CN103889051A - 基于ap id过滤和卡尔曼滤波的室内wlan指纹定位方法 - Google Patents
基于ap id过滤和卡尔曼滤波的室内wlan指纹定位方法 Download PDFInfo
- Publication number
- CN103889051A CN103889051A CN201410055244.XA CN201410055244A CN103889051A CN 103889051 A CN103889051 A CN 103889051A CN 201410055244 A CN201410055244 A CN 201410055244A CN 103889051 A CN103889051 A CN 103889051A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- storehouse
- subregion
- kalman filtering
- location
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于AP ID过滤和卡尔曼滤波的室内WLAN指纹定位方法,将待定位区域划分为若干个小分区,并通过分区的AP ID库筛选迅速确定分区;同时通过AP ID库过滤,使***能够自动适应少量AP变动的情况;通过卡尔曼滤波算法对WLAN信号指纹进行处理,滤除定位环境的随机干扰。本发明实现了WLAN指纹定位过程中的快速准确的匹配定位,解决了传统WLAN指纹定位方法中匹配速度慢、定位精度低的问题。通过分区AP ID过滤,显著提升了指纹匹配的速度,同时,使***能够自动适应少量AP变动的情况,避免了重复建库的问题;通过卡尔曼滤波算法增强了***对随机干扰的自适应能力,提高了定位精度。
Description
技术领域
本发明属于导航定位领域。涉及一种利用计算机技术、数字信号处理技术、数据库技术等实现自适应的、快速的室内WLAN指纹定位方法。该方法能实现WLAN指纹定位过程中对环境扰动和AP(Access Point,无线信号接入点)数量变化的自适应和快速定位。
背景技术
室内是人类活动最密集的场所,因此对于室内位置服务的研究具有重要意义。由于室内环境存在多径、非视距、复杂多变等特点,因此室内不能应用像GPS等广泛用于室外的定位技术。基于WLAN的位置指纹定位技术因其设备简单,定位精度高而成为近年来室内定位技术研究的焦点。
根据指纹匹配方式的不同,将WLAN位置指纹定位技术划分为两大类:一类是确定性定位方法,一类是概率性定位方法。确定性定位方法的位置指纹是每个接入点信号强度的平均值,使用该值采用确定性的推理算法来估计用户位置。如微软的Bahl等人采用信号空间最近邻法(Nearest Neighbors SignalStrength,NNSS)和最接近K邻居法(K-NearestNeighbors in SignalSpace,K-NNSS),在位置指纹数据库里找到与实时信号强度样本最接近的一个或多个样本,将它们对应的采样点或多个采样点的平均值作为估计的用户位置。概率性的定位方法通过条件概率为位置指纹建立模型,并采用贝叶斯推理机制来估计用户的位置。比较著名的WLAN位置指纹定位***有微软研发的RADAR***和Harvard大学MoteTrack定位***。然而,这些***平均定位精度都在3m以上,还不能满足高精度的室内定位需求。
随着建筑规模的不断扩大,匹配定位过程中数据处理量越来越大,如何提高匹配定位速度也成为当前研究的热点。而且,由于WLAN信号易受干扰,以及环境变动等因素的影响,当前WLAN指纹定位技术的定位精度难以满足不断提高的位置服务需求。因此,这些问题都亟需进一步解决。
发明内容
针对WLAN指纹定位技术中存在的定位精度低、速度慢等问题,本发明提出了一种基于AP ID过滤和卡尔曼滤波的室内WLAN指纹定位方法。将待定位区域划分为若干个小分区,并通过分区的AP ID库筛选迅速确定分区,从而大大减少数据匹配量;同时通过AP ID库过滤,使***能够自动适应少量AP变动的情况,避免了重复建库的问题,提高了***的自适应性;通过卡尔曼滤波算法对WLAN信号指纹进行处理,滤除定位环境的随机干扰,减小环境变动带来的定位误差。
基于AP ID过滤和卡尔曼滤波的室内WLAN指纹定位方法,包括以下步骤:
步骤1:离线建立WLAN位置指纹库。
步骤1.1:确定待定位区域。
获取待定位区域的平面图和室内结构图,并确定待定位区域内所有AP接入点的分布位置。
