基于线性插值和动态指纹补偿的分布式定位算法.docx

基于线性插值和动态指纹补偿的分布式定位算法
摘要
本文提出了一种基于线性插值和动态指纹补偿的分布式定位算法，该算法通过在不同区域收集和存储Wi-Fi指纹数据库，在定位时利用线性插值法对指纹数据进行平滑处理，并通过动态指纹补偿算法对指纹数据进行校正，从而提高了定位的准确度和鲁棒性。实验结果表明，该算法相比于传统指纹定位算法有较好的定位精度和鲁棒性。
关键词：线性插值；动态指纹补偿；分布式定位；Wi-Fi指纹
Abstract
Inthispaper,adistributedpositioningalgorithmbasedonlinearinterpolationanddynamicfingerprintcompensationisproposed.ThealgorithmcollectsandstoresWi-Fifingerprintdatabasesindifferentareas,anduseslinearinterpolationmethodtosmooththefingerprintdatainpositioning.Andthroughthedynamicfingerprintcompensationalgorithm,thefingerprintdataiscorrectedtoimprovetheaccuracyandrobustnessofpositioning.Theexperimentalresultsshowthatthealgorithmhasbetterpositioningaccuracyandrobustnesscomparedwithtraditionalfingerprintpositioningalgorithm.
Keywords:linearinterpolation;dynamicfingerprintcompensation;distributedpositioning;Wi-Fifingerprint
引言
随着智能手机和移动互联网的普及和发展，室内定位成为一个研究热点。与GPS等基于卫星的定位方法不同，室内定位需要利用无线信号、地磁场等环境信息进行定位。其中，Wi-Fi信号是一种常用的定位信号，因为Wi-Fi设备广泛存在于室内环境中，且可以通过Wi-Fi扫描的方式获取不同位置的信号信息，形成指纹库。
传统的基于指纹的室内定位方法主要包括在线定位和离线定位两种。在线定位不需要事先收集和建立指纹库，在定位时需要扫描周边Wi-Fi信号并与服务器端的指纹库进行匹配，然后推算出用户位置。在线定位的优点是实时性强，适用于需要频繁变换室内位置的场景，但由于需要频繁与服务器进行交互，因此存在响应时间长、通信开销大、定位精度不高等问题。离线定位则需事先收集和建立指纹库，利用用户当前周围的Wi-Fi信号与指纹库进行比对，从而推算出用户位置。离线定位的优点是运算量小，定位精度高，但需要事先收集和建立指纹库，不适用于动态的室内场景。
为提高离线定位的准确度和鲁棒性，现有的研究主要从两个方面入手。一是通过增加指纹点密度来提高定位精度，但随着指纹点密度的增加，采集和存储指纹数据的成本也相应增加。二是通过对指纹数据库进行校正，消除指纹采集时出现的误差和漂移，从而提高定位的准确度和鲁棒性。
本文提出了一种基于线性插值和动态指纹补偿的分布式定位算法，该算法通过在不同区域收集和存储Wi-Fi指纹数据库，在定位时利用线性插值法对指纹数据进行平滑处理，并通过动态指纹补偿算法对指纹数据进行校正，从而提高了定位的准确度和鲁棒性。
算法设计
1.数据收集
我们在不同区域收集Wi-Fi信号的指纹数据，并将其存储于指纹库中。在指纹库中，每个指纹点都包含一组Wi-Fi信号指纹数据，以及该点的位置信息。数据的采集可以采用常见的扫描方式实现，将数据存储于数据库中以备后续离线定位使用。
2.线性插值处理
对于用户在某个位置的室内定位，首先需要采集周围的Wi-Fi信号数据，并根据信号数据在指纹库中进行匹配。但在实际定位中，由于周围Wi-Fi信号的不确定性和复杂性，导致定位结果不稳定。
为了提高定位精度和减少匹配误差，我们采用线性插值方法对指纹库中的数据进行平滑处理。具体做法是，在匹配指纹点时，以用户的当前位置为中心，选取周围若干个指纹点，并对这些指纹点的Wi-Fi信号数据进行线性插值，得到一个平滑的Wi-Fi信号数据集合，然后将这个平滑数据集与用户当前采集的Wi-Fi信号数据进行比对，从而得到最可能的位置。
在采用线性插值方法时，需要根据实际情况选取合适的邻域大小，以及权重系数的分配方法。邻域大小过小会导致数据平滑效果不好，定位精度下降；邻域大小过大会导致匹配计算量增大，耗时较长；权重系数的分配方法也会影响数据平滑效果，可以采用逆距离权