一种新颖的室内定位算法在无线网络有效的流动性管理

文摘

随着智能设备和移动应用的渗透在我们的日常生活中,如何有效地管理无线网络的移动性问题成为一个具有挑战性的任务。能够连续、准确地追踪目标对象的位置移动性管理起着至关重要的作用。在本文中,我们提出一种新颖的室内定位算法,融合多个信号特性的位置指纹。激励我们的算法设计的理论基础源于以下观察:尽管使用一个特殊的信号特性(例如,信道状态信息(CSI))可能达到统计精度高于使用另一个信号特性(例如,接收信号强度(RSS)),个人位置估计的精度通常是多元化的,当只有一个信号特性用于本地化。例如,使用RSS可以获得更准确的位置估计比使用CSI个别职位。因此,我们提出一种新颖的室内定位算法,融合多种类型的信号特征指纹的位置,可有效地提高定位精度。我们设计了几种融合方案和评估他们的表现。实验表明,我们的算法实现了定位误差低于0.5米和1.1米两种典型室内环境中,约30%低于算法通过融合多个信号特性的准确性。

1。介绍

与移动设备的普及率和智能应用程序(1),如何提供有效的移动基础设施和如何有效管理流动性问题在未来网络变得越来越具有挑战性2- - - - - -8]。例如,我们需要提供灵活的移动基础设施来支持在车载网络实时多媒体应用和按需服务。目前的长期评估(LTE) 4 g网络(95 g)和未来(10)网络需要聪明的移动性管理方案来处理甚至上百万的移动终端的移动性。移动基础设施和流动性管理也至关重要的新移动云计算等新兴计算范例(6)和雾计算(11]。

如何准确地估计目标对象的位置(例如,移动设备或一个人)扮演了一个至关重要的,在有效的流动性管理中扮演着重要角色。近年来,随着基于位置的服务(lbs)的快速发展,需要精确定位技术在许多领域包括旅游指导、移动广告、城市计算。许多磅需要了解目标对象的位置在室内环境。室内定位近年来受到许多研究关注(12- - - - - -17]。等,由于普遍渗透的无线局域网络(无线局域网)和无线上网功能的移动终端,fingerprint-based室内定位技术(18)吸引了许多研究关注在学术和工业社区。大多数现有的作品利用接收信号强度(RSS) (14[]或信道状态信息(CSI)12,19作为一个特定位置的指纹。与RSS聚合值的所有副载波的振幅,CSI估计每个副载波在频域上的通道。因此它可以描述多路径传播在某种程度上,提供更稳定和细粒度的签名在区分不同位置(20.]。

许多定位方法利用单一类型的信号特征位置指纹,可能不能很好地处理信号特性的不稳定流动引起的。我们需要结合多种类型的信号的特性(例如,RSS和CSI)来提高定位的鲁棒性和可靠性和支持更灵活的移动性管理。此外,我们发现它并非如此,尽管职位CSI-based方法比基于rss的方法产生更精确的结果,尽管CSI-based方法的总体统计定位性能通常优于基于rss的方法(13,19]。我们进行一些实验发现,对于一个职位中不可忽视的部分,何露斯算法(14),这是一个代表基于rss的指纹方法,输出更精确的位置估计比插值函数(19),一个代表CSI-based指纹的方法。

上述观察启发我们设计新的定位算法来获得更高的定位精度通过融合不同信号特征位置的指纹。特别是,我们结合的结果何露斯(14],插值函数[19],D-CSI [15),使用不同的特征指纹的位置,达到更高的精度比使用每一个功能。D-CSI [15)是一种新的定位方法,使用CSI振幅分布的位置指纹称为惠普。它达到更高的精度比插值函数,因为它使用CSI振幅分布位置指纹,其中包含spacial-diversity和频率分集信号的,而分形插值只简单地加起来所有副载波的振幅,并使用它们作为位置指纹叫他。

