下载文档原格式
《基于粒子滤波的智能移动终端室内定位方法研究》篇一一、引言随着智能移动终端设备的普及和物联网技术的飞速发展，室内定位技术成为了研究热点。
对于智能移动终端而言，其室内定位的准确性和稳定性直接关系到众多应用场景的实用性和用户体验。
粒子滤波作为一种有效的非线性非高斯贝叶斯滤波方法，在室内定位领域展现出强大的潜力。
本文将就基于粒子滤波的智能移动终端室内定位方法展开深入研究。
二、粒子滤波基本原理粒子滤波是一种基于贝叶斯估计的递归算法，其基本思想是通过一组随机样本（粒子）来模拟状态空间中的后验概率分布。
这些粒子通过系统的状态转移模型和观测模型进行传播和更新，从而实现对系统状态的估计。
粒子滤波适用于非线性非高斯系统，能够有效地处理复杂的动态环境。
三、智能移动终端室内定位系统架构智能移动终端室内定位系统主要由硬件设备和软件算法两部分组成。
硬件设备包括智能移动终端、信号发射器和接收器等；软件算法则主要涉及信号处理、数据分析和定位算法等。
本文研究的重点在于后者，即基于粒子滤波的室内定位算法。
四、基于粒子滤波的室内定位方法4.1 粒子初始化在室内定位系统中，首先需要初始化一组粒子，以模拟系统的初始状态分布。
这些粒子的初始位置和速度等状态信息可通过设备内置的传感器（如GPS、加速度计、陀螺仪等）获取。
同时，为了保证粒子的多样性，需要对初始粒子进行适当的扰动。
4.2 粒子传播与更新在获得初始粒子后，通过系统的状态转移模型将粒子传播到下一时刻的状态。
然后，结合观测数据对粒子进行更新。
这一过程主要通过比较粒子所处位置与观测数据的匹配程度来实现。
通过计算匹配度，可以得到每个粒子的权重，从而更新粒子的分布。
4.3 位置估计与优化根据更新后的粒子分布，可以计算出系统的状态估计值。
为了提高定位精度，需要对位置估计值进行优化。
这可以通过调整粒子的权重、增加或减少粒子数量等方式实现。
此外，还可以结合其他优化算法（如卡尔曼滤波等）进一步提高定位精度。
基于粒子滤波的室内定位算法研究现如今，定位技术已经成为人们日常生活中不可或缺的一部分，其中室内定位更是日渐普及。
而如何实现准确、精细的室内定位就成为研究者们关注的热点问题。
本文将讨论基于粒子滤波的室内定位算法。
一、室内定位问题在室内环境中，GPS信号会受到建筑物阻挡等各种因素的影响，因此室内定位需要依托其他技术手段。
目前常用的室内定位技术有无线电信号定位、图像识别技术、地磁场定位技术等。
不同的定位技术有其优缺点。
其中，基于无线电信号定位技术被广泛采用。
其基本原理是通过信号传输强度、时间差等参数来计算出定位设备与信号源的位置，大多数采用无线局域网技术（WLAN) 、蓝牙、红外、RFID 等。
本文重点研究基于无线电信号定位的算法，特别是基于粒子滤波算法。
二、粒子滤波算法粒子滤波算法又称蒙特卡洛滤波算法（MCF)，是一种基于贝叶斯滤波理论的状态估计算法，通常用于非线性非高斯系统中。
其思想是通过基于随机采样的粒子集来逼近目标概率密度分布，从而实现状态估计。
在室内定位问题中，粒子滤波算法可用于估计移动端位置。
具体而言，该算法将移动端信号采集的数据作为输入，输出预测位置的概率分布。
因此，粒子滤波算法可以有效解决信号采集中存在的误差问题，并且可用于分析不同的信号反馈机制。
三、基于无线电信号粒子滤波算法的室内定位现代室内定位技术中，基于无线电信号的定位变得越来越流行。
通过无线局域网接入点（AP）或蓝牙信标，结合采样设备接收到的信号强度与通信距离，即可估计采样设备在室内环境下的实时位置。
在这种计算过程中，采样设备接收到的信号强度与距离并非一一对应，而是在不同的距离下，相应的信号强度也会发生变化。
因此，在计算室内环境下采样设备位置时，需要对离散数据进行概率建模，从而得出精度较高的定位结果。
这时，基于粒子滤波算法的定位技术就有着优秀的性能表现。
四、实际应用中的问题当应用基于粒子滤波算法的室内定位技术时，需要注意以下两点问题：1、粒子数选择粒子数越多，可以得到更准确地定位结果，但会耗费更多的计算资源。
