《基于神经网络的RSSI测距技术设计（论文）》

基于神经网络的RSSI测距技术设计目录TOC\o"1-3"\h\u220901绪论 II1绪论在近年来，随着网络的无线通信技术的发展和普及，新业务的需求增多，且陆地来源的污染来源的基于位置服务的生产生活中起到重要作用，如何确定用户的位置是无线网络应用程序首要问题，因此，定位技术是计算和考虑基于位置的服务的核心问题。根据上下文和应用场景，定位技术可以分为内部定位技术和外部定位技术。外部定位系统主要是蜂窝定位和GPS。蜂窝无线定位，即手机的定位，是基于蜂窝网络基站的定位精度取决于在内的移动基站分布和基站的信号覆盖范围的基础。1996年，美国联邦通信委员会通过了E-911(Emergencycall“9·11”)，后者要求供应商向其用户提供移动通信服务，对外定位精度小于1.25m，2001年以后，美国的FCC方面实行了更严格的要求，精准定位和三维空间。基于移动蜂窝网络的定位技术在政府要求和市场利益的推动下得到了广泛应用。到目前为止，美国的GPS系统是世界上使用最广泛、用户最多的定位系统。GPS系统由24颗卫星组成，地面接收机可同时接收4颗以上卫星在任何时间、任何地点发出的信号。电磁波传播的距离要求并最终用户的计算方法是:从卫星，卫星信号的到达时间和最终用户的特定位置定位方法的计算方法是用三种语言，民用定位精度小于或等于1500万。与此同时，其他国家发展了与定位系统的自主知识产权，特别是与中国的北斗卫星定位系统，定位与俄罗斯的Glonass系统和与欧盟的伽利略定位系统。但是在城市环境中，GPS卫星发出的电磁信号太弱，例如，建筑物阻碍了卫星信号的传播，造成了所谓的“城市峡谷”效应，阻碍了GPS系统的正确定位。因此，虽然GPS系统可以有效地定位在外部环境中，但它们不能有效地定位在内部环境中。随着GPS技术的发展，北斗导航技术和其他外星变得足够成熟大大便利我们的生活，但使用这种技术，如GPS、北斗等随着WIFI技术发展越来越多的人开始使用WIFI技术的室内外定位地成为热点研究，目前基于WIFI室内定位应用也越来越广泛。首先，在更复杂的情况下，当GPS、北斗等国内导航技术经常使搜索内部空间变得困难时;其次，主要技术之所以内部WIFI定位成了目前盛行，在于容易实现WIFI，不需要增加额外的设备，拥有优势低成本，因为数量为WIFI热点室内增加，导致大幅降低成本内部配置WIFI设备。1.1研究背景及意义随着室内空间越来越复杂，传统的文字箭头等标识越来越难解决室内导航问题。今后人们在室内活动的时间越来越多的问题将更为突出。随着定位技术的发展，定位技术的相关应用在日常生活中越来越普遍，定位服务(locationbasedserviceLBS)也越来越多。目前，GPS，北斗等室外定位技术非常成熟，GPS，北斗等以技术为基础的室外定位软件越来越多，大大方便了我们的室外定位导航和出行。随着wifi等无线局域网技术的发展，利用wifi确定室内定位的技术得到越来越广泛的应用。从成本上看，利用目前普及的WIFI室内定位设备配置设备简单，成本低。从技术上看，日益成熟的WIFI定位技术越来越容易实现[1]。室内定位具有良好的应用前景和广阔的应用前景。例如，在室内定位和导航方面，机场室内导航服务可以快速帮助客户查找机场值机登机口、卫生间、服务区等信息。地下车库室内导航服务，可以快速找到自己的车；医院导航服务帮助患者快速到相应科室就医，帮助患者家属快速找到患者。医院的导航系统会根据位置将患者引导到相应的科室。使用在线支付系统，避免排队的麻烦。在室内安全方面，消防队员配备定位器，当其他消防队员较弱或需要支援时，定位器可以向其他消防队员发送位置信息，方便救援可视化。在公共场所发生恐怖袭击或突发灾难时，公共场所后台指挥需要与现场人员配合。利用室内定位技术，使后台指挥能够实时了解现场人员的动向，使现场人员能够更好地了解现场情况，及时有效地对现场情况做出反应。在紧急情况下，如果救援人员能够准确定位呼救人的准确位置，将会给室内救援带来极大的便利，提高救援人员逃生的概率。另外，仓储材料定位、营销信息推广等都离不开室内定位服务。因此，室内定位研究非常有价值[2]。无线室内定位技术相对成熟，理论是相对简单的，越来越多的人研究基于RSSI（接收信号强度指示，接收到的信号强度指示器）无线室内定位，定位原理相对简单，主要使用接收到的RSSI值通过特定的信号传播模型来估计距离固定节点，和分析的具体位置。基于RSSI的室内WIFI定位算法存在一定的缺陷。WIFI信号在传输过程中容易受到环境因素的影响，导致多径效应。因此，采集到的指纹特征RSSI波动较大，干扰较大，影响了测距精度。在实际应用环境中，环境的信号接收干扰很大，传统的无线室内定位可怜的指纹算法的定位精度，本文利用BP神经网络原理结合指纹算法实现室内定位，设计室内定位基于BP神经网络的指纹算法，提高室内定位精度和减少定位误差，算法仿真表明，新算法具有较好的定位精度，比传统的基于RSSI的WIFI室内定位算法更有效[3]。1.2国内外研究现状1.2.1国外研究现状在国外，我们可以查阅资料，发现一些人已经对室内WIFI定位技术进行了很长时间的研究。例如，1993年，HashemiH提出了室内无线电波信号传播的路径衰减模型，为基于测距的定位研究奠定了理论基础。同时，基于位置指纹的定位技术也取得了一些可喜的成果。例如，2000年，微软研究院发布了一个名为RADAR的定位系统。本系统是最早的基于WIFI的位置指纹定位技术，其位置匹配算法是k值邻近算法[4]。2002年，T.Roos等人提出了朴素贝叶斯定位方法，该方法实际上是基于概率定位的。采用直方图法和核函数法对RSSI样本进行拟合，并根据贝叶斯推理的思想对用户的位置进行预测[5]。2004年，YoussefM等人还提出了一种名为HORUS的定位系统。通过对离线阶段的高斯分布RSSI样本数据建模，存储了RSSI样本数据的均值和方差。在实时在线定位阶段，计算每个参考点出现的概率，找到一个或多个概率最大的位置，取其平均值作为位置坐标。