在本文中,基于我们之前的工作(21),我们提出一个混合法与多特征融合(MFF)来抵消基于单一特征的定位误差的方法。我们首先提出融合1,加权融合定位法简单结合荷鲁斯和分形插值的结果可以快速获取移动用户的位置。为了进一步提高定位精度,提出融合2合并三种不同位置指纹特征,即RSS,他和惠普。具体来说,我们首先获得一组参考点称为替代通过运行何鲁斯参考点,插值函数,分别和D-CSI。其次,我们选择三个最可能的候选人从生成的参考点位置的三种方法。有超过三个参考点时,我们使用一个minimal-triangle原则选择三个。最后,我们计算加权质心的三个参考点,把它作为目标位置。实验表明,该定位方法达到平均误差为0.5米和1.1米两种典型室内环境,显著低于最好的基于单一特征的方法,其相应的误差是0.7米和1.3米,分别。平均,我们的方法可以减少定位误差由30%左右的特性融合的一个因素。

本文的其余部分组织如下。部分2评审相关工作。节3该方法详细描述与分析。给出了仿真结果和讨论部分4。最后,部分5本文总结道。

2。相关工作

2.1。网络移动性管理

近年来,移动管理研究在许多类型的网络,包括IP和未来网络(3,22- - - - - -25),4 g和5 g网络(2,4,10,26),无线传感器网络(5,27- - - - - -32),和移动云计算6,11]。在[3),作者调查交接和流动性问题基于ip多媒体服务和应用程序。在[22]作者作了全面分析和比较不同的分布式移动管理(DMM)计划。水槽移动无线传感器网络的发展是在深度调查(28]。作者分类网络移动性管理方案分为四类:无法控制的流动(嗯),path-restricted流动性(人口、难民和移民事务局)location-restricted流动性(远程雷达)和无限制的流动(阶层)。不同方案的分析优势通过仿真并比较它们的性能。在[22),作者提出一种自组织和自适应动态聚类算法进行高效的数据采集网络与移动元素。

在LTE移动基础设施和流动性管理4 g网络和5 g网络最近也被广泛研究。在[4]作者讨论了如何实现一个分散的LTE网络,设计一种新型支持移动IP移动性管理方法。在[2]作者讨论如何有效地管理资源和处理密集的5 g网络的移动性问题。在[10],作者提出一个记忆环境敏感的流动性管理算法可以预测设备的流动来实现高速网络交接。在[6,11]作者总结了最新研究进展在云计算等新兴计算范例和雾计算。

2.2。室内定位

室内定位吸引了越来越多的关注和研究提出了各种技术,包括wi - fi (14,33,34,蓝牙35),射频识别(RFID) (7,36),调频收音机37),声音信号(38),磁场(39],超宽频[40),光(41]。在这些信号,使用wi - fi信号引起了持续的关注由于普遍部署的无线局域网和无线上网功能的移动设备。许多努力来改善基于WLAN的定位精度的方法。

室内定位系统雷达(33)是一种先锋在WLAN指纹识别工作,使用K最近的邻居方法来获取一个人的位置,取得了平均误差约5米。何露斯(14)使用了一个基于最大似然的方法来推断比雷达目标位置和达到更高的精度。除了这两种典型的基于rss的指纹定位方法,有许多改进。可以找到更多基于rss的室内定位方法在文献综述42]。

基于WLAN的本地化的信号包含RSSI和CSI。而利用RSSI指纹,信道状态信息被认为是一个细粒度的签名来提高定位精度。吴等人提出了分形插值(fingerprint-based室内定位系统13),从物理层使用CSI值。作者收集并进行CSI值作为指纹通过利用频率分集和空间分集来生成无线电地图。具体来说,分形插值副载波聚合CSI振幅值对所有使用和利用空间多样性来提高RSSI-based方法的性能。位置指纹,所有副载波聚合,是粗度规,不能有效区分目标的位置在不同的位置。

肖et al。15)提出了一个D-CSI系统使更好地利用不同的副载波的频率分集和空间多样性与多个天线,从而有效地提高了定位精度。Kullback-Leibler散度是用来计算不同指纹之间的相似性,在此基础上计算最佳匹配位置的定位阶段。森et al。43)提出了一种利用per-subcarrier PinLoc系统频率响应特性的一个位置并依赖于机器学习算法分类设备测量的培训地点。它利用频率分集,但不考虑空间的多样性。王等人。17DeepFi提出这是一个基于深度学习的室内使用CSI信息指纹方案。虽然这些技术实现定位精度高,他们需要密集计算和更多的训练样本来定位手机用户通过机器学习或深度学习。

