通过使用信标进行室内定位系统的实用指纹定位

摘要

随着智能手机和信标、Wi-Fi、超宽带等无线通信技术的发展，可以实现几米精度的室内定位系统(IPS)。针对传统的指纹定位方法，提出了一种将其与加权质心定位相结合的改进方法。该定位方法减少了定位空间中指纹参考点的总数，从而减少了指纹学习过程中射频信号读取所需的时间和参考点的数量，最终降低了指纹学习过程的耗时。建议的定位有两个主要的操作步骤。在第一步中，我们实现了单独使用少量填充参考点(RPs)和WCL的指纹识别。使用第一步估计的位置，再次运行WCL以获得最终的位置估计。与传统的指纹定位方法相比，该方法在定位估计误差相似的情况下，减少了40%以上的RPs。

1.介绍

虽然全球定位系统(GPS)在定位应用中非常流行，但在室内定位中效率低下[1］．因此，人们对室内定位系统(IPS)的关注迅速增加，以替代GPS定位。各种无线技术，如蓝牙低能量(BLE)、Wi-Fi、可视光通信(VLC)、超宽带(UWB)等，已被用于IPS。由于BLE技术得到了移动设备的广泛支持，并且是为低能耗、低成本的短距离无线传输而设计的，因此它似乎比其他无线技术更有前景。

IPS中主要的无线信号测量原理是到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)和接收信号强度指示(RSSI)。TOA、TDOA和AOA定位系统需要适当的时间同步或天线阵列，这可能会增加系统成本。另一方面，基于rssi的定位系统利用了无线信号强度在空间上的特性，不需要时间同步和角度测量。此外，RSSI的测量相对简单，可以使用现有的无线技术，不需要任何额外的硬件设备，从而消除了额外的成本和能源消耗。大多数基于rssi的定位研究工作使用指纹、三边测量和三角测量方法作为IPS发展的基本技术。其中，指纹识别由于其准确性高而被广泛采用。然而，在离线阶段构建广泛的参考点数据库，使得指纹识别费时费力。加权质心定位(WCL)方法也可以作为IPS的候选技术。WCL以灵活、易于实现、耗时少而著称，但其位置估计误差较大[2那3.］．

我们提出了一种IP，它减少了用于定位空间的指纹操作的参考点（RPS）的数量，同时产生类似于加权的位置估计误差K.-最近邻(Wk-NN)指纹定位。该定位方法采用基于BLE信标的指纹识别技术，将预定位置信标的RSSI和位置坐标作为RP存储在数据库中。此外，它还使用了WCL和指纹定位之间的协作，并且使用了更少的指纹rp。

本研究论文组织如下。节2介绍了对典型IP的简要审查。建议的定位系统在部分中阐述3.．部分4.和部分5.目前实验结果与讨论及我们研究工作的结论。

2.典型的室内定位系统

基于BLE和指纹技术的IPS研究工作在[4.]，其中采用Wk-NN定位方法。的K.利用测量到的RSSI和数据库中引用的RSSI之间的欧氏距离，在数据库中找到最接近的指纹。本文还比较了基于Wi-Fi和BLE与Wi-Fi结合的定位方法。

在[5.其中高斯滤波器用于对接收信号进行预处理。本文提出了一种基于三边关系三角定理的距离加权滤波器，用于过滤由于RSSI异常而导致的错误距离值。此外,(6.]提出了一种结合指纹和三边测量的混合方法，并用梯度滤波器估计RSSI。

WCL方法介绍于[7.]用于使用基于zigbee的传感器网络进行户外定位。理论上，WCL方法是由一个质心确定过程导出的，其中权值用于估计位置。权重与参考信标位置与未知当前位置之间的距离成反比，在位置估计中起着至关重要的作用。使用专有无线电模块和WCL方法在长壁采矿应用程序中跟踪人的工作在[8.］．

