国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

利用眾包更新Wi-Fi室內定位指紋庫的方法研究*

2014-09-06 10:48:05李燕君徐凱鋒邵劍集
傳感技術學報 2014年12期
關鍵詞:參考點指紋房間

李燕君,徐凱鋒,邵劍集

(浙江工業(yè)大學計算機學院,杭州 310023)

?

利用眾包更新Wi-Fi室內定位指紋庫的方法研究*

李燕君*,徐凱鋒,邵劍集

(浙江工業(yè)大學計算機學院,杭州 310023)

Wi-Fi定位是目前較為主流的室內定位方法,而位置指紋庫的建立和維護對Wi-Fi定位至關重要。Wi-Fi信號時變性強要求指紋庫及時更新。針對由專業(yè)人員更新指紋庫的人力耗費問題,提出利用眾包更新指紋庫的方法,允許用戶對定位結果進行評價和修正,使得用戶在享受定位結果的同時參與到指紋庫的維護更新中,特別針對用戶的錯誤修正提出了基于聚類的錯誤檢測方法,能有效避免指紋庫被錯誤指紋污染。開發(fā)了室內定位系統(tǒng),通過在真實室內環(huán)境的實驗驗證了本文提出的方法可以長時間保持較高的定位性能。

無線局域網(wǎng);室內定位;眾包;位置指紋;聚類

隨著大體量建筑的開發(fā)數(shù)量日益增多以及智能移動終端的普及,人們對室內位置服務的需求正迅速增加。而公共安全、應急救援、大型場館管理、特殊人群監(jiān)護、物聯(lián)網(wǎng)和智慧城市建設等領域都需要準確的室內位置信息。傳統(tǒng)的衛(wèi)星定位導航系統(tǒng),如GPS和北斗,只能提供室外定位導航服務,在室內環(huán)境,由于衛(wèi)星信號受到阻隔加之室內地圖的缺失,無法為用戶提供精準的位置信息,產生衛(wèi)星導航到手機用戶的“最后一公里”難題。為此,國內外許多公司、高校和科研機構都圍繞室內定位導航展開了研究?,F(xiàn)有的室內定位技術種類繁多,有紫蜂(ZigBee)[1]、超聲波定位[2]、無線局域網(wǎng)(Wi-Fi)[3-10]、射頻標簽(RFID)、藍牙(Bluetooth)、超寬帶無線電(UWB)、地磁場強、LED定位、計算機視覺定位等。從技術成熟與大規(guī)模應用的現(xiàn)實角度考慮,Wi-Fi定位成為當前主流、也是未來最具發(fā)展?jié)摿Φ氖覂榷ㄎ环椒ā?/p>

目前Wi-Fi室內定位方法中應用最普遍的是位置指紋定位法[3-7],該方法分為離線訓練和在線定位兩個階段。離線訓練階段在待定位區(qū)域選定一系列參考點,在這些參考點處采集來自不同無線接入點AP(Access Point)的信號強度RSS(Received Signal Strength)值,將參考點坐標和對應AP的RSS信息存儲在數(shù)據(jù)庫中,建立位置指紋數(shù)據(jù)庫;在線定位階段則依據(jù)一定的匹配算法將待測點上收到的相應AP的RSS信息與數(shù)據(jù)庫中的已有信息進行比較,估計用戶當前的位置。該方法的關鍵之一在于位置指紋數(shù)據(jù)庫的建立和維護。實驗表明,室內環(huán)境下射頻信號傳播非常復雜,墻壁、門窗和桌椅等設施以及人員走動會引發(fā)射頻信號傳播的多徑和陰影效應,導致在室內固定位置處接收到各個AP的RSS時變性很強[7-8];此外,部署的AP也可能發(fā)生故障或位置的變更。這些都意味著離線階段建立的位置指紋庫并不能一勞永逸,需要經(jīng)常維護更新,否則會使得定位結果不準確。若采用專人定期更新指紋庫的方法,非常耗費人力。為了降低維護更新指紋庫的成本,本文提出了利用眾包模式更新指紋庫的方法,即讓用戶在享受定位結果的同時參與對指紋庫的更新。本文的主要貢獻在于:①提出了用戶對定位結果的評價和更正機制,一方面利用定位結果更新指紋庫,另一方面對用戶可能錯誤的更正進行甄別,使得指紋庫得到持續(xù)更新;②在智能手機終端實現(xiàn)了室內定位系統(tǒng),并通過實驗驗證該系統(tǒng)隨時間推移能保持較高的定位準確率。

