无监督学习下的室内楼层定位开题报告

 2020-02-10 10:02

1. 研究目的与意义(文献综述)

近年来,物联网发展越来越迅猛,定位技术作为物联网一个关键技术之一,受到了广泛的研究和关注。gps是目前最受欢迎的定位系统,已实现了覆盖范围大、精度高的室外定位。然而,gps定位有两个显著的缺点:1)在室内环境中,由于存在障碍物较多,gps信号急剧减少,无法做到精准的定位2)无法获取高度信息,不能进行楼层的定位。然而在类似于商场、学校的室内环境中,定位服务又不可获缺,因此室内楼层定位成为了一个研究的热点。

随着人们对于室内定位迫切的需要性,大量定位方法开始涌现。由于无线信号的普及性,基于无线信号的室内定位方法被广泛应用,这一类的定位方式,主要通过手机或者特定接收端所接收的无线信号进行定位,常用信号类型有wifi[1]、rfid[2]等等。主流的基于无线信号的算法主要分为基于测距和非测距两大类。基于测距的方法,包括时间到达差法、到达角度差法[3]等等,都需要比较精准的传播模型,因为他需要通过获得ap和接受设备之间的“距离”,然后利用数学几何的特征得到设备的位置,比如三边定位算法[4]。然而该方法存在两个很大的弊端:1)因为室内环境的复杂性和多变性,很难定义出精确而且实时的传播模型。2)复杂的室内环境下ap的位置不一定全部知道。基于非测距的算法主要是指基于wifi指纹的定位方法[5],这是一种有监督学习的方法,训练阶段:将利用训练集中的点将所在环境划分成小块,从而建立起wifi指纹库,然后在测试阶段,根据用户输入的wifi,找到离指纹库中最接近的点进行匹配,从而进行定位。然而传统的基于wifi指纹的方法同样存在很大的弊端:1)不能得到用户所在的楼层。2)在训练阶段可能会在时间和能源上有一定的消耗。针对问题2,一些半监督学习方法也涌现出来[6],大大的减少了标定的损失,但是也同时带来了一些其他的问题,像精度、传感器的额外功耗等等。

传统定位还有一个弱点在于不能进行楼层划分。这对于某些场景可能是致命的错误,因此对于多层建筑的定位也层出不穷[7]、[8]、[9]。[7]是利用在多层环境下行人航迹推算进行定位。[8]则是利用了水平仪的数据进行定位。他们要么需要蓝牙,要么需要楼层转换模式的同步。[9]有效的解决了问题,但是同样需要水平仪的数据,然而我们拥有的数据是不具有水平仪示数的。如何运用无标记的wifi指纹数据进行楼层划分也成为了我们要解决的问题。因此,我们考虑到了运用聚类的方法进行楼层划分。然而在nlp领域的短文本划分模块,聚类的方法同样得到了广泛应用[10]、[11],所以我们考虑将短文本聚类中的聚类方法运用到楼层划分上来,对比能否得到更好的结果。

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

2.1基本内容
#61591; 研究现有的室内定位方法,对比他们的优缺点,了解整个室内定位领域的概况。
#61591; 研究短文本聚类的方法,尝试将他们运用到楼层划分方法中,对比能否得到更好的结果。
#61591; 尝试将神经网络运用进来,查看能否得到更好的结果。
2.2 目标
楼层划分模型的构建:对于微信提供的wifi指纹数据进行聚类,划分出他们的楼层
2.3 拟采用的技术方案和措施
本研究侧重于理论的成果,利用微信的原生数据集作为研究对象。使用python语言进行开发和实现idea,构建楼层划分模型,并对他们进行评估。
(1)python语言有很多方便的库,像pandas,numpy、gensim等等。虽然在运行速度上了不占优势,但是在侧重于理论的研究上却带来了很多的方便。所以我们的主要开发语言为python。

(2)在楼层划分上,因为现在大多数都是需要水平仪的数据的,但是我们现有的数据集缺乏水平仪数据。文献中有提到使用聚类的方法来划分,我们打算采用聚类的方法进行划分,但是wifi指纹的数据无法进行直接聚类。我们采用一定的方法获取wifi指纹的特征,然后再进行聚类,最后验证簇的纯度。


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

第一阶段(第1周——第3周):查阅有关的参考资料并完成开题报告;翻译英文资料(不少于5000汉字),并交予指导教师检查。

第二阶段(第4周——第9周):了解室内定位的各个过程,广泛查阅文献,了解各个方法的优缺点,并且开始构建自己的模型。同时对比现有的各个方法,将他们融入到自己的模型中。

第三阶段(第10周——第13周):实现自己模型,跑通代码,做出理论的成果。

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]liu h h, yang y n. wifi-based indoor positioning for multi-floorenvironment[c]// tencon 2011-2011 ieee region 10 conference. ieee, 2011:597-601.

[2]pajovic m, orlik p, koike-akino t, et al. an unsupervised indoor localizationmethod based on received signal strength (rss) measurements[c]//2015 ieeeglobal communications conference (globecom). ieee, 2015: 1-6.

[3]夏俊, 刘军发, 蒋鑫龙, 等. 针对设备差异性问题的增量式室内定位方法[j]. 计算机科学, 2018 (10): 16.

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。