摘要
随着无线通信技术的发展及WiFi的普及，无线局域网络已经广泛的应用到了室内环境中，因此基于WiFi的室内定位技术也随之发展起来。基于WiFi的室内定位技术主要是基于WiFi信道状态信息（ChannelStateInformation,CSI）而展开的，相比较接收信号强度（ReceivedSignalStrength,RSS）所提供的介质访问控制层（MediumAccessControl,MAC）的信息来讲，它能够提供丰富的物理层信息。这些信息包含了丰富的特征，比如每一个子载波的CSI幅度和相位等，这为CSI室内定位打下了基础。 目前室内定位技术在定位阶段主要分为两种：基于几何的定位方法和基于特征的定位方法，本文采取的是后者，通过选取合适的特征参数来构建指纹库，从而完成对待定位节点的位置估计。本文的主要研究内容如下： 首先，针对影响定位精度的视距与非视距因素，提出将CSI幅度矩阵转化为距离矩阵作为特征参数。通过建立莱斯-K因子及天线间的相位差方差因子与环境因子和路径损耗因子的局部加权（LocallyWeightedScatterSmooth,LOWESS）回归模型，来计算不同环境下每个子载波所对应的距离，从而得到CSI距离矩阵。相比较CSI幅度矩阵来说，它克服了非视距（NotLineofSight,NLOS）所造成的幅度矩阵失效的问题，为定位阶段打下了基础。 然后，为了获取稳定的指纹库特征参数，提出了在指纹库构建之前采用基于支持向量机（SupportVectorMachine,SVM）的突发扰动检测技术，主要将突发扰动，如人员走动，对CSI的幅度统计特性造成的影响作为判断基础。通过研究分析发现，突发扰动下不同子载波的CSI幅度方差都大于无突发扰动，因此将30个子载波的幅度方差作为SVM判别的特征向量，来计算得到检测的超平面。 接下来，为了能够减少线上定位阶段的匹配次数，采用层次聚类的方法将指纹库按照距离矩阵特征进行层次聚类，将指纹库分为若干簇。在线上定位时先与每个簇的中心计算相似度，选取相似度最高的中心所在的簇作为匹配的区域，然后利用高斯加权K-近邻（GaussianWeightedK-NearestNeighbor,GWKNN）匹配算法来完成待定位节点的位置估计。 最后，选取了两个实验场景对整个室内定位系统进行评估。将配有Intel5300网卡的笔记本作为接收端，Tenda路由器作为发送端。利用MATLAB及Python分析工具对实验数据及算法进行了仿真，仿真证明距离矩阵在两种实验场景下均取得了良好的定位精度。
NETL