步骤1.2:判断是否需要进行区域划分。
在结构复杂的室内环境中,AP的信号衰减速度非常快,传输距离有限,因此,可以根据室内结构和AP的分布情况,将较大的待定位区域划分为几个小区域。
一般的,如果建筑物边长大于50m,有多个AP分布在定位区域的不同方位上,并且不同AP接入点间墙体间隔大于4层时,就对定位区域进行划分;否则,转步骤1.8。
步骤1.3:按照划分原则进行区域划分。
区域划分的原则是:尽量使每个分区以AP的位置为中心,在分区内每个AP的信号穿墙数量应少于3层,分区直径应小于50m。这样可以提高分区AP ID库的可辨识度。
步骤1.4:采集信号的位置指纹和参考坐标。
在每个分区内前后左右间隔1m处均匀选择参考点,之后通过将平面图矢量化,确定每个参考点的坐标。然后,在每个参考点处采集信号强度指纹40~60组,采样间隔为1秒。并将采集的数据上传到计算机。
步骤1.5:对指纹信号进行卡尔曼滤波。
(1)对步骤1.4采集的信号指纹进行卡尔曼滤波,通过对随机过程进行实测、预测和校正,有效处理具有时变特性的实际问题,滤除测量过程中的环境干扰,增强***的定位精度和环境的自适应性。
(2)提取每组指纹中来自同一个AP的信号强度,根据采集时间进行连续卡尔曼滤波。
步骤1.6:建立AP ID全库。
将步骤1.5滤波过程采集到的信号指纹中出现的所有AP ID提取出来,并保存到数据库中,建立定位区域的AP ID全库。
步骤1.7:建立各分区的分区AP ID库和分区位置指纹库。
(1)将步骤1.5滤波后的位置指纹按信号强度RSS从大到小对AP ID排序,并按照指定格式保存到相应的分区位置指纹库中,建立分区位置指纹库。
(2)在每个区域内所有参考点处,取每个指纹中前几个(一般选6~12个)AP的AP ID组成AP ID库,每个小区域对应一个分区AP ID库。根据每个分区内AP ID出现频率的统计值对其进行从大到小排序。
步骤1.8:如果不需要分区,重复步骤1.4~1.7,对指纹信号进行卡尔曼滤波,并建立整个定位区域的AP ID全库和位置指纹库。
步骤2:在线进行指纹匹配定位。
步骤2.1:采集待定位区域指纹。
在待定位区域,用手机连续采集信号指纹数据,并记录下采集点位置,通过矢量地图确定各采集点的真实坐标,将采集的信号指纹数据上传到计算机。
步骤2.2:对指纹信号进行卡尔曼滤波。
将步骤2.1采集的待定位信号指纹中的每一个AP信号按照时间进行卡尔曼滤波处理,将实时测得信号中来自相同AP的RSS进行卡尔曼滤波,将相同时刻滤波后的全部AP信息,按照RSS的大小进行排序,对应相应的AP ID,形成待定位指纹。将滤波后的待定位信号指纹保存起来。
步骤2.3:对滤波后的指纹信号进行离散采样。
从不同的采集点采集的待定位指纹中均匀地抽选信号指纹,用于下一步的匹配定位。
步骤2.4:判断是否有新增AP。
将步骤2.3得到的待定位指纹的AP ID与该区域的AP ID全库进行匹配,如果某个AP ID在AP ID全库中找不到,则说明该AP是新增或更换的AP,在待定位指纹中的直接删除此AP ID和对应的RSS信息,组成新的待定位指纹。否则,转下一步。
步骤2.5:判断待定位指纹属于哪个分区AP ID库。
查找包含待定位指纹的全部AP ID的分区AP ID库。当有多个分区AP ID库包含待定位指纹的全部AP ID时,首先确定所述多个分区AP ID库中与待定位指纹相同的AP ID,然后,计算这些相同的AP ID在待定位指纹中的序号与在分区AP ID库中的序号的差的绝对值,并求所述绝对值的和。和最小的分区AP ID库即为待定位指纹所属的分区AP ID库。
步骤2.6:判断该分区内是否有与待定位指纹AP ID相同库指纹集。如果有,进一步采用最近邻法估计待定位指纹的位置;如果没有,缩短指纹长度,再次匹配。
步骤2.7:计算待定位指纹与筛选出的库指纹的欧式距离,找出欧式距离最小的位置指纹,从而估计出待定位指纹的位置坐标。如果该距离超过阈值,缩短指纹长度,转步骤2.6;否则,转下一步。所述阈值通常取150。
步骤2.8:判断采样指纹是否全部匹配。如果不是全部匹配,转步骤2.4;如果全部匹配,输出估计位置。
所述步骤1.6、步骤1.8和步骤2.2采用相同的卡尔曼滤波算法,最大程度地滤除环境干扰,卡尔曼滤波算法主要由以下5个公式组成:
X(k|k-1)=AX(k-1|k-1)+BU(k) (1)
P(k|k-1)=AP(k-1|k-1)A'+Q (2)
X(k|k-1)=X(k-1|k-1)+Kg(K)(Z(K)-X(k|k-1)) (3)
P(k|k)=(1-Kg(k))P(k|k-1) (5)