该方法优于T.Roos中提出的方法。因为计算更简单，存储空间更小。然而，建立位置指纹库存在着很大的人力和物力消耗问题，需要不断的探索和研究[6]。2008年，DerrK等人提出了一种基于浅神经网络的室内定位方法，具有良好的定位精度和实时在线定位效果。但单层神经网络结构拟合能力有限，特征提取能力不够强。但是在实际的定位环境中，由于受到障碍物的影响，接收到的信号强度会上下波动，使得单层网络学习能力受到限制，导致定位效果不佳。同年，p.Bolliger等人提出了REDPIN系统，这是一种指纹数据采集的众包模式，大大减少了定位系统部署和维护的工作量[7]。2010年，由于神经网络定位的训练时间较长，Arell.等人提出利用深度信念网络来加快神经网络的训练速度。由于BM具有很强的无监督学习能力，可以利用这些特性建立更好的模型，很好地解决了这个问题。然而，要在大范围内实现准确的定位是有点困难的[4]。2011年，J。Ledlie提出摩尔系统，这个系统允许范围广泛的区域定位已经意识到，因为它使用众包模式获得的数据点，其他摩尔秀是一个映射到用户，用户到达现场，对RSSI绑定点击地图，然后建立指纹数据库，然后接收生成指纹的位置数据。2013年，A.Au提出了一种新的室内定位方法使用压缩感知（压缩传感、CS），完整的跟踪和导航的原理，该方法建立在离线阶段位置指纹库，使用聚类方法计算参考点RSS数据各种类的代表；在实时在线定位阶段，首先是粗定位，然后是精定位，其中通过CS理论得到位置坐标估计[8]。2014年，MajaStella等人提出了一种基于WLAN和全球移动通信系统的室内定位方法。该方法利用RBF神经网络实现，很好地克服了基于BP神经网络的定位方法训练时间过长、易陷入局部极小等问题[9]。2016年，Zhangw等人提出了一种用于室内WIFI定位的深度神经网络。该方法可以学习到更可靠的定位特征，从而减少信号波动对定位结果的干扰[10]。1.2.2国内研究现状与国外研究相比，国内对WIFI室内定位技术的研究起步较晚，但经过不懈的努力，近年来取得了许多突破性的研究成果。目前，国内许多高校和研究机构在WIFI室内定位领域投入了大量的时间、精力和资源，发现WIFI室内定位具有很大的应用潜力。2007年，张明华，张申生等提出在无线局域网中，室内定位应根据WIFI接收信号的强度来进行，这主要是根据接收信号的强度随距离变化的规律来进行的。同时指出了研究的难点和不足之处[10]。2009年，李文杰，李文明提出基于k最近邻室内定位的设计方法，并给出了详细的实验模拟，其原理是由k近邻方法找出特定的指纹样本参考点k附近的邻居，在计算距离时，通常使用欧氏距离的方法来计算，距离越小，越成功匹配，范围从小型到大型，分别选择k个节点，使得k近邻法比最近邻法具有更好的鲁棒性[11]。2012年，彭玉旭等人提出一种基于贝叶斯过滤无线定位方法的研究，开始的方法是找到移动设备RSSI高斯滤波，然后基于质心算法，大致三角形计算被测试的坐标位置，然后再粗糙的协调与贝叶斯过滤处理，获得精确的测试点的坐标[12]。2015年，陈娇进行研究基于RSSI测距无线室内定位技术，它主要是分为三个阶段:首先，RSSI值获得的位置参考点是预处理，然后根据信号传播距离的估计模型，最后得到的坐标位置点。为了减小RSSI的波动，采用了多种不同的方法来处理RSSI。利用EM期望最大化算法，寻找最适合环境的定位模型。对模型中的参数进行实时估计，最终实现距离估计[13]。2016年刘志鹏，袁敏进行了最小范围无线室内定位技术研究，提出了一种手持设备方向角和接入点数量这两个特性加入位置指纹，丰富了离线数据库的位置特征，通过实验使用改进的位置指纹定位可以提高定位系统的定位精度[14]。近年来随着研究者对机器学习和深度学习的深入研究，神经网络和深度学习在室内定位领域也有了一些研究成果。事实上，2007年，李瑛等人提出了一种基于神经网络的定位算法，只是在MATLAB工具箱提供了用于构建BP神经网络用于无线室内定位，这种方法不需要知道无线路由器的位置，实际位置试验，找到了定位精度不高，训练时间长等问题，经过一些研究在基于BP神经网络的位置，但是训练时间长，定位精度不高[15]。2016年，龚洋等人发表了一种基于RBF神经网络的定位算法，减少了传统定位算法中参数和路径损耗因子对测距和定位的干扰，并通过实验进行了验证。结果表明，与BP神经网络相比，RBF神经网络的学习收敛速度大大提高，最终定位结果的精度也大大提高。存在2016年，南京大学的覃玉清发表的无线定位算法基于深度学习的研究，从最基本的神经网络在理论研究的深度信念网络，其目的是想通过大量数据的火灾近年来提高无线定位精度，本研究还对无线定位技术的研究提供了一个新的方向[16]。2017年，李慧杰提出神经网络WIFI定位算法基于神经网络的无线定位算法，并计算重量根据每个AP信号的稳定性，使稳定信号采取更大比例的匹配操作和减少噪声干扰的影响总体定位性能[17]。在国内外大量研究的基础上，许多中国研究者提出了一种基于WIFI的室内定位研究，并取得了一些突破。综上所述，虽然中国在这一领域的研究起步较晚，但从上述例子可以看出，中国在这一领域的研究正在不断进步，相信用不了多久就可以达到一些发达国家的研究水平。1.3本文主要研究内容本文分析射频信号传播特性内大厅内部定位的角度位置，利用指纹数据抽样所得的RSSIWIFI环境中真实和影响进行分析，系统的定位误差，以便提供一个可靠的理论基础和指导实施定位系统。为了解决RSSI量化差异导致终端定位误差的问题，提出了一种基于BP神经网络的校准方法，使定位系统能够同时支持不同类型的终端。这项研究基于迭代的设计定位，利用现有的非定位系统获取点定位的环境中共同辅助定位，从而进一步改善系统的定位精度和强度降低原籍国和定位要求。结合论文的理论分析和提出的改进方案，设计并实现了一种基于局部指纹的WIFI内部定位系统设计与实现。第一章:绪论。介绍了内部定位系统研究的背景、意义、国内外研究现状和主要研究内容。第二章:相关技术与基本原理。