基于流形對(duì)齊的WLAN室內(nèi)定位方法研究.pdf

1、隨著可移動(dòng)計(jì)算終端及無線技術(shù)的發(fā)展，定位導(dǎo)航系統(tǒng)受到越來越多研究人員的關(guān)注，其應(yīng)用也越來越廣泛。在室外，可以利用衛(wèi)星信號(hào)進(jìn)行定位導(dǎo)航；在室內(nèi)，由于可見衛(wèi)星數(shù)目不足，衛(wèi)星定位導(dǎo)航方法并不適用于室內(nèi)。近年來，多種基于不同方式的室內(nèi)定位系統(tǒng)被提出，包括基于紅外線、超聲波、以及射頻等信號(hào)的室內(nèi)定位系統(tǒng)。基于WLAN的室內(nèi)定位系統(tǒng)（WLAN based Indoor Localization System, WILS）利用已有的無線局域網(wǎng)的基礎(chǔ)設(shè)

2、施來完成室內(nèi)定位系統(tǒng)的構(gòu)建，不需要增加硬件設(shè)備，因此受到許多研究人員的重視。
　　針對(duì)基于WLAN的室內(nèi)定位系統(tǒng)中存在的Radio Map建立效率低、工作量大、RSS與Radio Map處理及定位算法的多樣性等問題，本文提出以流形對(duì)齊為核心的Radio Map快速建立及WLAN室內(nèi)定位方法：直接映射定位（DML）及基于重建Radio Map的KNN算法（reKNN）。
　　本文介紹了典型的WILS的用戶端、無線接入點(diǎn)及定位服

3、務(wù)器等三個(gè)核心層次及其系統(tǒng)工作流程，并對(duì)確定型及概率型位置指紋定位算法進(jìn)行了詳細(xì)分析；本文詳細(xì)介紹了位置指紋數(shù)據(jù)庫(kù)的建立方式及其無線電地圖（Radio Map）的組成，并采用了OPPO T29、Google Nexus5、Samsung Note II及聯(lián)想V450筆記本電腦等四種移動(dòng)終端對(duì)部署在哈爾濱工業(yè)大學(xué)通信技術(shù)研究所內(nèi)兩個(gè)WLAN室內(nèi)定位系統(tǒng)（HIT-WILS10、HIT-WILS12）進(jìn)行了數(shù)據(jù)采集。為了提高位置指紋定位方法的

4、實(shí)時(shí)性能及其對(duì)不同實(shí)驗(yàn)環(huán)境的適應(yīng)性，本文提出了基于仿射聚類（AP）方法的位置指紋定位方法（AP-KNN），并以 HIT-WILS12所在走廊實(shí)驗(yàn)區(qū)域的實(shí)測(cè)數(shù)據(jù)進(jìn)行了性能測(cè)試。仿真結(jié)果表明，AP-KNN可以不僅可以在單次采樣Radio Map時(shí)有效地保持KNN的定位性能，同時(shí)也可以適應(yīng)不同重采樣次數(shù)的Radio Map。AP-KNN在3米及4米內(nèi)定位精度達(dá)到了83％及93%。
　　本文分析了流形理論的基本概念及典型的流形學(xué)習(xí)方法，并

5、對(duì)流形學(xué)習(xí)中的耦合度量學(xué)習(xí)進(jìn)行了詳細(xì)地分析；然后從基于相關(guān)關(guān)系的耦合度量學(xué)習(xí)及基于Fisher準(zhǔn)則的耦合度量學(xué)習(xí)出發(fā)，推導(dǎo)了統(tǒng)一耦合度量學(xué)習(xí)（UCML）方法。在此基礎(chǔ)上，本文提出了基于UCML的流形對(duì)齊方法（UCML-MA）及基于流形對(duì)齊的超分辨率分析（SRA-MA）算法。在UCML-MA及SRA-MA的理論基礎(chǔ)上，本文提出了基于流形對(duì)齊的WLAN室內(nèi)定位系統(tǒng)的總體方案，包括基于流形對(duì)齊Radio Map建立及WLAN室內(nèi)定位模塊。本文

6、基于SRA-MA算法提出了Radio Map超分辨率重建方法，即從稀疏Radio Map實(shí)現(xiàn)高采樣分辨率Radio Map建立，從而實(shí)現(xiàn)Radio Map快速建立。同時(shí)，基于UCML-MA方法提出了兩種WLAN室內(nèi)定位方法：DML及reKNN算法。
　　通過采用四種不同終端對(duì) HIT-WILS10/12系統(tǒng)的實(shí)測(cè)及性能仿真結(jié)果表明，本文提出的Radio Map建立方法及DML、reKNN可以有效地解決了Radio Map建立效率低

7、、RSS、Radio Map及定位方法多樣等問題，并實(shí)現(xiàn)Radio Map建立與WLAN室內(nèi)定位方法的統(tǒng)一。仿真結(jié)果表明：隨著Radio Map的重采樣次數(shù)的增加，KNN算法的整體性能的影響無明顯變化，而對(duì)于DML及reKNN算法，隨著重采樣次數(shù)的增加，其3米及4米內(nèi)定位精度均有5%左右的提升，分別從55%及75%提升至60%及80%，達(dá)到與 KNN算法定位性能一致。
　　從等分辨率及超分辨率的整體定位結(jié)果來看，基于SRA-MA的