基于WiFi指纹的室内定位系统中采样和匹配算法研究.docx

1、单位代码： 10293 密 级： 公开硕 士 学 位 论 文论文题目 ： 基于 WiFi 指纹的室内定位系统中采样和匹配算法研究万方数据学 号姓 名导 师学 科 专 业研 究 方 向申 请 学 位 类 别论 文 提 交 日 期1013010228蔡敏敏王玉峰通信与信息系统无线数据与移动计算工学硕士2016/3/29Research on sampling and matching algorithms inWiFi Fingerprint based Indoor Positioning SystemThesis Submitted to Nanjing University of Posts

2、 andTelecommunications for the Degree ofMaster of EngineeringByMinmin CaiSupervisor: Prof. Yufeng WangMarch 2016万方数据南京邮电大学学位论文原创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。本人学位论文及涉及相关

3、资料若有不实，愿意承担一切相关的法律责任。研究生签名：_ 日期：_南京邮电大学学位论文使用授权声明本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索；可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质论文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。涉密学位论文在解密后适用本授权书。研究生签名：_ 导师签名：_ 日期：_万方数据摘要随着信息技术的快速发展, 基于终端的室内定位技术能为用户提供信息检索服务、室内导 航 服 务 、 社 区 交 友

4、服 务 等 ， 因 此 已 经 成 为 当 前 的 热 点 研 究 领 域 。 已 有 的 室 内 定 位 算 法 包 括 ：三 角 测 量 法 、 临 近 法 、 WiFi 指纹定位法以及行人航位推算法，其中 WiFi 指纹法定位范围广、成本低、使用灵活、无需额外硬件支持，因此本文研究基于 WiFi 指纹的室内定位。然而传统的 WiFi 指纹定位法尚存在如下问题：第一，在采样阶段，每个采样点上需要采集 信 号 并 预 处 理 ， 已 有 的 单 方 向 采 集 和 均 值 滤 波 的 处 理 方 式 尚 不 够 理 想 ； 第 二 ， 在 定 位 阶 段 ，已有一些匹配算法如 KNN，但匹配

5、精度尚待提高。本文在 WiFi 指纹法的采样阶段，针对信号采集环节，分析了已有的单方向采集法，指出其没有考虑在手机指向不同方向时信号强度的差异性，故提出了不同方向采集法；针对信号预处理环节，分析了均值滤波法，指出其把一些与均值偏差较大的信号也算入总和求平均的缺点，引入了高斯滤波来滤除这些信号。最后，将不同方向采集和高斯滤波融合，提出了改进的采样法F ODG（Fusion of Different direction collection and Gauss Filter） 。在 WiFi 指纹法的定位阶段，从欧氏距离计算和坐标匹配两方面对主流的匹配法 KNN 改进。在欧式距离计算环节，分析了

6、KNN 法赋予每个 AP 相同权重的弊端，提出赋不同权值给各个拥有不同信号强度的 AP； 在 坐 标 匹 配 环 节 ， 指 出 了 KNN 法赋予 K 个近邻采样点相同权值的缺点，提出了距离加权的 KNN 法（ WKNN） ， 最 后 将 AP 加权欧式距离法和 WKNN 法融合，提出了改进的匹配法A WKNN（A P weighted and distanced weighted KNN） 。最后本文实现了 WiFi 指纹定位系统，包括采样阶段和定位阶段各模块的设计与实现，并在实现的定位系统基础上对相关参数（采集的 AP 数量、WiFi 信号采集数量、近邻数 K 值）进行了最优化取值。接着

7、对采样阶段算法 FODG 和定位阶段算法 AWKNN 进 行 性 能 分 析 ， 最后从 定 位 精 度 、 定 位 稳 定性 、 定 位 速 度 三 个 方 面 ， 分 析 整 个 改 进 的 定 位 系 统 （ FODG 采样+AWKNN 匹配）的性能，结果表明：改进后的系统定位精度和定位稳定性相比传统法均有一定程度的提高，而定位速度只有小幅度的减慢。关键词 : 室内定位， WiFi 指纹，高斯滤波 ，欧氏距离 , KNNI万方数据AbstractWith the rapid development of information technology, terminal-based ind

8、oor positioningtechnology has enabled various services, including information retrieval, indoor navigation,community dating etc. Existing indoor positioning methodologies can be categarized as:triangulation method, proximity method, WiFi fingerprint based positioning method and pedestriandead reckon

9、ing. As WiFi fingerprint based positioning method has advantages of wide positioningrange, low cost, flexible usage and no requirement of additional hardware, this thesis mainly dealswith the key issues in this method.Basically, there still exists several problems in traditional WiFi fingerprint bas

10、ed positioningmethod. Firstly, in sampling phase, we should collect and preprocess signals at each sampling point,existing unidirectional collecting and mean filtering method is still not ideal. Secondly, inpositioning phase, the matching accuracy of some typical existing algorithms such as KNN stil

11、lneed to be increased.In sampling phase of WiFi fingerprinting method, for the functionality of signal collecting,unidirectional collecting method is analyzed. Considering the fact that it has not considered thedifference of signal strength when the phone points to different direction, so the method

12、 ofcollecting signal in different direction is proposed. For the functionality of signal preprocessing, theexisting mean filtering algorithm is analyzed. Considering the weakpoint that it has taken into sumaveraging some signals which deviate largely from mean value , so the method of Gaussian filte