基于无线电信号强度 - （RSS-）的指纹定位也可以与运动传感器的定位集成。这样的系统被提出在[9.在借助卡尔曼滤波器的帮助下，通过在基于传感器的定位中添加先前的位置估计和位置位移来估计标签装置的当前位置。在[10］．本文利用递归神经网络对RSS信息进行处理，以预测用户的运动模式。同时，RSS本身也不是没有问题的。在指纹定位的训练和测试阶段，由于环境的变化，它面临着一个变异问题。据报道，即使是相同的设备，不改变任何实验设置，也会产生非常不同的RSS特性[9.那11］．参考 [11]是一种基于智能手机的Wi-Fi指纹系统，它试图通过假设在训练和测试阶段的RSS值中的线性偏移来解决RSS变化问题。此外，利用这种假设，存储来自RPS的接入点（AP）的峰值RS值并用于测试阶段的定位。参考 [9.]采用[11，并试图缓解RSS变化的问题。这里，代表离线和在线RSS观测值之间的线性拟合参数是用递归最小二乘估计(RLSE)校准的。基于信道状态信息(CSI-)的指纹定位可以利用Wi-Fi子载波的幅值和相位响应，消除RSS [12］．此外，结果表明，与RSS值相比，CSI幅度值表现出良好的稳定性。这里，以深度学习方法生成基于特征的指纹。

2．1．蓝牙低能耗(BLE)信标

蓝牙4.0版本的规格[132010年6月发布的一项新技术被称为低功耗蓝牙(BLE)或“智能蓝牙”。在这个版本中，BLE堆栈的两个最低层中，物理层(PHY)负责发送和接收位，而链路层(LL)提供媒体访问、连接建立、错误控制和流量控制。与BLEs中定义的其他协议一样，上层是逻辑链路控制和适应协议(L2CAP)、通用属性协议(GATT)和通用访问配置文件(GAP)。

实际上，BLE专为不需要大量数据传输的设备而设计，并且用于具有低能量消耗和成本的短程无线传输[14那15］．载于[16据报道，电动设备（标签）的电力凹槽比对于Wi-Fi更低。

对于传输，BLE在2.4 GHz的工业，科学和医疗（ISM）频带处运行。频带分为40个间隔在2 MHz的通道分开。在40个通道中，三个通道用于广告。BLE设备使用这些广告频道连续广播其广告分组。此外，这三个广告频道战略性地放置，以避免干扰IEEE 802.11和ZigBee等共存技术[17］．

部署在IP中的BLE设备称为“灯泡”。最近，许多公司已经出现了商业上的信标。我们在我们的实验中使用了Explote Beacon设备作为BLE Beacons [18］．

2．2.加权质心定位

在WCL方法中进行位置估计，权重在测量与标签设备的距离时，分配给信标。重量是作用在度数上的反距离 这种方法的主要优点是它总是将位置估计限制在被信标包围的区域内。此外，任何靠近标签设备的信标都具有最高的权重，因此最终的位置估计被拉向该信标。为Beacons，WCL由以下等式集定义： (在哪里 ）是WCL方法的估计坐标，标签和信标之间有距离吗那 是重量的程度[2),而为在任何时间进行位置估计时所考虑的信标总数。的一些典型值分别为0.5、1和2.6 [2那3.那8.］．例如,图1说明了在本地化区域内有三个信标的WCL。起初，距离( 和)，使用对数距离传播模型估计从信标到标签设备的距离，并根据距离和度数分别确定各自的权重()．

流程图如图所示2描绘了WCL定位系统的操作。操作程序从正在从部署信标的测量开始。使用移动平均滤波器进一步平滑这些信号。

2.3。指纹定位

与其他定位方法相比，指纹识别具有较高的定位精度，是目前最常用的定位方法。它不需要APs的视线测量，复杂度低，在复杂的室内环境中具有较高的适用性[12那19］．基于指纹识别的本地化通常由两个主要阶段组成：离线（培训）和在线（测试）。

2.3.1。离线阶段

离线阶段设计用于学习每个参考点的RSSI。在这个阶段，我们从所有信标收集rssi。四个方向的rssi 在每个测量位置都收集，如图所示3.．将收集到的参考点及其位置坐标存储在数据库中，本文称之为参考点(RPs)。

