论文部分内容阅读
随着网络优化，普适计算和物联网的快速发展，室内定位技术在消防救灾、地下停车寻车、商场购物等领域的应用越来越多。近年来，机器学习技术在诸多领域得到了广泛的应用并取得了很好的效果，故而越来越多的研究者开始采用机器学习的方法进行室内定位的研究，这推动了机器学习的室内定位方面的发展。本文研究了基于机器学习的室内定位技术，针对现有研究存在的问题，提出了三个有效的室内跟踪定位算法。
首先，为了提高定位的准确性，本文提出基于访问节点选择的定位算法，给出了两种访问节点选择算法来确定部分访问节点参与目标的定位，即基于贪心启发式的访问节点选择算法和基于神经网络的访问节点选择算法。其次，在定位过程中利用参考点形成三角形区域的交叠确定目标所在区域，并采用多次迭代方式以逐渐缩小目标所在的区域大小。然后，利用三角形的质心估算目标节点的精确位置。最后，通过实验验证了所提出算法的优越性和有效性。实验分析了参考点个数和网格尺寸对定位结果的影响，并考察了目标在不同运动轨迹下的定位准确性。
其次，本文研究了基于概率的指纹定位技术法，提出一种基于多层感知分类模型和贝叶斯概率的目标定位方法MLP-Bay，MLP-Bay采用多层感知器和贝叶斯算法相结合的方法对目标进行位置估计。首先，在离线阶段，MLP分类算法对指纹指纹数据库进行学习以训练MLP模型，在线阶段，我们将采集的目标的RSSI向量放入训练好的MLP模型中，利用训练好的MLP模型指纹数据库找到与目标的RSSI向量最相似的指纹向量。其次，我们将采用MLP选择出的最相似指纹向量和目标的RSSI向量利用朴素贝叶斯概率方法计算其相似概率值。然后，我们把相似概率值与最相似指纹向量在指纹数据库中对应的坐标相乘，以此来估算目标的位置。最后，我们在仿真环境中测试了所提出的算法，实验结果表明了MLP-bay方法的有效性和优越性。
最后，本文提出了基于主成分分析和长短时间记忆的室内定位算法。该算法首先，根据目标的运动轨迹从不同的访问节点收集RSSI测量值，构成RSSSI向量存储到指纹数据库中。其次，使用主成分分析的方法对数据库中的每组RSSI向量提取主要特征，对数据进行降维处理，从而生成新的降维指纹数据数据库。再次，我们在新生成的指纹数据库上执行基于BiLSTM的定位算法。最后通过实验分析了该算法对目标精准度的影响，验证了所提出算法的优越性和有效性。
首先，为了提高定位的准确性，本文提出基于访问节点选择的定位算法，给出了两种访问节点选择算法来确定部分访问节点参与目标的定位，即基于贪心启发式的访问节点选择算法和基于神经网络的访问节点选择算法。其次，在定位过程中利用参考点形成三角形区域的交叠确定目标所在区域，并采用多次迭代方式以逐渐缩小目标所在的区域大小。然后，利用三角形的质心估算目标节点的精确位置。最后，通过实验验证了所提出算法的优越性和有效性。实验分析了参考点个数和网格尺寸对定位结果的影响，并考察了目标在不同运动轨迹下的定位准确性。
其次，本文研究了基于概率的指纹定位技术法，提出一种基于多层感知分类模型和贝叶斯概率的目标定位方法MLP-Bay，MLP-Bay采用多层感知器和贝叶斯算法相结合的方法对目标进行位置估计。首先，在离线阶段，MLP分类算法对指纹指纹数据库进行学习以训练MLP模型，在线阶段，我们将采集的目标的RSSI向量放入训练好的MLP模型中，利用训练好的MLP模型指纹数据库找到与目标的RSSI向量最相似的指纹向量。其次，我们将采用MLP选择出的最相似指纹向量和目标的RSSI向量利用朴素贝叶斯概率方法计算其相似概率值。然后，我们把相似概率值与最相似指纹向量在指纹数据库中对应的坐标相乘，以此来估算目标的位置。最后，我们在仿真环境中测试了所提出的算法，实验结果表明了MLP-bay方法的有效性和优越性。
最后，本文提出了基于主成分分析和长短时间记忆的室内定位算法。该算法首先，根据目标的运动轨迹从不同的访问节点收集RSSI测量值，构成RSSSI向量存储到指纹数据库中。其次，使用主成分分析的方法对数据库中的每组RSSI向量提取主要特征，对数据进行降维处理，从而生成新的降维指纹数据数据库。再次，我们在新生成的指纹数据库上执行基于BiLSTM的定位算法。最后通过实验分析了该算法对目标精准度的影响，验证了所提出算法的优越性和有效性。