留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

全球定位系统

基于FDE-IRF的室内指纹定位方法

张雯涛 吴飞 朱海 通雁辉 陆雯霞

张雯涛, 吴飞, 朱海, 通雁辉, 陆雯霞. 基于FDE-IRF的室内指纹定位方法[J]. 全球定位系统, 2021, 46(4): 117-126. doi: 10.12265/j.gnss.2021030102
引用本文: 张雯涛, 吴飞, 朱海, 通雁辉, 陆雯霞. 基于FDE-IRF的室内指纹定位方法[J]. 全球定位系统, 2021, 46(4): 117-126. doi: 10.12265/j.gnss.2021030102
ZHANG Wentao, WU Fei, ZHU Hai, TONG Yanhui, LU Wenxia. Indoor fingerprint localization method based on FDE-IRF[J]. GNSS World of China, 2021, 46(4): 117-126. doi: 10.12265/j.gnss.2021030102
Citation: ZHANG Wentao, WU Fei, ZHU Hai, TONG Yanhui, LU Wenxia. Indoor fingerprint localization method based on FDE-IRF[J]. GNSS World of China, 2021, 46(4): 117-126. doi: 10.12265/j.gnss.2021030102

基于FDE-IRF的室内指纹定位方法

doi: 10.12265/j.gnss.2021030102
基金项目: 国家自然科学基金青年科学基金项目(61902237);上海市科技学术委员会重点项目(18511101600);上海市科委青年科技英才“扬帆计划”资助项目(19YF1418200)
详细信息
    作者简介:

    张雯涛:(1996—),女,硕士研究生,研究方向为室内融合定位

    吴飞:(1968—),男,博士,教授,研究方向为计算机网络

    朱海:(1992—),男,博士,研究方向为无线局域网定位

    通讯作者:

    吴飞 E-mail:fei_wu1@163.com

  • 中图分类号: P228.1;TP393

Indoor fingerprint localization method based on FDE-IRF

  • 摘要: 针对传统指纹库存在建立工作量大以及随机森林匹配误差大等问题,提出了一种基于指纹库自动扩充的改进随机森林指纹定位方法(FDE-IRF)以提升指纹库构建的效率和指纹匹配的精度. 该方法对传统全采样构建指纹库方法和随机森林回归定位方法进行改进,稀疏采样多时间段的指纹数据和Kriging插值方法组合补全未采样指纹点,提升建库效率,得到强代表性的指纹库. 同时,利用决策树加权策略改进传统随机森林平均投票的方式,根据袋外数据评估决策树的预测误差,分配相应的权重,提高该算法的回归准确率. 实验结果表明:该方法的平均定位误差为1.26 m,其误差值比同类方法至少降低14.3%,验证了算法的准确性和有效性.

     

  • 图  1  RSS观测值波动情况

    图  2  位置指纹定位流程

    图  3  高斯拟合RSS信号

    图  4  RF算法流程

    图  5  FDE-IRF定位算法流程

    图  6  实验环境

    图  7  RSS插值示意图

    图  8  滤波对比示意图

    图  9  指纹库扩充前后算法定位精度对比

    图  10  指纹库扩充与全采样定位误差对比

    图  11  累积分布概率对比

    图  12  数据离散情况对比

    表  1  指纹库数据

    位置坐标指纹数据
    $ ({x}_{1},{y}_{1})$$ ({\rm{RSS}}_{1,1}^{1},{\rm{RSS}}_{1,2}^{1},\cdots ,{\rm{RSS}}_{1,n}^{1})$
    $\vdots $
    $ ({\rm{RSS}}_{m,1}^{1},{\rm{RSS}}_{m,2}^{1},\cdots ,{\rm{RSS}}_{m,n}^{1})$
    $ ({x}_{2},{y}_{2})$$ ({\rm{RSS}}_{1,1}^{2},{\rm{RSS}}_{1,2}^{2},\cdots ,{\rm{RSS}}_{1,n}^{2})$
    $\vdots $
    $ ({\rm{RSS}}_{m,1}^{2},{\rm{RSS}}_{m,2}^{2},\cdots ,{\rm{RSS}}_{m,n}^{2})$
    $\vdots $$\vdots $
    $ ({x}_{s},{y}_{s})$$ ({\rm{RSS}}_{1,1}^{s},{\rm{RSS}}_{1,2}^{s},\cdots ,{\rm{RSS}}_{1,n}^{s})$
    $\vdots $
    $ ({\rm{RSS}}_{m,1}^{s},{\rm{RSS}}_{m,2}^{s},\cdots ,{\rm{RSS}}_{m,n}^{s})$
      注:$m$表示第$m$条指纹;$ ({x}_{s},{y}_{s})$表示第$s$个位置处的坐标;    ${\rm{RSS}}_{m,n}^s$表示第$s$个位置处第$m$条指纹的第$n$个AP的RSS值.
    下载: 导出CSV