其中,k是迭代次数,X(k|k-1)是利用上一状态得到的预测值,X(k-1|k-1)是上一状态的最优估计值,X(k|k)是利用X(k|k-1)和第k次观测值得到的当前最优估计值,P(k|k-1)是X(k|k-1)对应的协方差,P(k-1|k-1)是X(k-1|k-1)对应的协方差,P(k|k)是X(k|k)对应的协方差。Kg(k)为卡尔曼增益;x(k)为状态变量,Z(k)为测量变量,A为上一状态映射到当前状态的增益;B为可选的控制输入的增益,A'为A的转置矩阵;U(k)是k时刻对***的控制量;Q为过程激励噪声协方差;R为观测噪声协方差。选择不同R和Q的卡尔曼滤波对位置指纹定位的精度的提升效果会有很大不同,采用最邻近法(NN)通过大量实验分析发现,当取R=0.25,Q=0.04时,位置指纹定位***的平均定位精度和正确率达到最佳。
所述步骤1.7位置指纹库中每条位置指纹的格式如下:
式中,Li表示第i条位置指纹,由j个AP信号强度和AP ID(即AP的MAC地址)组成,RSS和APID分别表示AP的信号强度和AP ID;u为第i条指纹中包含AP的个数,v为该分区内全部AP的个数。
所述步骤1.7每个AP ID在分区内出现频率的统计值为:
式中,Ti为第i个AP的AP ID在该分区内出现频率的统计值,N为每个位置指纹中AP的个数,m为分区内包围的AP的数量,kij为第i个AP的AP ID在第j个位置指纹中排号,P为含有第i个AP的指纹的个数,v为该分区内全部AP的个数。
所述步骤2.7待定位指纹与位置指纹库中指纹的欧几里德距离公式为:
与现有技术相比,本发明实现了WLAN指纹定位过程中的快速准确的匹配定位,解决了传统WLAN指纹定位方法中匹配速度慢、定位精度低的问题。通过分区AP ID过滤,显著提升了指纹匹配的速度,同时,使***能够自动适应少量AP变动的情况,避免了重复建库的问题;通过卡尔曼滤波算法增强了***对随机干扰的自适应能力,提高了定位精度。
附图说明
图1为本发明应用***结构框图:1—手机平台,2—NEMO采集软件,3—计算机,4—显示器;
图2为离线建库阶段流程图;
图3为在线匹配阶段流程图;
图4为实验环境平面图及区域划分示意图;
图5为本发明实施例定位误差与变动的AP个数的关系图;
图6为WLAN信号指纹卡尔曼滤波前后的对比图;
图7为不同滤波算法处理后定位误差对比图;
图8为矢量化平面地图展示定位结果图。
具体实施方式
下面结合附图和实施例对做进一步说明。
本发明应用***结构框图如图1所示,包括:手机平台1,NEMO采集软件2,计算机3,显示器4。利用安卓手机内置的无线网卡进行信号采集,通过安装在手机上的Nemo软件记录周边信号在-25dB~-120dB的所有AP接入点的RSS、AP ID等信息,每隔1秒采集一次,生成日志文件,然后再导出.csv格式的数据文件,并上传到计算机。通过在Windows XP***上开发的WLAN位置指纹定位软件,模拟室内WLAN位置指纹定位过程中的离线建库和在线匹配两个阶段,通过SQL Server2005建立AP ID全库、分区AP ID库和位置指纹库。
具体实施过程中分为离线建库和在线匹配两个阶段。
1.离线建库阶段
离线建库的流程图如图2所示,包括以下步骤:
(1)进行区域划分和数据采集。
首先,选定试验区域。以北京工业大学经管楼二层为例,实验区域为71.3×50.6m的教室区,根据AP的分布、室内结构和划分原则将整个环境划分为5个分区,实验区域划分示意图如图4所示。在每个分区内前后左右间隔1m均匀选择参考点,之后通过将平面图矢量化,确定每个参考点的坐标。然后,在每个参考点处采集信号强度指纹40~60组,采样间隔为1秒。并将采集的数据文件上传到计算机。
(2)设计数据库和导入数据。
根据步骤(1)中分区的个数和需要的指纹格式等情况,利用SQL Server2005建立AP ID全库、分区AP ID库和位置指纹库。WLAN位置指纹定位软件将自动完成以下功能:
①将采集的指纹数据中的每一个AP信号按照时间和位置进行卡尔曼滤波处理,并将同一时刻的信号按照信号强度大小排序,转换成一个由AP和相应的AP ID组成的WLAN位置指纹;
②将采集的数据进行卡尔曼滤波后导入到相应的数据库,并将定位区域全部的AP ID保存到AP ID全库中;
③按照频率统计公式(7),计算各AP ID的频率统计值,排序并保存到分区AP ID库中;
④按照分区编号,对应地保存分区的位置指纹库。
2.在线匹配阶段
在线匹配的流程图如图3所示,包括以下步骤:
(1)采集待定位指纹并进行卡尔曼滤波。
首先,用手机连续采集信号指纹数据,并记录下试验轨迹,然后,由WLAN位置指纹定位软件将这些数据中的每一个AP信号按照时间和位置进行卡尔曼滤波处理,滤波后实时的信号指纹将用于下一步的匹配定位。
(2)检测并处理AP改动的情况。
首先,判断是否有新增AP。将步骤(1)测得的待定位指纹的AP ID与该区域的AP ID全库进行匹配,如果某个AP ID在AP ID全库中找不到,则说明该AP是个新增或更换的AP,在待定位指纹中的直接删除此AP ID和对应的RSS信息,组成新的待定位指纹,再进行匹配定位。其次,如果AP减少,***会自动选出含有AP ID情况最相近的库指纹与待定位指纹匹配,然后再通过最近邻法,估计出待定位指纹的位置。
定位误差与变动的AP个数的关系图如图5所示,当WLAN信号指纹由12个AP组成的情况下,在少于一半的AP移除时,***仍能保证平均定位精度在2.5m左右,说明AP过滤法使***对AP变动有很强的自适应能力。
(3)找出与待定位指纹含有相同AP ID的库指纹集。
通过AP ID过滤,在位置指纹库中找出与待定位指纹含有相同AP ID的位置指纹,组成一个集合。
(4)计算欧式距离,进一步找出最相近库指纹。
首先,按照公式(8)计算待定位指纹与位置指纹库中指纹的欧几里德距离;然后,找出欧式距离最小的位置指纹,从而估计出待定位指纹的位置坐标。WLAN位置指纹定位软件可以输出相似度排名前三的库指纹的位置坐标以及相似度和指纹长度。
(5)阈值判断和指纹长度缩减。
如果在位置指纹库中找不到AP ID完全相同的指纹或欧式距离超过设定的最大阈值(经验值是150),***通过减去指纹末尾RSS最小的AP ID和RSS信息,从而精简待定位指纹,缩短待定位指纹的长度,去掉冗余AP信息,然后,回到步骤(2),再次进行匹配定位。
通过对比试验,不同滤波算法处理后定位误差对比图如图7所示。由图7可知,相对于高斯滤波、中值滤波和均值滤波,应用卡尔曼滤波的WLAN指纹定位***在定位精度和正确率方面都有明显提升。
(6)将定位结果展示在矢量化的室内平面地图上。
通过Mapinfo7.0软件,将室内定位环境的平面图导入,并利用建筑三个拐角点的经纬度,将平面图矢量化,通过标注待定位指纹的采集点和定位结果。矢量化平面地图展示定位结果如图8所示,图中,圆环和五星代表了不同批次位置指纹库的采集点,黑色三角代表待定位指纹的实际位置,黑色圆和灰色圆代表定位结果。利用矢量化平面地图,可以通过经纬度坐标计算定位误差,而且可以数字化地、直观地展示定位性能。
Claims (5)
1.基于AP ID过滤和卡尔曼滤波的室内WLAN指纹定位方法,其特征在于,将待定位区域划分为若干个小分区,并通过分区的AP ID库筛选迅速确定分区,从而大大减少数据匹配量;同时通过AP ID库过滤,使***能够自动适应少量AP变动的情况,避免重复建库的问题;通过对WLAN信号指纹进行卡尔曼滤波,减小环境变动带来的定位误差;所述方法包括以下步骤:
步骤1:离线建立WLAN位置指纹库;
步骤1.1:确定待定位区域;
获取待定位区域的平面图和室内结构图,并确定待定位区域内所有AP接入点的分布位置;
步骤1.2:判断是否需要进行区域划分;
一般的,如果建筑物边长大于50m,有多个AP分布在定位区域的不同方位上,并且不同AP接入点间墙体间隔大于4层时,就对定位区域进行划分;否则,转步骤1.8;
步骤1.3:按照划分原则进行区域划分;
区域划分的原则是:尽量使每个分区以AP的位置为中心,在分区内每个AP的信号穿墙数量应少于3层,分区直径应小于50m;这样划分可以提高分区AP ID库的可辨识度;
步骤1.4:采集信号的位置指纹和参考坐标;
在每个分区内前后左右间隔1m处均匀选择参考点,之后通过将平面图矢量化,确定每个参考点的坐标;然后,在每个参考点处采集信号强度指纹40~60组,采样间隔为1秒;并将采集的数据上传到计算机;
步骤1.5:对指纹信号进行卡尔曼滤波;
(1)对步骤1.4采集的信号指纹进行卡尔曼滤波,通过对随机过程进行实测、预测和校正,有效处理具有时变特性的实际问题,滤除测量过程中的环境干扰,增强***的定位精度和环境的自适应性;
(2)提取每组指纹中来自同一个AP的信号强度,根据采集时间进行连续卡尔曼滤波;
步骤1.6:建立AP ID全库;
将步骤1.5滤波过程采集到的信号指纹中出现的所有AP ID提取出来,并保存到数据库中,建立定位区域的AP ID全库;
步骤1.7:建立各分区的分区AP ID库和分区位置指纹库;