3所示。系统描述

CSI-based方法通常比基于rss的方法获得更高的精度,但我们发现,前者可能在某些位置精度低于后者。因此,定位精度可以提高通过集成的方法是基于不同的物理测量。

为了保证定位结果的及时性,我们先给一个方法,该方法利用RSS和他的加权融合。添加惠普特性,定位法融合三个特性提出了进一步提高定位精度。

3.1。系统框架

fingerprint-based定位系统有两个阶段:训练阶段和定位阶段。图1显示了系统架构。在训练阶段,我们获得的物理测量的无线信号校准点,包括RSS和CSI。然后他的特点19)和惠普(15CSIs)提取,以及RSS位置特性。最后,我们使用校准点的位置信息和位置特征构建RSS的指纹数据库,他分别和惠普。

在定位阶段,RSS和CSI值首先收集在一个未知的位置。它们被发送到定位引擎在训练阶段和加工利用的方法提取指纹。定位的及时性和准确性,提出了两种方法来获取移动用户的位置。一个保险丝RSS功能,称为融合1;另一个保险丝RSS,他和惠普的特性,称为融合2。

对于每一个指纹特征,融合1发现位置移动用户的结果。具体来说,我们喂了RSS和他何露斯和插值函数,计算候选位置为每个方法。移动用户的位置是通过加权融合的两个候选人的结果。

添加惠普特性,融合2发现三个候选人参考点的指纹大多接近指纹未知的位置。具体来说,我们的RSS提要,他和惠普何露斯,插值函数,D-CSI,分别计算每个候选位置设置方法。三个最可能的候选人点然后选择从这些位置根据新定义的度量称为信心程度。最后,三个选定的候选点的加权质心计算和使用位置估计。

3.2。算法细节

MFF给出算法的框架1。假设有NAPs和米在该地区的参考点。参考点的位置被指示为 。该算法包含4个步骤和每个步骤的详细操作将被描述如下。

步骤1。建立RSS,他和惠普指纹数据库。
给定参考点的坐标和相应的RSS和CSI值,我们构建RSS,他和惠普指纹数据库。RSS作为一个例子,指纹数据库建设的过程如下。我们的RSS向量表示米参考点是 。RSS的向量我th参考点是 ,在那里代表的RSS我的参考点N美联社。然后,和l构成了RSS指纹数据库。他和惠普的特性可以通过插值函数和D-CSI方法。因此, , ,和l构成了他和惠普指纹数据库。

步骤2。融合1计算测试点的坐标。
我们表示 所获得的RSS的移动设备在一个未知的位置。然后点与参考点之间的距离 ,在那里我= 1,2⋯米。一个更小的代表一个未知的位置和参考点之间的距离短。我们选择三个最小值并计算测试点的位置在荷鲁斯方法,表示 。
我们表示 当他在CSI预处理。测试点与参考点之间的距离也可以测量的欧几里得距离, ,在那里我= 1,2⋯米。我们也选择三个最小值并计算测试点的位置在分形插值方法,表示 。
测试点的位置计算 , ,在那里和的重量位置在荷鲁斯和分形插值结果。

步骤3。融合2计算和引线候选人参考点。
我们表示 随着惠普在CSI预处理。使用对称KL距离,距离每个参考点和测试点之间在D-CSI计算方法。我们 , ,和升序排序和选择前三个参考点作为候选位置RSS,他和惠普,用 , , ,分别。
我们把所有点 , ,和到一个位置设置并计算每个候选点的程度如下。对于每一个候选点,我们用半径画一个圆R(其最优值将确定部分4)和计算参考点的数量那些落在圆。数定义为候选点的程度。当计算的程度,如果参考点在区域边界,其程度增加了0.5补偿边界的效果。对所有点计算学位后 ,我们在降序排序根据他们的学历和表示排序设置为 。

步骤4。融合2执行位置计算。
最终位置计算和优化算法所示2。

3.3。算法分析

假定参考点均匀分布在监测区域的网格模式与网格空间一个。当R小于一个,每个参考点的程度将是零,因为没有其他参考点的圆。当 ,选择参考点参考点附近会落入一个圆半径R。当 另一个参考点,参考点附近或对角的矩形属于一个圆的半径R。因此,基于上述分析,性能分析的在下一个部分中,我们比较融合2下的定位误差不同R。

