在研究分析室内无线信号传播特性和传统的室内定位算法的基础上,提出了用BP神经网络来拟合室内无线信号传播模型,避免了对无线信号传播模型中参数A和n的不精确估计.在训练完成的BP神经网络的输入层输入接收信号强度值RSSI(Received Sign...在研究分析室内无线信号传播特性和传统的室内定位算法的基础上,提出了用BP神经网络来拟合室内无线信号传播模型,避免了对无线信号传播模型中参数A和n的不精确估计.在训练完成的BP神经网络的输入层输入接收信号强度值RSSI(Received Signal Strength Indicator),在输出层即可得到对应的距离值,再利用泰勒级数展开法确定盲节点的坐标位置.最终通过Matlab仿真和ZigBee平台实验验证了算法的可行性和有效性.展开更多
为了减小室内环境因素对室内无线定位的影响,提高定位精度和扩大定位区域,提出了一种新的基于SVM的WiFi室内无线定位方法。通过将室内区域划分为多个小的区域,建立每个区域RSSI(received signal strength indication)和位置的非线性关系...为了减小室内环境因素对室内无线定位的影响,提高定位精度和扩大定位区域,提出了一种新的基于SVM的WiFi室内无线定位方法。通过将室内区域划分为多个小的区域,建立每个区域RSSI(received signal strength indication)和位置的非线性关系,再利用SVM强大的分类和回归能力来实现定位。实验结果表明,本定位方法能够达到1.83 m的定位精度,说明区域划分和非线性回归能够有效地控制误差范围和提高定位精度。展开更多
文摘在研究分析室内无线信号传播特性和传统的室内定位算法的基础上,提出了用BP神经网络来拟合室内无线信号传播模型,避免了对无线信号传播模型中参数A和n的不精确估计.在训练完成的BP神经网络的输入层输入接收信号强度值RSSI(Received Signal Strength Indicator),在输出层即可得到对应的距离值,再利用泰勒级数展开法确定盲节点的坐标位置.最终通过Matlab仿真和ZigBee平台实验验证了算法的可行性和有效性.
文摘为了减小室内环境因素对室内无线定位的影响,提高定位精度和扩大定位区域,提出了一种新的基于SVM的WiFi室内无线定位方法。通过将室内区域划分为多个小的区域,建立每个区域RSSI(received signal strength indication)和位置的非线性关系,再利用SVM强大的分类和回归能力来实现定位。实验结果表明,本定位方法能够达到1.83 m的定位精度,说明区域划分和非线性回归能够有效地控制误差范围和提高定位精度。
