导读:本文包含了位置指纹聚类论文开题报告文献综述及选题提纲参考文献，主要关键词:KNN定位算法,模糊聚类,WiFi网络
位置指纹聚类论文文献综述
吴彦波,孟广仕[1]（2018）在《基于Wifi网络的模糊聚类KNN位置指纹定位算法》一文中研究指出无线传感定位系统离不开网络及专用传感器的支持,基于此对移动目标定位采用WiFi网络管理是一种具有普适性地解决方案。本文针对基于Wifi网络的位置指纹定位算法的分析,对KNN定位算法中存在的问题进行改进后提出了模糊聚类KNN位置指纹定位算法,明显提高了定位精度及效率,也降低了定位误差。(本文来源于《通讯世界》期刊2018年06期）
樊嘉琛[2]（2017）在《基于位置指纹的多层聚类室内定位算法及应用》一文中研究指出随着Wifi蓝牙等指纹定位手段在移动终端的广泛应用,室内高精度指纹聚类算法成为近年来热门研究方向,减小聚类算法复杂度及提高定位精度成为指纹定位的技术挑战。针对以上问题,本文展开了对室内定位指纹聚类算法的一系列研究。第一,本文在对指纹定位技术进行了系统研究的基础上,分析了室内无线信号衰减模型,并对室内进行了无线信号强度勘测,实现了在众包过程中指纹数据回传,根据衰减模型和修正参数对指纹库进行补偿,以降低指纹库的噪声。第二,针对k-means算法计算占用系统空间较大且速度较慢;SVM神经网络算法离线建库过程较为复杂,定位精度不高等问题,本文提出DBSCAN-SVM多层聚类算法,在离线训练过程利用DBSCAN减少训练样本数目并快速发现与空间位置保持一致的簇类集合,在线匹配阶段采用基于交叉验证及网格搜索的SVM算法进行在线搜索提高定位精度。第叁,基于前一章聚类算法的定位结果,针对动态定位过程的连续性,本文根据室内定位系统的非线性特征,提出了基于扩展卡尔曼滤波的Wifi与惯导融合定位算法。并且对于两个定位点前后RSSI向量相似度进行分析,生成系统的状态方程以及观测方程,有效的估计了当前定位点的位置。在提高了定位精度的情况下优化了定位平滑性,提升了定位过程的连续性。第四,针对前叁章的算法和策略进行了系统设计和部署。搭建了基于Android平台的指纹采集前端,服务器解算端,以及数据库存储端。并对单点定位和动态定位场景的多层聚类算法效果进行了验收。本定位系统单点定位场景下计算复杂度降低约79.8%。定位精度2.06m(1σ),相对于K-means以及高斯混合模型分别提升了 56.3%和37.2%,在降低算法复杂度的同时保证了定位精度。在动态场景下,定位连续性优化使得处理时间方差下降56.6%,定位点距离方差下降67.4%,提升了动态定位场景的连续性。(本文来源于《北京邮电大学》期刊2017-12-11）
樊嘉琛,邓中亮,焦继超,付萧[3]（2017）在《基于位置指纹的DBSCAN-SVM融合聚类算法》一文中研究指出传统的指纹定位聚类算法经常采用k-means聚类算法,但由于RSSI随时间和客观因素呈波动性较大的特性,k-means无法适应随时在变化的指纹库,且无法自适应生成聚类簇个数,导致匹配准确率不高。本文采用一种基于支持向量机(SVM)和DBSCAN的聚类算法,可生成不断适应指纹库变化的最优超平面模型,解决了指纹不断波动导致匹配效果不好的问题,并且在匹配过程中可以自动生成分类簇个数,根据DBSCAN的统计密度特性选择匹配概率最大的模型,提高了定位的匹配准确度,减少了定位匹配的时间,定位精度在60%的范围内可达到2.04m,相对k-means的6.1m提高了56.3%,提高了定位精度。(本文来源于《第八届中国卫星导航学术年会论文集——S10多源融合导航技术》期刊2017-05-23）
