本文版权为《邮电设计技术》所有,如需转载请联系《邮电设计技术》编辑部
摘 要:
室内定位技术的发展,要求能提供快速建立、适应性强、成本低的定位系统。基于场强地图的室内定位技术,能大幅减少离线测试工作量。针对当前离线阶段存在预测场强不准的问题,提出了追踪共轭梯度法,能快速建立场强地图。在线阶段提出了加权差分坐标K最近邻法,结果表明该方法与传统方法相比,能使离线阶段的反演模型数据优化,使得在线阶段的定位匹配误差进一步减小,获得更高的定位精度。
关键词:室内定位;反演模式;场强地图;追踪共轭梯度法;加权差分坐标K最近邻法
doi:10.12045/j.issn.1007-3043.2020.04.006
前言
目前室内定位系统要求既要节约成本,又要缩短定位时间。基于指纹库的室内定位技术,能对包括信号指示强度(RSSI)在内的多种测量参数快速地建库。其中,采用反演模式的电波传播模型,能迅速构造用于定位的场强地图,通过指纹库匹配的方式进行定位,该技术近年来颇受关注。估计值和收敛准则对计算结果有较大影响,此方法求得的解仍然存在较大的误差。利用反演模式下的电波传播模型,构造场强地图进行快速定位是当前比较实用的方法之一。Y. Shu 等 人采 用 共 轭 梯 度 法(CGM——ConjugateGradient Method)定位室内中的位置,但是由于共轭梯度法的局限性,该方法只能在特定的环境下使用。M.Leigsnering 等人[8]采用正交匹配追踪法(OMP——Orthogonal Matching Pursuit)求解病态方程组,有效地减小了计算误差,但是该方法的不足之处是计算复杂度比较高。S. Liu 等人利用改进的正交匹配追踪法求解病态方程组,由于初始在线匹配定位时,多种匹配方法也已经运用到相关定位算法中。X. Liu等人利用并行最近邻匹配(KNN——K Nearest Neighbor)搜索算法对空间细分并过滤,该方法有助于减少内存占用,其不足之处是精度较低。H. Feng等人提出了一种用KNN算法对旁路图像进行熵估计的方案,该方法能有效地对互信息进行评估。X. Wang等人设计了一种基于机器学习中KNN匹配的分类器,该分类器的安全较高,性能较好,但不适用于数据多的情况。P.Botsinis等人提出一个INTRI室内定位框架,该框架运用了加权最近邻匹配(WKNN ——Weight K NearestNeighbor)算法进行位置匹配,但其可实施性较差。