在算法2,另一个参数抵消设置以下原因。当有超过三个参考点具有相同程度的最高学位候选人参考点,他们不能区分作为最终候选人的测试点,这表明选择的点来衡量的粒度太小,有必要增加半径的长度,过滤掉这些参考点没有进一步增加,然后选择参考点设置是接近被测量。结合上述的分析R,抵消设置以下原则。当 ,抵消应该设置为 ;当 ,抵消应该设置为 ;当 ,抵消应该设置为 。

在本章提出的算法可以提高定位精度,主要是以下两个原因。一个是三岁以下的参考点的集合特征指纹。作为一个单一的特征指纹定位有局限性;一组参考点通过合并多个指纹可以弥补其缺点。第二种是使用一个参考点集,一个温和的参考点。参考点越高,接近测试点。

3.4。开销分析

该方法需要存储三个指纹指标(RSS,他和惠普)为每一个训练位置。假设有NAPs在环境和每个APl天线。表示由U的间隔数计算沪深振幅分布,并表示米天线在移动设备的数量。何露斯的方法,它需要记录N值,每个值作为一个接收信号强度的美联社。在分形插值方法中,它只需要记录每个位置 值,每个代表一个30多个副载波聚合指标。然后为每个训练D-CSI的位置,它需要记录 值,每个值作为一个浮动代表振幅下降的可能性在相应的时间间隔。因此,我们的方法的存储成本高于每个指纹的方法。然而,由于的值N, L U的总存储成本通常较小,可以提供我们的方法。

时间效率,在我们的方法,我们需要计算两个RSS之间的欧氏距离度量,两个CSI聚合之间的欧氏距离度量,和KL距离两个CSI振幅分布,每种方法所计算的成本略高于。然而,相比之下,使用的时间计算,用来收集数据的时间决定了时间效率的主要因素。我们的方法使用同样数量的数据包在分形插值或D-CSI,因此时间效率在较早的方法相似。

4所示。实验结果

本文提出的方法,我们收集了信号强度值和相应的位置和信道状态信息比较单一功能。本部分首先介绍了实验装置和数据采集过程。那么这两种方法的性能分析,分别。具体来说,融合1在不同权重下的性能比较,我们比较融合定位算法的性能和不同的半径,以及位置的表现方法与单一特征指纹和指纹定位方法和两个或三个特征。在RSS和CSI的收购中,我们使用一个固定的装置,防止人为错误引起的抖动数据。

4.1。实验场景

在我们的实验中,训练点均匀分布在整个房间和测试点是随机选择的。TL-WR742N路由器作为发射器,而戴尔E6410配备英特尔wi - fi连接5300网卡作为移动设备的培训和定位阶段。我们也修改驱动程序(19)收集原始CSI值。我们评估系统在两种典型室内环境:一个计算机实验室和会议室。

以下4.4.1。计算机实验室

计算机实验室的平面图如图2(一个)。四个APs部署四个角。在训练阶段,RSS和CSI值收集与1.2米间距在42个地点建立指纹数据库的空间。在测试期间,我们随机选择30地点测试位置。在每一个地方,我们收集的原始CSI值60包。我们收集20个RSS样本在每个位置和选择似乎大部分时间的RSS的指纹对应的位置。

4.1.2。会议室

会议室的平面图如图2 (b)和四个APs也放置在四个角。我们收集49不同校准位置相距1米在这个场景中。10测试地点是随机选择的。在每一个位置,我们也收集RSS和CSI 60包的数据。我们还收集20个RSS样本在每个位置和选择似乎大部分时间的RSS的指纹对应的位置。

4.2。最佳体重

我们首先考虑融合1的重量的影响在两个实验环境。我们知道两个权重之和等于1。不失一般性,我们选择的重量随着系统参数对定位性能进行评估。通过实验,我们得到的最优权重,得到最小定位错误。

结果绘制在图3。我们可以看到,当0。5 0。8,定位误差可以达到最小值。太大或太小,定位精度降低。具体地说,当太大,荷鲁斯的位置是获得较高的精度可能不会被选中。在极端的情况下,最后一个测试点的位置是分形插值的结果。当太小,不导电使用CSI的稳定性,从而使定位精度提高。

