设计 任务书 文档 开题 答辩 说明书 格式 模板 外文 翻译 范文 资料 作品 文献 课程 实习 指导 调研 下载 网络教育 计算机 网站 网页 小程序 商城 购物 订餐 电影 安卓 Android Html Html5 SSM SSH Python 爬虫 大数据 管理系统 图书 校园网 考试 选题 网络安全 推荐系统 机械 模具 夹具 自动化 数控 车床 汽车 故障 诊断 电机 建模 机械手 去壳机 千斤顶 变速器 减速器 图纸 电气 变电站 电子 Stm32 单片机 物联网 监控 密码锁 Plc 组态 控制 智能 Matlab 土木 建筑 结构 框架 教学楼 住宅楼 造价 施工 办公楼 给水 排水 桥梁 刚构桥 水利 重力坝 水库 采矿 环境 化工 固废 工厂 视觉传达 室内设计 产品设计 电子商务 物流 盈利 案例 分析 评估 报告 营销 报销 会计 |
首 页 | 机械毕业设计 | 电子电气毕业设计 | 计算机毕业设计 | 土木工程毕业设计 | 视觉传达毕业设计 | 理工论文 | 文科论文 | 毕设资料 | 帮助中心 | 设计流程 |
您现在所在的位置:首页 >>理工论文 >> 文章内容 |
5,2,4 在确定了RSS测量的粒子后,可以有效地计算测量的位置如下: 三.和讨论 分系统的选择 次子系统 死区子系统需要确定两个参数,即估计长度s的标准差误差和估计误差的标准差误差。 为了获得估计长度的标准差误差,进行了30次十步直线行走试验.每个试验的实际步行长度是测量的。如果每一个都是t 作为独立的和分布的随机变量,每一步的s都可以用最大似然估计。 同时确定了估计方位的标准差误差。因为行人是在一条直线上行走,所以每一步都可以用最大似然估计,并且 可以计算准取向的变化。 过滤子系统 回想一下,在粒子过滤子系统中,我们需要确定在每个位置从给定的AP获取rss测量的概率及其分布参数;在这种情况下,它们是 均值和标准差。在每个位置测量RSS 500次,以RSS的频率作为概率。用该参数确定了平均偏差和标准差。 由曲线拟合得到的高斯函数。 不幸的是,建立指纹图谱需要大量的现场调查。最近,已经设计了几个参与系统来克服这类工作。在这个系统中, 收集平台也是在基于Android的智能手机上设计和实现的。一旦用户通过点击电子地图上相应的点来调整他/她的位置,智能手机明星 TS扫描环境签名并保存数据以供以后上传。 机架 6.2.1[计] 试验台 实验是在一个小型L形实验室和一座建筑物的大地板上进行的。地板和实验室的分度显示在表中。分别为6和7。无线电地图是c 由平均大小为1:44平方米的133个主要地点组成,由55个超细粒位置组成,而78个粗粒度地点,平均大小为5:52m2。 共计216人。 真相收集 在实验中,几条在地板上行走的小径是相当的,如图中所示。6和7。沿着人行道,不同的位置被标记为在地板上。每次我们爸爸 在我们开发的Android智能手机实验平台上,相应的位置是记录下测试结果。 7估价 在这一部分中,我们评估了系统的性能和不同因素的影响。 步进检测 步进检测是精确定位和跟踪的关键。在实验中,智能手机被放置在几个不同的位置。阶跃精度检测结果如表1所示。无论智能手机放在哪里,我们的方法都能达到很高的精度,并且很少有错误。在android平台上的步骤计数器程序可在h上使用。 /其他。com/abr/bl/. 图6整层建筑. 图7 L型实验室平面图。 颗粒样品 为了研究颗粒尺寸对定位精度的影响,通过改变颗粒样本的数量来确定样品大小的顺序,以达到较好的定位精度。 结果表明,预测样本越多,定位结果越准确。当样品尺寸从200增加到500时,性能改善不大。这个我 200的样本大小足以模拟随机分布。 7.3不同AP密度下的性能 图9显示了AP密度对DR-PF、[17]和[37]的定位精度的影响。对于不同稀疏级别的场景,在 大型的假设只有这些才能更好。结果表明,所提出的方法对可用的多个节点具有较好的鲁棒性,并且在AP-稀疏环境下仍能很好地工作。