一种基于粒子滤波的多源融合室内定位方法刘嘉钰1,2，郭凤娟1,2，李江1,2（1 中国电子科技集团公司第二十研究所，西安 710068；2 陕西省组合与智能导航重点实验室，西安 710068）摘 要：室内定位技术作为社会各行业迫切需求的科技服务，尚无公认完善的解决方法。
由于单一技术的定位方法不可消除其固有缺点，多种定位技术融合提升的方法是实现高精度室内定位的重要研究方向。
本文面向日益复杂的室内环境，提出一种多源融合室内定位方法，将深度置信网络与RSSI指纹定位方法相结合实现粗略定位，同时使用行人航位测算技术完成行人航迹预测。
然后运用粒子滤波器将粗略定位结果与预测的行人航迹信息相融合，提升了传统RSSI室内指纹定位技术的精确度与实时性。
关键词：RSSI指纹定位法；多源融合定位；深度置信网络；粒子滤波中图分类号：TN92 文献标识码：A 文章编号：1674-7976-(2021)-02-098-06 Multi-Source Indoor Positioning Method Based on Particle FilterLIU Jiayu, GUO Fengjuan, LI JiangAbstract:Indoor positioning technology as the urgent demand of various industries of science and technology services, there is no recognized perfect solution. Because every positioning technology can not eliminate its inherent shortcomings, the integration of multiple positioning technologies is an important research direction to achieve high precision indoor positioning. Facing increasingly complex indoor environment, a multi-source indoor positioning method is proposed in the paper, which combines deep confidence network and RSSI fingerprint positioning method to achieve rough positioning. At the same time, pedestrian position measurement technology is used to complete pedestrian track prediction. Then, the particle filter is used to fuse the rough positioning results with the predicted pedestrian track information, which improves the accuracy and real-time performance of the traditional RSSI indoor fingerprint positioning technology.Key words: RSSI Fingerprint Positioning; Multi-Source Indoor Positioning; DBN; Particle Filter0 引言无线室内定位技术是在室内环境下使用WiFi[1-2]、蓝牙[3-4]、超宽带[5-6]、RFID[7-8]和ZigBee[9-10]等无线传输技术以及惯性导航等定位手段获取目标在室内区域中的位置信息。
《基于粒子滤波的智能移动终端室内定位方法研究》篇一一、引言随着科技的进步和物联网的飞速发展，智能移动终端的定位技术已成为众多领域的研究热点。