(1)将步骤1.5滤波后的位置指纹按信号强度RSS从大到小对AP ID排序,并按照指定格式保存到相应的分区位置指纹库中,建立分区位置指纹库;
(2)在每个区域内所有参考点处,取每个指纹中前M个AP的AP ID组成AP ID库,通常取6≤M≤12,每个小区域对应一个分区AP ID库;根据每个分区内AP ID出现频率的统计值对其进行从大到小排序;
步骤1.8:如果不需要分区,重复步骤1.4~1.7,对指纹信号进行卡尔曼滤波,并建立整个定位区域的AP ID全库和位置指纹库;
步骤2:在线进行指纹匹配定位;
步骤2.1:采集待定位区域指纹;
在待定位区域,连续采集信号指纹数据,并记录下采集点位置,通过矢量地图确定各采集点的真实坐标,将采集的信号指纹数据上传到计算机;
步骤2.2:对指纹信号进行卡尔曼滤波;
将步骤2.1采集的待定位信号指纹中的每一个AP信号按照时间进行卡尔曼滤波处理,将实时测得信号中来自相同AP的RSS进行卡尔曼滤波,将相同时刻滤波后的全部AP信息,按照RSS的大小进行排序,对应相应的AP ID,形成待定位指纹;将滤波后的待定位信号指纹保存起来;
步骤2.3:对滤波后的指纹信号进行离散采样;
从不同的采集点采集的待定位指纹中均匀地抽选信号指纹,用于下一步的匹配定位;
步骤2.4:判断是否有新增AP;
将步骤2.3得到的待定位指纹的AP ID与该区域的AP ID全库进行匹配,如果某个AP ID在AP ID全库中找不到,则说明该AP是新增或更换的AP,在待定位指纹中的直接删除此AP ID和对应的RSS信息,组成新的待定位指纹;否则,转下一步;
步骤2.5:判断待定位指纹属于哪个分区AP ID库;
查找包含待定位指纹的全部AP ID的分区AP ID库;当有多个分区AP ID库包含待定位指纹的全部AP ID时,首先确定所述多个分区AP ID库中与待定位指纹相同的AP ID,然后,计算这些相同的AP ID在待定位指纹中的序号与在分区AP ID库中的序号的差的绝对值,并求所述绝对值的和;和最小的分区AP ID库即为待定位指纹所属的分区AP ID库;
步骤2.6:判断该分区内是否有与待定位指纹AP ID相同库指纹集;如果有,进一步采用最近邻法估计待定位指纹的位置;如果没有,缩短指纹长度,再次匹配;
步骤2.7:计算待定位指纹与筛选出的库指纹的欧式距离,找出欧式距离最小的位置指纹,从而估计出待定位指纹的位置坐标;如果该距离超过阈值,缩短指纹长度,转步骤2.6;否则,转下一步;所述阈值通常取150;
步骤2.8:判断采样指纹是否全部匹配;如果不是全部匹配,转步骤2.4;如果全部匹配,输出估计位置。
2.根据权利要求1所述的基于AP ID过滤和卡尔曼滤波的室内WLAN指纹定位方法,其特征在于,所述步骤1.6、步骤1.8和步骤2.2采用相同的卡尔曼滤波算法,最大程度地滤除环境干扰,卡尔曼滤波算法主要由以下5个公式组成:
X(k|k-1)=AX(k-1|k-1)+BU(k) (1)
P(k|k-1)=AP(k-1|k-1)A'+Q (2)
X(k|k-1)=X(k-1|k-1)+Kg(K)(Z(K)-X(k|k-1)) (3)
P(k|k)=(1-Kg(k))P(k|k-1) (5)
其中,k是迭代次数,X(k|k-1)是利用上一状态得到的预测值,X(k-1|k-1)是上一状态的最优估计值,X(k|k)是利用X(k|k-1)和第k次观测值得到的当前最优估计值,P(k|k-1)是X(k|k-1)对应的协方差,P(k-1|k-1)是X(k-1|k-1)对应的协方差,P(k|k)是X(k|k)对应的协方差;Kg(k)为卡尔曼增益;x(k)为状态变量,Z(k)为测量变量,A为上一状态映射到当前状态的增益;B为可选的控制输入的增益,A'为A的转置矩阵;U(k)是k时刻对***的控制量;Q为过程激励噪声协方差;R为观测噪声协方差;选择不同R和Q的卡尔曼滤波对位置指纹定位的精度的提升效果会有很大不同,当取R=0.25,Q=0.04时,采用最邻近法的平均定位精度和正确率达到最佳。
3.根据权利要求1所述的基于AP ID过滤和卡尔曼滤波的室内WLAN指纹定位方法,其特征在于,所述步骤1.7位置指纹库中每条位置指纹的格式如下:
式中,Li表示第i条位置指纹,由j个AP信号强度和AP ID组成,RSS和APID分别表示AP的信号强度和AP ID;u为第i条指纹中包含AP的个数,v为该分区内全部AP的个数。
4.根据权利要求1所述的基于AP ID过滤和卡尔曼滤波的室内WLAN指纹定位方法,其特征在于,所述步骤1.7每个AP ID在分区内出现频率的统计值为:
式中,Ti为第i个AP的AP ID在该分区内出现频率的统计值,N为每个位置指纹中AP的个数,m为分区内包围的AP的数量,kij为第i个AP的AP ID在第j个位置指纹中排号,P为含有第i个AP的指纹的个数,v为该分区内全部AP的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410055244.XA CN103889051B (zh) | 2014-02-18 | 2014-02-18 | 基于ap id过滤和卡尔曼滤波的室内wlan指纹定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410055244.XA CN103889051B (zh) | 2014-02-18 | 2014-02-18 | 基于ap id过滤和卡尔曼滤波的室内wlan指纹定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103889051A true CN103889051A (zh) | 2014-06-25 |
CN103889051B CN103889051B (zh) | 2017-06-06 |
Family
ID=50957724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410055244.XA Expired - Fee Related CN103889051B (zh) | 2014-02-18 | 2014-02-18 | 基于ap id过滤和卡尔曼滤波的室内wlan指纹定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103889051B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104507159A (zh) * | 2014-11-24 | 2015-04-08 | 北京航空航天大学 | 一种基于WiFi接收信号强度的混合室内定位方法 |
CN105338619A (zh) * | 2014-08-08 | 2016-02-17 | 中兴通讯股份有限公司 | 定位方法及装置 |
CN105448119A (zh) * | 2014-08-25 | 2016-03-30 | 中国科学院上海高等研究院 | 一种停车反向位置查询引导***和方法 |
CN106772232A (zh) * | 2016-12-26 | 2017-05-31 | 重庆金瓯科技发展有限责任公司 | 一种基于分区编码的室内定位方法 |
CN107305246A (zh) * | 2016-04-19 | 2017-10-31 | 中兴通讯股份有限公司 | 基于接收信号强度指示的定位方法和装置 |
CN107666707A (zh) * | 2017-09-30 | 2018-02-06 | 长沙学院 | 一种基于距离测量和位置指纹的室内定位方法 |
CN108616982A (zh) * | 2018-04-12 | 2018-10-02 | 南京信息工程大学 | 一种智能建筑微区域内被动式人员定位及统计方法 |
CN108627798A (zh) * | 2018-04-04 | 2018-10-09 | 北京工业大学 | 基于线性判别分析和梯度提升树的wlan室内定位算法 |
CN109085536A (zh) * | 2018-07-13 | 2018-12-25 | 广东工业大学 | 一种基于led灯的室内自定位方法、装置、***及设备 |
CN109246603A (zh) * | 2018-09-30 | 2019-01-18 | 杭州羿腾科技有限公司 | 一种资源受限的手机指纹定位方法 |
CN109963261A (zh) * | 2019-03-15 | 2019-07-02 | 北京航空航天大学 | Wifi室内定位的无线路由器筛选方法及装置 |
CN112383873A (zh) * | 2020-11-26 | 2021-02-19 | 上海五航航空技术有限公司 | 一种室内定位***及其定位方法 |
CN114245334A (zh) * | 2021-12-16 | 2022-03-25 | 西南交通大学 | 融合可计算误差地图和灰狼优化的超宽带室内定位算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102421188A (zh) * | 2011-11-15 | 2012-04-18 | 上海百林通信网络科技有限公司 | 一种快速精确定位移动终端的方法 |
