论文部分内容阅读
智能交通中停车场空位检测和智慧工厂人员管理调配等问题的出现,预示着人类对基于位置服务的需求越来越强烈,其中,获取室内对象的位置是核心问题。室外位置通过全球定位系统来进行定位,由于室内复杂环境不再适合室内定位。目前,对室内定位的研究主要从两方面开展工作,其一是研发出更佳的定位技术与定位系统,其二是优化定位算法,后者是实现高精度定位的主要因素。本文主要是对定位算法进行研究与改进,并通过实验验证改进效果。首先,介绍指纹法定位理论,针对离线阶段用k-means聚类选取的初始聚类中心不当,造成聚类效果不好的问题,本文采用双重聚类的方法。第一次基于参考节点位置坐标聚类,选出与首次聚类后聚类中心最近的参考点,将其对应的信号强度指纹作为第二次聚类的初始中心,此方法可以有效的选取k条位置坐标相距较远的指纹强度;聚类过程采用新的代价函数,融合了同一区域内和不同区域间指纹的相似性。实验证明,本文算法可保证近80%的待定位点的定位结果优于1.6m,而另外两种算法大约只有34%和13%定位精度在1.6m以内,且定位时效性并无较大变化。其次,对于加权K近邻居法,不同的K值意味着不同的指纹数目,从而导致不同的定位精度。针对指纹定位法在线匹配时采用固定K值的加权K近邻居法的问题,提出采用基于动态权值和的方法,自适应地调整K,以动态方式实现在不同地点和不同网络中的最佳精度。实验证明,使用本文方法的定位结果更接近待定位点最优定位结果,本文的方法比近邻居法和加权K近邻居法的平均定位精度分别提高了12.8%和8.9%。最后,通过二三章节内容可知指纹库的准确性与定位结果相关,为了建立准确的指纹库需对数据做处理,本文采用z概率方法对数据做处理。实验证明,此方法能有效的剔除波动较大的异常值,用不同方法处理后的数据实现定位,z概率法对应的定位误差累计更快的收敛,定位效果更好。对于离线指纹库建立的问题,本文搭建一套基于ZigBee的定位系统。参考点接收的锚节点处信号强度值和自身坐标值构成一条指纹,多条指纹形成一个指纹库;并研究了所采集数据的特性。