平均误差 小于5m,而前两种方法的性能明显下降时,只有少数几个。这是因为,为了制定一套更好的产品,需要更多的产品。 进行本土化。 小型L型实验室的性能 为了研究该方法的总体性能,在细粒度环境下进行了实验。图10显示了本地化错误的累积分布。 来自三个本地化计划。DR-PF的性能最好,分别在1:1 m和2 m以下达到50级和2级左右。几乎都是相同的,几乎都是相同的.‘> 5米以下。DR-PF实现竞争优势的主要原因是死区子系统的累积误差较小. 8结论 在本文中,我们提出了一种室内行人跟踪方法,它可以在只有稀疏RSS读数的室内环境中很好地工作。这种方法由两个组成部分组成。这,这个,那,那个 在智能手机上,用现成的惯性传感器读数,死气沉沉的部件会计算行走步数。另一个组件使用粒子过滤器来计算只有spa的位置。 RSS读数。提议的方法是在基于android的智能手机上实现的。实验结果表明,该定位方法即使在小范围内也能达到较高的定位精度。 GE室内环境中只有稀疏的RSS指纹。 感谢 这项研究在一定程度上得到了一项研究的支持。 深圳青年学院助学金 (第)深圳委员会 “科学、技术和创新”(No. JCYJ20160407160609492). ,清华科技 09/10页95-103页 10.10.2 6 5 9 9/T S T。2 0 1 89 0 1 0 0 2 6 2018年2月第23卷第1期 基于稀疏RSS指纹的室内行人跟踪 陈先生,丁月正 摘要:室内行人定位对于多种移动应用具有重要意义。许多室内定位方法已经被提出,其中基于无线信号强度(Rss)的方法。 方法具有现有基础设施的优点,避免了基础设施部署的成本。然而,基于rss的定位方法在 电子RSS指纹是稀疏的,如本研究的实际实验所示。在这里,我们提出了一种针对智能手机用户的室内行人跟踪方法,该方法提供了一种高精度的跟踪方法。 RSS指纹稀疏时的准确性。除了使用RSS指纹,该方法还利用智能手机上的惯性传感器读数。这种方法有两个组成部分:( (一)智能手机上使用现成惯性传感器读数计算步行步数的死机子系统;(Ii)粒子过滤,即只对稀疏位置进行过滤。 RSS读数。提议的方法是在基于android的智能手机上实现的。在小型和大型实验室都进行了广泛的实验。评估结果表明,跟踪 在只有稀疏RSS指纹的室内环境中,可以达到高精度的5m(高达95%)。 关键词:定位;行人跟踪;稀疏;RSS指纹 1介绍 随着普适计算和移动计算的普及,本地化已经成为一个热门的研究课题,许多研究已经进行了[1-6]。具体来说,无线室内定位已经成为了第二代。 由于其适用性和经济效益,已被广泛应用于酒店或机场的护送服务[7]、库存管理[8]、目标等。 编辑广告在购物中心[9],救援[10],拍照环境[11],以及基于智能手机的本地化[12,13]。 虽然GPS能够以室内水平的精度获得室外的定位,但由于接收到的信号功率随着视线的减少而急剧下降,所以在室内性能较差。作为一种形式 大多数以前的定位方法都利用接收到的信号强度(Rss)来确定室内位置,因为rss指纹在大多数现有的无线基础设施和 节省了很大的成本。与RSS相比,信道状态信息(ChannelStateInformation,简称信道状态信息)的粒度更细,稳定性更高.然而,[14,15]的室内定位需要具体的 网络接口和驱动程序修改。 随着基础设施的广泛部署和可用性,许多基于RSS的定位技术被实现在诸如雷达[16]和[17]等设备上。但是,现有的 True要么依赖于基本假设,即接入点(ACK)在环境中普遍存在,要么每个AP的位置是已知的;这在现实世界中并不总是正确的[18]。如图1所示.机场或火车站等典型地方,由于部署有限或有偏见,通常会部分地被信号覆盖,从而产生更严重的指纹。因此,在这种情况下,通过直接采用以前的方法来确定当前的位置,很难达到很高的精度。 图1是该场景的示例 当人们在动态速度下移动时,基于RSS的定位的性能也会显著下降[19]。