基于模型迭代的室内定位方法研究

发布时间：2024-01-30 08:56

　　随着人工智能以及安全监控的发展,室内定位技术越发受到重视,成为当前的一大研究热点。传统的室内定位方法存在测距以及定位精度较低,定位结果不稳定等问题。针对上述问题,本文结合机器学习算法完成了信号测距模型,室内定位模型以及室内定位信息融合的研究。针对测距精度较低的问题,本文提出了GBDT(Gradient Boosting Decision Tree)测距模型;对于定位精度较低的问题,本文提出了基于GBDT模型迭代的室内定位方法,以及给出基于信号强度值与阈值的赋权值比例方法;针对室内定位不稳定,定位结果存在奇异点的问题,结合其他传感器定位方法进行了定位信息融合。首先,本文提出了一种基于机器学习GBDT算法的测距模型。首次引入机器学习提升类算法GBDT建立测距模型。依据信号在环境中传播规律提取信号特征作为模型输入,信号的传播距离值为输出训练测距模型。引入体现信号波动性的方差与极差值作为测距模型的输入特征。实验结果表明,相比较近年提出的测距模型具有更好的测量精度。然后,在GBDT测距模型基础上,提出了基于模型迭代的方法实现室内定位。布置ZigBee信号发射端在室内的已知位置上,作为信标节点;以...

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景与意义
    1.2 室内定位技术研究现状
    1.3 基于机器学习的定位方法研究现状
    1.4 本文研究内容与架构
第二章 室内无线定位技术
    2.1 基于信号强度的定位技术
        2.1.1 基于信号强度测距的基本原理
        2.1.2 传统基于信号强度定位技术原理
        2.1.3 基于信号强度指纹定位技术原理
    2.2 机器学习基本概念
        2.2.1 机器学习概述
        2.2.2 机器学习相关名词解释
    2.3 机器学习集成方法概述
        2.3.1 Bagging算法
        2.3.2 Boosting算法(提升算法)
    2.4 定位系统分析与传感器介绍
        2.4.1 定位系统分析
        2.4.2 ZigBee定位技术
        2.4.3 RFID定位技术
    2.5 本章小结
第三章 基于GBDT与ZigBee的无线测距模型研究
    3.1 GBDT算法概述
        3.1.1 CART算法
        3.1.2 梯度提升树方法(GradientBoostingDecisionTree)
    3.2 基于GBDT算法的无线信号测距模型
        3.2.1 GBDT测距模型概述
        3.2.2 GBDT测距模型预滤波处理
        3.2.3 GBDT测距模型前期数据分析
        3.2.4 GBDT测距模型的特征工程
    3.3 GBDT测距模型构建与实验仿真
        3.3.1 GBDT测距模型构建
        3.3.2 GBDT测距模型仿真研究
    3.4 本章小结
第四章 基于模型迭代的室内定位算法研究
    4.1 模型迭代定位算法的前期数据分析
    4.2 基于模型迭代的定位方法
    4.3 特征工程构建与赋权值比例算法
        4.3.1 特征工程的构建
        4.3.2 赋权值比例算法
    4.4 迭代定位模型的实验与仿真
        4.4.1 实验配置与实验环境
        4.4.2 迭代定位模型的实验仿真
    4.5 本章小结
第五章 基于信息融合的室内定位方法研究
    5.1 基于信息融合的室内定位方法概述
    5.2 开发环境与工具
    5.3 RFID定位实验仿真并与ZigBee定位结合
        5.3.1 RFID串口通信的实现
        5.3.2 RFID定位实验仿真
        5.3.3 RFID定位技术与ZigBee定位结合
    5.4 本章小结
第六章 总结与展望
    6.1 本文工作总结
    6.2 未来研究展望
参考文献
致谢
作者简介



本文编号：3889847