多天線定位算法研究.pdf

1、基于Wi-Fi的室內(nèi)定位常采用RSSI作為定位參量，而RSSI受環(huán)境和硬件設(shè)備的影響大。因此，本論文采用能有效的表征定位點頻率和空間特征的 CSI作為定位參量和機器學習算法中的kNN算法作為定位算法，來實現(xiàn)更為準確的室內(nèi)定位。
　　本文主要研究內(nèi)容如下：
　　(1)本文研究了Wi-Fi室內(nèi)定位采用的定位方法，包括現(xiàn)有的室內(nèi)定位估計方法和定位算法。在分析定位估計方法時，比較了在Wi-Fi室內(nèi)定位中使用RSSI與CSI作為定位參

2、量的優(yōu)劣，給出本論文采用CSI作為定位參量的原因。在確定使用CSI作為定位參量后，研究和改進了基于CSI的定位估計算法。
　　(2)在定位算法的選擇上，不同于傳統(tǒng)的三角質(zhì)心法、雙曲線法和最小二乘法這三種算法，介紹了機器學習算法中的kNN算法和Bayes算法，并對其在基于CSI時的定位性能進行了實驗分析。實驗結(jié)果表明，kNN算法的定位性能優(yōu)于 Bayes算法。其中，定位性能的評估包括平均定位誤差和誤差累計分布函數(shù)CDF。
　　

3、(3)建立離線階段訓練指紋庫，這對系統(tǒng)的定位效果有著重要的影響。在CSI信號采集后，對 CSI數(shù)據(jù)不同的處理方式和定位參量的提取是建立指紋庫的重點。因此，本文提出了不同的算法對獲取的CSI進行處理并采用PCA對CSI數(shù)據(jù)進行降維得到新的定位參量。對以上兩種定位估計算法進行了比較分析，結(jié)果表明，這兩種算法都較傳統(tǒng)的處理方式具有更優(yōu)的定位效果。同時，采用PCA處理后得到的 CSI特征值作為定位參量時的定位性能達到最優(yōu)。通過仿真工具和實驗平臺