指纹算法和模型，为室内定位信号传播呈现，特别是对于定位算法的基本模型，对于典型传播模型算法，基于位置和室内信号传播模型，以及相关工作方法和基本原则、传播模型的定位算法。第三章:影响WIFI内部定位的主要因素。结合在真实环境中获得的RSSI数据，对与内部位置相关的信号传播特性进行了测试和解释。最后，阐述了异构终端对定位系统和基本解决方案的影响。第四章:联合定位方法。提出了非系统布置AP方法进行联合定位方法，对该方法确定的问题进行了分析，并提出了相应的解决方案。第五章:室内定位系统设计与实现。结合相关研究工作，设计了一种基于BP神经网络的WIFI室内定位系统设计与实现。对上述联合定位算法的定位性能进行了分析。第六章:总结。本文总结了本文所做的工作，并展望了未来的发展方向。2相关技术室内定位是指在复杂的室内环境中进行定位，使人能够很好地控制自己的位置。掌握室内定位的相关技术和理论将有助于本文的下一阶段。如果有很多的室内定位技术，定位精度和成本，但对很多定位技术都存在定位不精确的问题，BP神经网络研究的条件来定位策略基于BP神经网络算法的策略，室内定位主要针对BP神经网络算法相结合的室内定位。本章将分析和总结相关技术及其原理，包括、室内定位、指纹算法、BP神经网络等。2.1室内定位指纹算法有许多室内定位算法，如接近法、指纹法、视觉分析等。本文侧重于室内定位获取指纹算法的具体用语，谁都不能代替具体表征，一个算法获取指纹算法，只要我们的手指指纹不是先验的手指，但某一立场无关。室内定位获取指纹算法利用地位有关的指纹特征来推测位置信息，接收信号，该信号衰落下去的力量，在其传播价值信号的力量较弱，随着距离的测量和最大随着距离的测量；此属性应使用用于估计位置；地球磁场强度的信息，其值随地球表面的变化而变化，其性质可用于定位；关于指纹还有很多其他的信息。指纹信息的知识使我们能够知道指纹特征中包含的信息在哪里，以及它们的位置是否一一对应。换句话说，如果信号强度或其他指纹信息（如在每个位置收集的图像）是唯一和恒定的，那么对信号强度或图像信息的某一值的了解就可以确定位置。指纹识别和定位方法通常包括:指纹识别信息被收集到一个陌生的地方和实测数据相比，预录数据在数据库中的指纹数据本地化和局部最相似的结果被选中。指纹识别方法主要是通过寻找合适的指纹特征和建立一个本地化的指纹数据库来实现的。指纹识别的方法使定位精度较高，但建立本土化的指纹数据库是很大的工作量，其实施的地区环境变化明显不符，并应定期更新数据库或不规则2.1.1室内定位指纹算法室内定位算法最常用的是，特征指纹算法的室内定位是信息信号的武力，或RSSI推算定位在节点之间的距离，使用无线信号的传播模式来推断在接收点的信号的强度取决于运河的衰减程度。RSSI的定位方法简单易懂，不需要额外的设备来操作现有的家庭WIFI设备，成本更低。缺点是无线电信号在房间内传播过程中受到散射、衍射和多径干扰等因素的影响，导致信号强度出现较大波动。为什么选择WIFI内定位是通过比较WIFI内定位技术和其他一些相对成熟的WIFI内定位技术来说明的表2.1定位技术对比定位技术精度定位方法优点缺点红外米级邻近法技术相对成熟设备成本低、精度高不能穿透障碍物，造价高、功耗大，抗干扰性差，受灯光干扰超声波厘米级三边定位精度高、结构简单技术成熟存在多径效应，衰减明细，存在温漂效应，造价高WIFI米级场景分析邻近法三边定位设备部署简单成本低、精度高指纹采集工作量大，算法需改进，需校准，受其它信号干扰，功耗高RFID厘米级邻近法精度高、标识体积小设备造价相对便宜通信能力过低，信号覆盖距离短UWB厘米级三遍定位穿透力强、精度高功耗低造价高ZigBee米级邻近法功耗低、成本低稳定性低，受环境干扰蓝牙米级邻近法三边定位功耗低、易集成距离短，稳定性差、受噪声干扰LoRa远距离RSSI，TOATDOA定位算法最低成本、易于扩展节点电池寿命长测量精度较低对不同定位技术的优缺点进行了分析，发现只有WIFI内部定位才能以较低的成本满足内部定位的需求，而其他定位要么难以实现，要么成本过高。例如:红外、超声波、RFID、UWB、蓝牙，成本高于WIFI定位技术，在现实生活中，由于成本过高，难以实现大规模使用；ZigBee定位技术的结果都不如WIFI定位技术准确。结合上述分析，本文选择研究WIFI的内部定位2.1.2信号传播模型WIFI指纹算法在室内WIFI使用RSSI指纹的特征进行室内空间定位，推断节点之间的距离，使用无线信号的传播模式，来汇总给接收点的信号强度的衰减程度。并进行距离测算。因此，在研究在WIFI室内中定位信号的指纹算法之前，有必要了解信号在室内环境中的传播模型。本文研究主要研究距离路径损耗模型。对数距离路径损耗是基于数学和统计学的数据模型测算总结的过程，同时考虑到在一个真实的环境，在一个复杂的环境的室内干扰信号的传播上的多径传播的屏障，导致信号强度不同。这些不同环境的不同信号传播的影响，并经过大量实验，发现距离之间存在非线性关系的蔓延，并在途中损失模型的公式，在途中丢失由于对数方程给出的（2.1）。（2.1）式（2.1）中，d表示信号接收端距发射端的长度，表示距发射端d处的信号强度；是参考距离，一般为1m，表示距发射端处的信号强度；n是路径损耗因子，也称为信道衰减参数，表示信号损耗随距离增加而增加的程度，n的值与环境有关；是遮蔽因子，单位是dB，其均值是0，均方差是的正态随机变量。RSSI测距信号传播模型常常被简化为式（2.2），如下式所示。（2.2）（2.3）（2.4）式中，A为1m时所测得的RSSI值，单位为dBm。WIFI室内定位指纹算法上的RSSI、距离之间的关系，运用公式分析WIFI信号的长度之间的关系，主要通过数理统计分析、室内环境的特性总结的许多研究和实验数据表明，室内传播模型与数距离路径损耗模型相互对应。考虑到环境、成本、定位精度要求等因素，分析得出只有对数距离路径损耗模型最为合适。2.2BP神经网络BP（反向传播）神经网络是具有多个感知层次的前馈神经网络。所谓的反向传播实际上是信息的前馈过程。