CN103002463A (zh) * | 2012-11-29 | 2013-03-27 | 北京工业大学 | 一种zigbee室内定位组网设计及相应简化方法 |
CN103384358A (zh) * | 2013-06-25 | 2013-11-06 | 云南大学 | 一种基于虚拟现实和wifi空间场强的室内定位方法 |
WO2013172689A1 (ko) * | 2012-05-18 | 2013-11-21 | 에스케이텔레콤 주식회사 | 실내 측위 시스템 및 그를 위한 장치 및 방법 |
-
2014
- 2014-02-18 CN CN201410055244.XA patent/CN103889051B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102421188A (zh) * | 2011-11-15 | 2012-04-18 | 上海百林通信网络科技有限公司 | 一种快速精确定位移动终端的方法 |
WO2013172689A1 (ko) * | 2012-05-18 | 2013-11-21 | 에스케이텔레콤 주식회사 | 실내 측위 시스템 및 그를 위한 장치 및 방법 |
CN103002463A (zh) * | 2012-11-29 | 2013-03-27 | 北京工业大学 | 一种zigbee室内定位组网设计及相应简化方法 |
CN103384358A (zh) * | 2013-06-25 | 2013-11-06 | 云南大学 | 一种基于虚拟现实和wifi空间场强的室内定位方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105338619A (zh) * | 2014-08-08 | 2016-02-17 | 中兴通讯股份有限公司 | 定位方法及装置 |
CN105338619B (zh) * | 2014-08-08 | 2020-03-10 | 中兴通讯股份有限公司 | 定位方法及装置 |
CN105448119A (zh) * | 2014-08-25 | 2016-03-30 | 中国科学院上海高等研究院 | 一种停车反向位置查询引导***和方法 |
CN104507159A (zh) * | 2014-11-24 | 2015-04-08 | 北京航空航天大学 | 一种基于WiFi接收信号强度的混合室内定位方法 |
CN107305246A (zh) * | 2016-04-19 | 2017-10-31 | 中兴通讯股份有限公司 | 基于接收信号强度指示的定位方法和装置 |
CN107305246B (zh) * | 2016-04-19 | 2023-08-08 | 中兴通讯股份有限公司 | 基于接收信号强度指示的定位方法和装置 |
CN106772232B (zh) * | 2016-12-26 | 2019-07-19 | 重庆金瓯科技发展有限责任公司 | 一种基于分区编码的室内定位方法 |
CN106772232A (zh) * | 2016-12-26 | 2017-05-31 | 重庆金瓯科技发展有限责任公司 | 一种基于分区编码的室内定位方法 |
CN107666707B (zh) * | 2017-09-30 | 2020-01-10 | 长沙学院 | 一种基于距离测量和位置指纹的室内定位方法 |
CN107666707A (zh) * | 2017-09-30 | 2018-02-06 | 长沙学院 | 一种基于距离测量和位置指纹的室内定位方法 |
CN108627798A (zh) * | 2018-04-04 | 2018-10-09 | 北京工业大学 | 基于线性判别分析和梯度提升树的wlan室内定位算法 |
CN108627798B (zh) * | 2018-04-04 | 2022-03-11 | 北京工业大学 | 基于线性判别分析和梯度提升树的wlan室内定位算法 |
CN108616982A (zh) * | 2018-04-12 | 2018-10-02 | 南京信息工程大学 | 一种智能建筑微区域内被动式人员定位及统计方法 |
CN109085536A (zh) * | 2018-07-13 | 2018-12-25 | 广东工业大学 | 一种基于led灯的室内自定位方法、装置、***及设备 |