2.3.2。在线阶段

在在线阶段，测量来自信标的RSSIS，并将其与数据库中的存储的RSSIS进行比较。然后，使用图中描述的指纹过程估计标签装置的位置4.．定位距离存储的RSSI值()及网上收集的RSSI值(） 在参考点为 在哪里是从1到1的信标的信标数 那标签周围的信标总数。这里Wk-NN可以作为一种基于存储和在线RSSI值的匹配算法[4.那20.那21］．为了确定任何参考点的重量，按升序排序。至少选取定位差值，并将其反比赋值为各自参考点的权重。

3.拟议的定位系统

在室内定位技术领域中，指纹识别由于其良好的估计性能而成为研究人员的首选。然而，这种方法不可避免的缺点是需要繁琐和耗时的离线阶段。另外，虽然WCL实现起来很容易，也很灵活，但是它有很高的本地化错误[2］．该系统首先去除有噪声的RSSI值，然后采用下面所述的定位方法。

3.1。过滤测量的RSSI

由于几个噪声因子和衰减，RSSI在空间和时间内呈现出高度的变化[9.那11］．也就是说，标签设备处的RSSI随着时间的推移而波动。因此，找到最终有助于减少估计错误的正确RSSI值非常重要。因此，在本研究中，我们利用了高斯滤波器来估计训练或离线阶段的RSSI值以及用于平滑测试或在线阶段的实时RSSI的移动平均滤波器。

3.1.1。用于培训数据的高斯过滤器

RSSI在某一点的分布可以认为是高斯分布[5.那22］．我们在实验台上执行RSSI的统计分布，如图所示5.．如图所示5.，由于高斯分布可以代表真实环境中RSSI的随机性，所以我们在训练阶段使用高斯滤波器估计RSSI的值来构建无线电地图数据库。意思是(）和方差（)的计算公式如下: 在哪里是样品数量。

现在，概率密度函数被制定为

我们接受集中的RSSI值(68.2%)位于有效范围内 和 ．RSSI是通过对有效范围内的值进行平均来估计的。

3.1.2。用于平滑RSSI的移动平均滤波器

如图所示5.， RSSI的随机性会导致RSSI值的显著变化。因此，为了减少可能的定位误差，必须对实时接收的RSSI进行平滑处理。移动平均滤波器可以解释如下。

让我们考虑以下数据集。 在哪里对应于标记设备周围观察到的RSSI。

现在，(5.)取平均值如下: 在哪里 这里，当RSSI样本的数量小于10时，我们平均所有样本;因此，实时位置估计不会存在任何延迟。

使用移动平均滤波器后的结果如图所示6.．

３．２．RSSI的距离观测

RSSI估计完成后，利用距离与接收功率之间的以下关系将其转换为距离[2那23］． 在哪里是在距离的DBM中收到的RSSI 那 接收到的RSSI是1米吗是路径损失指数。

3.3。所提出的定位方法

结合两个不同的本地化技术的所提出的技术包含两个主要的操作步骤。在第一阶段的操作阶段，两个指纹识别，在测试平面上有轻微填充的参考点（我们称之为FP_光在本文的其余部分中)，而WCL本地化则是单独执行的。即从FP估计的坐标_光和WCL。作为程序的第二步，这些估计的坐标和它们各自测量的距离将在下一次WCL操作中进一步处理。正如我们所知，在加权上K.-最近邻的指纹定位，赋予一定的权重K.“最近的邻居根据他们的欧几里德距离观察在线价值。在我们的方法中，我们找到了“K.“最近的邻居根据观察到的在线价值。然而，根据其与第一WCC坐标估计的欧几里德距离来确定这些最近邻居的权重。

总之，本文提出的实用指纹识别方法将WCL和传统指纹定位相结合，同时使用少量的参考点覆盖感兴趣的整个区域。Wk-NN指纹方法中，通过现场调查形成的指纹数据可以总结为: 在哪里表示信标的RSSI在与和分别为测试台上部署的信标总数和总rp。取决于值和 那指纹数据集的大小也相应不同。在这里，所提出的方法试图最小化 那保持与现有系统相似的定位精度。