先前的一项研究[20]提出了一种适应性再分配方法。 可以使用任何无设备定位方法的更改检测框架。然而,所提出的机制不能与稀疏的RSS指纹一起工作。提高行人评分的准确性 使用稀疏的RSS指纹,一种可能的方法是利用惯性传感器的读数(例如,惯性传感器和指南针)预先对行走轨迹进行评估[21]。 在本研究中,我们设计并实现了一种带有稀疏RSS指纹的辅助无源定位系统(DR-PF).尽管商业惯性质量有限 提出了一种有效的行走步态检测方法&RS,最后给出了一个精确估计位移的死区子系统。通过将偶尔的rss合并 在OM环境下,应用粒子滤波,可以减轻累积误差的影响,提高定位精度。 在这项研究中,作出了以下主要贡献: 提出了一种新的、高效、准确的检测死区子系统的步骤的方法。与最先进的步进检测解决方案相比,该方法实现了自动检测。 在复杂性、一致性等方面。 摘要基于所构造的稀疏指纹特征和估计位移,采用粒子滤波方法来降低指纹识别的影响,提高识别精度。 本地化性能。 该设计在Android平台上得到了充分的实现,并进行了大量的实验,对系统的定位性能进行了评估。实验结果表明,所设计的定位系统p 即使是稀疏的 RSS指纹,取得了较好的准确性。本文的其余部分如下所示。剖面 2介绍了相关研究 第三节解释了DR-PF本地化系统的概况.第4节和第5节提供了两个子系统,即死子系统和粒子子系统的实现细节。 过滤器。第6节和第7节介绍了实验和性能评估。第八节提供了本研究的结论。 二次研究提出了解决室内定位问题的各种机制。它们可分为两类。 基于基础的机制大多数最先进的移动设备本地化方案都是基于兴趣领域的无线电地图。然后,一个匹配算法帮助定位我们的位置[16,17]。一些IM 已证明的方案除了RSS之外,还利用移动性的约束来定位位置[7,22]。[23]将rss的概念扩展到其他类似的签名,例如 光学、声学和运动属性。PlaceLab[24]还利用来自GSM基站的信号,通过战争驱动创建无线地图。以前的研究[25-28]使用主动的 室内定位,目标跟踪和人类行为识别。考虑到现场调查的高成本,[12]智能手机中的传感器读数和用户对传感器的移动 使无线电地图具有较高的定位精度。 基于基础的机制一些基于模型的技术假设信号衰减可以通过利用距离来建模。参考文献。[29,30],对数距离路径损失的无线传播模型是: 用于估计到给定AP的距离。除了功率距离映射方法外,[31]和[32]还利用到达时间和到达时差来估计。 e分别。一些定位技术也利用到达角策略[14,33]来确定位置. B.概述 我们的系统由两个子系统组成,即死区和粒子滤波,如下所示。 图2系统结构 在死机子系统中,有三个模块利用智能手机的原始传感器读数。从记录的加速度中提取出相应的步行模式,从而得到m。 可以计算步数和行人在模块步长方向上采取步骤的时间。用线性关系模型描述长度与收益的关系 在第二个模块中,可以估计步长。随意使用智能手机的头部是另一个具有挑战性的话题。在这项研究中,我们假设手机 位置固定。 如上文所述,没有校准的情况下,位移可能会有很大的漂移。因此,实现了子系统粒子滤波,进一步提高了跟踪精度。 将更准确地估计位移。粒子滤波是一种被广泛应用的滤波方法,在这种方法中,与测量高度相似的粒子可以在高度相似的情况下存活下来。 在接下来的两个部分,讨论了各子系统的设计。 水煤浆 本部分主要研究如何通过精确的步长计数和航向估计来计算行人的位移。如前所述,该子系统可分为三个模块。 再来。“步进检测”模块应可靠地检测行人是在走步(走)还是站着不动。然后详细研究了步长与步行的线性关系。 频率用于调整步长。考虑到步行方向可能会随着时间的推移而改变,步长的方向是相当的。假设智能手机的转角是已知的。 在移动过程中,手保持不变。 检出 当行人行走时,加速度表现为重复出现,如图3所示。与水平方向相比,垂直方向具有明显的规律性。t-北向上坐标,因为行人的身体会周期性地上下移动.为了计算步行的步数,以往的研究大多采用自相关或动态时间包装。 