室内定位技术因其独特的优势，如无需依赖全球定位系统（GPS）等，正逐渐受到广泛关注。
本文将重点研究基于粒子滤波的智能移动终端室内定位方法，旨在提高定位精度和效率。
二、室内定位技术概述室内定位技术主要包括基于无线信号、超声波、红外线、视觉等多种方式。
其中，基于无线信号的定位方法因其低成本、高覆盖率和易于实施等特点，在室内定位领域具有广泛应用。
本文研究的重点在于基于粒子滤波的无线信号室内定位方法。
三、粒子滤波原理及其应用粒子滤波是一种基于蒙特卡洛方法的贝叶斯滤波算法，用于估计动态系统的状态。
该方法通过一系列带权值的随机样本（粒子）来表示系统状态的概率分布，并利用观测信息和系统动态模型进行迭代更新，最终得到状态估计。
在室内定位中，粒子滤波可以有效地处理非线性、非高斯等问题，提高定位精度。
四、基于粒子滤波的智能移动终端室内定位方法本文提出的基于粒子滤波的智能移动终端室内定位方法，主要利用无线信号传播特性和粒子滤波算法进行定位。
具体步骤如下：1. 采集环境信息：通过智能移动终端收集室内环境中的无线信号信息，包括信号强度、传播时间等。
2. 建立粒子滤波模型：根据收集到的环境信息，建立粒子滤波模型，初始化粒子集和权值。
3. 粒子更新：利用系统动态模型和观测信息，对粒子进行更新，包括位置、速度等信息。
4. 状态估计：通过权值加权的方式，对所有粒子进行融合，得到系统状态的最优估计。
5. 定位输出：将状态估计结果作为智能移动终端的室内定位结果输出。
五、实验与分析为了验证本文提出的基于粒子滤波的智能移动终端室内定位方法的可行性和有效性，我们进行了实验分析。
实验结果表明，该方法在室内环境下具有较高的定位精度和稳定性，能够有效提高智能移动终端的室内定位性能。
六、结论与展望本文研究了基于粒子滤波的智能移动终端室内定位方法，通过实验验证了其可行性和有效性。
《基于粒子滤波的智能移动终端室内定位方法研究》篇一一、引言随着科技的进步和物联网的快速发展，室内定位技术已成为智能移动终端领域的重要研究方向。
室内定位技术不仅在商业、军事、医疗等领域具有广泛的应用前景，同时也为人们的生活带来了极大的便利。
本文将重点研究基于粒子滤波的智能移动终端室内定位方法，通过分析其原理、优势及存在的问题，为后续的深入研究提供理论支持。
二、粒子滤波理论基础粒子滤波是一种基于贝叶斯估计的递归滤波算法，适用于非线性、非高斯系统的状态估计问题。
其基本思想是通过一组随机样本（粒子）来近似表示状态的后验概率分布，通过对这些粒子的加权和来估计状态的最优值。
粒子滤波具有较高的精度和较好的鲁棒性，在许多领域得到了广泛的应用。
三、基于粒子滤波的智能移动终端室内定位方法1. 系统架构：基于粒子滤波的智能移动终端室内定位系统主要包括硬件设备和软件算法两部分。
硬件设备包括移动终端、信标等；软件算法则以粒子滤波为核心，实现对移动终端的精确室内定位。
2. 工作原理：首先，通过在室内环境中布置一定数量的信标，以发射信号；然后，移动终端接收信标信号，根据信号的强度、时间等信息，结合粒子滤波算法，估计出移动终端的位置。
3. 算法实现：基于粒子滤波的室内定位算法包括初始化、预测和更新三个步骤。
初始化阶段，根据先验信息生成一组随机粒子；预测阶段，根据粒子的运动规律预测其可能的位置；更新阶段，根据观测信息对粒子进行加权和重采样，得到后验概率分布，进而估计出移动终端的位置。
四、优势与挑战1. 优势：基于粒子滤波的智能移动终端室内定位方法具有较高的精度和较好的鲁棒性。
此外，该方法还能有效地处理非线性、非高斯系统的状态估计问题，适用于复杂的室内环境。
2. 挑战：尽管粒子滤波在理论上具有诸多优势，但在实际应用中仍面临一些挑战。
例如，粒子的数量和选择对定位精度的影响、信标布置的合理性、信号干扰等问题都需要进一步研究和解决。
五、实验与分析为了验证基于粒子滤波的智能移动终端室内定位方法的性能，我们进行了大量的实验。
基于粒子滤波的室内自主移动机器人快速定位方法定位是指机器人获得在地图中的位姿,它是移动机器人实现自主运动的重要技术之一,是机器人执行相应任务的前提。