在所提出的方法的测试阶段，使用移动平均滤波器平滑部署信标的RSSI。在这些信标中，任何根据最强的RSSI值选择信标数量。从标签设备到这些的距离对WCL方法的信标进行了估计。为了考虑信标以矩形的方式部署，并减少可能的定位误差，我们在工作中选择了四个信标。在图中所示的技术中7.，WCL和FP_光（选择具有小距离的K RPS到测试数据）方法在第一步中运行。在实现WK-NN的同时，作者通常建议不同的值K.如= {2} [4.] 和= {3,4} [24］．在我们的方法中，我们观察到这一点K.={4,5}时，也会选择离原始标签位置较远的参考点(因为两个参考点之间的间距较大)，从而增加了定位误差。用该方法得到了最小的定位估计误差= 3。因此，价值K.在我们的工作中设置为3，这样就可以估计出三个最近的可能的RP位置。值得注意的是，在传统的指纹定位中，两个rp之间的距离越高，定位系统的粒度或精度就越低，而距离越小，定位系统的精度就越高。然而，RPs之间的小空间并没有增加指纹正确匹配的概率，因为相近的参考点可能具有非常相似的指纹[25］．

我们有策略地选择了rp的总数和它们之间的空间，以减少部分中所示的本地化错误4.．为了均匀性，在“Messaging/testing”中，标签设备的高度保持为离地面1.20 m“在训练和测试阶段的姿势(通常手持智能手机的方式)。

数字8.说明了该方法的流程。在这里,水控制法₁和水控制法₂表示WCL操作，具有两个不同的输入数据集。WCL.₁操作信标来标记距离及其各自的权重(如本节所述)2．2)．同样,水控制法₂适用于新计算的距离及其各自的权重。

让WCL估算位置₁和fp._光（三个rps）是 那 那 而且, ，如图所示9.．WCL和FP之间的欧氏距离_光估计地点的计算方法见(9.)． 在哪里 和 请参阅从WCL和FP获得的坐标_光分别为,L.= 1, 2，…K.．

现在，按照WCL方法中使用度的方法，将上述三个计算的距离转换为各自的权重 ．此外，在第二步中显示10，FP的三个估计位置_光 及各自计算的权重( 和)用于第二个WCL估计(WCL₂)．WCL的输出₂估计是我们提出的方法的最终位置估计。

4.实验结果与讨论

为了正确评价所提出的方法，我们通过在走廊和房间进行实验来测试所提出的定位方法。

4.1。测试用1（走廊）

灯塔呈矩形布局，朝向走廊对面的墙壁。对于WCL技术，最接近的四个信标是根据它们的rssi选择的。WCL有两个主要的定位属性:(a)估计的位置限制在信标的位置内，(b)它将位置估计拖向距离移动用户最近的信标。考虑到这些特性，我们在走廊上选择不同的不同区域进行定位测量。因此，测量都是在由信标形成的矩形多边形的边界和多边形的中心区域。此外，在任何地区，测量在三个不同的地方，如图所示10，如远离墙壁(A)、走廊中间(B)、靠近墙壁(C)。此外，在WCL中可以调整度值，以获得最佳定位效果。如果保持较高时，定位估计移动到最近的锚点位置。另一方面，非常低的值(接近于零)也可能产生定位估计为质心点。因此，我们用不同的值来评估WCL的定位估计误差(0.4, 0.5, 0.8，和1.2)，如图所示11．在测量位置，拍摄100次测量值，并且平均位置估计误差。桌子1在走廊瞥见实验条件。

如图所示11在实验台上，0.5度的WCL方法的性能优于其他方法。因此，本文采用0.5度的WCL方法进行指纹识别。使用这个信标部署配置，建议的定位技术在走廊上实现。然后，我们评估了我们的方法与不同数量的参考点在试验台上的性能。

