针对现有的基于WiFi的位置指纹定位方法精度低、计算复杂度高的问题,提出了一种基于CSI和RSSI的混合位置指纹定位方法MixedFi(A Mixed Fingerprint Localization Method Based on CSI and RSSI)。该方法在离线阶段结合了传统的接收信号...针对现有的基于WiFi的位置指纹定位方法精度低、计算复杂度高的问题,提出了一种基于CSI和RSSI的混合位置指纹定位方法MixedFi(A Mixed Fingerprint Localization Method Based on CSI and RSSI)。该方法在离线阶段结合了传统的接收信号强度RSSI(Received Signal Strength Indication)与细粒度的信道状态信息CSI(Channel State Information)并将其作为原始位置指纹,有效利用各个接入点AP(Access Point)的信号特征信息。在线阶段引入空间聚类划分的思想对RSSI指纹地图进行合理划分,降低指纹空间的搜索时间;再通过主成分分析法PCA(Principal Component Analysis)提取CSI指纹特征,最后利用Kendall阶次相关系数自主选择近邻进行加权估计得到最终节点定位结果,解决了传统K近邻KNN(K Nearest Neighbors)方法定位精度低的问题。实验表明,与现有的基于单一指纹的定位方法相比,本文提出的方法有效降低了计算的复杂度,提高了定位精度。展开更多
文摘针对现有的基于WiFi的位置指纹定位方法精度低、计算复杂度高的问题,提出了一种基于CSI和RSSI的混合位置指纹定位方法MixedFi(A Mixed Fingerprint Localization Method Based on CSI and RSSI)。该方法在离线阶段结合了传统的接收信号强度RSSI(Received Signal Strength Indication)与细粒度的信道状态信息CSI(Channel State Information)并将其作为原始位置指纹,有效利用各个接入点AP(Access Point)的信号特征信息。在线阶段引入空间聚类划分的思想对RSSI指纹地图进行合理划分,降低指纹空间的搜索时间;再通过主成分分析法PCA(Principal Component Analysis)提取CSI指纹特征,最后利用Kendall阶次相关系数自主选择近邻进行加权估计得到最终节点定位结果,解决了传统K近邻KNN(K Nearest Neighbors)方法定位精度低的问题。实验表明,与现有的基于单一指纹的定位方法相比,本文提出的方法有效降低了计算的复杂度,提高了定位精度。