CN109246603A (zh) * | 2018-09-30 | 2019-01-18 | 杭州羿腾科技有限公司 | 一种资源受限的手机指纹定位方法 |
CN109963261A (zh) * | 2019-03-15 | 2019-07-02 | 北京航空航天大学 | Wifi室内定位的无线路由器筛选方法及装置 |
CN112383873A (zh) * | 2020-11-26 | 2021-02-19 | 上海五航航空技术有限公司 | 一种室内定位***及其定位方法 |
CN114245334A (zh) * | 2021-12-16 | 2022-03-25 | 西南交通大学 | 融合可计算误差地图和灰狼优化的超宽带室内定位算法 |
CN114245334B (zh) * | 2021-12-16 | 2023-01-24 | 西南交通大学 | 融合可计算误差地图和灰狼优化的超宽带室内定位算法 |
Also Published As
Publication number | Publication date |
---|---|
CN103889051B (zh) | 2017-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103889051A (zh) | 基于ap id过滤和卡尔曼滤波的室内wlan指纹定位方法 | |
CN108989976B (zh) | 一种智慧教室内的指纹定位方法及*** | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
CN109581312A (zh) | 一种高分辨毫米波雷达多目标聚类方法 | |
CN111045008B (zh) | 基于展宽计算的车载毫米波雷达目标识别方法 | |
CN110213724B (zh) | 一种伪基站运动轨迹的识别方法 | |
CN110414732B (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
CN107679558A (zh) | 一种基于度量学习的用户轨迹相似性度量方法 | |
CN105629198B (zh) | 基于密度的快速搜索聚类算法的室内多目标追踪方法 | |
CN106851573A (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
CN103476118A (zh) | 一种用于实时监控的wlan室内位置指纹定位方法 | |
WO2020215783A1 (zh) | 定位方法、装置及存储介质 | |
CN105635964A (zh) | 基于k中心点聚类的无线传感器网络节点定位方法 | |
CN106597363A (zh) | 一种室内wlan环境下的行人定位方法 | |
CN112135248B (zh) | 一种基于K-means最优估计的WIFI指纹定位方法 | |
CN108924756A (zh) | 基于WiFi双频带的室内定位方法 | |
CN104270818A (zh) | 一种停车场中车辆的无线定位方法 | |
CN104869536A (zh) | 无线室内定位指纹地图的自动更新方法及装置 | |
CN107949052A (zh) | 基于空间特征分区和前点约束的wknn室内定位方法 | |
CN110366244B (zh) | 一种WiFi指纹室内定位方法 | |
CN108650626A (zh) | 一种基于泰森多边形的指纹定位算法 | |
CN109151750A (zh) | 一种基于循环神经网络模型的lte室内定位楼层判别方法 | |
CN105208651A (zh) | 基于地图结构的Wi-Fi位置指纹非监督训练方法 | |
Siyang et al. | WKNN indoor Wi-Fi localization method using k-means clustering based radio mapping | |
CN113596989A (zh) | 一种用于智慧车间的室内定位方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170606 Termination date: 20200218 |
|
CF01 | Termination of patent right due to non-payment of annual fee |