防接入点丢失的KNN室内定位算法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (8): 90-96.

防接入点丢失的KNN室内定位算法

李新春1，刘洁2

1.辽宁工程技术大学电子与信息工程学院，辽宁葫芦岛 125105
2.辽宁工程技术大学研究生学院，辽宁葫芦岛 125105

出版日期:2016-04-15 发布日期:2016-04-19

Access point lost prevented KNN indoor positioning algorithm

LI Xinchun1, LIU Jie2

1.School of Electronics and Information Engineering, Liaoning Technical University, Huludao, Liaoning 125105, China
2.Graduate School, Liaoning Technical University, Huludao, Liaoning 125105, China

Online:2016-04-15 Published:2016-04-19

摘要/Abstract

摘要： 为了增强室内定位系统的鲁棒性提出了一种WLAN环境下防接入点丢失的室内定位算法。在[K]最近邻法的基础上根据信号空间畸变对接入点丢失情况进行实时检测并不断更新各接入点的丢失可能性，当检测到存在接入点丢失时对信号空间距离进行修正。实验结果表明，该算法可以在部分接入点丢失的条件下仍提供可靠的位置估计并在获取一定数量观测值后确定一个丢失接入点集合，为定位系统排除异常提供依据。

关键词: 室内定位, 鲁棒性, 接入点丢失, [K]最近邻法

Abstract: In order to improve the robustness of indoor positioning system, an access point lost prevented positioning algorithm is proposed. The detection of access point lost is based on the [K] nearest neighbor approach according to the distortion in signal space. The possibility that an access point has been lost is updated constantly and the distance metric is modified when access point lost is detected. Experimental results indicate that the proposed algorithm can provide reliable location estimation even a part of access points have been lost. A lost access points set can be determined after obtained several observations, which can provide a basis for the indoor positioning system to eliminate anomaly.

Key words: indoor positioning, robustness, access point lost, [K] nearest neighbor approach

李新春1，刘洁2. 防接入点丢失的KNN室内定位算法[J]. 计算机工程与应用, 2016, 52(8): 90-96.

LI Xinchun1, LIU Jie2. Access point lost prevented KNN indoor positioning algorithm[J]. Computer Engineering and Applications, 2016, 52(8): 90-96.

[1]	李中道，刘元盛，常飞翔，张军，路铭. 室内环境下UWB与LiDAR融合定位算法研究[J]. 计算机工程与应用, 2021, 57(6): 260-266.
[2]	於小杰，贺勇，刘盛华. 一种用于无人机室内定位的改进ORB光流算法[J]. 计算机工程与应用, 2021, 57(4): 266-271.
[3]	白祉旭，王衡军，郭可翔. 基于深度神经网络的对抗样本技术综述[J]. 计算机工程与应用, 2021, 57(23): 61-70.
[4]	李松，刘哲，唐小妹，吴健，王飞雪. 基于固定点迭代的Huber鲁棒容积卡尔曼滤波算法[J]. 计算机工程与应用, 2021, 57(16): 90-96.
[5]	黄晓琪，王莉，李钢. 融合胶囊网络的文本-图像生成对抗模型[J]. 计算机工程与应用, 2021, 57(14): 176-180.
[6]	陈晓文，刘光帅，刘望华，李旭瑞. 成对旋转不变的共生自适应完全局部三值模式[J]. 计算机工程与应用, 2021, 57(1): 219-226.
[7]	杨锦朋，常俊，余江，李晓薇. 免校准的跨异构设备的室内定位方法[J]. 计算机工程与应用, 2020, 56(2): 248-254.
[8]	范纯龙，何宇峰，王翼新. 大权值抑制策略用于训练卷积神经网络[J]. 计算机工程与应用, 2020, 56(2): 115-119.
[9]	杨永鹏，杨真真，李建林，乐俊. 低秩稀疏分解及其在视频和图像处理中的应用[J]. 计算机工程与应用, 2020, 56(16): 21-30.
[10]	郑晨辉，陈璟，张雨婷，薛伟. 融合粒子滤波与蓝牙地标矫正的定位算法[J]. 计算机工程与应用, 2020, 56(13): 273-278.
[11]	胡东海，邵元，陈莹，夏士雄. 基于改进粒子滤波的室内自适应定位算法[J]. 计算机工程与应用, 2019, 55(9): 65-71.
[12]	何伟健，陆江城，朱耀磷，李学聪. RFID旋转天线中的椭圆模型室内定位算法[J]. 计算机工程与应用, 2019, 55(9): 87-93.
[13]	李云，马英红. 基于属性约简集评价节点重要性研究[J]. 计算机工程与应用, 2019, 55(5): 149-158.
[14]	蒋云彪，郭晨，于浩淼. 自主水下航行器的鲁棒自适应姿态控制算法[J]. 计算机工程与应用, 2019, 55(17): 266-270.
[15]	何丽，刘颖，韩克平. 噪声标注下的改进TSVM学习算法[J]. 计算机工程与应用, 2019, 55(17): 44-50.