首先，我们取了12个基准点，这样沿着走廊的任何两个信标之间都有一个基准点。随后，我们将试验台上的参考点数量均匀地增加到19、26和36，如图所示12．我们比较了我们提出的指纹定位和加权K-NN指纹定位。为此，由于我们被限制在走廊对面的两面墙上，我们将试验台划分为62个长1.25 m、宽0.9 m的均匀网格，形成62个指纹参考点或无线电地图单元。同时，利用36个参考点进行了Wk-NN指纹识别，用于提出的实际指纹定位。的价值K.为更好的定位估计Wk-NN指纹。

首先，我们观察了不同定位方法在实验台上定点定位估计误差的累积分布函数(CDF)。由于所提方法有12和19个参考点，定位误差非常大，因此我们将它们排除在本次观测中。图中给出了走廊处定位估计误差的CDF13．

对于穷举的研究，在三个区域估计位置误差：（i）由信标形成的多边形的中心，（ii）矩形多边形的边界，（iii）距离的边缘或信标部署的结尾如图所示14．与WCL定位误差估计类似，在每个区域，在三个不同的位置(A、B、C)进行定位误差估计。在每个测量位置，我们取200个位置估计误差样本，每个方向50个样本 ．

在数据15那16,17将所提出的实用指纹(PF)定位方法在不同测量区域和测量地点的平均定位误差与Wk-NN和WCL进行比较。由于两个参考点之间的高间距降低了正常指纹定位的粒度，因此本文的定位结果与只有36和62个参考点的Wk-NN指纹定位结果进行了比较。

如图所示15该方法在RPs数较少(12和19)或参考点间距较大的情况下，定位误差较大。在这种情况下，WCL的性能优于该方法。之所以如此，是因为在走廊的边缘，选定的三个最近的rp离测量地点很远。然而，36个RPs的PF产生的定位误差与Wk-NN指纹定位相似。

数字16显示矩形多边形边界区域中三个测量点(A、B、C)的位置估计误差。其中，36个RPs的PF与62个参考点的Wk-NN指纹的定位误差几乎相似或更小。而rp个数越少的定位结果平均误差越高。该方法的定位误差分别为36和26个RPs，与PF的定位误差分别为19和12个RPs相比差异较小。之所以如此，是因为边界区域包含可用于具有26个rp的PF的rp位置(见图)12)．它也在走廊的边缘观察到（见图15)．如图所示，矩形多边形的中心也会出现类似的结果17．在这里，这K.最近的rp对于PF来说是很远的，有26个和19个rp。因此，它们会产生更多的本地化错误。

此外，在走廊的所有区域中，位置估计误差在中途（测量位置B）处较低，靠近墙壁。这种情况对真正的室内定位应用的效果较小，因为人们倾向于走在走廊的中间，避免墙壁附近的地方。在测试用1中获得的最低和最高平均误差分别为0.8679 m和1.14米。在使用跨测试用36个参考点的所提出的方法的同时，我们可以将参考点数减少41.93％。

4．2．实验2(房间)

表2列出了本方法在试验台上评价的实验条件2．

在这里，灯塔被布置在房间的四个角落和中心。在WCL中，较短的距离比较高的距离更有权重()．因此，要稍微降低长距离的重量，保持在高位[7.］．然而，在我们的例子中，信标部署高度在两个测试台上几乎是相同的。此外，在操作过程中，标签设备到信标的距离也在相同的范围内。因此，我们选择的值在房间里也是0.5。虽然房间中每单位面积的信标密度远低于走廊中的信标密度，但房间里的所有信仰都彼此更靠近。

由于我们不像走廊中那样受到两面墙的限制，我们将实验台2划分为一个长度和宽度0.9 m的统一网格，由65个单元格组成，用于Wk-NN指纹的评估。网格大小分别为1.35 m和1.8 m，分别形成28和16个指纹参考点。此外，为了减轻WCL靠近墙壁的高定位误差，我们在每个墙壁的中间增加了一个参考点。因此，在实验台2上分别用20和32个参考点对所提出的指纹识别方法进行了评价。根据WCL的定位误差变化，在实验室内的三个测量位置估计定位误差，如图所示18．

