文献类型：期刊文章

作　　者：翟俊杰[1,2,3] 李廷会[1] 黄飞江[1,2,3] 袁海波[4] 张虹[1] 胡传君[1,3]

ZHAI Jun-jie;LI Ting-hui;HUANG Fei-jiang;YUAN Hai-bo;ZHANG Hong;HU Chuan-jun(College of Electronic Engineering,Guangxi Normal University,Guilin 541004,China;College of Information and Communication Engineering,Guangzhou Maritime University,Guangzhou 510725,China;College of Electronic Information and Electrical Engineering,Changsha University,Changsha 410022,China;National Time Service Center,Chinese Academy of Sciences,Xi’an 710600,China)

机构地区：[1]广西师范大学电子工程学院,桂林541004 [2]广州航海学院信息与通信工程学院,广州510725 [3]长沙学院电子信息与电气工程学院,长沙410022 [4]中国科学院国家授时中心,西安710600

出　　处：《时间频率学报》

基　　金：国家自然科学基金资助项目(61964004);湖南省自然科学基金资助项目(2015JJ2016);长沙学院“青年英才支持计划”;科研基金资助项目(SF1615)。

年　　份：2020

卷　　号：43

期　　号：4

起止页码：300-309

语　　种：中文

收录情况：CSCD、CSCD_E2019_2020、JST、RCCSE、普通刊

摘　　要：针对基于接收信号强度的位置指纹室内定位算法定位精度不高的问题,提出了一种均值层次聚类和自适应加权K近邻(weighted K nearest neighbor,WKNN)的室内定位算法。算法首先在设置的参考点上采集蓝牙信号强度构建离线指纹数据库,然后采用均值层次聚类方法将所有参考点根据各自之间的相似度分为n个类,滤除掉相似度较小的参考点,最后根据待定位点和参考点间的信号距离的相似度,计算出距离差的标准差来自适应确定K值,并进行位置估算。实验结果表明,本文提出的算法在定位精度上比WKNN、动态加权K近邻(enhanced weighted K nearest neighbor,EWKNN)方法分别提升了30.0%和18.0%,在定位实时性上比WKNN和EWKNN方法分别提高了19.2%和28.4%。将该算法用于室内物体定位,可以同时提高定位精度和定位实时性。

关 键 词：室内定位  接收信号强度 指纹数据库 均值层次聚类  自适应加权K近邻  

分 类 号：TN925]