1 相關工作

基于位置指紋的Wi-Fi定位方法最早由微軟的研究人員提出,他們開發(fā)了相應的室內定位系統(tǒng)RADAR[3]。由于Wi-Fi熱點的廣泛布置和智能移動終端的普及,該方法受到了廣泛關注。其后,大多數(shù)研究工作都集中在對位置指紋匹配算法的設計和改進上,兩類典型的匹配算法是最近鄰法[3]和樸素貝葉斯法[9]。其中,最近鄰法是將定位建模為在RSS矢量空間的相似性判斷問題,其本質是認為歐氏空間位置相近的點在RSS矢量空間的距離也相近,這類方法計算效率高,但結果容易受信號波動影響;而樸素貝葉斯法是在離線階段采集參考點處的RSS統(tǒng)計分布信息,在定位階段計算被測量點的RSS位置指紋在各個參考點處的后驗概率,基于最大后驗概率準則獲得目標的位置估計。由于概率分布能描述RSS的隨機特性,因此該方法比最近鄰法更能適應信號波動,但要獲得RSS的統(tǒng)計分布信息在離線訓練時工作量較大,并且統(tǒng)計模型的選取對定位結果也有較大影響,相關文獻中采用的統(tǒng)計模型有簡單的高斯模型,也有較為復雜的混合高斯模型、柱狀圖表法和非參數(shù)化的高斯核方法等,這其中涉及到一些參數(shù)的選擇,只能采用經(jīng)驗值,沒有標準可依。

上述文獻中不管是最近鄰法還是貝葉斯法采用的都是固定的位置指紋庫。雖然基于貝葉斯法的匹配算法在一定程度上應對了RSS的時變特性,但是如果指紋庫本身不進行更新,隨著時間的推移,定位準確率仍然會下降。鑒于由專業(yè)人員定期維護指紋庫的成本巨大,一些文獻提出采用眾包模式構建和維護指紋庫。文獻[10]提出了一種完全由用戶自主構建指紋庫的方法,基于已有參考點對整個區(qū)域的覆蓋度決定是否提醒用戶標記位置,幾乎不需要專業(yè)人員參與建庫和維護,但是對于較大的室內環(huán)境,用戶最初使用該系統(tǒng)時會被頻繁打擾,增加了用戶的負擔,會造成用戶體驗下降;文獻[7]提出利用用戶的閑散時間為系統(tǒng)上傳參考點位置,但這種方法顯然高估了一般用戶的配合度,且他們沒有考慮用戶標記有誤的情況。與這些方法不同的是,本文在一開始構建數(shù)據(jù)庫時,仍然由專業(yè)人員完成,以保證初始用戶的體驗,在更新階段采用眾包模式,讓用戶參與指紋庫的更新。眾包是一種分布式的問題解決和生產模式,在文獻[8]中被用于構建室內地圖。本文創(chuàng)新性地引入用戶評價和更正機制,允許用戶將定位結果直接作為參考點上傳,也允許用戶對定位結果進行修正,同時提出了鑒別機制防止用戶由于粗心所帶來的錯誤更正和防止用戶的惡意修改。

2 利用眾包維護指紋庫的定位方法

2.1 研究動機

圖1 Wi-Fi信號強度變化圖

Wi-Fi定位是利用接收到來自環(huán)境中AP的RSS序列相似程度來判斷不同位置的鄰近與否,但是固定位置的RSS值仍然具有時變性。圖1顯示了一段時間內在不同房間測得房間內AP的RSS變化情況,采樣時間為5 s,方差依次為8.1、4.0和 3.9。這些波動可能由墻壁、門窗和桌椅等設施以及人員走動引起,是無法避免的,并且如果AP位置和狀態(tài)發(fā)生改變,RSS的變化會更加明顯。解決短時間RSS波動的問題可以在定位時多次采集RSS取其平均值,但指紋庫若長時間得不到更新,定位精度仍然會隨時間推移逐漸下降。為此,本文將圍繞如何更新指紋庫展開研究。

