室内环境中通过多天线融合一组指纹的定位方法
机器学习
2017-12-21 v2 信息论
math.IT
摘要
现有大多数基于指纹的室内定位方法依赖于单一指纹，如接收信号强度（RSS）、信道冲激响应（CIR）和信号子空间。然而，单一指纹方法获得的定位精度极易受到环境变化、多径和非视距（NLOS）传播的影响。此外，构建指纹库是一个非常耗时的过程。本文提出了一种新的室内定位框架，通过多天线融合一组指纹（FAGOT）。我们首先构建一组指纹（GOOF），包含五种不同的指纹，即 RSS、协方差矩阵、信号子空间、低阶分数矩和四阶累积量，它们是在离线阶段通过对来自多天线的接收信号进行不同变换获得的。然后，我们设计了一个基于 AdaBoost 的并行 GOOF 多分类器（GOOF-AdaBoost），将这五种指纹并行训练为五个强多分类器。在在线阶段，我们将实际测量信号的相应变换输入这些强分类器以获得独立决策。最后，我们提出了一种高效的组合融合算法，即多分类器多样本（MUCUS）融合算法，通过结合不同样本的多个分类器的预测来提高定位精度。与单一指纹方法相比，我们提出方法的预测概率得到了显著提高。构建指纹的过程也可大幅缩短。我们通过广泛的仿真以及使用带有四根天线的通用软件无线电外设（USRP）平台的真实实验数据，验证了所提算法的可行性和性能。
引用
@article{arxiv.1609.00661,
title = {Localization by Fusing a Group of Fingerprints via Multiple Antennas in Indoor Environment},
author = {Xiansheng Guo and Nirwan Ansari},
journal= {arXiv preprint arXiv:1609.00661},
year = {2017}
}
备注
11 pages,9 figures, submitted to IEEE Transactions on Vehicular Technology