论文部分内容阅读
近年来,随着人们对于基于位置服务(Location Based Services,LBS)的需求增加,出现了很多定位系统,室外环境利用全球导航卫星系统(Global Navigation Satellite System,GNSS)可满足定位需求,但在室内环境下,GNSS卫星信号弱,不能满足室内定位需求,因此发展室内定位技术成为研究热点。考虑到目前常用的两种室内定位技术行人航迹推算(Pedestrian Dead Reckoning,PDR)和WiFi接收信号强度(Received Signal Strength,RSS)指纹定位的局限性,本文研究了人体运动模式辅助PDR定位算法和WiFi的信道状态信息(Channel State Information,CSI)被动指纹定位算法,具体研究内容和结论如下:(1)传统PDR定位算法忽略了人体运动模式对定位结果的影响,人体运动模式发生变化时,如果采用传统PDR算法,平面定位精度会降低很多,且未考虑行人高度变化,因此本文提出了人体运动模式辅助PDR定位的算法。采用支持向量机(Support Vector Machine,SVM)对人体运动模式进行分类,结合统计特征,通过递归特征消除(Recursive Feature Elimination,REF)选取最佳特征进行分类器训练,并讨论不同滑动窗口大小对分类结果的影响。通过实验说明了人体运动模式识别辅助PDR算法对提高室内定位精度的有效性。(2)WiFi的RSS信息受到周围环境影响变化较大,利用WiFi的RSS进行指纹定位精度不高,而CSI信息有更细粒度的信道信息,利用CSI幅度和相位信息建立指纹库,采用KNN分类算法进行CSI被动指纹定位,提出了基于CSI幅度和相位信息的KNN分类被动指纹定位算法,对比分析了利用WiFi的RSS信息,CSI幅度信息,作为位置指纹的定位精度,说明所提出的算法可以有效提高室内定位精度。(3)在PDR室内定位中需要确定初始位置,且PDR算法随着时间的积累定位误差会越来越大,而基于CSI幅度和相位信息的KNN分类被动指纹定位,精度较为均匀,本文结合两种定位方式的特点,将两种定位方式联合起来进行定位,提出了PDR+CSI指纹室内定位方法。通过对比分析发现PDR+CSI指纹联合定位精度优于单独PDR定位精度。