基于数据库相关算法的位置指纹定位技术
基于rssi指纹算法的具体实现
基于RSSI指纹算法的具体实现引言RSSI指纹算法是一种基于无线信号强度指纹的定位算法，可以用于室内定位、智能导航等场景。
本文将详细介绍RSSI指纹算法的具体实现过程。
RSSI指纹算法概述RSSI（Received Signal Strength Indicator）是接收信号强度指示器的缩写，用于表示无线信号的强度。
RSSI指纹算法通过收集不同位置的RSSI值，并构建指纹数据库，以实现定位功能。
RSSI指纹算法的基本思路是利用无线信号在空间中的衰减特性，通过测量不同位置的信号强度，建立起位置与信号强度之间的映射关系，从而实现定位。
具体实现过程包括数据采集、指纹数据库构建和位置估计三个主要步骤。
数据采集数据采集是RSSI指纹算法的第一步，主要目的是收集不同位置的RSSI值。
采集数据时，需要选择一组特定的位置，并在每个位置上进行多次测量，以获取可靠的数据。
在每次测量中，需要记录无线设备的位置坐标和对应的RSSI值，并将数据保存到数据库中。
数据采集过程中需要注意以下几点： - 确保测量环境的稳定性，避免外界干扰对测量结果的影响。
- 采集足够多的数据样本，以提高定位的准确性。
- 采集数据时要注意覆盖整个定位区域，包括边缘区域。
指纹数据库构建指纹数据库的构建是RSSI指纹算法的核心步骤，它将采集到的RSSI数据转化为可供定位使用的指纹信息。
指纹数据库的构建主要包括数据预处理和特征提取两个部分。
数据预处理数据预处理是指在构建指纹数据库之前对采集到的数据进行清洗和处理，以提高数据质量和减少误差。
常用的数据预处理方法包括去除异常值、数据插值和数据平滑等。
去除异常值是指排除那些与其他数据明显不符的异常值，以避免对后续处理步骤的影响。
数据插值是指根据已有的数据推断缺失数据的值，以填补数据缺失的部分。
数据平滑是指通过滤波等方法，减少数据中的噪声和波动。
特征提取特征提取是指从预处理后的数据中提取出能够代表位置特征的关键信息。
位置指纹定位技术_李昊
∑
1 × pi Lqi +ε
( 6)
其中 L qi 是测量所得的 RSS 矢量 与第 i 个 数据库 矢量之 间 的距离 , ε是很小的正常数以防除数为 0 , 是第 i 个数据库 矢 ( 2) 量对应的坐标 。 3. 4 概率算法[ 3] 设有 n 个位置 ω 1, ω 2 , …, ω n , 在离线阶段 这 n 个位置上 的设备会测量 附近基 站的 RSS 。 设 s 是在 线阶 段测 量得 到 得 RSS , 则根据公式( 7) 选取后验概率最大的 ω i: P( ω i s)>P(ω j s) i , j =1 , 2 , … , n , j ≠ i 由贝叶斯公式可得 : P(ω i s)= P( s ω ·P( ω i) i) P( s) ( 8) ( 7)
1 位置指纹( LF) 定位技术
信号的多径传播对环境具有依赖性 , 呈现出非常 强的特 殊性 , 对于每个位置而 言 , 该 位置上 信道的 多径结 构是 惟一 的 , 终端发射的无线电 波经过 反射和 折射 , 产生与 周围 环境 密切相关的特定模式的多径信号 , 这样的多径特征可 以认为 是该位置的“ 指纹” 。 基站 天线阵列 检测信 号的幅 度和 相位 等特性 , 提取多径干扰 特征参 数 , 将 该参数 与预先 存储 在数 据库中的指 纹数 据进 行匹 配 , 找出 最相 似的 结 果来 进 行定 收稿日期 : 2007 -03 -20 作者 李昊 男 27 岁 硕士研究生
Nm 1
其中 s 是测 量所得的 RSS 矢量 , S i 是数据 库中的矢 量 。 q = 1 和 2 时分别 是曼 哈顿 ( M anhattan) 和 欧 几里 德( Euclidian) 距离 , 实验表明 q 增大并不一定能增加精度 。
《基于GCN-TCN的室内WiFi指纹定位算法研究》范文
《基于GCN-TCN的室内WiFi指纹定位算法研究》篇一一、引言随着无线通信技术的飞速发展，室内定位技术已成为现代生活与工作中不可或缺的一部分。
其中，基于WiFi指纹的定位技术因其准确性高、覆盖范围广等特点得到了广泛应用。
然而，传统的WiFi指纹定位算法在处理复杂室内环境时仍面临诸多挑战，如多径效应、信号衰减等问题。
近年来，图卷积神经网络（GCN）和门控时间卷积网络（TCN）的崛起为解决这些问题提供了新的思路。
本文将详细研究基于GCN-TCN的室内WiFi指纹定位算法，并探讨其优势与挑战。
二、背景知识2.1 WiFi指纹定位技术WiFi指纹定位技术是通过收集并存储特定位置的WiFi信号强度信息（RSSI）来构建指纹数据库。
当用户设备进行定位时，通过比对实时采集的RSSI与指纹数据库中的数据，实现定位。
2.2 GCN与TCNGCN（图卷积神经网络）是一种针对图数据的深度学习算法，可有效提取空间特征。
TCN（门控时间卷积网络）则是一种用于处理序列数据的深度学习算法，可有效提取时间特征。