粒子滤波是一种有效的全局定位方法,通过在全局地图中撒播粒子作为机器人位姿的多种猜测,将传感器数据与粒子在地图中的环境相比较得到粒子的置信度。
但要想使粒子滤波表现出较高的定位精度需要保持较多的粒子数量,这样会造成计算速度降低,增加机器人的计算负担,因此提高粒子滤波的计算速度对于降低粒子滤波定位的成本有着重要意义。
本文针对粒子滤波定位算法在维持大量粒子时速度较慢的问题,提出使用高精度里程计提高粒子分布的准确性,并对粒子的加权阶段做出改进,提高加权的速度。
本文的主要工作如下:(1)为了使得粒子的分布更加准确,本文使用编码器与IMU融合的里程计代替单一的编码器里程计,再附加机器人运动模型产生的行程噪声移动粒子,提高了粒子分布的准确性。
(2)在计算粒子权重的阶段中,需要用到光线投射算法计算粒子周围最近障碍物距离。
将这种算法使用在每个粒子上造成了运算耗时过长的缺点。
因此本文提出了查找表法,预先执行光线投射算法并将结果存入查找表中。
在此基础上,又提出了改进的查找表法,这种查找表法相比常规的查找表既可以维持基本相同的加速性能,又能减少预计算时间、降低查找表占用的内存。
最后,针对粒子滤波具有并行化结构的特点,还提出了使用GPU(图形处理器)对粒子加权部分进行并行化运算,并与改进的查找表法结合,进一步提高运算速度。
(3)基于ROS(机器人操作系统)的实验表明,在使用高精度里程计分布粒子的基础上,当使用查找表法进行粒子加权时,加权的计算速度可加快达到数十倍,但这种方法的代价是查找表内存太大。
改进的查找表法解决了这一弊端。
当使用GPU运算时,粒子更新速度同样加快,但效果比不上查找表法。
而当GPU结合改进的查找表时速度最快,5000个粒子的权重更新耗时仅需要10ms左右。
本文的方法使得粒子滤波速度得到大幅度提升,并且这种方法对计算资源的要求较低,可以很好地降低机器人成本、提高机器人定位速度或准确性。
《基于粒子滤波的智能移动终端室内定位方法研究》篇一一、引言随着移动互联网技术的迅猛发展，智能移动终端已经广泛应用于我们的日常生活与工作中。
在众多的应用场景中，室内定位技术尤为关键。
而如何准确、高效地实现室内定位，已成为当前研究的热点问题。
本文针对这一问题，重点研究了基于粒子滤波的智能移动终端室内定位方法。
二、背景及现状分析室内定位技术相较于室外定位技术，因其环境的复杂性和多变性，具有更大的挑战性。
传统的室内定位方法如Wi-Fi定位、蓝牙定位等，虽已取得了一定的成果，但仍存在定位精度不高、稳定性差等问题。
近年来，随着粒子滤波算法的兴起，其在智能移动终端室内定位领域的应用越来越广泛。
三、粒子滤波算法原理粒子滤波是一种基于蒙特卡罗方法和贝叶斯滤波的递归算法，用于解决非线性非高斯状态空间模型的问题。
其基本思想是通过一组随机样本（粒子）来表示状态空间中的概率分布，并利用这些粒子的加权和来逼近系统的状态后验概率密度。
在室内定位中，粒子滤波通过收集智能移动终端的传感器数据，如加速度、陀螺仪等，来估计终端的位置。
四、基于粒子滤波的智能移动终端室内定位方法本文提出的基于粒子滤波的智能移动终端室内定位方法，主要包括以下步骤：1. 数据采集：利用智能移动终端的传感器，如加速度计、陀螺仪等，实时采集终端的移动轨迹和姿态数据。
2. 粒子初始化：根据采集的数据，初始化一组粒子，每个粒子代表一个可能的位置。
3. 粒子权重更新：利用粒子滤波算法，根据粒子的运动轨迹和传感器数据，更新每个粒子的权重。
4. 位置估计：通过加权平均所有粒子的位置，得到智能移动终端的估计位置。
5. 迭代优化：根据估计位置与实际位置的差异，对粒子进行迭代优化，提高定位精度。
五、实验与分析为了验证本文提出的基于粒子滤波的智能移动终端室内定位方法的有效性，我们进行了大量的实验。
实验结果表明，该方法在各种室内环境下均能实现较高的定位精度和稳定性。
与传统的室内定位方法相比，该方法具有更高的鲁棒性和适应性。
《基于粒子滤波的智能移动终端室内定位方法研究》篇一一、引言随着科技的发展，室内定位技术已经成为人们日常生活中不可或缺的一部分。
