本文選題：地磁場　切入點：粒子濾波　出處：《東華理工大學》2017年碩士論文

【摘要】：現如今,人們的日常活動大多在室內進行,導致基于位置感知的應用的激增,對于位置服務的需求也與日俱增。室內定位主要存在三方面的難點:首先,障礙物,干擾源較多,室內環境呈現出較強的動態性。其次,測量誤差。最后,定位往往需要依賴于其他輔助設備,設備本身的局限性。針對以上定位的三大難點,綜合室內地磁場的分布特點。在無干擾源的條件下,室內地磁場變化微弱。但真實室內空間,隨機分布的諸多干擾源形成地磁場的獨特分布。為此本文利用干擾源對磁場特征的影響完成定位過程,首先利用特征梯度去建立特征指紋庫,以此來消除輔助設備干擾。但利用地磁場作為定位載體依然面臨著一大問題。復雜的室內分布也會存在局部的特征分布平滑區域,稱之為“盲區”,例如,走廊,過道等區域。為解決此類問題,基于數理統計方法的粒子濾波,以總體的樣本分布去估測真實位置點分布,利用粒子濾波匹配明顯的特征分布區域。另外,本文通過建立預處理過程進行區域劃分,待區域識別完成后,建立自適應粒子濾波,從而解決“盲區”定位問題。本文選取一個400平方米樣本空間,通過移動設備采集室內空間樣本點的地磁場強度和三分量值,經最臨近,三次樣條,雙線性,雙三次四種插值方法分別建立室內特征分布指紋庫。之后,進行特征區域劃分,并且利用觀測值去尋找最佳匹配方案。最后,將感知信息融入粒子濾波去建立自適應過程,自適應優化濾波參數。此預處理過程建立測試點和指紋庫之間的關聯,以便于更好的去識別測試點。本文主要解決以下三個方面的問題。首先,通過有限樣本點建立室內地磁特征指紋庫。進而,利用室內地磁場特征分布的獨特性和特征指紋庫與測試點之間的關聯度,對室內空間進行敏感度區域劃分。最后,將室內特征分布與測試點之間的關聯信息融入粒子濾波,自適應匹配環境特征,自動優化濾波參數。通過測試,最臨近插值所建立的指紋庫效果最差。自適應粒子濾波較傳統粒子濾波算法,定位誤差穩定,精度高。在不同分辨率條件下,191*191,381*381,951*951,經過100次隨機定位測試,定位誤差分別平均減小0.41m,1.25m,1.71m。
[Abstract]:Nowadays, most of people's daily activities are carried out indoors, which leads to the proliferation of location-aware applications and the increasing demand for location-based services. There are three main difficulties in indoor positioning: first, there are many obstacles and sources of interference. Indoor environment shows strong dynamic. Secondly, measurement error. Finally, positioning often depends on other auxiliary equipment, the limitations of the equipment itself. The distribution of indoor geomagnetic field is synthesised. The change of indoor geomagnetic field is weak under the condition of no interference source. But the real indoor space, The random distribution of many interference sources forms the unique distribution of the geomagnetic field. In this paper, the influence of the interference source on the magnetic field features is used to complete the localization process. Firstly, the characteristic fingerprint database is established by using the characteristic gradient. But using the geomagnetic field as a positioning carrier still faces a major problem. Complex indoor distributions can also have local feature distribution smoothing areas, known as "blind areas," such as corridors. In order to solve this problem, particle filter based on mathematical statistics is used to estimate the distribution of real location points with the total sample distribution, and the particle filter is used to match the obvious feature distribution area. In this paper, the preprocessing process is established to divide the area, and the adaptive particle filter is set up to solve the problem of "blind zone" location after the region recognition is completed. In this paper, a sample space of 400 square meters is selected. The geomagnetic field intensity and three component values of indoor spatial sample points were collected by mobile devices. The fingerprint database of indoor feature distribution was established by the nearest, cubic spline, bilinear and bicubic interpolation methods, and then the feature regions were divided. Finally, the perceptual information is incorporated into the particle filter to establish the adaptive process and the filter parameters are adaptively optimized. The preprocessing process establishes the correlation between the test points and the fingerprint database. In order to better identify the test points. This paper mainly solves the following three problems. Firstly, the indoor geomagnetic feature fingerprint database is built through limited sample points. By using the uniqueness of the indoor geomagnetic field characteristic distribution and the correlation degree between the characteristic fingerprint database and the test points, the sensitivity region of indoor space is divided. Finally, the correlation information between indoor characteristic distribution and test point is incorporated into particle filter. Adaptive matching of environmental features, automatic optimization of filtering parameters. By testing, the closest interpolation fingerprint database is the worst. The adaptive particle filter is more stable than the traditional particle filter algorithm, and the localization error is stable. The accuracy is high. After 100 random positioning tests, the positioning error is reduced by 0.41mt / 1.25mt / 1.71mrespectively under different resolution conditions.
【學位授予單位】：東華理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TN713;P318