    表  2  两种插值方法误差对比 dBm

    误差Kriging插值反距离插值
    最大误差55
    最小误差01
    平均误差23
    下载: 导出CSV

    表  3  三种滤波方法误差对比 m

    误差均值滤波高斯滤波卡尔曼滤波
    最大误差3.753.023.70
    最小误差0.170.050.08
    平均误差1.511.321.44
    下载: 导出CSV
  • [1] GU Y Y, LO A, NIEMEGEERS I. A survey of indoor positioning systems for wireless personal networks[J]. IEEE communications surveys and tutorials, 2009, 11(1): 13-32. DOI: 10.1109/SURV.2009.090103
    [2] PENG X S, CHEN R Z, YU K G, et al. A new Wi-Fi dynamic selection of nearest neighbor localization algorithm based on RSS characteristic value extraction by hybrid filtering[J]. Measurement science and technology, 2021, 32(3): 034003. DOI: 10.1088/1361-6501/abc510
    [3] WOO S K, JEONG S S, MOK E, et al. Application of Wi-Fi-based indoor positioning system for labor tracking at construction sites: a case study in Guangzhou MTR[J]. Automation in construction, 2011, 20(1): 3-13. DOI: 10.1016/j.autcon.2010.07.009
    [4] DING X X, WANG B B, WANG Z J. Dynamic threshold location algorithm based on fingerprinting method[J]. ETRI journal, 2018, 40(4): 531-536. DOI: 10.4218/etrij.2017-0155
    [5] TIAN X H, SHEN R F, LIU D W, et al. Performance analysis of RSS fingerprinting based indoor localization[J]. IEEE transactions on mobile computing, 2016, 16(10): 2847-2861. DOI: 10.1109/TMC.2016.2645221
    [6] 曹子腾, 郭阳, 赵正旭, 等. 室内定位技术研究综述[J]. 计算机技术与发展, 2020, 30(6): 202-206. DOI: 10.3969/j.issn.1673-629X.2020.06.039
    [7] HE S N, CHAN S H G. Wi-Fi fingerprint-based indoor positioning: recent advances and comparisons[J]. IEEE communications surveys and tutorials, 2016, 18(1): 466-490. DOI: 10.1109/COMST.2015.2464084
    [8] YASSIN A, NASSER Y, AWAD M, et al. Recent advances in indoor localization: a survey on theoretical approaches and applications[J]. IEEE communications surveys and tutorials, 2017, 19(2): 1327-1346. DOI: 10.1109/COMST.2016.2632427
    [9] DENG Z L, YU Y P, YUAN X, et al. Situation and development tendency of indoor positioning[J]. China communications, 2013, 10(3): 42-55. DOI: 10.1109/CC.2013.6488829
    [10] ZHAO H L, HUANG B Q, JIA B. Applying kriging interpolation for Wi-Fi fingerprinting based indoor positioning systems[C]//IEEE Wireless Communications and Networking Conference, 2016. DOI: 10.1109/WCNC.2016.7565018
    [11] 王轩, 陈国良, 曹晓祥, 等. 自适应K值及指纹库扩充的WLAN室内定位方法[J]. 测绘科学, 2020, 45(7): 26-32.
    [12] RAHMAN M A A, KARIM M K A, BUNDAK C E A. Weighted local access point based on fine matching k-nearest neighbor algorithm for indoor positioning system[C]// International Annual Conference (AEIT), 2019. DOI: 10.23919/AEIT.2019.8893365
    [13] CHEN R, YE F. An overview of indoor positioning technology based on Wi-Fi channel state information[J]. Geomatics and information science of Wuhan University, 2018, 43(12): 2064-2070. DOI: 10.13203/j.whugis20180176
    [14] CHEN R Z, CHU T X, LIU K Q, et al. Inferring human activity in mobile devices by computing multiple contexts[J]. Sensors, 2015, 15(9): 21219-21238. DOI: 10.3390/s150921219
    [15] LEE S M, KIM J, MOON N. Random forest and Wi-Fi fingerprint-based indoor location recognition system using smart watch[J]. Human-centric computing and information sciences, 2019, 9(1): 6. DOI: 10.1186/s13673-019-0168-7
    [16] 王日升, 谢红薇, 安建成. 基于分类精度和相关性的随机森林算法改进[J]. 科学技术与工程, 2017, 17(20): 67-72. DOI: 10.3969/j.issn.1671-1815.2017.20.012
    [17] 张家伟, 郭林明, 杨晓梅. 针对不平衡数据的过采样和随机森林改进算法[J]. 计算机工程与应用, 2020, 56(11): 39-45. DOI: 10.3778/j.issn.1002-8331.1908-0338
    [18] SWANGMUANG N, KRISHNAMURTHY P. Location fingerprint analyses toward efficient indoor positioning[C]//The 6th Annual IEEE International Conference on Pervasive Computing and Communications (PerCom), 2008. DOI: 10.1109/PERCOM.2008.33.
    [19] YOUSSEF M A, AGRAWALA A, SHANKAR A U. WLAN location determination via clustering and probability distributions[C]//The 1st IEEE International Conference on Pervasive Computing and Communications, 2003. DOI: 10.1109/PERCOM.2003.1192736
    [20] BREIMAN L. Random forests[J]. Machine learning, 2001, 45(1): 5-32. DOI: 10.1023/A:1010933404324
  • 加载中
图(12) / 表(3)
计量
  • 文章访问数:  36
  • HTML全文浏览量:  17
  • PDF下载量:  3
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-03-01
  • 网络出版日期:  2021-08-13

目录

    /

    返回文章
    返回