它也可以观察到当 ,总体定位性能高。这也表明,分形插值的整体定位效果优于何露斯的方法。当分形插值的比例高于何露斯的方法,方法可以获得较好的定位精度。图4在不同的情节CDFs的定位错误在两个实验环境。如图4(一),当= 0。7,80%的测试点有一个错误在1.6米。然而,当= 0。9和0。1,错误的80%点的距离扩大到2米和2.3米,分别。可以观察到类似的趋势图4 (b)。我们可以得出结论, 有利于提高定位精度。

4.3。最优的半径

在本节中,我们考虑系统参数的影响R2组的融合方法。

R是一个系统参数用于计算每个替代参考点的程度。的设置R有很大的影响对参考点的大小程度和影响程度参考点的选择,决定了定位性能。通过实验,我们确定时间间隔,使得融合定位算法的定位性能最好的。

图5显示了融合定位法的平均距离误差的曲线R两个实验场景的变化。我们可以看到当 ,定位误差可以达到最小值。当R太大,集中在另一个参考点半径R,这将增加自己的参考点的边缘,这参考点不应该选择可以使用作为点的位置测量。在极端情况下,当R的长度是整个地区的边界,将所有选择参考点三个为一组的最后参考点设置点来衡量,所以它不能充分利用功能,过滤器参考点通过计算程度的大小,从而影响定位精度。

此外,当R太小,会使的程度大小参考点没有区别,所以不容易区分计算应该选择哪个选择参考点的位置点来衡量。在极端的情况下,R太大,不能充分利用功能,过滤器的参考点通过计算程度的大小,从而影响定位精度。因此,是否太大或太小,定位效果产生负面影响。

图6显示的箱线图融合2下定位误差不同R。如图,当 ,超过75%的测试点的定位误差小于1.2米,但当 和 ,以防有相同数量的测试点,定位错误的范围扩大到1.5米和2米。同样的趋势图6 (b)。这些结果表明,R不是太大、太小在实际部署。基于我们的研究结果在两个实验场景,融合2时可以实现更好的定位性能R被设置为 。

4.4。融合1的定位性能

在本节中,我们进行性能对比测试在荷鲁斯,插值函数,融合1。我们认为的情况 并给出了平均距离误差和定位误差的累积分布(CDF),分别。

4.1.1。平均距离误差

图7给出了三种方法获得的平均距离误差的两个代表性的场景。如图,在会议室,融合1达到1.2米的平均精度,优于插值函数和何露斯超过0.2米和0.4米,和获得约14%和25%。此外,在计算机实验室的场景中,我们的方法的平均精度为1.4 m,大概是获得与分形插值和何露斯相比,12.5%和23%。

此外,每种方法的定位误差的标准差图给出7。从两个实验场景,我们发现何露斯最大的标准差,这表明测试点之间存在很大的差异。融合1最低标准偏差。这表明,定位误差的差异变得越来越小,RSS和他融合后更稳定。

10/24/11。CDF实验组的定位误差

图8情节CDFs的定位错误的会议室和计算机实验室,分别。如图8(一个),超过80%的测试点,融合1的误差小于1.6米。然而,插值函数和何露斯有2.1米和2.4米的定位错误在相同的实验条件。

如图8 (b),在这个更复杂的无线信号环境下,三种方法的平均误差在1.8米。然而,对于超过80%的测试点,融合1的误差是1米和0.5米低于何露斯和插值函数,分别。

4.5。融合2的定位性能

在本节中,我们进行性能对比测试之间的融合2和现有的作品,使用一个单一的功能,如荷鲁斯,插值函数,D-CSI。我们考虑半径不同2 a。我们给的平均距离误差和定位误差的累积分布函数的四个定位方案的两个代表性的场景。

4.5.1。平均距离误差

表1给出了平均距离误差通过融合2,何露斯,插值函数,D-CSI。如表所示,在会议室,融合2达到0.8米的平均精度,优于D-CSI,插值函数,和何露斯超过0.1米,0.5米,0.7米,和获得大约是11%,38%,和47%,分别。此外,在计算机实验室的场景中,存在丰富的多路径,我们的方法的平均精度为1.3 m,约为7%,18.5%,和31%的涨幅与D-CSI相比,插值函数,分别和荷鲁斯。