孔港港,杨力,孙聃石,吴雨[4]（2016）在《一种基于位置指纹定位的K-均值聚类算法的改进》一文中研究指出位置指纹定位的K-均值聚类算法将参考点分为K个子类,将相似对象聚集在一起,从而减少指纹搜索空间,提高效率。本文在K-均值聚类算法的基础上对选取的子类中邻近点进行加权计算,提高高相关性参考点的计算比重,从而达到提高定位精度的目的。实验结果表明,改进后的算法具有更高定位精度,其精度提高了18.5%。(本文来源于《全球定位系统》期刊2016年05期）
于睿,陆南[5]（2015）在《基于K均值聚类算法的位置指纹定位技术》一文中研究指出为了减小位置指纹定位算法的计算量,提出一种基于K均值聚类分析的位置指纹定位算法。通过对指纹数据库进行K聚类分析,形成聚类索引,定位时通过查询聚类索引来缩小指纹库查询空间。利用改进后的算法进行室内定位实验,并将其与K近邻法进行对比测试。实验结果表明,改进后的定位算法有效减小了定位过程的计算量,而且还能保证定位精度,在短距离范围内定位平均误差可限制在2m以内。(本文来源于《信息技术》期刊2015年10期）
毛红文[6]（2014）在《基于模糊聚类的位置指纹室内定位优化技术研究》一文中研究指出随着无线通信和智能移动终端技术的飞速发展,人们对位置感知服务的要求越来越高,而高精度的室内定位技术是实现位置感知服务的核心。在当前室内环境WAN分布广泛和运用普遍化的今天,使得基于WLAN定位系统成为研究的热点课题。基于位置指纹的WLAN室内定位具有实现简单、成本较低,无需知道AP的位置和发射功率即可实现定位,对额外的硬件设备需求量少等优点,使其在学术界和工业界得到广泛的关注和运用。位置指纹定位技术主要分为两个阶段：采样阶段和定位阶段,当前位置指纹定位技术在实现定位时,在兼顾位置指纹定位算法的精度和效率上还没有相对完善的机制,因此本文针对这个问题对位置指纹定位技术实施优化改进。本文通过分析比较几种典型的位置指纹定位算法,KNN定位算法在时间复杂度和定位精度上都有一定的优势,但是KNN算法在定位时需要耗费巨大的时间与指纹数据库进行比对从而确定K个指纹数据的选取,且由于K的选择是固定的而影响了某些位置处的定位精度。针对KNN定位算法存在的不足,本文提出了一种基于模糊聚类改进的KNN定位算法,对定位环节的庞大指纹数据库运用聚类分析方法实现模糊聚类,继而采用KNN算法实现移动终端的定位。对改进后的位置指纹定位技术性能利用MATLAB仿真实验进行测试,并在Android平台上通过原型系统进行实验验证。最后通过仿真实验分别对传统的KNN算法和改进后的KNN算法进行分析比较,在不影响定位系统其他性能的机制下,最终实验结果表明改进后的位置指纹定位在时间性能和匹配效率上都有极大的提高。(本文来源于《云南大学》期刊2014-05-01）
都伊林[7]（2012）在《一种模糊聚类KNN位置指纹定位算法》一文中研究指出阐述了位置指纹定位算法在室内WLAN环境中的应用,分析了KNN定位算法存在的不足,提出一种模糊聚类KNN位置指纹定位算法。该算法首先选取与空间相关性较好的4个信号参数,构成多径纹信号数据库;然后应用主分量分析法(PCA)对原始信号数据库作降维运算,滤除奇异性接入点(AP);最后用模糊C均值聚类算法(FCM)处理数据,进一步滤除奇异性参考点(RP),实现提高定位算法效率与精度的目的。实验表明,改进后的定位算法产生的定位误差明显减小。(本文来源于《微型机与应用》期刊2012年23期）
