中期检查修改.docVIP

论文题目 基于RSSI的非绑定室内定位相关研究 一、研究内容简介（300～500字） 无线定位研究（简称定位研究）按照定位的粒度分为以GPS为代表的户外定位研究和室内定位研究，按照被定位者是否携带PDA或Tag等信号接收或反馈设备分为绑定或非绑定性定位，按照定位原理可分为基于几何的定位和基于Received Signal Strength Index（RSSI）的定位，按照定位手段可分为红外线室内定位、超声波定位、蓝牙定位、RFID定位、超宽带定位、Wlan定位、WSN定位以及惯导定位等，具体见下表： 目前国内外对Wlan定位的研究主要集中于Bound Based方面，比较成功的定位系统有WHAM!定位系统，Ekahau定位系统、RADAR定位系统、Nibble系统、Horus定位系统、Horus系统和Rice系统，各种定位系统的特征见下表： 系统名称 提出时间 精度 定位方式 采集量 特点 RADAR 2000 2-3m 位置指纹+传播模型 RSSI 传播模型降低训练量 Nibble 2001 较高 贝叶斯网络 SNR 使用传感器融合 Horus 2004 1m 位置指纹 RSSI 使用聚类技术 Rice 2004 较低 分区定位 RSSI 训练工作量很低 Ekahau 2006 1m 位置指纹 RSSI 需要知道无线电场强 WHAM！ 2007 较低 分区定位 RSSI 依靠信号相对强度定位 而本人研究的是基于Wlan的Bound Free的定位，其主要应用场景为智能空间环境，特别是智能家居与智能办公环境，其特点在于定位对象不携带任何设备，在提高便捷性，降低成本的同时，也牺牲了定位精准度，研究的重点在于如果降低噪音，提高定位精度。 二、研究工作进展（已完成的主要工作及已取得的成绩。不超过1000字） 在上届师兄研究的基础上，采集了15种情况下60组RSSI信号强度数据（40000多数据点），对AP点个数的最优区间和信号过滤方法进行了一定分析和研究，提出了一些不同意见，并通过实验获得初步验证。 1、AP点个数最优区间问题 在最初研究的时候，对AP点的个数和分布并没有一个理性的认识，只是觉得AP点不能少于3个，且AP越多数据量越充分，因为AP越多，指纹信息就越丰富，匹配就更容易。但在实际研究中发现，在其他条件不变的情况下，同一点上单AP所采集到的RSSI的统计性质是与多AP时对应AP所采集的RSSI稍有不同的，其数学期望显示当AP增加时，采集到的RSSI值会少量增加，分析其原因，应该是无线AP的自增益功能导致的，即对某个AP而言，其他AP发射的无线信号是干扰，当AP增加时，相当于增加了环境噪音，那么为了保持其固有的信噪比，该AP必然增大其发射功率，这样也就使得RSSI增加。 但随之而来的问题是，引入其他AP所带来的噪声干扰，是否会对定位产生影响，如果产生了影响，就说明单纯增加AP在一定情况下会降低定位精度。因此，对纯净环境中不同AP个数的情况下采集到的数据进行了F-双样本方差分析，分析结果显示增加AP后，数据扰动（方差）变化是明显的，而在纯净环境下，唯一的干扰就是其他AP的噪声，因此可见，一定情况下，增加AP不仅不能提高定位精度，反而因为AP间的相互干扰，降低定位精度。 同时，必须注意的是，即使数据扰动不明显，但由于匹配时需要计算欧氏距离，因此当维度过高（AP数过多）时，会使不在辅平面上的两个相邻点的欧氏距离过大，所以增加AP数量不是提高定位精度的最佳选择。 根据实验数据，本人认为，4-5个AP是比较合适的，如果少了，则很难排除异常信号，如果多了，则增加环境噪声，容易降低定位精度。 2、信号过滤方法研究 由于非绑定Wlan 定位自身的原因，采集到的信号往往包含较多的噪音和异常，在不改变定位思路的情况下，信号过滤是提高定位精度最关键，最有效的手段。 最初的方法是通过削峰的办法处理明显异常的信号，但明显粗糙；后来提出使用均值代替异常值，但这有个问题，就是在纯净环境下效果很好，但是当人处于运动状态时，使用均值意味着抹杀了人的运动信息；后来有两位师弟分别用蒙特卡洛算法和卡尔曼滤波进行处理，取得了一定效果，但是不够理想。 在总结他们经验的基础上，进一步认真分析了采集到的数据，得出了关于异常点分布的初步设想，即异常点既不服从一维平均分布，也不服从高斯正态分布，而是近似服从泊松分布。同时异常情况的发生具有“短暂出现、集中发生”的特点。因此，使用基于平均概率的蒙特卡洛算法和基于高斯白噪音的卡尔曼滤波是不理想的。 假设正常移动所产生的干扰不会使信号功率变化达到3倍以上，即RSSI变化不应超过5dbm，即设5为阈值，凡连续变化超过5dbm则认为出现异常情况，而后根据上下文环境确认异常点，使用牛顿差值地方法拟合异常点或异常区间。 三、下一