2.2 方法概述

本文提出的利用眾包維護指紋庫的定位方法分為離線訓練、在線定位和指紋庫更新3個階段。在離線訓練階段,在待定位區(qū)域選定一系列參考點,在這些參考點處采集來自不同AP的信號強度值,將參考點坐標和對應AP的RSS信息存儲在數(shù)據(jù)庫中,建立初始位置指紋數(shù)據(jù)庫,存于服務器端;在在線定位階段,用戶端將待定位點能掃描到的AP及其RSS上傳至服務器,服務器根據(jù)定位算法估算出用戶當前的位置返回給用戶;在指紋庫更新階段,用戶如果對定位結果滿意,將定位結果與提交的AP及其RSS作為一條新的指紋加入指紋庫中;如果用戶對定位結果不滿意,可以更正定位結果,服務器端采用錯誤檢測方法甄別用戶的更正是否有誤,從而決定是否接受此次更正。如果服務器判定用戶更正正確,則將更正的位置和定位時收集到的信息綁定形成新的位置指紋存入指紋庫;否則丟棄本次用戶的更正。此外,若用戶在使用過程中指紋庫一直只增不減,會出現(xiàn)指紋庫過于臃腫的情況,降低在線定位的效率。為此,系統(tǒng)會根據(jù)采集時間定期刪除過期的位置指紋,其中位置指紋的保存時長根據(jù)位置指紋庫的使用頻率進行設置。本方法可以使得指紋庫可以在用戶使用過程中得到不斷更新,從而能夠適應變化的Wi-Fi環(huán)境。

2.3 定位算法

本文采用文獻[11]中提出的基于RSS相似度的定位算法。由于本文研究的重點是指紋庫的更新方法,因此沒有考慮較為復雜的基于概率模型的定位算法,基于RSS相似度的定位算法雖然簡單但在實際應用中十分有效。本文的指紋庫更新方法同樣適用于其他定位算法。假設位置i掃描到的AP的集合為Ai,位置j掃描到的AP的集合為Aj,得到AP集合A=Ai∪Aj,|A|表示位置i和j所掃描到的AP的總個數(shù);位置i掃描到APa的RSS值用fi(a)表示,以dBm為單位,|fi(a)|表示fi(a)的絕對值,若在位置i不能掃描到APa,則令fi(a)=0。定義位置i和位置j的相似度為它們對應的RSS矢量的相似度,具體表達式為:

(1)

相似度S的取值范圍是[0,1],S越大表征兩組RSS越相似,進而認為位置i與位置j接近;反之則認為位置i與位置j遠離。下面舉例說明相似度的計算。假設環(huán)境中有5個AP,編號從1到5,位置1和位置2掃描到的AP物理地址和RSS如表1和表2所示,根據(jù)式(1)得到位置1和位置2的相似度S1,2=(0/80+55/75+60/75+0/85)/4≈0.383。一種極端的情況,若R1和R2完全相同,則兩個位置相似度為1,即完全重合。

表1 位置1掃描到的AP物理地址及RSS

表2 位置2掃描到的AP物理地址及RSS

(2)

圖2 指紋庫更新方法流程圖

2.4 指紋庫更新方法

利用眾包更新指紋庫的方法流程如圖2所示。具體來說,當服務器按照2.3節(jié)的定位算法估計出用戶當前位置返回給用戶時,若用戶對定位結果滿意,定位結果將作為一條新的指紋存入指紋庫;若用戶對定位結果不滿意,可以對結果進行更正,為了避免用戶更正有誤對指紋庫造成污染,用戶更正的位置需接受更正檢測,更正檢測的具體方法是通過聚類算法將指紋庫中的點分成若干簇類,若用戶更正的位置與定位結果在同一個簇類,則判定為更正正確,更正的結果作為一條新的指紋存入數(shù)據(jù)庫,否則判定更正有誤,更正位置不予接受。這樣做的原因是我們認為室內環(huán)境能夠完全被AP信號覆蓋,并且在離線訓練階段由專業(yè)人員建立的指紋庫是高質量的,能達到90%以上[3,10]的定位準確率(定位準確率的定義在第3節(jié)給出)。但由于RSS具有時變性或個別AP的位置狀態(tài)改變,隨時間推移定位結果會發(fā)生一定偏差,與用戶實際位置不符,但偏差不會太遠,即使用戶選擇更正定位結果,更正后的位置應該仍然在系統(tǒng)給出的定位結果“附近”。如果更正位置偏離定位結果太遠,該更正位置很可能是有誤的。聚類算法則是用于判定兩個位置是否鄰近的標準。下面將具體介紹聚類算法和算法中涉及的參數(shù)選取問題。