李方,佟为明,李凤阁,王铁成[8]（2012）在《基于模糊核c-means算法的位置指纹聚类》一文中研究指出提出一种针对位置指纹的模糊核c-means聚类算法.将位置指纹归结为一种服从正态分布的区间值数据以反映接入点信号强度采样值的不确定性,通过区间中值和大小确定的正态分布函数将位置指纹映射为特征空间中的一点,并在该特征空间中采用基于核方法的模糊c-means算法对其进行聚类.通过ZigBee定位实验表明,该方法对于位置指纹的分类效果明显好于基于信号强度平均值的c-means聚类,可在保证定位精度的前提下有效降低定位的计算量.(本文来源于《控制与决策》期刊2012年08期）
位置指纹聚类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着Wifi蓝牙等指纹定位手段在移动终端的广泛应用,室内高精度指纹聚类算法成为近年来热门研究方向,减小聚类算法复杂度及提高定位精度成为指纹定位的技术挑战。针对以上问题,本文展开了对室内定位指纹聚类算法的一系列研究。第一,本文在对指纹定位技术进行了系统研究的基础上,分析了室内无线信号衰减模型,并对室内进行了无线信号强度勘测,实现了在众包过程中指纹数据回传,根据衰减模型和修正参数对指纹库进行补偿,以降低指纹库的噪声。第二,针对k-means算法计算占用系统空间较大且速度较慢;SVM神经网络算法离线建库过程较为复杂,定位精度不高等问题,本文提出DBSCAN-SVM多层聚类算法,在离线训练过程利用DBSCAN减少训练样本数目并快速发现与空间位置保持一致的簇类集合,在线匹配阶段采用基于交叉验证及网格搜索的SVM算法进行在线搜索提高定位精度。第叁,基于前一章聚类算法的定位结果,针对动态定位过程的连续性,本文根据室内定位系统的非线性特征,提出了基于扩展卡尔曼滤波的Wifi与惯导融合定位算法。并且对于两个定位点前后RSSI向量相似度进行分析,生成系统的状态方程以及观测方程,有效的估计了当前定位点的位置。在提高了定位精度的情况下优化了定位平滑性,提升了定位过程的连续性。第四,针对前叁章的算法和策略进行了系统设计和部署。搭建了基于Android平台的指纹采集前端,服务器解算端,以及数据库存储端。并对单点定位和动态定位场景的多层聚类算法效果进行了验收。本定位系统单点定位场景下计算复杂度降低约79.8%。定位精度2.06m(1σ),相对于K-means以及高斯混合模型分别提升了 56.3%和37.2%,在降低算法复杂度的同时保证了定位精度。在动态场景下,定位连续性优化使得处理时间方差下降56.6%,定位点距离方差下降67.4%,提升了动态定位场景的连续性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
位置指纹聚类论文参考文献
[1].吴彦波,孟广仕.基于Wifi网络的模糊聚类KNN位置指纹定位算法[J].通讯世界.2018
[2].樊嘉琛.基于位置指纹的多层聚类室内定位算法及应用[D].北京邮电大学.2017
[3].樊嘉琛,邓中亮,焦继超,付萧.基于位置指纹的DBSCAN-SVM融合聚类算法[C].第八届中国卫星导航学术年会论文集——S10多源融合导航技术.2017
[4].孔港港,杨力,孙聃石,吴雨.一种基于位置指纹定位的K-均值聚类算法的改进[J].全球定位系统.2016
[5].于睿,陆南.基于K均值聚类算法的位置指纹定位技术[J].信息技术.2015
[6].毛红文.基于模糊聚类的位置指纹室内定位优化技术研究[D].云南大学.2014
[7].都伊林.一种模糊聚类KNN位置指纹定位算法[J].微型机与应用.2012
[8].李方,佟为明,李凤阁,王铁成.基于模糊核c-means算法的位置指纹聚类[J].控制与决策.2012