英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

基于WiFi的移动课堂项目的室内定位优化

摘要

移动教室项目旨在建立学生与教师之间的互动平台。LBS（基于位置的服务）的教学平台是其重要的组成部分。有了它的帮助，老师可以通过移动教学设备，把作业，课堂练习或者是课堂学习材料发给学生。学生可以在指定地点迅速提交作业和课上测试。室内定位系统是LBS平台教学的基础。然而，当前基于WiFi指纹的室内定位既没有考虑到环境对接入点的影响，也没有考虑到定位算法的复杂性。导致定位精度低或消耗更多的移动设备资源。本文提出了一种优化的基于WiFi的室内定位算法。它使用一个可靠的接入点算法作为接入点选择算法来减少室内环境的影响，并采取可靠的接入点算法结合混合算法KNN和贝叶斯决策考虑获得更好的定位精度并且降低计算复杂度。在本文中，我们实现了室内定位系统，并给出了实验。我们可以看到的位置精度的提高和算法复杂性的减小。

关键词：移动课堂；室内定位；无线指纹印；可靠的接入点。

引言

基于WIFI指纹的室内定位算法介绍

移动技术的应用在我们的生活中变得越来越重要。不仅通信领域，在医学教育和医学教育中也具有良好的应用前景。移动教室项目是应用移动教育技术的一个很好的例子。本项目旨在建立一个学生和教师的互动平台，以获得及时的教学材料，并且具体的告知那个教室正在上课。基于位置服务的教学平台是移动课堂项目的重要组成部分。通过它，教师可以把教材和课堂练习发给学生，根据不同的教室，学生也可以动态地获取正在上课的课程在教学平台上的教材。但是不管怎样，室内定位系统都是整个平台的基础。

这里有几种定位方法，来实现定位系统，其中，基于WIFI指纹的室内定位具有更好的性能，因为它安装方便，并且具有良好的定位精度。在WIFI发展起来之后，只有一种移动教学设备可以实现定位。

基于WiFi指纹的室内定位应用指纹定位模型。该模型是基于学习和利用模式匹配。它比较了所有位置的位置的测量值的指纹值。根据比较结果确定该位置。然而，由于室内环境复杂，容易被人移动经常受到影响，RSS（接收信号强度）的WiFi AP是不可靠的，不稳定的，波动。为了获得较高的定位精度，大多数定位算法的计算是复杂的。然而，由于移动存储的限制，这些算法是不适合移动教学设备。在本文中，我们提出了可靠的AP算法，我们把它当我们收集RSS样本创建RSS指纹数据库。它是稳定的算法的优化。我们认为，基于稳定性的APS的整体可靠性。可靠的AP选择是我们选择AP很少缺席，他们的RSS值相对稳定的位置指纹样本。鉴于定位算法的复杂性，我们考虑和KNN算法的贝叶斯决策的混合算法来降低整个算法的复杂度的定位方法。通过整个优化，定位系统可以得到更好的定位精度，定位算法的复杂度降低。

基于WIFI指纹定位的室内定位的算法优化

随着人们对定位精度要求的提高，几何定位不能满足要求。基于WiFi的室内定位是一个室内定位技术中，通常采用的计算模型。这种定位技术相比其他方法，具有较高的定位精度和可靠性。

基于WiFi指纹的室内定位应用模型，需要很多的WiFi接入点。首先，我们需要收集（指纹，位置）形式的数据，从而在数据库中不同的位置创建不同的指纹，指纹是接入点的链接。其次，定位开始。移动设备可以获得当前接入点的链接指纹。我们通过匹配指纹图谱来获得位置信息。基于WiFi指纹室内定位算法可以分为两个部分：第一部分是接入点选择算法。另一部分是定位算法。

A接入点选择算法

接入点选择算法是我们过滤所有在当前位置收到接入点的链接，并且选择一个确定数量的接入点作为当前位置指纹的样本。最简单的是，当前位置收到的所有的接入点链接作文链接的指纹样本。但定位算法的复杂度相对较大。还有一些如最大值法，最小值法，最大匹配（最高级的链接），稳定接入点算法的算法。在某种程度上，这些方法降低定位算法的复杂度，但指纹样本的整体可靠性并没有考虑在内。因此，本文中我们基于稳定接入点算法对提升了接入点选择算法，并且提出了可靠的算法。我们认为室内定位系统中的接入点选择算法，是可靠的接入点算法。

