基于“应急通信技术”课程实践教学环节,为了让学生用较少时间获得更好的目标追踪效果,创新设计了基于Wi-Fi指纹的煤矿井巷目标追踪实验。首先提出一种基于信号接入点测量准确度(accuracy base on access point measurement,ABAPM)的在...基于“应急通信技术”课程实践教学环节,为了让学生用较少时间获得更好的目标追踪效果,创新设计了基于Wi-Fi指纹的煤矿井巷目标追踪实验。首先提出一种基于信号接入点测量准确度(accuracy base on access point measurement,ABAPM)的在线动态匹配算法,以解决信号接入点(access point,AP)与待定位目标之间被移动物体遮挡情况下信号传输受限问题;然后利用K-Means++算法降低在线匹配阶段运行时间;最后联合ABAPM算法与卡尔曼滤波实现煤矿井巷携带标签目标的轨迹追踪。仿真与实测结果表明:在煤矿井巷环境中,基于ABAPM算法的Wi-Fi指纹目标追踪能够有效判断AP准确度,保障偶然被遮挡目标的定位精度和追踪效果,且耗时较短。展开更多
日常生活中使用GPS(global position system)进行定位,但GPS无法在室内工作,准确地进行室内定位成为研究的热点之一。在早期的研究中,围绕Wi-Fi指纹进行了大量的实验与改进,但Wi-Fi指纹受到环境因素制约,定位误差较大。针对这一问题,提...日常生活中使用GPS(global position system)进行定位,但GPS无法在室内工作,准确地进行室内定位成为研究的热点之一。在早期的研究中,围绕Wi-Fi指纹进行了大量的实验与改进,但Wi-Fi指纹受到环境因素制约,定位误差较大。针对这一问题,提出一种多信息融合的室内定位算法。首先通过Wi-Fi指纹进行粗略的定位,获取Wi-Fi接入设备的MAC地址以及其信号强度RSSI(received signal strength indication),通过kNN(k nearest neighbor)算法进行分类,得到top-n候选集。再通过地磁信号与图片信息进行候选集的过滤。最后利用社交信息,给出人在室内的最终定位结果。在Android平台和服务器上对该系统进行验证,实验结果表明提出的多信息融合的方法比Wi-Fi指纹的定位算法精度明显提高。展开更多
为了提升信道状态信息(channel state information,CSI)指纹室内定位的性能,提出了一种改进MixNet的CSI图像指纹室内定位方法.在离线阶段,通过选择定位参考点(reference point,RP)处信号强度指示(received signal strength indication,R...为了提升信道状态信息(channel state information,CSI)指纹室内定位的性能,提出了一种改进MixNet的CSI图像指纹室内定位方法.在离线阶段,通过选择定位参考点(reference point,RP)处信号强度指示(received signal strength indication,RSSI)最强的3个接入点(access point,AP),提取其CSI数据并转换为图像;然后利用改进的MixNet模型对图像进行训练并保存模型.其中改进的MixNet引入了坐标注意力(coordinate attention,CA)和残差连接.首先,将MixNet-s中的SE(squeeze-and-excitation)注意力替换为CA,以增强网络的信息表示能力并更精确地获取CSI图像指纹特征.其次,根据MixNet-s模型的特点构建残差连接,以增强网络的表示能力并防止过拟合.最后,通过减小网络深度确保所有网络层得到充分训练;在线阶段,采集目标设备的CSI数据并转换为图像,输入已训练好的改进MixNet模型(命名为MixNet-CA);最后利用加权质心算法根据模型输出的概率值估计目标设备的最终位置.提出方法在室内环境中进行了验证,达到了0.3620 m的平均定位误差.展开更多
文摘基于“应急通信技术”课程实践教学环节,为了让学生用较少时间获得更好的目标追踪效果,创新设计了基于Wi-Fi指纹的煤矿井巷目标追踪实验。首先提出一种基于信号接入点测量准确度(accuracy base on access point measurement,ABAPM)的在线动态匹配算法,以解决信号接入点(access point,AP)与待定位目标之间被移动物体遮挡情况下信号传输受限问题;然后利用K-Means++算法降低在线匹配阶段运行时间;最后联合ABAPM算法与卡尔曼滤波实现煤矿井巷携带标签目标的轨迹追踪。仿真与实测结果表明:在煤矿井巷环境中,基于ABAPM算法的Wi-Fi指纹目标追踪能够有效判断AP准确度,保障偶然被遮挡目标的定位精度和追踪效果,且耗时较短。
文摘日常生活中使用GPS(global position system)进行定位,但GPS无法在室内工作,准确地进行室内定位成为研究的热点之一。在早期的研究中,围绕Wi-Fi指纹进行了大量的实验与改进,但Wi-Fi指纹受到环境因素制约,定位误差较大。针对这一问题,提出一种多信息融合的室内定位算法。首先通过Wi-Fi指纹进行粗略的定位,获取Wi-Fi接入设备的MAC地址以及其信号强度RSSI(received signal strength indication),通过kNN(k nearest neighbor)算法进行分类,得到top-n候选集。再通过地磁信号与图片信息进行候选集的过滤。最后利用社交信息,给出人在室内的最终定位结果。在Android平台和服务器上对该系统进行验证,实验结果表明提出的多信息融合的方法比Wi-Fi指纹的定位算法精度明显提高。
文摘为了提升信道状态信息(channel state information,CSI)指纹室内定位的性能,提出了一种改进MixNet的CSI图像指纹室内定位方法.在离线阶段,通过选择定位参考点(reference point,RP)处信号强度指示(received signal strength indication,RSSI)最强的3个接入点(access point,AP),提取其CSI数据并转换为图像;然后利用改进的MixNet模型对图像进行训练并保存模型.其中改进的MixNet引入了坐标注意力(coordinate attention,CA)和残差连接.首先,将MixNet-s中的SE(squeeze-and-excitation)注意力替换为CA,以增强网络的信息表示能力并更精确地获取CSI图像指纹特征.其次,根据MixNet-s模型的特点构建残差连接,以增强网络的表示能力并防止过拟合.最后,通过减小网络深度确保所有网络层得到充分训练;在线阶段,采集目标设备的CSI数据并转换为图像,输入已训练好的改进MixNet模型(命名为MixNet-CA);最后利用加权质心算法根据模型输出的概率值估计目标设备的最终位置.提出方法在室内环境中进行了验证,达到了0.3620 m的平均定位误差.