在智能移动终端的广泛应用下，室内定位技术显得尤为重要。
传统的室内定位方法如Wi-Fi、蓝牙、ZigBee等虽然有一定的效果，但在复杂环境和动态场景下的定位精度和稳定性仍有待提高。
近年来，基于粒子滤波的智能移动终端室内定位方法逐渐成为研究热点。
本文将就基于粒子滤波的智能移动终端室内定位方法进行研究，分析其原理、应用及优势。
二、粒子滤波理论概述粒子滤波是一种基于蒙特卡罗思想和贝叶斯估计理论的非线性滤波方法，能够有效地解决非线性非高斯系统下的状态估计问题。
该方法通过一组随机样本（粒子）来表示系统状态的概率分布，通过不断地采样和权值更新来逼近系统状态的后验概率密度函数，从而实现对系统状态的估计。
三、基于粒子滤波的智能移动终端室内定位方法1. 系统模型构建基于粒子滤波的智能移动终端室内定位方法需要构建一个包含移动终端、信号源和环境的系统模型。
其中，移动终端搭载传感器，可接收来自信号源的信号；环境包括各种信号干扰源和反射物等。
2. 粒子初始化在粒子滤波中，粒子的初始化是关键的一步。
在智能移动终端室内定位中，粒子的初始化应根据移动终端的初始位置信息和环境信息来确定。
初始粒子的分布应尽可能覆盖可能的位置空间，以保证后续采样的准确性。
3. 粒子采样与权值更新粒子采样是粒子滤波的核心步骤。
在智能移动终端室内定位中，采样过程应结合移动终端的传感器数据和环境信息，通过一定的策略生成新的粒子集。
权值更新则是根据粒子与实际观测值之间的匹配程度来调整粒子的权值，以逼近系统状态的后验概率密度函数。
4. 状态估计与定位通过上述步骤，可以得到一组加权粒子，其中权值较大的粒子更接近真实状态。
因此，可以通过加权粒子的均值或众数来估计系统状态，实现智能移动终端的室内定位。
四、应用与优势基于粒子滤波的智能移动终端室内定位方法具有以下优势：1. 适应性强：粒子滤波能够处理非线性非高斯系统下的状态估计问题，适用于复杂环境和动态场景下的室内定位。
《基于粒子滤波的智能移动终端室内定位方法研究》篇一一、引言随着科技的快速发展，定位技术在智能移动终端上应用日益广泛，尤其是室内定位技术在日常生活中的重要性日渐突出。
为了在复杂的室内环境中提供高精度、稳定且高效的定位服务，研究者们正积极研究并发展各类室内定位方法。
本文旨在研究基于粒子滤波的智能移动终端室内定位方法，以实现精确的室内定位。
二、室内定位技术概述室内定位技术主要包括基于无线信号、超声波、视觉图像、磁力等不同原理的定位方法。
这些方法各有优缺点，如无线信号定位技术具有较好的覆盖范围，但易受环境因素影响；超声波和视觉图像定位技术精度较高，但设备成本较高。
本文所研究的基于粒子滤波的室内定位方法，可以综合利用这些技术的优点，提高定位精度和稳定性。
三、粒子滤波理论基础粒子滤波是一种基于蒙特卡洛方法的递归贝叶斯滤波算法，适用于解决非线性、非高斯状态空间模型下的状态估计问题。
该方法通过一组随机样本（粒子）来近似表示状态的后验概率密度函数，通过不断迭代更新粒子的状态和权重，实现状态的最优估计。
在室内定位中，粒子滤波可以有效地解决多径效应、信号衰减等问题，提高定位精度。
四、基于粒子滤波的智能移动终端室内定位方法1. 系统架构：基于粒子滤波的室内定位系统主要包括移动终端、无线信号采集模块、粒子滤波处理模块和地图数据库等部分。
移动终端负责采集无线信号数据，并通过无线通信将数据发送至粒子滤波处理模块；粒子滤波处理模块根据接收到的数据和地图数据库中的信息，利用粒子滤波算法进行状态估计和位置预测；地图数据库则存储了室内环境的地图信息和无线信号传播模型等数据。
2. 算法流程：首先，移动终端通过无线信号采集模块获取周围环境的无线信号数据；然后，将数据发送至粒子滤波处理模块；在处理模块中，根据接收到的数据和地图数据库中的信息，利用粒子滤波算法对移动终端的位置进行估计和预测；最后，将预测的位置信息通过无线通信发送至移动终端。
《基于粒子滤波的智能移动终端室内定位方法研究》篇一一、引言随着科技的进步和物联网的快速发展，室内定位技术成为了近年来的研究热点。