B基于WiFi指纹的定位算法的结构

KNN是一个确定性的算法。在定位阶段，通过移动教学收到链接装备管理与指纹库的指纹定位，并分别计算欧氏距离。选择较小的欧氏距离K的位置点，以K的位置点坐标的平均值作为估计的位置。KNN算法并不复杂，但KNN算法的定位精度低于室内定位方法。在移动教室项目中，它不能满足要求。

根据对指纹匹配方法的差异，基于WiFi指纹的室内定位可分为确定性算法，基于概率的算法和其他算法。

贝叶斯决策算法是一种基于能力的理论方法问题。它利用贝叶斯分类的概率理论估计可能的位置。根据山姆采样点，指纹数据库分为若干类。接入点实时链接值是判断最可能属于哪一类。最有可能的位置可以决定为估计当前位置。即使贝叶斯决策算法的准确性较好，复杂度和计算量也比较大。所以在本文中，我们以KNN、贝叶斯决策算法的定位算法。

基于wifi指纹的定位算法

如前文所说，WiFi接入点的链接在测量过程中是不可靠的，复杂的室内环境引起不稳定的波动，这往往会带来一个很大的定位误差。在移动课堂，由于移动教学设备存储和定位精度要求的限制，贝叶斯决策和KNN算法不适合定位阶段。因此，一种基于WiFi指纹室内定位优化方法如图所示。我们将它分为两个阶段：第一阶段是与接入点选择算法的接入点的选择，我们选择了接入点作为样本接入点与可靠的接入点算法和生成链接指纹数据库；第二阶段定位算法得到的结果定位阶段，我们采取KNN、贝叶斯决策的混合算法。

图一 室内定位的优化方法

A 可靠的接入点算法

可靠的AP算法是我们考虑波动性和缺席的AP频率当我们选择APS的RSS作为样品指纹图谱。在位置定位的区域，APS的RSS接收在每个采样位置是不同的。对采样位置K、接收RSS M M APS，APS的集合{ AP1、AP2和AP3，hellip;，APM }。采样点的接收点采样数据是1209，{ RSS1，RSS2，str，hellip;RSSM }。那么，首先，我们计算了API的RSS波动根据API的RSS值变化，公式此处省略。

B KNN与贝尔斯决策的混合

该混合算法，得到K的位置点，KNN，它有一个短距离的定位位置，缩小你的搜索下一步。然后，分别计算匹配概率K失水，根据贝叶斯决策算法。我们选择的最大概率位置定位位置。这些步骤如下。

首先，输入终端实时接收RSS L { RSSI1，rssi2，rssi3，hellip;，rssim }，在rssii（1le;ile;m）是接入点实时链接。其次是指纹库中的欧氏距离D [i]每个Li计算，这是由接入点算法得到可靠结论。选择K位置，L1，L2，L3，hellip;，LK，具有最小欧氏距离。然后，计算匹配概率P（Wi | s）L和贝叶斯决策算法的k位置。最后，选择在哪里最大P（Wi | S）作为定位。

定位系统的实现

浅谈优化算法基于WiFi的室内定位指纹后，让我们在移动课堂项目介绍了定位系统的实现。定位系统包含三个部分：1.接入点的部署和用于收集信息来创建链接指纹数据库。2.利用互联网和全球定位系统在地图上的位置近似位置。3.利用室内定位系统找到你所在的位置。

第一部分主要采用可靠的接入点算法创建WiFi指纹数据库后WiFi部署。在整个系统中，这一步是非常重要的。它会影响定位系统的精度。

第二部分只需要互联网和全球定位系统来完成。到达学校时，用户需要互联网和全球定位系统找到用户的建筑物。

在第三部分中，接入点已经部署在建筑物。用户走进教学楼，手持移动教学设备。移动设备可以获得接入点的链接。该设备将发送实时链接定位服务器程序。然后，它会在指纹数据库链接指纹定位查询。如果位置被发现，它将被发送到移动设备作为估计的当前位置。该模型是在图所示。如果你在教室里，你将在教室里被认识。

然而，当配置接入点改变，我们需要重复第一部分创建新的指纹数据库。它是WiFi指纹定位一个天生的弱点。

图2 室内定位模型

实验和分析

为了证明这种优化方法如我们预期的一样有效，我们设计了两个实验。

第一个实验拟验证可靠的算法。我们使用可靠的接入点算法，最高的链接算法和最大值算法。我们分析了三个结果之间的对比度。实验二旨在检验可靠的接入点算法相结合的混合定位算法的性能研究。它采用KNN算法、贝叶斯算法和混合算法。三个结果也是相互比较的。

