针对实际定位应用中室内环境复杂,传统的WiFi室内定位算法精度低、稳定性差、代价较高以及不同移动终端之间采集信号强度存在差异等问题,提出了基于dynFWA-SVM的WiFi室内定位模型。定位过程中,利用高斯滤波对信号进行除奇异值操作,同时采用信号强度差(SSD)位置指纹替代传统的接收信号强度(RSS)位置指纹;采用动态搜索烟花算法(dynFWA)优化支持向量机(SVM)参数,从而建立了dynFWA-SVM室内定位模型。实验结果表明:经高斯滤波处理后的SSD指纹可以有效提高定位的稳定性和可靠性,减小因不同终端采集信号强度存在差异对定位结果造成的影响,相较于粒子群优化(PSO)算法和烟花算法(FWA),dynFWA算法的优化效率更高,提出的dynFWA-SVM定位模型的定位误差更低。 可以采用高斯滤波舍弃高斯分布模型中小概率和大干扰的数据，选取高概率数值进行均值处理，增强位置指纹的稳定性和可靠性滤波处理-数控滚圆机电动滚圆机滚弧机价格低张家港电动滚圆机多少钱。

www.suoguanjixie.name即选取μ－σ≤RSSI≤μ+σ区间为高概率发生区域，将此区域内的所有RSSI值取算数平均即可得到最终的位置指纹信号值RSSI=1n∑ni=1RSSIi，RSSIi∈(μ－σ，μ+σ)(3)对采集数据进行高斯滤波，使其更接近真实值，如图1。图1高斯滤波处理RSSI值1．2SSD位置指纹设P(d)，P(d0)为与AP距离为d，d0的任意点和参考点的信号强度，由对数正态阴影模型有P(d)P(d0)[]dB=－10γlgdd0+XdB(4)式中γ为路径损耗因子;XdB为一随机变量且其服从N(0，σ2dB)分布。根据自由空间传播模型有P(d0)=PAPGAPGMTλ2AP(4π)2d20L(5)式中GMT为移动终端的天线增益;PAP为AP的发射功率;GAP为AP的天线增益;λAP为AP的波长;L为系统损耗因子。将式(5)代入(4)可得P(d)点的RSS表达式，即P)可以看出:RSS的值与移动终端的天线增益因子GMT和AP的配置有关，且不同移动终端的天线增益GMT各不相同，因此，即便是相同环境地点，不同移动终端采集到的信号强度也各不相同。为消除移动终端天线增益GMT因子对定位精度的影响，假设P(d1)和P(d2)分别表示同一移动终端在同一位置i处接收到的与其距离为d1的AP1的信号强度和距离为d2的A滤波处理-数控滚圆机电动滚圆机滚弧机价格低张家港电动滚圆机多少钱 www.suoguanjixie.name