2.4.1 聚類算法

室內環(huán)境下用戶的活動區(qū)域不定導致聚類數(shù)目無法事先確定,并且房間形狀不規(guī)則,所以基于劃分和層次等聚類方法不能適用。而基于密度的聚類算法,如DBSCAN[12],事先不需要確定聚類數(shù)目,且可以形成任意形狀的簇類,能滿足我們的要求。我們采用DBSCAN對指紋庫中的參考點進行聚類。具體步驟如下:考察指紋庫中的某一個點p,以p為圓心,半徑為ε的圓被稱為p的鄰域,若p的鄰域內包含的點數(shù)超過閾值MinP,則認為點p是一個核心對象,鄰域中的點和p同屬于一個簇類,這些鄰域中的點將作為下一輪考察對象,分別以這些點為圓心做相同的判斷,并通過不斷對未訪問過的點進行區(qū)域查詢來擴展它們所在的簇類,直至找出該簇類中所有能形成核心對象的點。算法包含ε和MinP兩個參數(shù),其中ε指明鄰域半徑的大小,MinP指明做聚類時樣本點的ε鄰域內至少包含的點個數(shù)。ε和MinP這兩個參數(shù)的選取是本算法的關鍵。

2.4.2 參數(shù)選取

首先考慮ε的選取。以圖3為例,假設用戶的定位結果為黑色方塊所示點L,用戶將定位結果更正至點L′。由于在離線訓練階段由專業(yè)人員構建指紋庫,定位準確率在90%以上[3,10],此時定位偏差超過房間大小的概率小于10%。若ε取值過小,如圖3(a)所示,圓圈內的點形成一個聚類,該聚類范圍小于房間大小。由于點L′不在聚類A中,系統(tǒng)會丟棄此次更正,造成用戶的正確更正被丟棄的概率增大,不利于指紋庫的有效更新。若ε過大,如圖3(b)所示,聚類范圍遠大于房間大小,則一個聚類可能會覆蓋多個房間,系統(tǒng)接受用戶更正的概率增大,容易將錯誤指紋存入數(shù)據(jù)庫。一種極端的情況是如果ε無窮大,那么指紋庫中所有點屬于同一個簇類,不管用戶的更正正確與否,系統(tǒng)均會接受,這樣系統(tǒng)就不具備甄別能力。本文聚類的目標是同一房間內的指紋形成一個聚類,方法是將ε設置成室內環(huán)境中最小房間對角線的一半。在這種情況下,若兩個房間的參考點相距較遠,如圖3(c)所示,用戶將定位結果L更正為L′發(fā)生錯誤的概率較大,而此時聚類C不會覆蓋另一個房間內的參考點,用戶的更正會被拒絕;若兩個房間的參考點相距較近,如圖3(d)所示,兩個房間的參考點都在定位偏差范圍內,而聚類D可以將另一個房間內的參考點覆蓋,此時用戶將位置更正到另一個房間是很可能是正確的,系統(tǒng)會接受用戶的更正。值得一提的是,此時有另一種情況,即定位結果本來是正確的,用戶卻更正到另一個房間,由于更正參考點與定位結果同處于一個聚類,系統(tǒng)也會接受此次更正,從而存入了一條錯誤的指紋。但眾包模式有其獨有的優(yōu)越性,鑒于大部分用戶是理智的[13],即使此次存入了一條錯誤指紋,造成其他用戶定位時結果有誤,大部分用戶還是會將這個錯誤結果糾正過來,將正確的指紋存入數(shù)據(jù)庫,先前錯誤的指紋會因為長時間不被使用而被刪除。

圖3 ε取值對聚類結果的影響

然后考慮參數(shù)MinP的選取。MinP的取值也會影響聚類的大小。如果聚類過大,一種極端的情況是地圖上所有點都在一個聚類中,這樣用戶的每次更正結果都會被服務器接受,若有用戶惡意更正,指紋庫的質量將會大大下降;相反,如果聚類過小,比如一個點就是一個聚類,這樣用戶的每次更正都會被服務器端拒絕,導致數(shù)據(jù)庫得不到有效更新。我們?yōu)榱舜_定一個合適的MinP閾值,我們將閾值選擇問題轉化為Neyman-Pearson判決問題。假設Ls是服務器給出的定位結果,Lc是用戶更正的位置,錯誤更正的檢測問題轉化為檢驗以下兩個假設:

H1:Ls和Lc來自不同的房間

H0:Ls和Lc來自相同的房間

我們認為一個合適的MinP值能達到如下效果:如果Ls和Lc來自不同的房間,系統(tǒng)盡可能將它們分到不同的簇類,判斷為用戶更正有誤;而如果Ls和Lc來自相同的房間,系統(tǒng)盡可能將它們分到相同的簇類,判斷為用戶更正正確。令x表示Ls和Lc不在同一個聚類的情況下MinP的取值分布,令P(x|H1)表示在Ls和Lc來自不同房間的情況下,系統(tǒng)通過聚類算法判斷出它們不屬于同一個聚類的概率,即檢測概率PD,P(x|H0)表示在Ls和Lc來自相同房間的情況下,系統(tǒng)通過聚類算法判斷出它們不屬于同一個聚類的概率,即虛警概率PFA。在Neyman-Pearson模型下,我們期望找到一個MinP值使得在給定的虛警概率下檢測概率最大化。由于無法直接獲得x的分布函數(shù),我們將在第3節(jié)通過實驗找到最優(yōu)的MinP值。

3 實驗結果及分析

為了評估本文提出方法的性能,我們在浙江工業(yè)大學某辦公樓4層的部分區(qū)域進行了實驗。具體實驗環(huán)境如圖4所示,區(qū)域大小為95.4 m×26.4 m。經(jīng)測試發(fā)現(xiàn),實驗區(qū)域共部署了14個AP,分別位于圖中標記的房間內,它們在辦公室內自主放置,并非為本次實驗特意部署。終端采用三星Galaxy S7562手機,操作系統(tǒng)為Android 4.0.4。離線訓練階段,共采集40個參考點的RSS指紋,參考點均勻分布在走廊、樓梯和各個房間。本文采用如下指標來評價定位性能:

其中,走廊區(qū)域也進行了劃分,走廊和房間標號如圖4所示。我們首先通過實驗找到最優(yōu)的聚類參數(shù)MinP,然后將本文提出的更新指紋庫的方法與不更新指紋庫的方法和無條件更新指紋庫的方法進行了比較。

圖4 實驗環(huán)境平面圖

圖5 系統(tǒng)結構

3.1 系統(tǒng)概述

系統(tǒng)由終端和服務器端兩個部分組成,系統(tǒng)結構如圖5所示。終端負責收集Wi-Fi信息和為用戶提供交互界面。服務器端提供了3種服務,分別是指紋庫共享,響應用戶的定位需求和甄別用戶更正。服務器端存儲來自各個終端提交的Wi-Fi指紋,形成一個指紋數(shù)據(jù)庫,無論哪個用戶提交了新指紋,該數(shù)據(jù)庫都會得到更新,從而使其他用戶也能享受到最新的指紋庫。

圖6 室內定位系統(tǒng)終端界面

為了克服短時間內RSS不穩(wěn)定對定位的影響,終端在收集Wi-Fi信息時,連續(xù)掃描3次,選取3次掃描中RSS均超過-80 dBm的熱點,計算其RSS均值上傳給服務器端。為了讓用戶樂于幫助完善指紋庫,我們在終端設計了用戶友好的交互界面,如圖6所示。區(qū)別于以往用文本方式提供定位結果的方法(例如只提供用戶當前所在房間編號[4]),本系統(tǒng)具備室內地圖加載和顯示功能,用戶可以加載所在建筑物的樓層平面圖,直觀的從室內平面圖上查看自己當前的位置,也可以通過拖拽位置標注更正定位結果。