实验中，我们使用路由器TP-LINK 450M 作为接入点。路由器的数量是6。可靠的接入点算法选择四个接入点中可靠性最高的。移动教学设备是一个基于Android的hanzpad垫。室内环境布置如图3所示。（32times;17m）区域覆盖的环境布局。小三角形代表接入点的位置。小圆圈代表十个不同的位置。我们做室内定位在这些不同位置的实验。当我们建立接入点链接指纹数据库，两个采样点的距离被设定为两米。

图3 环境平面图

定位服务器是IBM的系统x3850 X5。位置定位数据处理程序是在服务器上部署。我们使用MySQL数据库来存储指纹信息。

实验一采用三相结合的方法，选取了混合算法的定位算法，分别选择最高的链接，最大值可靠接入点算法建立指纹数据库。每个接入点选择算法选择四接入点的链接，作为一组建立指纹数据库。定位试验结果如图4所示

图4 实验一的结果

结果表明，可靠的接入点定位误差比最高的链接和最大值相对较小。这正是我们所期待的。这是因为可靠的接入点算法考虑的波动性和不存在的接入点的频率，并大大降低了室内环境的影响。

在二次实验中，我们使用可靠的接入点算法来创建一个指纹数据库。我们分别选择KNN、贝叶斯决策、KNN和贝叶斯决策算法混合定位算法。在KNN、贝叶斯决策的混合算法，当我们使用KNN算法，建立K等于六。结果在下面的图五。

图5 实验二的结果

从第二实验的结果，我们可以看出，混合算法优于KNN。贝叶斯决策算法当中最好的，但复杂的贝叶斯决策融合算法是最高的。如果有数据库M的位置，概率n 接入点需要计算，时间贝叶斯决策算法复杂度为O（mn）。然而，如果算法的混合算法，该算法的时间复杂度为O（kn）。当数据库是非常大的，我也非常大，约等于O，贝叶斯决策算法的时间复杂度约为（n2）。然而，当我们使用混合定位算法，如果1211K等于6，混合算法的复杂度为O（6n）。的复杂性大大降低。因此混合定位算法提高了定位精度，降低了复杂度。

从上面的结果，我们可以看到这个系统运作良好。定位误差和复杂度能满足要求的教学平台需要LBS。通过室内定位系统，我们可以完成整个基于位置服务平台教学，实现平台可以发送相关课堂学习材料及时根据这些教室的位置。学生还可以在课堂上发送信息，要求在课堂教学材料中进行课堂教学的位置。

1. 结论

移动课堂项目旨在建立一个学生和教师之间信息交互平台。通过该平台，学生不仅可以在家里访问教材，也可以随时在教室里访问教材。

基于位置服务的教学平台是本项目的一个重要组成部分，室内定位系统是基于位置服务教学平台的基础。室内定位系统可以提供给基于位置服务教学平台学生实时的位置信息。LBS平台教学可以把一些有价值的教学材料，根据学生现在的教室信息发给学生。

然而，室内定位系统需要更好的定位精度。当前定位算法不能满足移动教室项目的要求。

为获得较好的定位精度和降低定位算法的复杂性，本文提出了一种优化顾过得基于WiFi指纹的定位算法。在该算法中，接入点选择算法的优化依赖于接入点算法，考虑接入点的链接和接入点在室内环境无频率波动。可靠的接入点算法和KNN、贝叶斯决策算法相结合，形成优化的室内定位算法。本文实现了基于WiFi的室内定位系统，结果实验结果表明定位精度和定位算法的复杂度可以满足整个平台。

然而，该平台仍有许多工作要做。基于WiFi的室内定位系统还需要优化和改进。作品将在未来完成。我们都希望移动课堂项目能给学生带来好处，带来学习的乐趣！

参考文献

[1] Sharples M, “Learning As Conversion: Transforming Education in the Mobile Age,” Conference on Seeing, Understanding, Learning in the Mobile Age, 2005.


[2] Xianzhong Liu, “Load Balance Optimization of a Red5 Cluster in the Mobile Classroom Project,” 2013 Ninth International Conference on Natural Computation(ICNC), 2013

[3] Rui Zhao, Bang Zhong, Zuli Zhu, Le Ma and Jinfei Yao, “Overview of Indoor Location Techniques and Applications,” Electronic Sciamp;Tech, Mar.15, 2014.(in Chinese)


[4] Chin-Heng Lim, Yahong Wan, Boon-Poh Ng and Chong-Meng Samson See, “A Real-Time Indoor WiFi Localization System Utilizing Smart Antennas,” IEEE Transactions on Consume

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[152400]，资料为PDF文档或Word文档，PDF文档可免费转换为Word