全文下载：2013060633
华驰1， 王辉2， 杨慧3
（1. 江苏信息职业技术学院 物联网工程系，江苏 无锡 214101；2. 无锡英臻科技有限公司，江苏 无锡 214101；3. 中国矿业大学 资源与地球科学学院，江苏 徐州 221009）
摘要： 考虑到接收信号强度（RSS）算法的定位结果有着其不确定性，提出了一种新的生成场强分布图的自动学习算法。在此算法中，在初始简易场强分布图的基础上，首先启动一个带有默认参数值的线性模型，然后自动学习各类在线RSS数据；在学习的过程中，基于现有的支持RSS测量的WLAN、Zigbee、UMB等无线网络，扩展了标准的最大期望（EM）算法，推算出场强分布图的一种最大似然（ML）估计算法并运用到自动学习中，就可以生成一较精确的场强分布图。模拟表明，无需任何校准数据，该方法可以提供较高的精度。
关键词： 室内定位； 自适应； EM； 最大似然（ML）估计算法； 自动学习
中图分类号： TN 911.23文献标志码： A
Bayesian Radio Map Learning for Robust Indoor Positioning
HUA Chi1, WANG Hui2, YANG Hui3
（1.Internet of Things Enginearing Department, Jiangsu College of Information Technology, Wuxi 214101, China, 2.Institute of Automatic Control Engineering, Wuxi 214101, China, 3.School of Resource and Earth Science, China Mining University, Xuzhou 221009, China)
Abstract: Considering there is some uncertain with the positioning results of RSS accounts, in this paper, we propose a new field intensity distribution of automatic learning algorithms. This algorithm, based on the initial radio map , starts with a linear model with default parameters, and then automatically learn all kinds of online RSS data. In the learning process, this algorithm , based on the the WLAN, Zigbee, UMB and other wireless network which supports RSS measurement, extends the standard maximum expected (EM) algorithm and calculates maximum likelihood (ML) estimation algorithm of the field intensity distribution which be applied to the automatic learning and generate a more accurate radio map. Simulations show that the new algorithm can provide higher accuracy without any calibration data.
Key words:indoor positioning; Bayesian algorithm; expectation maximization ; maximum likelihood estimation algorithm; automatic learning
收稿日期：2013-06-18
基金项目：国家自然科学基金项目（6097406）；江苏省自然科学基金项目（BK20131097）；江苏省高校“青蓝工程”资助项目（苏教师〔2012〕39号）；江苏省教育科学“十二五”规划项目(D/2011/03/046)；江苏省高等教育教改研究立项课题项目（2013JSJG339）；中国博士后科学基金一等资助项目（2012M510193）.
作者简介： 华驰(1979—),男,讲师.
