查看更多>>摘要：提出了一种基于拉依达准则-相关系数-卷积神经网络(Pauta criterion-correlation coefficient-convolutional neural networks,P-C-CNN)的时间序列融合定位算法.P-C-CNN方法整合了不同节点以及不同时间序列的数据点,利用时间和空间数据的相互关联性,提高了室内定位的精度和可靠性.首先,该方法使用拉依达准则-相关系数(Pauta criterion-correlation coefficient,P-C)算法对到达角度(Angle of arrival,AOA)-接收信号强度(Received signal strength,RSS)数据的异常值进行剔除,提高了训练数据的质量.其次,算法对数据进行随机间隔选取,从而缩短模型训练时间,同时较好地模拟在线定位阶段数据选取的不确定性,减少模型对训练数据的过度拟合.再次,传统单帧信息训练方法由于噪声混杂无法稳定提取信息特征,所提算法在连续采集的时间序列数据中,融合随机选取固定长度的多帧AOA-RSS数据,然后利用卷积神经网络(Convolutional neural networks,CNN)进行特征提取,避免了单帧信号定位中误差波动较大的问题.最后,通过大量实际测试,验证了所提方法的有效性.实验结果表明,在典型室内环境中,与仅采用RSS数据或者AOA信息的指纹定位算法相比,本文算法的分类准确率由 91.6%提高到了 96.4%,定位精度从 1.3 m提高到了 0.3 m;与传统基于模型的AOA-RSS联合定位相比,本文算法能较好解决实测中多径效应等干扰因素的影响,定位精度从1.1 m提高到了0.3 m.
万方数据
维普