BP神经网络的结构依赖于并行网络，使其能够并行处理信息；这一特性使我们能够同时处理信号的前向传播和错误的后向传播。此外，BP神经网络具有自适应学习能力、非线性映射能力、良好的容错能力和鲁棒性。应用也非常广泛，是目前使用最广泛的神经网络。BP神经网络用于信号处理、分类应用、功能近似和形式识别等领域。为了理解BP神经网络的工作原理，必须先了解清楚人工神经网络的运行，其中主要模拟人脑神经元的功能，构筑一种模型来处理信息，如图2.1所示。图2.1人工神经网络模型在图2.1里面，神经元的输入信号为两个神经元间的连接权值，又名连接权系数，是个函数，称为激活函数或转移函数；表示第i个神经元输出；则神经元i的输出与输入的关系表达式如式（2.5）所示。（2.5）式（2.5）中激活函数里面的称为净激活（netactivation），用表示，表达式如式（2.6）所示。（2.6）净激活值net可以是正的，也可以是负的。人类神经元有两种状态:一种是兴奋状态，另一种是抑制状态，当净激活net为正时，神经元处于兴奋状态；当净激活net为负时，神经元被抑制2.2.1BP神经网络的原理BP算法（反向误差传播算法）是人工神经网（ANN）中使用最广泛的监督学习算法。输入信号由输入层、隐含层和输出层的神经元传输，信号单向传输；输入层神经元的状态会影响隐式层神经元的状态，而隐含层神经元的状态只会影响输出层神经元的状态。输出结果后的输出信号的传输层是否达到预期结果并非错误，事后回想起来，且重量和BP神经网络的门槛是为了减少误差，然后再调整给定训练是为了看到结果。BP神经网络由三部分组成:输入层、隐含层和输出层。BP神经网络的每一层都包含一定数量的神经元。对于三层BP网络结构。BP神经网络结构如图2.2所示。图2.2三层BP神经网络结构图2.2.2BP神经网络MATLAB实现通过引入BP神经网络的原理，对算法进行编码，便于分析算法的优缺点。本文的仿真主要是在MATLABr2014a软件上进行的。在MATLAB编程过程中，可以调用内部神经网络工具箱。列车函数用于形成newff函数创建的BP神经网络；模拟功能模拟BP神经网络，完成神经网络的创建、训练和模拟的整个过程。图2.3BP神经网络实现流程图3RSSI信号采样算法研究室内定位位置指纹算法基于WIFI实现是通过WIFI信号的RSSI之间的关联关系和空间的坐标，所以质量中捕获的信号的RSSI定位影响定位精度。在内部定位中，RSSI不仅受到定位环境的影响，还与许多因素有关，如用于定位、定位等的ap数量。在离线指纹数据库构建阶段收集的噪声RSSI数据直接存储在指纹数据库中，会影响内部定位的准确性。如何有效地降低RSSI噪声是提高内部定位精度的一个难点。本章首先分析影响RSSI的因素，然后提出现有问题的解决方案。3.1影响RSSI因素分析3.1.1软件环境在研究无线射频信号的空间传播特性之前，首先是使用终端在给定位置实时测量RSSI。本节描述在后续实验中使用的WIFI网络的实验环境，以及无线无线电信号的测量方法和其他相关信息。由此可见，无线局域网（WIFI）终端通过与接入点的通信连接与信息进行交互。在某一特定时刻，如果没有指定接入点的SSID，无线网络卡应以最近接入点的信号强度为标准，选择信号强度最高的接入点，建立连接请求。定位系统要求终端检测感知区域内所有接入点到接入点的信号强度。在IEEE802.11协议中，终端可以通过两种方式访问每个AP的RSSI信息:被动扫描模式和主动扫描模式。被动扫描方式的优点是减少电力消耗，但由于各接入点的接入点，以不送的，可以解决一部分肯和终端，可能无法获得信息的RSSI对于所有接入点的接入点，有人主动选择使用扫描方式实现功能的RSSI的收购。在图3-1所示的主动扫描过程中，终端被扫描。对于所有802.11通道，终端将在每个通道中发送一个探针请求帧。一旦AP收到这个传播帧，将按适当的时间顺序发送一个探针响应帧。响应终端接收帧之后探测器发回的AP上工作的各个渠道，主动扫描程序已经结束，并得到一个终端在内的所有AP可观察名单的MAC地址和信息所需的RSSI定位不同AP。图3.1802.11协议中的主动扫描过程目前，虽然有各种各样的internet嗅探工具，可以从本地WIFI网络上的不同接入点（如NetStumbler）收集RSSI，但该工具仅适用于windows平台，没有开放源码。为了提高培训阶段的效率，更好地满足系统定位的实际需要，使用了Pad作为终端，这是一种更轻、更薄的平板电脑，开发了RSSI采购程序。3.1.2测试场景本文实验地点为教学楼B座，实验室走廊B120~B127和图3.2中虚线区域组成的环绕，总面积17m*34m，WIFI已覆盖整个区域的无线局域网接入其中五个AP系统的定位AP1部署至1.25m（10m，5m）实验室，AP2部署实验室127的（10m，5m），AP3部署实验室125（3.5m，600m），AP4部署在实验室122B（1m，6m）位置，AP5部署在120B（3m，6m）位置，另外8个无线接入点可以在实验区搜索。本系统训练阶段主要用来采集RSSI数据采集，建立数据库位置指纹数据库中，整个测试场地，采样间隔1米，共271采样数据的参考点，每个点的位置持续采集的若干位置指纹具体参数。图3.2实验场景图3.2接收信号强度的特性室内环境较为复杂，外部环境:墙体的厚度，所用的材料提供的门和窗户、家具和人员的流动可能有许多无线信号传播的影响等多个渠道传播效应的无线信号由于折射、衍射和传播。因此，使用信号传播模型来估计内部环境中的距离会产生较大的误差，导致实际定位精度远远低于理论模型。而言影响多式联运，大多数常规车型使用了一个大规模的衰退效应的组合和小规模衰退影响的数学模型，但这些模型通常用于分析能力和沟通来了解通信系统的覆盖面。本节通过对实验平台信号强度数据的分析，从定位技术的角度阐述无线信号强度的相关特征。3.2.1RSSI与位置的关系指纹的定位方法，可用于是因为RSSI定位大致反映了用户的位置信息，即终端和巴勒斯坦权力机构之间的距离和环境因素决定了所收到的RSSI值航站楼。