文献类型：期刊文章

作　　者：赖朝安[1] 龙漂[1]

Lai Chaoan;Long Piao(Department of Industrial Engineering,College of Business Administration,South China University of Technology,Guangzhou 510640,China)

机构地区：[1]华南理工大学工商管理学院工业工程系,广州510640

出　　处：《电子测量与仪器学报》

基　　金：广东省自然科学基金(2018A030313079);广东省软科学项目(2019A101002006)资助。

年　　份：2021

卷　　号：35

期　　号：2

起止页码：186-193

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ2020、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了提高室内定位的准确性,同时降低现场勘测的成本,提出了基于高斯过程回归和WiFi指纹的室内定位方法。首先,在离线阶段,采用高斯过程回归模型(GPR)来扩展WiFi指纹数据库,即通过对不同的GPR核函数进行训练,得到最佳的GPR预测模型,进而利用有限的已知数据预测未知区域的信号强度(RSS)。然后,在指纹匹配阶段中,根据离线阶段得到的RSS数据库,分别使用加权最邻近算法(WKNN)、最大似然估计算法(MLE)、和多层神经网络(MLP)对未知点进行定位。其中,为进一步提高定位精度,提出了误差修正模型,并应用到不同的定位算法中。实验结果表明,kRBF+kMatern+kRQ的核函数组合是最佳的GPR预测模型,平均RSS估计误差为4.59 dBm;与原始勘测地图实现的定位结果比较,基于GPR的定位算法具有更高的定位精度,其中GPR-WKNN算法的定位精度最高,其80%的定位误差为1.32 m,表明了使用GPR扩展地图预测位置的准确性和有效性,同时其能满足商品推荐与物资动态管理、应急救援、智慧停车、传染病患跟踪等新型应用场景对定位精度的高要求。

关 键 词：WiFi指纹定位  高斯过程回归  误差修正模型 定位精度  

分 类 号：TP393] TN92[计算机类]