基于阈值分类及信号强度加权的室内定位算法

计算机应用 ›› 2013, Vol. 33 ›› Issue (10): 2711-2714.

基于阈值分类及信号强度加权的室内定位算法

杨小亮,叶阿勇,凌远景

福建师范大学数学与计算机科学学院,福州 350007

收稿日期:2013-04-07 修回日期:2013-05-20 出版日期:2013-10-01 发布日期:2013-11-01
通讯作者: 叶阿勇
作者简介:杨小亮（1988-），男，江西鹰潭人，硕士研究生，主要研究方向：无线网络优化；叶阿勇（1977-），男，福建漳州人，副教授，博士，主要研究方向：无线网络安全、无线传感器网络节点定位；凌远景（1988-），男，江西赣州人，硕士研究生，主要研究方向：无线网络安全。
基金资助:
国家自然科学基金资助项目;福建省教育厅产学研项目;福建省战略性新兴产业技术开发项目

Indoor localization algorithm based on threshold classification and signal strength weighting

YANG Xiaoliang,YE Ayong,LING Yuanjing

School of Mathematics and Computer Science, Fujian Normal University,Fuzhou Fujian 350007, China

Received:2013-04-07 Revised:2013-05-20 Online:2013-11-01 Published:2013-10-01
Contact: YE Ayong

摘要/Abstract

摘要： 为了减小室内复杂环境下接收信号强度值（RSSI）波动和个别信标节点被干扰对定位精度的影响，提出一种基于阈值分类及信号强度加权的室内定位算法。先根据室内环境的路径损耗特征，对各参考点进行分类并分别确定其匹配阈值，再将接收信号强度作为参考权重进行加权定位,最终得到更为精确的节点位置。实验表明，该算法能减小RSSI随机抖动引起的误差，有效地削弱个别信标节点被干扰的影响，提高定位精度。

关键词: 室内定位, 无线网络, 接收信号强度值, 阈值分类, 信号强度加权

Abstract: In order to eliminate the influence caused by fluctuation of Received Signal Strength Indicator (RSSI) and unreliability of individual beacon nodes in complex indoor environment, an indoor localization algorithm based on threshold classification and signal strength weighting was proposed. First, the reference points were classified and corresponding thresholds were determined according to the characteristics of indoor pathloss, then the received signal strength was used as reference weight to locate. The experimental results show that this algorithm can effectively reduce the error caused by RSSI random jitter, weaken the influence of individual beacon nodes which are disturbed, and improve localization accuracy.

Key words: indoor localization, wireless network, Received Signal Strength Indicator (RSSI), threshold classification, signal strength weighting

杨小亮叶阿勇凌远景. 基于阈值分类及信号强度加权的室内定位算法[J]. 计算机应用, 2013, 33(10): 2711-2714.

YANG Xiaoliang YE Ayong LING Yuanjing. Indoor localization algorithm based on threshold classification and signal strength weighting[J]. Journal of Computer Applications, 2013, 33(10): 2711-2714.

[1]	栾佳宁, 张伟, 孙伟, 张奥, 韩冬. 基于二维码视觉与激光雷达融合的高精度定位算法[J]. 计算机应用, 2021, 41(5): 1484-1491.
[2]	王明芬. 软件定义无线局域网的切换接入机制[J]. 计算机应用, 2020, 40(9): 2706-2711.
[3]	张健铭, 施元昊, 徐正蓺, 魏建明. 基于误差预测的自适应UWB/PDR融合定位算法[J]. 计算机应用, 2020, 40(6): 1755-1762.
[4]	张榜, 朱金鑫, 徐正蓺, 刘盼, 魏建明. 基于贝叶斯网络的楼层定位算法[J]. 计算机应用, 2019, 39(8): 2468-2474.
[5]	周非, 夏鹏程. 基于主成分分析和卡方距离的信号强度差指纹定位算法[J]. 计算机应用, 2019, 39(5): 1405-1410.
[6]	黄胜, 付园鹏, 张倩云. 基于DASH标准的码率平滑切换算法[J]. 计算机应用, 2019, 39(4): 1122-1126.
[7]	丁建立, 穆涛, 王怀超. 基于谱回归核判别分析的候机楼室内快速定位算法[J]. 计算机应用, 2019, 39(1): 256-261.
[8]	阮琨, 王玫, 罗丽燕, 熊璐琦, 宋浠瑜. 基于智能手机的地磁/WiFi/PDR的室内定位算法[J]. 计算机应用, 2018, 38(9): 2598-2602.
[9]	郝德华, 关维国, 邹林杰, 焦萌. 基于Pearson相关系数的快速虚拟网格匹配定位算法[J]. 计算机应用, 2018, 38(3): 763-768.
[10]	刘盼, 张榜, 黄超, 杨卫军, 徐正蓺. 室内环境约束的行人航向粒子滤波修正方法[J]. 计算机应用, 2018, 38(12): 3360-3366.
[11]	高雅, 张海林, 卢小峰. 能量收集无线网络中面向统计服务质量的最优功率分配[J]. 计算机应用, 2018, 38(1): 212-216.
[12]	张涛, 马磊, 梅玲玉. 基于单目视觉的仓储物流机器人定位方法[J]. 计算机应用, 2017, 37(9): 2491-2495.
[13]	卞佳兴, 朱荣, 陈玄. 基于改进双向测距到达时间差定位算法的超宽带定位系统[J]. 计算机应用, 2017, 37(9): 2496-2500.
[14]	李丽娜, 李文浩, 尤洪祥, 王越. 回溯搜索优化改进矩阵填充的高效位置指纹库构建[J]. 计算机应用, 2017, 37(7): 1893-1899.
[15]	张明洋, 陈剑, 闻英友, 赵宏, 王玉刚. 基于动态时间规整距离指纹匹配的Wi-Fi网络室内定位算法[J]. 计算机应用, 2017, 37(6): 1550-1554.