物质与本节的数据采样，鉴于RSSI的联系是与用户的位置位于走廊的一个实验环境，每隔1m采样进行右方向的直线，如图3.3RSSI分别收受两个AP、AP2、AP5左边和右边走廊，其中位于沿X轴。可以看出，相邻的节点接收到的RSSI值越高图3.3沿走廊行走时的RSSI情况3.2.2RSSI的概率分布在实践中，由于多种直径、衍射和障碍物等因素，很难对无线信号在空间内的传播规律作出决定性的预测。衰落的无线电信号传播无线射频（rfid）表明，固定服务的模式，来自同一瞬间APRSSIRSSI值平均为中心，其服务范围内平均RSSI接入点AP和两者之间的干扰的小路，在波动的时期内环境扰动因素有关，如人事变动，电气信号设备的运行在这些波动的大小上的标准差，在分布上的信号强度。在本文中，200多个采样点的标准指纹直方图都或多或少符合正态分布，实际测量值在一个稳定值附近变化，这是一个依赖于均值的正态随机变量。图3.4RSSI概率分布直方图如图3.4所示，虽然信号强度的概率分布与正态分布一致，但存在较大的滞后现象。家具、地板、墙壁或室内环境、电气设备和窗户的位置固定各种干扰源位置的变化因素往往是由于WIFI通信频率为2.4GHz的人体水分占的比例超过70%，其中的谐振频率2.4GHz，人体是无线电信号传播的一个重要因素，因此无线射频（RFID）。此外，由于工作人员的强度和流动性在不同时期有很大的不同，因此有必要选择适当的时间来收集线下培训阶段的指纹数据库。3.2.3RSSI的收敛速度位置指纹是否能正确反映信号强度的真实情况，将对定位阶段位置估计的可信度产生重要影响。为了建立一个局部指纹数据库，有必要保留大量的局部指纹，特别是在使用概率定位算法的定位系统中。为了获得比平均值更多的信号分布信息，必须在每个位置采集一定数量的RSSI瞬时样本，以获得该位置的RSSI概率分布。显然，在同一参考点采集的RSSI样本值越多，信号分布信息就越准确和详细，但在系统形成阶段的形成时间就越长。为了获得可信的信号强度概率分布，必须在局部指纹的完整性和训练时间的成本之间取得平衡。图3.5RSSI平均值的变化趋势为了研究信号强度平均值的趋同，我们采集了样本数据连续5分钟时，由于采样点位于AP3为5米，两座壁与AP4相距5米，位于AP2中的墙壁距离15米。计算了不同时间点信号强度的平均值，结果如图3.5所示。可以看出，在经历了一段时间的平均波动后，RSSI均值指数都趋于稳定。平均信号强度已经稳定在30秒，因此该系统在训练阶段的每个点的采样时间为30秒，采样频率为1个样本/秒。3.2.4不同AP的RSSI相关性关于WIFI室内定位系统测量通常需要至少三个AP的RSSI数据，一般在同一地区的研究往往可以多种，其中一些AP接入点AP之间为同一频段，甚至AP之间的这些信号的频段不同频率或频率的干扰，从而影响定位精度，也是一个需要考虑的问题。相关系数是用来表征两个变量的相关关系密切程度的统计分析指标，相关系数用r表示，其取值范围是-1~+1。假设两个序列变量为X，Y，相关系数的计算公式如式（3-1）：（3.1）其中，Cov（X，Y）为X，Y两组数据的协方差，μ和σ分别为相应变量的均值和标准偏差，n为样本个数。在本文所述的无线局域网环境中，AP1和AP3同时使用无线电通道3和AP2使用无线电通道11，这表明即使在同一通道上运行的两个接入点之间也没有相互干扰。这是因为在IEEE802.11MAC层使用CSMA/CA连接模式的工作机制，为避免冲突，以致干扰接入点之间都不需要担心定位系统的建立和信道干扰，不影响系统定位。3.3终端对定位算法的影响无论使用传输模型还是指纹方法，都必须考虑到不同终端的定位错误。在传输模型中，AP到终端的距离是根据发射功率和接收功率之间的衰减程度来估计的；在位置指纹法中，接收功率以RSSI值量化，但信号功率以RSSI值量化的方式与接收终端硬件和软件的计算方式有关。因此，由于不同终端之间的硬件和软件的差异，即使在同一系统的同一地点可以获得不同的RSSI分布，定位系统的性能也会大大降低。3.3.1终端RSSI量化差异符合IEEE802.11的无线网卡（NIC）以射频信号接收功率和1mW的对数单位表示RSSI（单位:dBm），标准值在-90至-10dBm之间。为了量化接收到的功率，IEEE802.11建议使用一个字节来存储RSSI，总共有256个可能的整数。RSSI协议的标准测量如下。但是该标准使用RSSI值作为相对指标，并没有严格规定精度值，因此不同设备制造商生产的无线网络卡之间存在不同的表示和测量精度范围。因此，即使在同一地点，不同品牌的无线网络卡所获得的RSSI也会有很大的不同。同时，无线网络的天线增益也是影响RSSI测量的一个重要因素，对于使用不同增益天线的无线网络卡，接收到的电磁波强度变化较大。而RSSI定位作为根据来定位方法局部性的指纹、新终端使用指纹数据库局部性的量子化，由于不同的起源的RSSI异质码头之间，将错误的定位过高，甚至完全无法有效定位，如果是严重的。因此，如果要设计一个能够承受各种终端的定位系统，需要不同的终端能够得到有效的定位，借助现有的指纹数据库，而不是重新建立数据库，为每个航站楼，并需要解决问题的差异引起的RSSI的量化终端异构本文在实际环境中，对RSSI进行采样对比，发现不同终端的RSSI之间并不是线性关系，如图3.6所示，图中的圆点表示同一位置两种不同终端分别测量到的RSSI的关联关系值，其中坐标X为定位系统训练阶段所使用的终端的RSSI值，坐标Y为另一种终端的RSSI值。如果异种终端所量化RSSI的不存在差异，即理想情况下两终端所采集的RSSI值相等，因此称直线Y=X为理想数据线，但由于终端的量化差异，使得实际关联值偏离于理想数据线。由图3-6可以看出，此时两种终端的RSSI值之间是非线性关系，因此使用最小二乘法进行线性校准将产生较大的校准误差。