其广泛的应用场景，如导航、监控、医疗和公共安全等领域，都需要准确高效的室内定位技术来支撑。
然而，传统的室内定位方法常常面临着复杂的环境因素和多变的场景影响，如何更精准、有效地进行室内定位是一个巨大的挑战。
针对此问题，本文提出了一种基于粒子滤波的智能移动终端室内定位方法，旨在解决传统定位方法的局限性和不足。
二、粒子滤波理论基础粒子滤波是一种基于贝叶斯估计的递归算法，它通过一组随机样本（粒子）来近似表示状态空间中的概率分布。
这种方法在处理非线性、非高斯问题时具有显著的优势。
在粒子滤波中，每个粒子都代表一个可能的状态，通过不断更新粒子的权重和位置，最终可以得到状态的最优估计。
三、基于粒子滤波的智能移动终端室内定位方法针对智能移动终端的室内定位问题，我们首先需要对室内环境进行建模，并根据环境的特征选取适当的传感器进行数据采集。
在此基础上，我们使用粒子滤波算法进行位置估计。
1. 建模与数据采集：通过安装传感器，我们可以实时获取智能移动终端的位置信息。
此外，还需要根据室内环境特征建立相应的模型，如地图模型、环境模型等。
2. 粒子初始化：根据初始状态信息，生成一组随机粒子作为初始位置分布。
每个粒子的权重都相同，代表初始状态下对位置的不确定性。
3. 粒子状态更新：利用传感器的数据更新粒子的状态，根据环境模型和地图模型进行位置估计，得到新的粒子位置和权重。
4. 位置估计：通过加权平均的方法得到移动终端的位置估计值。
当新一帧的数据到来时，更新粒子的位置和权重，重新进行位置估计。
四、实验与结果分析为了验证本文提出的基于粒子滤波的智能移动终端室内定位方法的性能，我们进行了实验测试。
实验结果表明，该方法在多种环境下均能实现准确的室内定位，具有较高的稳定性和可靠性。
同时，与其他室内定位方法相比，该方法在复杂环境下具有更好的性能表现。
2017年9月计算机工程与设计 Sept. 2017第38 卷第9 期COMPUTER ENGINEERING AND DESIGN Vol. 38 No. 9粒子滤波结合RBF神经网络用于室内定位李丽娜S梁德驕w，王越S尤洪祥1(1.辽宁大学物理学院，辽宁沈阳110036;2.中国联通系统集成有限公司辽宁省分公司，辽宁沈阳110036)摘要：基于接收信号强度指示的室内定位方法在实际应用中定位精度不够理想，有待提高，鉴于此，提出一种改进的粒 子滤波定位算法。
将测距定位问题转化为非线性不相关方程组的最优化问题，根据测距误差大小对适应度值进行加权计 算，平衡不同参考节点对定位目标的影响力，在一定程度上提高定位精度。
提出利用RBF神经网络对室内传播损耗模型进 行训练，进一步提高测距精度，保证定位优化问题模型的准确性。
实验结果表明，所提定位算法平均定位误差约为30 cm, 基本可以满足一般的室内定位精度的要求。
关键词：室内定位；接收信号强度指示；粒子滤波；适应度加权计算；RBF神经网络中图法分类号：TP391.44 文献标识号： A 文章编号：1000-7024 (2017) 09-2509-06doi：10. 16208/j. issnl000-7024. 2017. 09. 039Application of particle filter combined with RBF NN in indoor positioning L I L i-n a1?L IA N G D e-su1?2?W A N G Y u e1?Y O U H o n g-xiang1(1. College of Physics, Liaoning University, Shenyang 110036，China；2. System Integration Limited Corporation Liaoning Branch, China UNICOM, Shenyang 110036，China) Abstract：The positioning accuracy of indoor positioning methods based on the received signal strength