13、ringis proposed to filter out these signals. Finally, an improved sampling algorithm-FODG(Fusion ofDifferent direction collection and Gauss Filter) is proposed which integrates the method ofcollecting in different directions and Gaussian filtering.In positioning phase of WiFi fingerprinting method,

14、the mainstream matching algorithm KNN isimproved from the aspects of Euclidean distance calculating and coordinate matching. ForEuclidean distance calculating process, the weakness is analyzed that KNN gives the same weightto each AP(Access Point), and the method of giving different weights to APs w

15、ith different signalstrength is proposed in this thesis. For coordinate matching process, the weakness is pointed out thatKNN gives the same weight to the K neighbor reference points, and the distance weighted KNNmethod (WKNN) is proposed. Finally, an improved matching algorithm- AWKNN（A P weighteda

16、nd distanced weighted KNN） is proposed which integrates AP weighted Euclidean distance andII万方数据WKNN.Finally, the whole WiFi fingerprint based indoor positioning system is designed andimplemented on the Android platform, including sampling phase and positioning phase. Based onWiFi fingerprint based

17、system, investigation of the optimal selection of relevant parameters(number of APs collected, number of WiFi signal collected and value of neighbors K etc.) isconducted. Then, the performance analysis of sampling algorithm FODG and matching algorithmAWKNN is carried on, and the whole positioning sy

18、stem (FODG + AWKNN) is tested from theaspects of positioning accuracy, positioning stability and positioning speed. The results show thatthe improved system can increase positioning accuracy and positioning stability to certain extentcompared to traditional methods, and the positioning speed just sl

19、ightly decreases.Key words: indoor localization, WiFi fingerprint, Gaussian filter, Euclidean distance, KNNIII万方数据目录专 用 术 语 注 释 表 . VI第 一 章 绪 论 . 11.1 课 题 研 究 背 景 及 意 义 . 11.2 国 内 外 研 究 现 状 . 21.3 论 文 研 究 内 容 及 组 织 结 构 . 31.3.1 论 文 研 究 内 容 . 31.3.2 论 文 组 织 结 构 . 4第 二 章 相 关 背 景 知 识 介 绍 . 62.1 室 内 定 位

20、 传 感 网 络 介 绍 . 62.2 室 内 定 位 算 法 介 绍 . 82.2.1 三 角 测 量 法 . 92.2.2 临 近 法 . 102.2.3 行 人 航 位 推 算 法 . 112.2.4 WiFi 指 纹 法 . 122.3 室 内 定 位 评 价 标 准 . 142.4 Android 开 发 平 台 简 介 . 152.4.1 Android 的 优 势 . 152.4.2 Android 系 统 框 架 . 162.4.3 Android 应 用 组 件 . 172.5 本 章 小 结 . 18第 三 章 WiFi 指 纹 系 统 采 样 阶 段 算 法 研 究 .

21、193.1 采 样 阶 段 流 程 . 193.2 WiFi 指 纹 采 集 . 203.3 WiFi 指 纹 预 处 理 . 223.3.1 WiFi 信 号 和 时 间 的 关 系 . 223.3.2 均 值 滤 波 . 243.3.3 高 斯 滤 波 . 243.4 改 进 的 采 样 阶 段 算 法 FODG. 273.5 本 章 小 结 . 28第 四 章 WiFi 指 纹 系 统 定 位 阶 段 算 法 研 究 . 294.1 定 位 阶 段 流 程 . 294.2 匹 配 算 法 . 304.2.1 最 近 邻 法 （ NN） . 304.2.2 K 近 邻 法 （ KNN） .

22、 304.3 改 进 的 匹 配 算 法 . 314.3.1 AP 加 权 的 欧 式 距 离 . 324.3.2 WKNN 坐 标 匹 配 . 334.3.3 AP 加 权 欧 式 距 离 和 WKNN 融 合 AWKNN. 364.4 本 章 小 结 . 37第 五 章 WiFi 指 纹 定 位 系 统 实 现 及 性 能 评 估 . 385.1 WiFi 定 位 系 统 设 计 与 实 现 . 385.1.1 系 统 开 发 环 境 . 385.1.2 采 样 阶 段 设 计 实 现 . 395.1.3 定 位 阶 段 设 计 实 现 . 44IV万方数据5.2 相 关 参 数 的 最

23、优 化 选 择 . 465.2.1 采 集 AP 数 量 的 选 择 . 475.2.2 采 集 WiFi 信 号 数 量 的 选 择 . 485.2.3 近 邻 数 K 值 的 选 择 . 505.3 采 样 阶 段 算 法 FODG 性 能 分 析 . 515.4 定 位 阶 段 算 法 AWKNN 性 能 分 析 . 525.5 整 个 改 进 定 位 系 统 性 能 分 析 . 545.5.1 定 位 精 度 分 析 . 555.5.2 定 位 稳 定 性 分 析 . 575.5.3 定 位 速 度 分 析 . 595.6 本 章 小 结 . 60第 六 章 总 结 与 展 望 . 616.1 论 文 总 结 . 616.2 未 来 展 望 . 62参 考 文 献 . 63附 录 1 程 序 清 单 . 66附 录 2 攻 读 硕 士 学 位 期 间 撰 写 的 论 文 .