基于深度学习的WiFi指纹室内定位系统设计与实现开题报告

 2020-02-18 07:02

1. 研究目的与意义(文献综述)

定位系统已经被发明和使用,如:美国全球定位系统(globalpositioning

system,gps)、欧盟伽利略卫星导航系统 ( galileo satellite navigation system,gnss) 等。这些定位系统都是使用卫星来实现定位的,技术已经非常成熟,具有优良的定位性能,部分系统已经实现10米以内的定位。特别是 gps 的商用已经取得来巨大成功,如目前成功使用千电子地图、智能手机、无人飞机等,极大方便了人们的出行,丰富来人们的生活。虽然这些卫星定位系统已经取得来不错的成绩,但是也存在一些弱点,这些定位系统都是使用的卫星信号来实现定位功能,当卫星信号较弱时定位效果将显著降低,甚至不能定位, 如在隧道环境中gps模块就检测接收不到卫星信号;如室内环境中也检测不到卫星信号,所以卫星定位系统在室内的环境中的使用效果非常差。

然而,人们的主要活动地点却是室内,室内位置服务具有巨大的需求,这些使用场景包括:大型商场、飞机场、大型交通枢纽等。例如苹果设备上提供 ibeacon功能,该功能利用设备上配备的低功耗蓝牙模块来向周围的设备发送本设备的id, 让周围的设备感知道本设备的存在并计算出他们之间的距离,该功能将设备之间的距离划分为三个等级:近距离(厘米级)、中距离(米级)、远距离(大千10 米)。该室内定位功能的一个使用场景为:当我们走进大型商场时,手机根据对我们生活数据的分析自动提醒我们想要买的商品在什么地方,目前是否有折扣信息,什么商品在促销,离我们有多远等。这些无疑将极大方便我们的生活,同时也有利于商家的促销信息的发布,快速吸引目标客户。又例如在大型枢纽中的位置服务,当我们到达一个大型枢纽时,经常困扰我们的问题是出站口在哪里、入站口在哪里,有了室内位置服务后我们将可以快速知道自己的位置和出入站口的位置。并且可以规划处一条到达目的地的最快速的路径。进一步还可以获取枢纽中商店、厕所、售票处等的位置,结合”互联网+”的方式还可以提供其他一些更加智能的服务,如中午时间段根据消费者的口味推荐枢纽内的餐厅并提供前往路线、根据消费者的喜好推荐书店并提供前往路线。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容与方案

本论文分析论目前室内定位的需求背景和当前研究现状,把精力主要放到了基于深度学习的wlan位置指纹室内定位法技术上。knn算法的简单性和有效性使其成为了位置指纹法定位中使用最为广泛的匹配算法,但是 knn 算法使用所有的指纹数据进行计算,部分异常数据会导致定位结果偏差,并且当指纹数据库变大时匹配过程的运算量也会急剧增加。knn 算法的精度低和匹配数据量大这两个问题直接影响到该技术的推广。本文针对 knn 算法的缺点, 在现有的相关研究基础上,针对提高定位精度和定位响应速度方面展开论深入研究,采用了基于 rssi 衰减特性的指纹数据库预处理算法和基于信号强度分区和位置连续性的匹配算法三者融合而成的优秀算法。主要研究内容和技术为如下几点:

1)基于 rssi 衰减特性的指纹数据优化算法

knn 算法的基本思想为: 对于新样本,获取在训练样本集中与该新样本距离最近的k个样本,根据这k个样本的属性获得新样本的属性值。knn 算法对指纹数据的采样密度有一定要求,如果采样间隔较大的情况下匹配的结果将不精确,随着采样间隔的减小定位精度将不断提升,但是并不会一直提升,因为在采样间 隔较小时相邻采样点间的数据由千 rssi 的波动性已经差异很小了, 这时制约精度的主要因素就变成了 rssi 的波动性。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究计划与安排

第1-4周:查阅相关中、英文文献资料,明确研究内容。确定设计方案,完成开题报告,完成不少于2万字符的英文翻译任务;

第5-6周:完成论文开题工作;

第7-10周:完成基于深度学习的wifi指纹室内定位系统设计与调试,并撰写部分论文初稿;

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

[1] wang, x., gao, l., mao, s. and pandey, s. csi-based fingerprinting for indoor localization: a deep learning approach[j]. ieee transactions on vehicular technology, 2017, 66(1), pp.763-776.

[2] wang x, gao l, mao s. csi phase fingerprinting for indoor localization with a deep learning approach[j]. ieee internet of things journal. 2016 dec;3(6):1113-23.

[3] zhang w, liu k, zhang w, zhang y, gu j. deep neural networks for wireless localization in indoor and outdoor environments[j]. neurocomputing. 2016 jun 19;194:279-87.

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。