indication is not ideal, which needed to be improved in the practical application. For the mentioned problems? an improved particle filter algorithm was proposed. The ranging and positioning problem was converted into an optimization problem of nonlinear equations, and fitness value was processed through weighted calculation based on the ranging errors, the influences of different reference nodes on the target position were counterpoised，by which the positioning accuracy was improved to a certain extent. A new relevance vector machine algorithm based on mixed kernel functions was proposed to train the indoor propagation loss model, by which the ranging precision was improved and the accuracy of positioning optimization problem model was ensured. Experimental results show that the average positioning error of the proposed algorithm is about 30 cm, which can meet the indoor positioning accuracy requirements well.Key words：indoor positioning；received signal strength indication (RSSI) ；particle filter；fitness weighted calculation；radial basis function (RBF) neural network〇引言基于接收信号强度指示（received signal strength i n dication,RSSI)的几何定位法因实现简单、通信开销小、系统成本低等优点而应用广泛[M]。
目前，基于几何法的室内 定位算法主要可分为基于测距的和与距离无关的两类。
与 距离无关的定位算法如质心法、加权质心法等虽然对硬件要求不高，但定位误差比较大[4’5];而基于测距的三边或多 边定位法、极大似然法等因在实际应用中各定位圆周往往 不能相交于一点，很难求得最优解，同时大多数情况下不 会过多考虑各定位参考点的布局对定位结果的影响因素，因此通常很难达到较高的定位精度[6’7]。
针对以上，本文采用RSSI测距定位技术，提出一种基 于测距误差的适应度值加权计算的粒子滤波（particle fa-收稿日期：2016-06-03;修订日期：2017-06-06基金项目：国家自然科学基金青年基金项目（61403176);辽宁省教育厅科学技术研究基金项目（L2013003)作者简介：李丽娜（1973-)，女（满族)，辽宁本溪人，博士，副教授，研究方向为物联网感知层相关技术；梁德骑（1990-)，男，辽宁 盘锦人，硕士研究生，研究方向为RFID室内定位技术；王越（1993 -)，男，辽宁本溪人，硕士研究生，研究方向为无线传感网络技术及 应用技术；尤洪祥（1991-），男，山东临沂人，硕士研究生，研究方向为嵌人式系统开发及应用技术。
