为改进井下WLAN人员定位系统中位置指纹数据库的特征提取及在线定位匹配性能,提出了自适应核主成分分析(Adaptive Kernel Principal Component Analysis,AKPCA)算法。AKPCA算法将最优AP选择算法与核主成分分析(Kernel Principal Compone...为改进井下WLAN人员定位系统中位置指纹数据库的特征提取及在线定位匹配性能,提出了自适应核主成分分析(Adaptive Kernel Principal Component Analysis,AKPCA)算法。AKPCA算法将最优AP选择算法与核主成分分析(Kernel Principal Component Analysis,KPCA)算法相结合,使本征维数的计算具有一定的子区域自适应性,有效改善了KPCA算法中使用最大似然估计法求解的本征维数对于区域划分后的位置指纹数据库过于单一的问题。最优AP选择因子能够根据区域中AP信号的覆盖状态在位置指纹数据库构建及区域划分后完成最优本征维数的确定。井下人员定位试验结果中,AKPCA算法在各子区域本征维数的计算精度上要优于KPCA算法,且在定位误差为4 m时的置信概率达到了近100%,高于KPCA算法的91.4%。而在定位过程的内存占用对比方面,AKPCA算法的平均内存使用为0.832 GB,要优于KPCA算法的1.278 GB和其他位置指纹匹配算法。综上,AKPCA算法不仅在定位精度上要优于其他特征提取算法,同时也能够有效减少定位系统在线定位过程中的资源消耗。在未来的研究中,将致力于进一步改善区域划分后的井下定位精度。展开更多
