论文部分内容阅读
基于位置的服务(LBS)正被广泛地应用于多个领域,呈现出巨大的商用潜能,而作为其核心支撑的定位技术一直是工业界和学术界的研究热点。在室内定位领域,高精度、低复杂度、低成本的普适定位技术是人们研究的目标和未来发展的方向。WIFI指纹定位无需额外地布设专用设备,具有低成本和普适性的优势。考虑到WIFI指纹定位可以被建模成非线性的监督学习问题,因此,基于机器学习的WIFI室内定位技术具有重要的研究意义。首先,结合室内实测WIFI信号RSS数据,分析出室内位置与WIFI信号RSS指纹之间具有时变的非线性特性,并且探讨了位置指纹定位技术的背后机理。然后,为了提高定位精度,重点研究何种机器学习算法更适合拟合位置与WIFI信号RSS指纹间的时变非线性关系。在对常用的SVM算法和集成学习中bagging类的随机森林(RF)算法,分别建立各自的回归和分类定位算法模型后,引入一种新的集成学习中boosting类的梯度提升决策树(GBDT)算法,并建立其定位算法模型,将这些定位算法在模拟环境中利用射线追踪方法建立的位置指纹数据库上进行仿真,完成相关指标的综合比较后,确定了定位性能最优的定位算法。实验结果表明,基于同种机器学习算法,使用回归算法获得的定位精度更高;在模拟环境中,引入的GBDT定位算法具有更好的定位性能。针对移动目标定位,为了充分利用先验信息,进一步提高定位精度,提出了将机器学习与滤波方法相融合的定位追踪算法,具体地,建立了基于GBDT-KF和GBDT-PF的融合定位追踪算法模型,完成了两种融合算法在模拟环境中3种类型路径上的定位追踪仿真。实验结果表明,提出的融合定位算法GBDT-KF和GBDT-PF的定位精度,均比基于GBDT定位算法的定位精度至少提高30%;且在模拟环境中,分别更适合线性和非线性的定位追踪路径。最后,结合实际场景中的实测数据,对引入和提出的算法进行可行性验证。实验结果表明,在实际环境中,引入的基于集成学习的GBDT定位算法有着高精度的定位性能,平均定位精度达1.02m;提出的融合定位算法较GBDT定位算法具有更高的定位精度,其定位追踪结果也更接近实际轨迹,进一步验证了引入和提出算法的有效性。