图3.6两种终端的RSSI对比图3.3.2BP神经网络引入BP神经网络在前文也已经提到，是一种有监督式的学习算法，其核心原理如下：学习样本，反向传播算法的神经网络上存在的差距和反复的调整来进行培训和研究，通过调整我们的神经元的权重和阈值向量的向量，接近尽可能确保预期输出误差的平方之和时，网络的输出层，下部为指定的错误进行培训和研究，守恒和加权系数。因此，BP神经网络是一个多层次的网络，由错误的反向传播形成，有效地解决了输入和输出的非线性映射问题。图3.7神经网络输入输出映射图中为转移函数，常用的转移函数如下：（3.2）不同终端之间的RSSI关系值不能用简单的线性关系来表示。假设对于指定的两种终端，两者之间的非线性关系是固定不变的，因此可以通过获取非线性关系的方式进行归一化处理，假设在位置l处两终端接收自同一个AP的RSSI值存在输出层各神经元的输出如公式（2.6）的关系，其中为新终端在位置l处的RSSI值，为训练终端的RSSI值，函数f表示两终端间的非线性关系，为测量过程中可能受到的干扰因素。（3.3）由于具有线性映射能力的BP神经网络可以学习重要输入输出的转换和存储，Kolmogorov定理已证明了三层BP神经网络结构，即输入层、线性输出和至少一个S型激活函数的隐含层，可以是任意线性的。这也是进一步利用BP神经网络近似两个RSSI终端之间的非线性功能关系的理论基础。3.3.3基于BP神经网络的RSSI校准方法本文利用BP神经网络学习不同RSSI终端之间的非线性关系，进行非线性标定。通过模拟人类大脑神经系统的功能，人工神经网络可以学习输入的信息，通过良好的非线性映射、泛化处理和故障耐受性，可以对外部信息进行精确的非线性映射。功能很适用于这类问题的近似性等多因素复杂、非线性系统随时间的可变性和不确定性，因此不同终端之间的非线性函数关系，可获得一定量的RSSI的训练。基于BP神经网络的RSSI校准方法流程如图3.8所示。校准步骤如下：（1）根据本文的问题确定神经网络模型；BP神经网络模型的设计涉及到网络结构、神经元个数及层数、神经元的激活函数，以下为本文所使用的神经网络模型中各参数的确定过程。1）输入层和输出层的确定BP神经网络的输入层和输出层是外界信息与神经网络衔接的纽带，这两层的节点数取决于训练学习数据源中输入向量和输出向量的维数。本文所用到的输入输出分别为两种终端的RSSI值，两者具有一一对应的关系，因此输入层和输出层都只有一个神经元。2）隐含层节点数的确定如果隐含层节点数目过少，则神经网络从学习样本获取信息的能力不足，网络容易陷入局部极值；如果数目过多，则容易发生“过拟合”现象，导致学习时间延长，误差也不一定最佳。虽然对于隐含层节点数的选择并没有理论指导，但经过大量的前人研究总结，给出了估算最佳隐含层节点数的经验公式。（3.4）其中Inum和Onum分别为输入层和输出层的节点数，Hnum为估计的隐含节点数，n为1到10之间的常数。因此可以将隐含层节点数设为[5，20]之间的任一整数，根据实际训练学习过程中的对比分析，发现选择隐含节点数为15的时候可以得到比较好的逼近效果和较低的训练时间。（2）如果要使用新的终端进行定位服务，必须首先对其进行校准培训；在终端学习过程中，用户在公共区域缓慢移动，同时携带新终端和培训终端，同时记录两个终端的RSSI值。一个新航站楼RSSI作为输入来培训的RSSI终端输出数据，数据将成为BP神经网络的训练和研究不同神经元的阈值的确定隐含权和共同价值观过培训班，为神经网络BP神经网络的参数不同的神经元来训练和研究的两个终端、RSSI数据之间的线性映射。以减少学习时间和定位功能，能够快速使用新的终端，本文件中提供的数据训练只收集区为一方，即学习阶段不需要穿越整个系统所覆盖。（3）在对新终端进行定位前，新终端收集到实时RSSI值，根据训练得到的映射关系参数，得到校准后的，再进行定位。本文非线性校准的测试数据在定位系统覆盖的所有区域进行数据采集。图3.8基于神经网络的RSSI校准流程3.4联合定位方法在本文中，定位系统在一楼总共有5个接入点，而在定位系统之外还可以搜索8个接入点，这些接入点的无线接入点布局通常不会改变。本文设计了一种与非位置接入点的联合辅助定位，以及使用定位系统对指纹进行定位，并对发现的问题进行了相关理论和分析。3.4.1AP数量对于定位精度的影响与基于传播模型的定位算法不同，基于位置指纹的定位方法并不需要知道AP接入点的确切坐标，该定位方法使用信号强度来表征空间环境因素。可以把每个AP的信号强度类比为一维信号空间坐标，位置指纹定位法将二维空间坐标与多维信号空间坐标相关联，以达到使用多维信号空间坐标进行二维空间定位的目的，因此，增加参与定位的AP数量可以提高与丰富信号空间信息，取得更好的定位精度。3.4.2联合定位方法流程由前文可知，提高位置指纹数据库中所保存的数据维度，可以提高定位精度。但是由于非系统布置AP接入点的不确定性，其SSID、位置和功率等特征信息都可能发生改变，即离线采样阶段所得到的位置指纹数据与定位阶段的数据有极大的差别，可能对定位过程产生负面影响，影响定位系统的定位精度。因此，如果想使用非系统布置AP接入点进行联合定位，需要感知识别出AP接入点的变动，所以在定位阶段增加感知过程。初定位使用系统布置AP的位置指纹以概率性方法求出K个匹配概率最高的位置栅格（K的大小将影响异常感知的灵敏度），将此K个栅格所组成的区域作为待定位点的初定位区域，即如果只使用系统布置AP接入点，这个区域就是最终定位坐标所在的区域。（2）感知AP变动根据K个栅格所在区域的位置指纹数据库，感知各个非布置AP的信号强度是否符合位置指纹库的分布，从而确定各个非布置AP的RSSI值是否参加下一步迭代定位，详细过程将在下一小节进行描述。（3）迭代定位，根据初定位阶段的定位结果，取出M个概率最高的位置栅格，使用系统布置AP和非布置AP的RSSI进行联合定位，取得最终定位位置。图3.9感知过程示意图4WIFI定位系统的设计与实现本文在对影响室内定位的因素进行了分析，并对基于位置指纹法的室内定位算法提出了使用AP进行联合定位，以提高定位精度，对室内定位系统的设计与实现过程进行详细的阐述，以及对前文提出的联合定位方法的性能进行分析对比。