3.2 聚類參數(shù)選取

圖7 PFA隨MinP值增大的變化情況

圖8 PD隨MinP值增大的變化情況

3.3 與不更新和人工更新指紋庫的方法比較

為了驗證本文提出的更新指紋庫方法的有效性,我們分別基于眾包模式更新的指紋庫、不更新的指紋庫和人工更新的指紋庫做定位。實驗時間持續(xù)一周,得到的定位準確率在一周內的變化情況如圖9所示。從圖中可以看出,不更新指紋庫會使定位準確率迅速下降,每隔24 h進行一次人工更新得到的定位準確率最高,每隔48 h進行一次人工更新得到的定位準確率有明顯的波動,而本文提出的利用眾包更新指紋庫的方法在一周內定位準確率能保持在80%以上,且無需專業(yè)人員參與指紋庫的更新。這說明本文提出的眾包更新指紋庫的方法能夠適應變化的Wi-Fi環(huán)境,一定程度上保持指紋庫的質量。值得一提的是,由于本次實驗中參與定位實驗的志愿者人數(shù)不多,且隨時間推移對位置指紋的更正積極性下降,所以定位準確率隨時間推移略有下降,其定位準確率不及由專業(yè)人員每隔24 h進行指紋庫更新的準確率。但是,我們相信在實際應用中,如果有更多的用戶參與指紋庫的更新,系統(tǒng)定位準確率仍能保持較高的水平。未來我們也將進一步研究提高用戶參與指紋庫更新積極性的激勵機制。

圖9 本文提出方法與不更新和人工更新指紋庫方法的比較

圖10 本文提出方法與無條件更新指紋庫方法的比較

3.4 與無條件更新指紋庫的方法比較

甄別用戶對定位結果的更正是否有誤是本系統(tǒng)的關鍵,為了驗證本文提出方法的有效性,我們測試了讓志愿者惡意更改定位結果的情況,將本文提出的方法與無條件接受用戶更新指紋庫的方法進行比較,得到定位準確率隨用戶惡意更改錯誤率增大的變化情況,如圖10所示。從圖中我們可以看出,如果無條件接受用戶的更正,定位準確率隨著用戶更正錯誤概率的增加而快速減小,當用戶更正錯誤率為40%時,準確度已經(jīng)下降到50%以下;而用本文提出的聚類算法對用戶的更正做了進一步檢測,能丟棄一部分錯誤的更正,維持指紋庫的質量,使得定位準確率隨用戶更正錯誤概率的增加下降較為緩慢。從圖10中可以看出,即使更正錯誤率高達80%,我們提出方法的準確率依然可以保持60%以上。

4 結束語

指紋庫的維護更新對Wi-Fi室內定位非常重要,直接影響到Wi-Fi定位技術的應用推廣。本文提出的利用眾包更新指紋庫的方法允許用戶對定位結果進行評價和更正,使得用戶在享受定位結果的同時參與到指紋庫的維護更新中,特別針對用戶的錯誤更正提出了基于聚類的錯誤檢測方法,能有效避免指紋庫被普通用戶上傳的錯誤指紋污染。開發(fā)了室內定位系統(tǒng),通過在真實室內環(huán)境的實驗驗證了本文提出方法的有效性。本文的研究解決了由專業(yè)人員維護指紋庫耗費巨大人力成本的問題,使得定位系統(tǒng)可以在較長時間內保持較高的定位性能,如果在實際運行中有更多用戶使用該系統(tǒng)并參與指紋庫的更新,有望突破Wi-Fi定位大規(guī)模應用的壁壘。

[1] 郜麗鵬,朱梅冬,楊丹. 基于ZigBee的加權質心定位算法的仿真與實現(xiàn)[J]. 傳感技術學報,2010,23(1):149-152.

[2]韓霜,羅海勇,陳穎,等. 基于TDOA的超聲波室內定位系統(tǒng)的設計與實現(xiàn)[J]. 傳感技術學報,2010,23(3):347-353.

[3]Bahl P,Venkata N P. Radar:an in-Building RF-Based User Location and Tracking System[C]//The 19th Annual Joint Conference of the IEEE Computer and Communications Societies(Infocom). Tel Aviv:IEEE,2000:775-784.

[4]Bruno L,Robertson P. WiSLAM:Improving FootSLAM with WiFi[C]//International Conference on Indoor Positioning and Indoor Navigation(IPIN). Guimaraes:IEEE,2011:1-10.

[5]宋震龍,蔣剛毅,黃晁,等. 基于偏度-峰度檢驗的無線局域網(wǎng)室內定位算法[J]. 通信學報,2012,33(5):99-105.

[6]趙方,,羅海勇,馬嚴,等. 基于公共信標集的高精度射頻指紋定位算法[J]. 計算機研究與發(fā)展,2012,49(2):243-252.

[7]Bolliger P,Partridge K,Chu M,et al. Improving Location Fingerprinting through Motion Detection and Asynchronous Interval Labeling[C]//The 4th International Symposium on Location and Context Awareness(LoCA). Heidelberg:Springer,2009:37-51.

