位置估计误差小于1.5m。
　　4)论文中所有实验是用所开发的定位平台在两个真实的室内场景中测试实现的，充分验证了所提算法的有效性与实用性，对室内LBS商业化进展具有一定的促进作用。

目录

声明

致谢

摘要

插图索引

表格索引

1 绪论

1．1 研究背景与意义

1．2 无线定位技术发展现状与趋势

1．2．1 无线定位技术发展及标准化

1．2．2 无线定位系统及性能评估

1．3 室内定位技术难点与挑战

1．3．1 室内定位主要方法及主要问题

1．3．2 指纹定位技术的研究现状

1．3．3 人工智能技术在室内指纹定位技术中的典型应用

1．4 本文简述

1．4．1 论文的研究点与创新点

1．4．2 论文结构安排

2 室内指纹定位系统框架与基本理论

2．1 指纹定位系统

2．1．1 基本框架

2．1．2 定位机理

2．2 数据库重构算法

2．2．1 基于回归分析的自适应无线图谱算法

2．2．2 基于衰落模型的指纹数据库构建算法

2．3 模式匹配算法

2．3．1 确定性邻近点算法

2．3．2 基于高斯核函数的贝叶斯算法

2．3．3 基于径向基函数网络的定位算法

2．3．4 基于压缩感知的定位算法

2．4 室内追踪系统

2．5 本章小结

3 基于聚类算法的指纹数据库自主重构技术

3．1 引言

3．2 室内无线传播特性

3．2．1 基于分簇的室内无线信道传播模型

3．2．2 室内信号大尺度衰落的分簇特性

3．3 基于聚类技术的数据库重构算法

3．3．1 K-Means聚类算法

3．3．2 仿射传播聚类算法

3．3．3 聚类实验效果

3．3．4 指纹数据库重构与位置估计

3．3．5 定位误差克拉美-罗下界理论分析

3．4 算法性能验证分析

3．4．1 实验平台

3．4．2 指纹预测精度性能评估

3．4．3 定位精度性能评估

3．5 本章小结

4 混合AP选择算法

4．1 引言

4．2 经典AP选择算法

4．2．1 最强AP选择算法

4．2．2 基于Fisher准则的AP选择算法

4．2．3 基于信息增益的AP选择算法

4．2．4 随机AP选择算法

4．3 混合AP选择算法

4．3．1 定位误差影响因素分析

4．3．2 算法建模

4．4 实验验证分析

4．5 本章小结

5 基于粒子群优化与卡尔曼滤波的指纹定位追踪算法

5．1 引言

5．2 粒子群优化算法

5．2．1 PSO算法建模

5．2．2 PSO算法性能分析

5．3 基于PSOKF定位追踪技术

5．4 算法性能验证分析

5．4．1 基于PSO定位算法性能评估

5．4．2 基于PSOKF追踪算法性能评估

5．5 本章小结

6 总结与展望

6．1 论文工作总结

6．2 下一步研究展望

参考文献

缩略语

作者简历

攻读博士学位期间发表的学术论文

攻读博士学位期间申请与授权的专利

学位论文数据集