论文部分内容阅读
基于iBeacon的室内位置指纹定位技术是目前研究最深入的技术,主要分为离线采样和在线定位两个部分,室内环境下iBeacon的传播不同于自由空间,由于人为的走动,墙体的遮挡会造成iBeacon路径损耗模型变化,离线阶段和在线阶段RSSI的波动对定位精度都有很大的影响,本文针对这种情况,研究如何得到稳定的RSSI,并且能较好的适应环境的变化以提高室内定位的精度。主要内容如下:首先研究了iBeacon的基本原理和传播模型,得到了iBeacon自由空间的传播损耗公式,根据公示研究了相应了基于距离的室内定位方法,综述各种方法的优缺点,解释为什么选择了基于RSSI接收强度的算法。然后简单介绍了两种基于RSSI接收强度的算法,重点研究了位置指纹算法。改进了位置指纹的匹配算法中常见的KNN算法,提出了更为全面的AWKNN算法,通过搭建实验平台,根据仿真数据的对比,得到AWKNN算法的定位误差下降了55%。接下来研究了位置指纹中离线建立指纹库的方法。考虑无线信号传播会收到干扰,并且根据离线采样数据分析发现RSSI呈现波动性,提出了临界iBeacon滤波方法,自适应高斯滤波方法对数据进行处理,结果中RSSI的方差都发生了减小,指纹库的质量都有所提高。然后脱离传统方法,研究了最新的人工神经网络技术,研究当下已经实现的iBeacon神经网络定位技术,从而提出了延迟更低,定位精度相当的BP神经网络结构,延迟相对降低了29.5%,定位误差降低了1.1%。最后在Android平台上进行了方法的实现,根据实验数据印证了算法的可行性以及性能的提升。