一种基于分类回归算法的WiFiRTT测距精度优化方法技术

一种基于分类回归算法的WiFi RTT测距精度优化方法，属于室内定位技术领域，解决在非视距状态下WiFi RTT测距误差较大的问题；采用分类回归算法对WiFi RTT测距结果数据进行非视距状态(NLOS)下识别并对其测距误差进行优化，实现了对WiFi RTT测距数据的NLOS状态识别与误差缓解，仅使用WiFi信号，无需与其它传感器进行融合即可实现实时、精确的距离估计，极大提高了WiFi RTT测距的精度和适用范围。RTT测距的精度和适用范围。RTT测距的精度和适用范围。

【技术实现步骤摘要】
一种基于分类回归算法的WiFi RTT测距精度优化方法


[0001]本专利技术属于室内定位
，具体涉及一种基于分类回归算法的WiFi RTT测距精度优化方法。

技术介绍

[0002]基于位置的服务被广泛应用于不同的环境中，为用户提供导航、个性化信息推送等服务，以满足不同人群的定位需求。户外的精确位置信息可以从GPS获得，然而GPS设备在室内环境中会因为各种建筑材料引起的信号衰减而损失大量的功率，在室内环境中的定位性能往往不理想。随着互联网、通信技术的发展进一步推动了室内定位技术的快速发展，无论是家庭、学校、办公楼，还是商场、机场都遍布了WiFi热点。并且，包括智能手机、笔记本电脑在内的大部分移动通信设备都内嵌了WiFi模块。这为室内定位提供了的先天的便利条件，利用现有的WiFi设备及智能手机即可广泛应用于公共安全、工业、医疗等领域，无需额外部署硬件设施。
[0003]IEEE 802.11是现今无线局域网通用的标准，它是由电气和电子工程师协会(IEEE)所定义的无线网络通信的标准。该标准在2016年10月发布的标准修订中定义了FT本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分类回归算法的WiFi RTT测距精度优化方法，其特征在于，包括以下步骤：S1、采集WiFi RTT测量数据，并为每条数据打上标签：(1)LOS/NLOS标签，(2)真实距离，从而构建数据集；S2、将数据集中的全部数据进行分组，分析数据在LOS与NLOS状态下的差异，筛选LOS/NLOS分类特征、通过分类算法筛选出的LOS/NLOS分类特征为输入、LOS/NLOS标签为输出，训练LOS/NLOS分类器；S3、将数据集中的NLOS数据进行分组，采用测量距离减去真实距离得到测量距离与真实距离的差值，筛选NLOS状态下的距离回归特征；通过回归算法筛选出的距离回归特征为输入，真实距离为标签，训练NLOS状态下的距离回归器；S4、在线上接收到实时WiFi RTT数据后，根据每组数据进行LOS/NLOS分类特征与距离回归特征提取；基于提取的LOS/NLOS分类特征，通过离线阶段训练的LOS/NLOS状态分类器识别当前WiFi RTT测距数据处于LOS还是NLOS状态；若为LOS状态，则直接使用此WiFi RTT数据的测距结果；若为NLOS状态，则基于提取的距离回归特征，通过离线阶段训练的距离回归器进行NLOS误差缓解，得到误差更小的距离估计。2.根据权利要求1所述的基于分类回归算法的WiFi RTT测距精度优化方法，其特征在于，步骤S1中所述的采集WiFi RT...

【专利技术属性】
技术研发人员：裴绍展，张冬，尤毅，孙启彬，
申请(专利权)人：中国科学技术大学先进技术研究院，
类型：发明
国别省市：