图中给出了在实验台2的定点上不同定位方法的位置估计误差的CDF19．

详细研究了测试室内三个不同测量位置的位置估计误差，如图所示20.．

数字20.对比了所提方法与现有定位方法Wk-NN指纹识别和WCL的平均定位误差。由于试验台设备齐全，室内定位误差高于走廊定位误差。测量地点A为WCL法定位误差最小的房间中心。这是因为，在这个测量地点，一个信标刚好在标签设备的上方，其余四个信标几乎与这个地方保持等距离。由于信标距离标签设备非常近，所以它的重量较高，而其余信标的重量相对较低。测量点C靠近房间的一面墙，测量点B在墙和房间中心的中间。32个RPs的PF与Wk-NN的平均定位误差基本一致。然而，当RP为20时，由于RP位置之间的距离较大，定位误差较大。与走廊相似，当我们朝房间的墙壁移动时，定位误差会增加。

正如预期的那样，具有65个参考点的WK-NN在整个房间内具有最低的定位误差，而具有32个参考点的方法由于栅格的尺寸较大，具有高的本地化误差。然而，所提出的方法利用WCL的粗糙定位估计并产生更好的结果。试验用2中所提出的方法（32参考点）获得的最低和最高的平均误差分别为0.9893m和1.5529 m。在使用测试用32个参考点的建议方法的同时，我们可以将参考点数减少49.23％。

4.3。统计验证结果

为了验证报告的结果，我们执行Friedman作为排名测试[26那27]及Holm [28]作为事后测试。为了检验，我们设置原假设(） 作为(一)排序:两个或多个算法的结果均值相同。(b)事后与控制方法:控制方法的结果与其他组的结果的平均值相等(成对比较)。

将以下测试应用于STAC Web平台，其中假设算法在问题上较低，算法越好[29］．（一世）测试用1（走廊）：在这里，我们在62 rps，wk-nn具有36 rps，pf，具有36 rps和wcl的Wk-nn进行了测试。因此，测试组的数量（）是四个和样本数量（）是九（走廊的三个区域的三个不同的测量位置）。此外，具有36 rps的提出方法被认为是具有显着性水平的控制方法（）等于0.05。用弗里德曼测试拒绝排名的零假设值0.00000。此外，后HOC测试的零假设产生了以下结果。（1）PF具有36 rps与wcl：被拒绝值为0.00038。（2）PF (36 rp)与Wk-NN (36 rp):被拒绝值为0.00697。（3）PF具有36 RPS与WK-NN，具有62 rps：被接受值为0.85513。(2)测试2（房间）：排名测试是针对WK-NN进行的，具有65 rps，WK-Nn，32 rps，PF，32 rps和WCL。这里，测试的组数量（）是四个和样本数量（）是三个（试验机室内三个不同的测量位置）。用弗里德曼测试拒绝排名的零假设值为0.01144。同样，将所提出的32个RPs的方法视为具有显著性水平(）等于0.05。后HOC测试的空假设产生了以下结果。（1）32 rp的PF vs WCL:被接受值为0.08057。（2）PF (32 rp)与Wk-NN (32 rp):被接受价值0.11556。（3）PF具有32 rps与wk-nn，有65 rps：被接受价值0.75783。

Friedman秩检验的原假设在两个试验台上均被拒绝值远低于显著性水平。此外，在两组实验台上，对所提出的方法和Wk-NN(62和65 rp)的事后检验进行比较，均可接受原假设价值大于重要性水平。它表示所提出的方法的性能与其他方法不同，并且所提出的技术的平均定位精度与现有的WK-NN指纹方法统计类似。

5.结论

该方法简化了参考点，便于指纹定位。我们在定位区域使用不同数量的参考点单元来测量我们的方法的性能。我们发现，通过将传统的指纹定位方法与IPS的另一种横向方法结合，可以在一个定位区域内减少所需的参考点细胞数量。我们使用BLE作为无线技术来实现我们提出的IPS方法。由于我们使用了较少的参考点，因此与传统的指纹识别方法相比，该方法更简便、耗时更少。此外，当仅使用WCL方法时，生成的位置估计优于WCL方法的位置估计。