4.1系统需求分析4.1.1系统描述本文基于位置指纹的无线室内定位系统，旨在向用户提供所在区域的实时位置信息，并提供相对应的指引帮助。定位系统的主要目标如下：（1）为用户提供高精度和高可靠性的室内定位服务；（2）使用户可以在系统覆盖区域无缝地使用定位服务，获取其所在位置的实时位置信息；（3）定位系统可以迅速地处理来自用户的定位请求，并对并发访问提供良好的应答机制。图4.1无线室内定位系统整体架构定位系统整体架构如图4.1所示，本室内定位系统是由定位服务器、WIFI网络（含AP）和定位终端三部分组成。定位服务器的主要功能：（1）解析离线阶段采集的RSSI信息，建立WLAN地图数据库和信号覆盖图数据库；（2）响应移动终端的定位请求，根据指定的定位匹配算法结合位置指纹数据库进行位置估计，并将定位结果返回给移动终端。终端系统的主要功能：（1）离线阶段自动连续测量RSSI特征数据；（2）定位阶段扫描发送定位请求和显示由服务器返回的位置信息等。WIFI网络的主要功能：（1）构建射频信号空间分布，为定位算法提供RSSI指纹数据支撑；（2）为移动终端与定位服务器提供通信支撑。4.1.2功能需求服务器程序主要由以下功能模块组成：网络通信模块、定位算法模块、RSSI指纹数据库模块和地图信息模块，其结构如图4.2所示。图4.2服务器系统结构图当网络通信模块与移动终端通信时，应接收多个移动终端的定位请求，并能够将定位结果和定位应用等相关信息发送到相应的移动终端。年初启动服务器，数据库中的指纹模块的RSSI定位应分析期间收集的指纹信息定位线下区位和空间建模阶段考虑现实环境中的建筑物提供指纹信息之间的联系，以期建立一个定位和区位环境。数据库中的位置指纹应根据定位算法进行过滤，以确保指纹信息的准确性，提高定位系统的定位精度。定位算法模块是整个系统的核心功能模块，对房间定位结果有很大的影响。鉴于目前存在各种各样的定位算法，基于指纹的本土化和算法对系统有不同的要求，年初应选择一个时装设计系统的设计和一个适当的数据结构，以保证跟踪系统可以兼容多种定位算法，为进一步扩大和改进该制度提供必要的基础。终端程序主要由以下功能模块组成:RSSI测量模块、UI接口模块和网络通信模块，其结构如图4.3所示图4.3终端系统功能结构图RSSI测量模块使用底层无线网络卡读取从不同入口点接收到的信标图像，获取所需的RSSI信息，并将位置指纹与位置信息关联起来。因此，位置信息显示模块是UI界面，必须在离线阶段和定位阶段使用，在这两个阶段的功能角色是不同的。系统维护人员使用的位置信息采集接口，该接口需要输入位置信息，可设置为在给定的参考点上按时间间隔连续收集RSSI数据集；另一个面向用户的位置查询UI界面返回的位置信息4.2硬件系统4.2.1无线AP系统中使用的无线AP是LinksysWRT54G，有很多种开源无线路由固件都支持此款AP，如TomatoDualWAN，DD-WRT，WayOS和OpenWRT，因此，可以提供给用户多于默认固件的功能，有助于提升用户的使用感受。WRT54GZ的详细配置参数如表4.1示。表4.1WRT54G参数网络标准IEEE802.3，IEEEE802.3uIEEE802.11g，IEEE802.11b数据传输率54Mbps天线2个外置天线网络接口1个WAN口，4个LAN口射频功率18dBm尺寸186×48×200mm重量360g4.2.2移动终端在本系统中采用的移动终端是Lenovo的LePadA1，这是一款基于android系统的平板电脑，其中CPU主频1GHz，并拥有7英寸，1024*600的大屏幕，A1的详细配置参数如表4.2所示。表4.2LePad参数体积195×125×11.95mm屏幕参数7英寸多点式触摸屏分辨率为1024*600处理器类型TIOMAP3622单核，1GHzRAM512MB支持协议802.11b/g/n4.3服务器系统服务器系统的功能结构主要由网络通信模块、定位算法模块和rssi指纹数据库模块组成。服务器系统的逻辑关系如图4.4所示，箭头的方向表示数据流。服务器程序是在VS2010中实现的，不同的功能模块位于同一主机上，稍后可以考虑在不同的机器上分离服务程序和数据库。图4.4服务器系统逻辑图4.3.1数据库模块数据库模块的第一个功能是保存本地指纹数据。必须分析收集的指纹信息，本土化是离线阶段定位和空间建模，同时考虑到教学楼的布局在现实环境中，以指纹信息的局部和区位环境联系起来。该系统将定位区域划分为1*1m面网格，定位算法最终以网格标记为实际目标。因此，网格大小的分布必须根据实际位置范围和培训过程中采样之间的距离来确定。RSSI数据库定义见表4.3。表4.3RSSI数据库表字段描述字段名类型栅格标号index_idint坐标Xaixs_xint坐标Yaixs_yintMAC地址mac_addr[]char（32）RSSI值rss[]int4.3.2定位算法模块定位算法模块是整个定位系统的核心模块，模块的运行由位置查询报文的到达事件触发，定位匹配流程如图4.5所示。图4.5匹配算法流程图这个定位系统在定位区域大小在500平方米左右，定位区域将被分为500多个栅格标签，因此建立一个网格数字作为一个静态数组索引的键值作为主要的数据，并将属于同一标签一起指纹数据，方便使用匹配算法，位置指纹包含AP可能不同，因为每个位置使用MAC关键和RSSI值键保存结构映射。4.3.3通信模块定位数据基础设施是一个无线网络WIFI局域网，通信丢包率较低，因此通信过程中的沟通和定位服务系统进行互动，定位阶段只是一个正常的来往信函，因此运输系统的UDP协议传输层等无连接模式，考虑到概率包少，增加重传机制，如果1s没有收到转发最后一条消息请求的响应，则重新发送定位的信号。本节详细描述终端系统和服务器系统之间的通信协议格式应用层的通信协议采用扩展方便的TLV协议格式。其中，Type域是signedshort类型，长度为2个字节；Length域是unsignedint类型，长度为4个字节；Value域是可变长度，其中存储应用层载荷数据。