此外,每种方法的定位误差的标准差在桌子上1。从两个实验场景,我们发现何露斯最大的标准差,这表明测试点之间存在很大的差异。融合2有最低标准偏差。这表明,定位误差的差异变得更小、更稳定的RSS融合之后,他和惠普。因此,融合2适用于需要较小的抖动本地化的应用程序的结果。

4.5.2。定位误差的累积分布函数

图9情节中定位错误的箱线图会议室和计算机实验室,分别。如图9(一个),超过80%的测试点,融合2的错误小于1.1米。然而D-CSI,插值函数,荷鲁斯的定位错误1.2米,2.1米和2.4米在相同的实验条件。融合2测试点都有一个错误在1.3米,而只有约85%,60%,和40%的D-CSI,插值函数和何露斯测试点有相同的定位精度。

如图9 (b)在这种更复杂的无线信号环境,融合2和D-CSI有1.4米的距离误差50%的测试点。与此同时,插值函数的平均误差和何露斯是1.6米。然而,对于超过80%的测试点,融合2是0.5米的误差低于D-CSI;分形插值的误差是0.3米低于荷鲁斯。

5。结论

本文提出了基于多特征的室内定位方案,使用RSS和CSI信息提取商业现成的无线网卡。首先,我们提出一种加权融合方案,可以快速获取移动用户的位置同时提高定位精度。为了进一步提高定位精度,我们提出一个three-feature融合方法,该方法首先获取接收到的信号的求和(他)和副载波的分配(Hp)的CSI值。然后,获得一组候选人参考点使用每个指纹特征的定位方法。最后,根据每个引用的程度和三角形最小化的原则,我们找到最好的三个参考点,以重心为目标的位置。该方法相比,两种典型室内环境和评估与现有的工作。结果表明,我们的方案达到更好的性能在不同的场景中。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金批准号。61772559和61772559下的中国和中国的湖南省自然科学基金批准号2017 jj3413。