定期数据序列。然而,这些方法具有较高的复杂度,并且可能是重复或重复实际的步骤。因此,有必要提出一种高效、准确的检测方法。 4.将加速度积分进一步放大,获得速度 假定初始速度为0m/s。如果在一个 某些瞬间(例如,第二步),可以简单地设置一个阈值,以消除相邻区域之间的差异,以去除仅反映胡风轻微抖动的点。 男人的身体。只有当差值超过阈值时,相应的持续时间才被称为有效步骤。在下面的部分中,阈值的经验值设置为0.2。比较 对于最先进的方法,我们的算法如下: 复杂度较低。找出局部和有效的步长具有线性复杂度。与以前的研究相比,我们的算法更有可能在智能手机上得到有效的实现。 变异容忍度计算步长的方法不涉及时间问题,直接与速度无关。因此,它可以很好地工作在不同的设置,如步行,运动,跑步, 或任何组合。 路线无关。任何时刻都可以选择作为步数的开始,因为该算法仅依赖于局部最大值和局部最小值之间的差异。 这是有效的一步。然而,如果不很好地估计起始时间,则基于相似性的方法的性能就会受到影响。 步距 步长是计算位移的关键点之一,因为它因人而异,甚至因心情的变化而因人而异。 健康状况。 每个步长可以使用文献[34,35]中提出的步长模型的广泛应用的线性关系来估计,表示为LS D a f C b,其中ls和f指的是 每个步骤和行走频率分别;a和b是决定线性关系的两个系数。 对于相关系数,假定GPS模块嵌入到智能手机中,以便在可用的情况下获取GPS读数。因为位置信息和时间戳都是由gps记录的。 模块中,可以计算步长LS和行走频率f来训练这两个系数。具体来说,我们的方法是基于先前的研究[36]。全球定位系统的数据是在 儿子正在户外散步。由于GPS数据噪声小,采用滤波方法消除噪声,减小误差。例如,在不现实的运动和高得多的ES的情况下 步行速度超过正常值(如平均值和标准差的2倍),对应的轨迹应划分为分段。然后,分段是t的。 消除随机噪声和更好的或弯曲的GPS跟踪。但是,如果行人转弯,平滑可能会使实际路径更加平滑。因此,gps读数对应于 选择HT线是为了避免这种情况。文中给出了直线识别方法的细节。[36]。 4.3Heading inference 航向确定是计算位移的另一个关键过程。传感器读数是用相对坐标记录的,但行人的方位可以是任意的。因此, 要获得实际航向,必须将数据传送到东-北-上坐标.
广泛的研究已经进行了确定移动方向与任意的设备方向,本课题超出了我们的研究范围。这里我们假设 当行人步行时,在高斯模型中,不同位置的磁顺是一致随机的,其均值为。从被测物体中移除的重力 离子和化学物质的读数分别为G和M。请注意,AndroidAPI报告的G方向与实际重力方向相反,并且 M的方向不是平行的,移动方向是由智能手机坐标系中表示的1;0/T和地理北N之间的交集角决定的。在这张纸上 r,从地理位置向北的航向角。 粉末冶金滤光片 RSS签名 APAPI定位下RSS的变化 使用高斯随机变量建模 标准。 从不同的角度来看,两者是相互独立的。如果智能手机收集测量R_D;r_2;:;I,其中对总容量进行了测试,智能手机的概率为 位置可计算如下:时间,给出到那时为止的所有观察结果。其主要思想是用一组具有相关权重的随机样本(也称为粒子)来表示所需的后验概率,并将其表示为 e基于这些样本和权重的估计数。详情如下。 5.2.1设定初值,初始化 在特殊情况下,当初始位置已知时, 这些粒子与NS相同的样品D;/TG;ID1;2;:;NS。 如果起始位置未知,则扫描后的粒子可用于初始化,即根据被测信号到达th的概率随机选择粒子的位置。 E位置的概率是用概率计算的。(3).重复上述步骤,直到粒子群的大小达到NS的大小。 5.2.2传播,传输,蔓延,扩展,波及深度 假设死机子系统在第1/th和RSS测量之间检测NK步骤。因为刚取的行人的长度和步行方向已经估计, d在先前估计的位置上,可以估计行人的下一个位置。J粒子位置 J j .XK;YK/行人采取NK步骤后,可更新如下:
|