以下为通信功能中的几种典型应用分析数据包的类型，包括：定位请求、位置响应和RSSI指纹更新。定位请求的数据定义如表4.4和表4.5。表4.4定位请求格式TypeLengthValuePOS_REQ（0x0001）载荷数据长度+6载荷数据表4.5定位请求载荷数据格式长度2Byte6Byte2Byte2Byte6Byte值AP个数MAC1RSSI1MACnRSSIn位置响应的数据定义如表4.6和表4.7。表4.6位置响应格式TypeLengthValuePOS_REP（0x0002）载荷数据长度+6载荷数据表4.7位置响应载荷数据格式长度2Byte2ByteKbyte值axis_xaxis_y环境信息RSSI指纹更新的数据定义如表4.8和表4.9。表4.8RSSI指纹更新格式TypeLengthValueRSSI_UPD（0x0003）载荷数据长度+6载荷数据表4.9定位请求载荷数据格式长度2Byte2Byte2Byte6Byte2Byte值axis_xaxis_yAP个数MAC1RSSI14.4终端系统终端系统的功能结构主要包括RSSI测量模块、UI界面及终端通信模块三个子模块，终端系统的逻辑关系如图4.6所示，箭头方向代表数据流向。图4.6终端系统逻辑图终端运行在平板上，使用安卓操作系统现在，与安卓相关的电脑应用数量正快速增加，因为安卓手机终端又小又便捷，所以用户实时跟踪比笔记本电脑更准确。安卓提供规模大、方便使用的安卓及操作方法，这将有助于开发者提高软件开发效率、缩短方案开发周期。因此，开发者可以投入更多的时间在行动逻辑上。当它这样使用安卓操作系统来设计操作系统的时候，它负责终端访问，并提高定位系统的实用性。4.4.1RSSI测量模块RSSI测量模块的功能是测量终端可以扫描的所有AP的RSSI值。RSSI测量模块的工作流程如图4.7所示。谷歌发布、应用软件开发基于Android操作系统是开源的SDK工具包，含有丰富的WIFIManager类库，不仅可以使程序应该方便实现WIFI连接，这封装好无线网络扫描功能可以很容易地扫描设备美联社的通信范围内，同时显示接入点的名称，MAC地址，IP和RSSI的量化处理。WIFIManager为底层硬件驱动程序提供了一个抽象接口，使上层应用软件不需要知道底层硬件的具体实现，直接从驱动程序更新的参数数据中获取每个AP的RSSI信息。这个程序中使用了这个类的两个主要方法:startScan和getScanResults。图4.7RSSI测量模块流程图4.4.2UI界面UI界面的主要功能是显示映射信息并与用户交互，如图4.8所示。主题界面被占地区所在的定位系统，与各有关实验室的二维坐标120B左下作为参考点（0，0）起点坐标，X轴为横向、纵向方向，Y轴和X轴坐标为厘米。由于平板电脑有触摸屏，可以直接触摸用户的位置，离线阶段的相对坐标由程序计算，便于在训练阶段使用。由于位置指纹数据的准确性，在培训阶段会有较大影响，定位系统定位精度的一个有关地方坐标系与左下角的每个房间作为参考点。在培训过程中，使用激光遥测仪测量局部相对坐标，并在文本框中进行中继，程序计算全局相对坐标。位置坐标显示在UI界面的左上角，第一个是内部的局部相对坐标，第二个是全局相对坐标。如图4.8所示，实验室中红点的位置是用户的位置，具有局部（200cm，300cm）和全局（1201cm，1392cm）的相对坐标。定位阶段使用的接口与培训阶段使用的接口类似，只是位置坐标是从定位服务器的返回中获得的，因此本节不再专门讨论描述。图4.8UI界面4.4.3终端通信程序终端通信模块的主要功能是接收和发送通信数据，终端通信程序由RSSI测量模块触发。终端通信模块的工作原理图如图4.9所示，具体的通信协议如上所述。图4.9终端系统通信流程图4.5性能评估在本节中，定位系统的性能将执行本文件中收集数据的核实WIFI无线网络，在一个真实的环境，并且定位精度和性能的定位方法，本工作文件中提议将联合核查与定位系统相比，基于概率匹配算法的核心。定位性能测试的持续时间为培训阶段后一周，但在相同的无线WIFI网络环境下。图4.10定位误差的累积分布函数对于定位方法，即两个组合基本定位和定位，在X轴的距离是相对于Y和X轴是定位误差概率对应的定位误差。图4.10误差累积分布函数如表4.10所示，表的前两个元素表示定位精度，被测点落在规定误差范围内的概率分别为80%和90%。分析结果显示的位置定位的定位误差较大的基类型均位于大多数实验地点的边缘地区，由于点数系统实施边缘区可预期的更低，中部地区。因此，更有可能证明公共定位算法可以提高系统的鲁棒性，减少定位系统对系统配置中AP覆盖和分布问题的要求。表4.10基本型和联合定位的定位精度比较指标基本型（m）联合定位（m）定位改进80%43.512.5%90%6433.3%ARMSE3.452.7121.4%MaxError7.124.8731.6%用于定位系统的服务器处理器为IntelCore（TM）2DuoE7500，频率为2.93GHz。内部WIFI定位系统是专门设计和开发的。这个定位系统在国内首先被要求详细描述和分析各子模块组件，然后定位系统的研究和实施细节，最后是有计划和定位系统的性能评价试验，应实施。试验结果表明，该系统可以执行的定位，这表明wi-fi室内定位系统的合理性和实用性的设计方法，并联合定位，本文中提出的定位误差，提高了中小21.4%和定位误差最大的31.6%的。5总结随着无线通信技术的快速发展，无线WIFI网络的覆盖范围越来越广，无论是在家庭、学校、办公楼、购物中心、机场还是公共交通。与此同时，基于位置的服务受到了越来越多的关注，无线定位技术也经历了一波新的研发浪潮。基于位置指纹的内部WIFI定位技术由于其实现简单、成本低、定位精度高、鲁棒性好、可扩展性强等优点，已成为研究的重要课题。本文研究了基于无线WIFI网络和本地指纹的定位技术。系统地解释了这些室内定位技术的特点、研究的影响和发展现状。最后，设计并开发了一种基于局部指纹的WIFI内部定位系统原型，以供实际应用。本文分析射频信号传播特