引用

1. m·A·拉赫曼和m . s .侯赛因”已被称作基于地理位置的移动群体感知框架支持大规模特设社会网络环境,”IEEE通讯杂志,55卷,不。3、76 - 85年,2017页。视图:出版商的网站|谷歌学术搜索
2. d . Calabuig s Barmpounakis s Gimenez et al .,“资源和网络层移动性管理的5 g细胞超密度网络,”IEEE通讯杂志,55卷,不。6,162 - 169年,2017页。视图:出版商的网站|谷歌学术搜索
3. j·沃兹尼亚克,“移动当前IP和未来网络管理解决方案”电信系统,卷61,不。2、257 - 275年,2016页。视图:出版商的网站|谷歌学术搜索
4. m . Karimzadeh l . Valtulina a·普拉斯et al .,“未来的LTE网络,基于双重nat的移动性管理”学报2017年IEEE无线通信和网络会议,WCNC 2017美国2017年3月。视图:谷歌学术搜索
5. a . Abuarqoub m . Hammoudeh Adebisi, s -贾巴尔,a . Bounceur和h . Al-Bashar”动态聚类和移动无线传感器网络的管理,“计算机网络卷,117年,第75 - 62页,2017年。视图:出版商的网站|谷歌学术搜索
6. b .周和r . Buyya”,增强移动云计算技术”,ACM计算调查,51卷,不。1,1-38,2018页。视图:出版商的网站|谷歌学术搜索
7. x刘、张,和k·布鲁里溃疡,”一个locality-based range-free为各向异性无线传感器网络定位算法,”电信系统,卷62,不。1,2016页。3日到13。视图:出版商的网站|谷歌学术搜索
8. j·j·s .张x Liu Wang曹,和g . Min”准确range-free为各向异性无线传感器网络定位,“ACM传感器网络交易,11卷,不。3,2015。视图:谷歌学术搜索
9. m·m·哈桑s Kwon, j . Na”自适应移动负载平衡算法对LTE小细胞网络,”IEEE无线通信,17卷,不。4、2205 - 2217年,2018页。视图:出版商的网站|谷歌学术搜索
10. a·穆罕默德·m·a·伊姆兰·肖和r . Tafazolli“记忆环境敏感预测流动性管理双重连接5 g网络,”IEEE访问》第六卷,第9666 - 9655页,2018年。视图:出版商的网站|谷歌学术搜索
11. l . f . Bittencourt j . Diaz-Montes r . Buyya o . f . Rana和m . Parashar“Mobility-Aware应用调度在雾计算,”IEEE云计算,4卷,不。2、26 - 35周不等,2017页。视图:出版商的网站|谷歌学术搜索
12. 杨z z,周,刘y”从RSSI CSI:室内定位通过通道响应,“ACM计算调查,46卷,不。2、第二十五条,2013年。视图:出版商的网站|谷歌学术搜索
13. j . k . Wu, y, d . Chen x罗和l . m .倪“CSI-based室内定位,”IEEE并行和分布式系统,24卷,不。7,1300 - 1309年,2013页。视图:出版商的网站|谷歌学术搜索
14. m·优素福,a . Agrawala“何鲁斯WLAN位置确定系统”第三届国际会议在移动系统的程序,应用程序和服务(MobiSys 05)ACM,页205 - 218年,2005年6月。视图:出版商的网站|谷歌学术搜索
15. y,张,j .曹h . Wang和j·王,“利用分布无线室内定位,准确的信道状态信息”计算机通信卷,114年,第83 - 73页,2017年。视图:出版商的网站|谷歌学术搜索
16. m . c . c .罗l . Cheng Chan y顾,j . Li和z明,“帕拉斯:Self-Bootstrapping细粒度的被动使用无线监控室内定位,“IEEE移动计算,16卷,不。2、466 - 481年,2017页。视图:出版商的网站|谷歌学术搜索
17. l . x Wang高、毛s和s Pandey,“CSI-Based指纹室内定位:深度学习的方法,”IEEE车辆技术,卷66,不。1,第776 - 763页,2017。视图:谷歌学术搜索
18. 外邦人,n . Alsindi r . Raulefs和c,地理定位技术:原理及应用施普林格科学与商业媒体,纽约,纽约,美国,2012年。
19. j .小k . Wu y,和l . m .倪“分形插值:细粒度的室内指纹识别系统,”学报2012年21计算机通信和网络国际会议上,ICCCN 20122012年8月,德吴。视图:谷歌学术搜索
20. y, x, x,和美国,“RSS基于指纹识别的室内定位的基本限制,”《IEEE计算机通讯大会上(信息通信的15)2487年,页2479 - 2015年5月,香港。视图:出版商的网站|谷歌学术搜索
21. 张,y, j . Wang h . Wang和j .曹“精确的室内定位和多特征融合,”无线算法、系统和应用程序卷,10251在计算机科学的课堂讲稿,页522 - 533,施普林格国际出版,可汗,2017年。视图:出版商的网站|谷歌学术搜索
22. 全,s . Figueiredo r . l .•阿吉亚尔和h . Choo,“未来移动网络分布式移动管理:全面分析关键设计选项,“IEEE访问5卷,第11436 - 11423页,2017年。视图:出版商的网站|谷歌学术搜索
23. 张x亏,y太阳,s, y,”描述车辆雾计算的能力在大规模的城市环境中,“移动网络和应用程序。视图:出版商的网站|谷歌学术搜索
