论文部分内容阅读
随着物联网时代的到来,室内定位技术被广泛应用于人们的生活。在商品推荐、消防救援以及物流运输等场景中,可靠、实时、准确的室内定位技术具有很高的应用价值与商业前景。基于外置信源的室内定位技术由于需要额外部署设备,成本较高且不易普及;而基于内置信源的室内定位技术依赖惯性传感器,无需额外部署设备,具有较强的自主性。针对以上情况,本文将数据融合、地图匹配与神经网络相结合,研究了基于广义回归神经网络的多源数据融合定位算法,以及基于粒子滤波神经网络的地图融合定位算法。本文首先对多源数据融合定位进行了研究,针对多设备传感器数据融合定位中定位效果差的问题,提出了一种GRNN-AdaBoost算法。该算法是以广义回归神经网络为基础模型,通过交互式的集成学习方法融合不同设备的内置传感器数据以更好的推断行人的室内位置。对于真实场景下同时采集的智能手机与智能手表的传感器数据,使用GRNN-AdaBoost算法,利用多个设备同时采集的传感器数据之间的相关性进行位置预测。经过实验验证,GRNN-AdaBoost算法在二维地图的两个方向上,定位误差分别为1.09m和0.83m,优于CART回归树以及AdaBoost算法。本文随后对地图融合定位进行了研究,针对地图融合定位中缺乏反馈机制的问题,提出了一种基于粒子滤波神经网络的地图融合定位算法。以循环神经网络为基础框架,实现了粒子滤波神经网络的整体可微。为了更好的提取地图信息,对地图进行局部切分,采用卷积神经网络学习地图特征,提高了粒子权重判别的准确性,在局部地图像素大小为80×80的情况下,卷积神经网络的准确率能达到98%。分别在空旷房间、狭长走廊以及自由区域的场景下,对算法性能进行实验分析,结果表明,本文提出算法要优于基于传统粒子滤波的地图融合定位算法。本文将神经网络用于数据融合以及地图匹配,使用真实场景下采集的惯导数据对神经网络进行训练,验证了基于广义回归神经网络的多源数据融合定位算法,以及基于粒子滤波神经网络的地图融合定位算法的良好性能。