【相似文獻】

相關期刊論文 前10條

1 趙軍;李鴻斌;王智;;無線網絡室內定位系統研究[J];信息與控制;2008年04期

2 李振;姚以鵬;;大型公共場館智能室內定位導游系統的技術研究[J];廣東科技;2013年12期

3 袁飛;;淺談室內定位與機場旅客個性化服務[J];中國科技信息;2014年08期

4 王俊;;淺析測繪技術的新發展——室內定位技術[J];科教文匯(下旬刊);2012年10期

5 馮燕;;一種基于位置指紋的室內定位方法[J];科技信息;2014年08期

6 石瑩;趙梗明;;協作室內定位優化算法[J];上海師范大學學報(自然科學版);2014年03期

7 趙永翔;周懷北;陳淼;溫斌;;卡爾曼濾波在室內定位系統實時跟蹤中的應用[J];武漢大學學報(理學版);2009年06期

8 王小明;;基于WLAN的室內定位技術探討[J];江西測繪;2014年01期

9 高雪晨;蔣泰;曹林峰;;基于RFID的室內定位系統設計[J];廣西科學院學報;2013年01期

10 李娟娟;張金藝;張秉煜;周榮俊;唐夏;;藍牙4.0標準規范下的模糊指紋定位算法[J];上海大學學報(自然科學版);2013年02期

相關會議論文 前8條

1 張立立;鐘耳順;;無線室內定位技術[A];中國地理信息系統協會第八屆年會論文集[C];2004年

2 郭明濤;李文元;龔福春;;室內定位方法分析[A];2007北京地區高校研究生學術交流會通信與信息技術會議論文集（下冊）[C];2008年

3 郭旭斌;葉長城;王憶文;李輝;;基于無線傳感器網絡的室內定位系統[A];第十五屆計算機工程與工藝年會暨第一屆微處理器技術論壇論文集（A輯）[C];2011年

4 房秉毅;李熹;;超寬帶室內定位系統研究[A];2005年全國超寬帶無線通信技術學術會議論文集[C];2005年

5 高雪晨;蔣泰;曹林峰;;基于RFID的室內定位系統設計[A];廣西計算機學會2012年學術年會論文集[C];2012年

6 徐勁松;盧曉春;邊玉敬;;基于UWB的室內定位系統設計與仿真[A];2009全國時間頻率學術會議論文集[C];2009年

7 雷地球;羅海勇;劉曉明;;一種基于WiFi的室內定位系統設計與實現[A];第六屆和諧人機環境聯合學術會議（HHME2010)、第19屆全國多媒體學術會議（NCMT2010）、第6屆全國人機交互學術會議（CHCI2010）、第5屆全國普適計算學術會議（PCC2010）論文集[C];2010年

8 胡斌;宋娜娜;;基于航位推測技術的消防人員室內定位系統研究[A];2014中國消防協會科學技術年會論文集[C];2014年

相關重要報紙文章 前10條

1 本報記者 馬靜t，

本文編號：1673856