24. m z . a .下榻的j .吴g . Wang t . Wang和m·m·哈桑“e-Sampling: Event-sensitive自主适应传感和低成本的监控在网络化传感系统中,“ACM交易自治和自适应系统(taa),12卷,不。1,货号。1,2017。视图:出版商的网站|谷歌学术搜索
25. j·h·e·罗问:Liu Abawajy, g·王,“保护隐私种profile-matching协议接近移动社交网络,”未来一代计算机系统卷,68年,第233 - 222页,2017年。视图:出版商的网站|谷歌学术搜索
26. 陈,秦,b . Hu李x和z,“以用户为中心的超密度网络5 g:挑战,方法和方向,”IEEE无线通讯杂志,23卷,不。2、78 - 85年,2016页。视图:出版商的网站|谷歌学术搜索
27. x星,李和j·g . Wang“协作无线传感器网络目标跟踪,”特别与传感器无线网络,23卷,不。1 - 2、117 - 135年,2014页。视图:谷歌学术搜索
28. y顾,f . Ren, y, j·李,“沉在无线传感器网络移动性管理的演变:一项调查,“IEEE通信调查和教程,18卷,不。1,第524 - 507页,2016。视图:出版商的网站|谷歌学术搜索
29. x l . Wang, j·肖,k, m·哈姆迪和张问:“探索智能无线速率适应试点,”IEEE无线通信,15卷,不。7,4571 - 4582年,2016页。视图:出版商的网站|谷歌学术搜索
30. j . m . z . a .下榻的g . Wang, j .曹x Liu和t·王,“使用无线传感器网络的可靠的结构健康监测,”IEEE可靠和安全的计算,14卷,不。4、363 - 376年,2017页。视图:出版商的网站|谷歌学术搜索
31. k . y . Liu, k . Zhang et al .,“QTSAC:一个节能的无线传感器网络MAC协议延迟最小化,“IEEE访问》第六卷,第8291 - 8273页,2018年。视图:出版商的网站|谷歌学术搜索
32. A .刘黄m . m .赵,t . Wang“智能高速骨干道路建设能源和延迟了网络优化方法,”IEEE访问》第六卷,第13854 - 13836页,2018年。视图:出版商的网站|谷歌学术搜索
33. p·巴尔和v . n . Padmanabhan”雷达:在建RF-based用户位置和跟踪系统,”学报第19届IEEE计算机和通信的社会联合会议(IEEE INFOCOM ' 00),卷2,页775 - 784,特拉维夫,以色列,2000年3月。视图:出版商的网站|谷歌学术搜索
34. x, c·马、m . Allegue和x Liu“驯服的wi - fi指纹不一致device-free被动室内定位,”IEEE INFOCOM学报》2017 - IEEE计算机通讯大会上,页1 - 9,亚特兰大,乔治亚州,美国,2017年5月。视图:出版商的网站|谷歌学术搜索
35. d .孔特雷拉斯,m·卡斯特罗和d s . de la Torre”绩效评价室内定位系统的蓝牙低能量”交易新兴电信技术,28卷,不。1,2017。视图:谷歌学术搜索
36. x z高,y, k . Liu苗,和y赵,“室内多标签合作定位算法基于RFID的nmd,”IEEE传感器杂志,17卷,不。7,2120 - 2128年,2017页。视图:出版商的网站|谷歌学术搜索
37. s . Yoon k·李,即Rhee”FM-based室内定位通过自动指纹数据库建设和匹配,”《第11届国际会议在移动系统中,应用程序和服务(MobiSys 13),页207 - 219,台北,台湾,2013年6月。视图:出版商的网站|谷歌学术搜索
38. l . Zhang d .黄c . Schindelhauer x Wang和z . Wang“声学仿真结果为智能手机的室内定位识别使用声通道特征,“传感器,17卷,不。4、2017。视图:谷歌学术搜索
39. n .李和d·汉”磁室内定位系统使用深层神经网络”《2017国际会议室内定位和室内导航(IPIN)2017年9月,页1 - 8,札幌。视图:出版商的网站|谷歌学术搜索
40. b . Kempke p . Pannuto b·坎贝尔和p·杜塔,“肯定一点:利用超宽带洪水和多样性提供健壮的、可伸缩的、高保真室内定位”学报》第14届ACM嵌入式网络化传感器系统,会议SenSys 2016,页137 - 149,美国,2016年11月。视图:谷歌学术搜索
41. 赵x z赵,j . Wang, c .彭问:郭,和b . Wu”NaviLight:室内定位和导航在任意的灯光下,”学报2017年IEEE计算机通讯大会上,一家2017年美国,2017年5月。视图:谷歌学术搜索
42. 他和工程学系。g . Chan“wi - fi fingerprint-based室内定位:最新进展和比较,”IEEE通信调查和教程,18卷,不。1,第490 - 466页,2016。视图:出版商的网站|谷歌学术搜索
43. 森,b . Radunovićr . r . Choudhury和t .星途,“你面对蒙娜丽莎:现货本地化使用PHY层信息,”学报第十届国际会议在移动系统中,应用程序和服务,经验”12gbr,页183 - 196年,2012年6月。视图:谷歌学术搜索

版权

版权©2018亚龙湾肖等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。