[8]Wu C,Yang Z,Liu Y,et al. WILL:Wireless Indoor Localization without Site Survey[J]. IEEE Transactions on Parallel and Distributed Systems,2013,24(4):839-848.

[9]Seshadri V,Zaruba G V,Huber M. A Bayesian Sampling Approach to in-Door Localization of Wireless Devices Using Received Signal Strength Indication[C]//The 3rd IEEE International Conference on Pervasive Computing and Communications(PerCom). Hawaii:IEEE,2005:75-84.

[10]Park J,Charrow B,Curtis D,et al. Growing an Organic Indoor Location System[C]//The 8th International Conference on Mobile Systems,Applications,and Services(MobiSys). San Francisco:ACM,2010:271-284.

[11]Wang H,Sen S,Elgohary A,et al. No Need to War-Drive:Unsupervised Indoor Localization[C]//The 10th International Conference on Mobile Systems,Applications,and Services(MobiSys). Low Wood Bay:ACM,2012:197-210.

[12]Ester M,Kriegel H P,Sander J,et al. A Density-Based Algorithm for Discovering Clusters in Large Spatial Database with Noise[C]//The 2nd International Conference on Knowledge Discovery and Data Mining(KDD). Oregon,Portland:ACM,1996:226-231.

[13]Jenkins H,Deuze M. Convergence Culture[J]. The International Journal of Research into New Media Technologies,2008,14(1):5-12.

李燕君(1982-),女,江蘇南通人,博士,副教授,主要研究領域為無線網(wǎng)絡的協(xié)議與算法,yjli@zjut.edu.cn;

徐凱鋒(1990-),男,研究生,主要研究領域為無線網(wǎng)絡,室內定位,zjutxkf@163.com;

邵劍集(1991-),男,碩士生,主要研究領域為無線網(wǎng)絡協(xié)議,算法仿真,shaojianji@126.com。

UpdatingFingerprintDatabasebyCrowdsourcingforWi-FiIndoorLocalization*

LIYanjun*,XUKaifeng,SHAOJianji

(School of Computer Science and Technology,Zhejiang University of Technology,Hangzhou 310023,China)

Wi-Fi fingerprint localization has been well accepted to solve the indoor localization problem,while the most important part in this method is the construction and maintenance of the fingerprint database. A timely update of the fingerprint database is required due to the fluctuation of the received Wi-Fi signal strength. However,having professionals updating the fingerprint database is costly in terms of time and effort. In this paper,a crowdsourcing approach is proposed where the users themselves can evaluate and correct the localization result,thus training and using the localization system at the same time. Particularly a clustering based error detection method is adopted to detect the erroneous input location data,which can effectively avoid the contamination of the fingerprint database. Finally an indoor localization system is developed and practical experiments in real indoor environment show that the proposed approach achieves satisfying localization accuracy over a long time.

WLAN;indoor localization;crowd-sourcing;location fingerprint;clustering

項目來源:國家自然科學基金項目(61003264);浙江省自然科學基金項目(LY13F020028)

2014-07-20修改日期:2014-10-29

TP393

:A

:1004-1699(2014)12-1692-07

10.3969/j.issn.1004-1699.2014.12.020

猜你喜歡
參考點指紋房間
Chapter 4 Merrick's first home
像偵探一樣提取指紋
為什么每個人的指紋都不一樣
FANUC數(shù)控系統(tǒng)機床一鍵回參考點的方法
房間
參考點對WiFi位置指紋算法的影響
測控技術(2018年5期)2018-12-09 09:04:24
數(shù)控機床返回參考點故障維修
房間,這是我的房間
鎖在房間里的云
基于自適應稀疏變換的指紋圖像壓縮
自動化學報(2016年8期)2016-04-16 03:39:00
建始县| 炎陵县| 镇平县| 天长市| 调兵山市| 元朗区| 大姚县| 伊春市| 越西县| 客服| 林口县| 济阳县| 涪陵区| 南郑县| 教育| 黔南| 开封县| 璧山县| 清丰县| 新田县| 靖宇县| 黄大仙区| 台北县| 澄迈县| 四子王旗| 喀什市| 仪陇县| 河南省| 武安市| 济宁市| 西乡县| 汝南县| 临潭县| 河南省| 六盘水市| 娄烦县| 虹口区| 宁德市| 马鞍山市| 平潭县| 康平县|