利益冲突

作者宣称没有利益冲突。

作者的贡献

Santosh Subedi和Jae-Young Pyun构思了理念和研究计量。Santosh SubeDi设计了所提出的本地化算法并进行了实验。Jae-Young Pyun通过指导和监督研究，为研究和分析的概念做出了贡献。

致谢

这项工作得到了韩国政府(MSIT)资助的信息与通信技术促进研究所(IITP)的资助。2017-0-00695，混合精确室内定位商业技术在AR室内LBS中的发展)和韩国国家研究基金会(NRF)资助项目(no. 2017-0-00695, Research on Hybrid Precision Indoor Positioning Commercial Technology for AR Indoor LBS)nrf - 2016 r1d1a1b03935889)。

参考文献

1. R.-S.程，W.-J.洪，J.-S.王，K.W.Lin，“组合GPS，BLE灯塔和NFC技术的无缝引导系统”，移动信息系统，卷。2016年，第2032365号，12页，2016年。视图:出版商的网站|谷歌学术
2. s . Subedi G.-R。Kwon S. Shin S. S.黄,J.-Y。Pyun，“基于信标的室内定位系统使用加权质心定位方法”2016第八届泛在与未来网络国际会议(ICUFN)，维也纳，奥地利，2016年7月。视图:出版商的网站|谷歌学术
3. G. G. Anagnostopoulos和M. Deriaz，“利用加权平均技术提高室内定位的准确性”，发表于第八届传感器技术与应用国际会议(SENSORCOMM)，pp.112-116，里斯本，葡萄牙，2014年11月。视图:谷歌学术
4. P. Kriz，F. Maly和T. Kozel，“使用蓝牙低能信标改善室内本地化”移动信息系统， 2016年第4期，文章编号2083094,11页，2016。视图:出版商的网站|谷歌学术
5. Z.建井，L.海洋，C. Zili和L. Zhaohui，基于RSSI的蓝牙低能量室内定位，“2014国际室内定位与室内导航会议(IPIN)， pp. 526-533，釜山，韩国，2014年10月。视图:出版商的网站|谷歌学术
6. F. Subhan, H. Hasbullah, A. Rozyyev，和S. Bakhsh，“使用指纹和lateration方法的蓝牙网络室内定位”，在2011年国际信息科学与应用会议，pp.1-9，韩国济州岛，2011年4月。视图:出版商的网站|谷歌学术
7. J. Blumenthal, R. Grossmann, F. Golatowski，和D. Timmermann，“基于zigbee的传感器网络的加权质心定位”，在2007 IEEE智能信号处理国际研讨会，pp.1-6，阿尔卡拉德·埃内斯，西班牙，2007年10月。视图:出版商的网站|谷歌学术
8. A. Fink, H. Beikirch, M. Voss，和C. Schroeder，“基于rssi的使用分集和惯性导航的室内定位”，在2010年室内定位和室内导航国际会议，pp.1-7，瑞士苏黎世，2010年9月。视图:出版商的网站|谷歌学术
9. S. Lee，B. Cho，B. Koo，S. Ryu，J.Choi和S. Kim，“卡尔曼滤波器的室内位置跟踪，自校准进行RSS变异缓解，”国际分布式传感器网络杂志文章编号674635,2015。视图:出版商的网站|谷歌学术
10. P. Barsocchi, S. Chessa, A. Micheli和C. Gallicchio，“基于接收信号强度(RSS)的定位系统的预测驱动增强”，国际地理信息杂志，第2卷，第2期4, pp. 978-995, 2013。视图:出版商的网站|谷歌学术
11. Y. Kim，H. Shin，Y.Chon和H. Cha，“基于智能手机的Wi-Fi跟踪系统利用RSS峰值克服RSS方差问题”elewsvier普遍和移动计算，第9卷，第5期。3, pp. 406-420, 2013。视图:出版商的网站|谷歌学术