E-mail: lilina73@• 2510 •计算机工程与设计2017 年ter ，P F )室内定位算法，将测距定位问题转化为非线性方程组的最优化问题，并根据测距误差大小对适应度值进行 加权计算，从而可以兼顾到不同参考节点对定位目标的影 响力，可在一定程度上提高定位精度。
此外，考虑到测距定位方程组中参考节点与待定位节 点间各距离值的准确性将直接影响求解精度，而此距离值 须要利用室内无线信号传播损耗模型由测得的R S S I 值计算获得，为此，采用径向基函数（radial basis function, R B F )神经网络对距离和R S S I 样本进行训练，以此来构建室内传 播损耗模型用于建立定位模型，以提高测距精度，保证定 位优化问题模型的准确性。
1基于粒子滤波的室内测距定位算法1.1定位原理使用几何测距法进行室内定位时，设定参考节点坐标 为（％，&)、参考节点到待定位点的距离为便可以得 到包含若干个圆方程的非线性方程组，于是便可将定位问 题转换为求解超定的非线性方程组数值解的问题。
理论模 型如式（1)所示Y i (x ,y ) = 0/2= 0 s . t .x ,y G A：^>2、f g (工，y ) =〇其中，fi(工，y ) =| (x —mi)2Jr (y —?ii)2—d2i \, i=1,2，…，g 为方程个数，数量由参与运算的参考标签节点数量决定，一般情况下要多于未知数的个数；A 为定位 区域范围。
针对式（1)所示方程组，最常见的求解方法是极大似 然法[8]，但在实际情况下，由于环境噪声、仪器观测误差 等，使得各定位圆周往往无法确保相交于待定位坐标点， 因此很难获得最优解。
鉴于此，本文引入粒子滤波算法用 以求解式（1)所示的定位方程组最优数值解，进而实现室 内目标的精确定位。
通常情况下，求解优化问题可以等同于系统最优状态 估计问题，于是可得系统状态更新及观测方程如下X , = fAXk -^U k -0 (2)Zk = fitn ess (Xk )(3)其中，X ,为々时刻系统的状态，即第々次迭代的最优估计 解；力是关于系统状态的一个非线性函数，厶为适 应度函数值，你-!是系统噪声。
于是，定位计算可通过求解式（4)所表达的最优化问 题予以解决(1)程组最优解，即获得待定位目标坐标结果（I ，y )。
此求解 过程就将采用本文基于测距误差的适应度值加权计算的粒 子滤波改进算法实现。
预建立如式（4)和式（1)所示的用于实现定位的最 优化问题模型，首先需要利用径向基函数神经网络训练得 到室内传播损耗模型，进而根据测量得到的RSSI 值求得方 程组中的各A 值，下面将对此测距方法进行详细介绍。
1.2测距算法在实际的室内环境中，无线信号传播损耗模型近似于 一种关于距离值d 与信号强度值P 的对数函数，如式（5) 所示P (d ) = P (d 〇 ) - 10 . 77 . l g (d /d 〇 )^r X(5)其中，d 为距离值；A 为基准距离值；P U )为RSSI 值;^为传播损耗因子；X 为环境噪声。
考虑到基于经验模型的传播损耗模型受室内多径效应、 硬件稳定性、系统时变性等因素影响而导致环境适应性较 差，因此，本文提出基于R B F 神经网络对室内传播损耗模 型进行训练，进一步提高测距精度，为建立准确的定位优 化问题模型奠定基础。
本文采用单输入单输出结构的R B F 神经网络用以训练传播损耗模型，神经网络输入对应接收信号强度值即RSSI 值，在此以P 表示，神经网络输出对应距离值，在此以^表示，神经网络模型如图1所示。
R B F 神经网络的径向基函数选取高斯函数，如式（6)所示(p (P ) = exp (—) (6)网络的径向基函数中心C 利用基于K -均值聚类方法求 得。
径向基函数的宽度参数统一采用式（7)进行计算/m其中，r m ax 为聚类中心间最大距离，M 为训练样本数。
隐层 节点数则利用文献[n ]中给出的最大矩阵元法确定。
通 过神经网络学习得到隐层到输出层的权值c o ,完成传播损 耗模型训练，便可以利用测得的RSSI 值计算式（1)中的 各距离值完成定位优化问题模型的建立。