12. 王旭东，“基于深度学习的指纹识别技术在室内定位中的应用”，IEEE车辆技术交易第66期1, pp. 763-776, 2017。视图:出版商的网站|谷歌学术
13. B. Sig，“蓝牙规范4.0”，2010，http://www.bluetooth.org．视图:谷歌学术
14. M.Siekkinen，M.Hienkari，J.K. Nurminen和J. Nieminen，“能源低能量有多低？ZigBee / 802.15.4的比较测量，“2012 IEEE无线通信和网络会议研讨会（WCNCW），法国，2012年4月。视图:出版商的网站|谷歌学术
15. E. Dahlgren和H. Mahmood，基于蓝牙智能技术的室内定位评估，[M。。论文]Chalmers理工大学计算机科学与工程系，瑞典，2014年。
16. R. Faragher和R. Harle， "蓝牙低能耗信标定位指纹"通信中选定区域的IEEE日记帐第33卷第3期11, pp. 2418-2428, 2015。视图:出版商的网站|谷歌学术
17. A. Corbacho Salas，基于蓝牙低能的室内定位系统，大学Politècnicade Catalunya，巴塞罗那，2014年。
18. http://estimote.com/．
19. S. He和S. H. Gray Chan，《基于Wi-Fi指纹的室内定位:最新进展和比较》，IEEE通信调查和教程第18卷第2期1, pp. 466-490, 2016。视图:出版商的网站|谷歌学术
20. M. Oussalah，M.Alakhras和M. I. Hussein，“用于指纹室内定位的多变量模糊推理系统”模糊套装和系统，卷。269，pp。65-89,2015。视图:出版商的网站|谷歌学术
21. “基于模糊聚类的无线局域网KNN/ANN室内定位方法”，中国通信，卷。7，不。3，pp。64-80,2010。视图:谷歌学术
22. H. Zhu和T. Alsharari，“一种改进的基于rssi的定位方法，使用扇区传输模型和距离优化技术，”国际分布式传感器网络杂志文章编号:587195,2015。视图:出版商的网站|谷歌学术
23. Y. Sung，“可持续室内计算环境中使用卡尔曼滤波器的基于rssi的距离估计框架”，可持续性，卷。8，不。11，p。1136,2016。视图:出版商的网站|谷歌学术
24. V. Honkavirta, T. Perala, S. Ali-Loytty，和R. Piche，“无线局域网位置指纹方法的比较调查”，在2009第六届定位、导航与通讯研讨会，第243-251页，德国汉诺威，2009年3月。视图:出版商的网站|谷歌学术
25. K. kaemarunsi和P. Krishnamurthy，“基于位置指纹的室内定位系统建模”IEEE计算机和通信社会的二十三届年度联席会议，第2卷，第1012-1022页，中国香港，2004年3月。视图:出版商的网站|谷歌学术
26. M. Friedman，“使用等级来避免方差分析中隐含的正态假设”，美国统计协会杂志， 1937年第32卷，第674-701页。视图:出版商的网站|谷歌学术
27. J. L. Hodges Jr.和E. L. Lehmann，“在分析方差分析方面的独立实验组合的方法”数理统计年鉴，第33卷，第482-497页，1962。视图:出版商的网站|谷歌学术
28. S. Holm，“一个简单的顺序拒绝多重测试程序，”斯堪的纳维亚统计杂志，卷。6，pp。65-70,1979。视图:出版商的网站|谷歌学术
29. I. Rodríguez-Fdez, a . Canosa, M. Mucientes和a . Bugarín，“STAC:一个使用统计测试比较算法的网络平台”，发表于2015年IEEE模糊系统会议（FUZZ-IEEE）的诉讼程序，卷。2-5，pp.1-8，伊斯坦布尔土耳其，2015年8月。视图:出版商的网站|谷歌学术

版权

版权所有©2017 Santosh Subedi和Jae-Young Pyun。这是分布下的开放式访问文章创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。