将GCN 与TCN相结合，可以更好地处理具有时空特性的数据。
三、基于GCN-TCN的室内WiFi指纹定位算法3.1 算法原理本算法首先利用GCN提取WiFi信号的空间特征，包括不同位置、不同设备的信号强度分布等。
然后，通过TCN处理这些空间特征的时间序列数据，从而更准确地预测用户位置。
具体而言，本算法通过构建WiFi信号的时空图，利用GCN-TCN网络对图中的节点进行特征提取和预测。
3.2 算法流程（1）构建WiFi指纹数据库：在室内环境中收集并存储不同位置的WiFi信号强度信息（RSSI），构建指纹数据库。
（2）构建时空图：根据WiFi信号的时空特性，构建包含空间节点和时间节点的图结构。
（3）GCN特征提取：利用GCN对时空图中的空间节点进行特征提取，获取不同位置、不同设备的信号强度分布等特征。
（4）TCN时间序列处理：利用TCN对GCN提取的空间特征进行时间序列处理，提取时间特征。
基于WiFi位置指纹的室内定位算法研究及优化的开题报告
基于WiFi位置指纹的室内定位算法研究及优化的开题报告一、选题背景室内定位技术是指在建筑物内部使用各种技术手段实现定位的技术，包括基于WiFi、蓝牙、声学信号、红外线等技术。
其中，基于WiFi的室内定位技术因其广泛应用及成本低廉等特点，被商业化和学术界广泛使用。
目前，室内定位技术在室内导航、智能家居、消防报警、公共安全等领域都有着广泛的应用。
然而，较高的误差率和较低的定位准确度是制约该技术进一步发展的关键问题。
因此，如何提高室内定位的准确性和可靠性，成为当前研究的重点之一。
二、研究内容本次研究将以基于WiFi位置指纹的室内定位技术为研究对象，以提高室内定位的准确度和可靠性为研究目标，主要研究内容如下：1. 室内定位原理及相关算法研究：研究基于WiFi位置指纹的室内定位的原理，分析定位中的误差来源，探究现有算法的不足之处。
2. 室内WiFi信号采集及位置指纹建立：通过WiFi信号采集器采集建筑物内的WiFi信号，建立位置指纹数据库，并对其进行离线处理和优化。
3. 室内定位算法优化：针对现有算法的不足之处，提出优化方案，尝试采用机器学习等方法对定位算法进行优化，以提高定位准确度和可靠性。
4. 室内定位系统实现：在已有的室内定位系统框架上，实现基于WiFi位置指纹的定位模块，并进行实验验证和性能评估。
三、研究意义本次研究旨在通过对基于WiFi位置指纹的室内定位技术的研究和优化，提高室内定位的准确性和可靠性，为室内导航、智能家居、消防报警、公共安全等领域的应用提供支持，有着重要的研究意义和实用价值。
四、研究方法本次研究采用实验研究、数学分析和计算机仿真等方法，结合机器学习等技术，对基于WiFi位置指纹的室内定位技术进行研究和优化。
五、进度安排第一年：对室内定位原理及相关算法进行深入研究，并建立位置指纹数据库；第二年：提出定位算法的优化方案，采用机器学习等技术对算法进行优化；第三年：在已有的室内定位系统框架上，实现基于WiFi位置指纹的定位模块，并进行实验验证和性能评估。
指纹匹配定位算法的原理
指纹匹配定位算法的原理指纹定位技术是一种基于生物特征识别的定位技术，它利用每个人的指纹特征进行身份识别和定位。
本篇文章将详细介绍指纹匹配定位算法的原理和实现过程。
一、指纹特征提取首先，需要从指纹图像中提取出每个人的指纹特征。
指纹特征包括指纹的形状、纹理、沟壑等。
提取指纹特征的方法包括图像处理、模式识别和机器学习等技术。
提取出的指纹特征需要被存储在数据库中，以便后续的匹配和定位。
二、指纹匹配算法在定位过程中，需要将待定位目标的指纹特征与数据库中的指纹特征进行匹配。
常用的指纹匹配算法包括基于距离的匹配算法和基于相似度的匹配算法。
基于距离的匹配算法通常采用欧几里得距离或曼哈顿距离等距离度量方法，根据待定位目标和数据库中指纹之间的距离来判断是否匹配。
基于相似度的匹配算法则采用机器学习或模式识别的方法，根据待定位目标和数据库中指纹之间的相似度来判断是否匹配。
三、定位算法在匹配成功后，需要使用定位算法来确定待定位目标的实际位置。
常用的定位算法包括基于三角测量法的定位算法和基于指纹交叉验证的定位算法。
基于三角测量法的定位算法通常需要三个或更多的已知位置的指纹信息来计算待定位目标的实际位置。
基于指纹交叉验证的定位算法则通过比较待定位目标的指纹特征与多个已知位置的指纹特征来进行定位。
四、优化与改进在实际应用中，可以根据用户需求和反馈，不断优化和改进指纹匹配定位算法。
例如，可以增加一些参数设置，以适应不同情况下的定位需求；也可以考虑引入一些新的算法思想，以提高定位精度和效率。
此外，还可以采用一些新兴的技术，如深度学习和人工智能等，来提高指纹匹配定位算法的性能和准确性。
总的来说，指纹匹配定位算法是一种重要的生物特征识别定位技术，具有安全、准确、稳定等优点。
通过正确提取指纹特征、选择合适的匹配算法、实现精确的定位算法以及不断优化和改进算法，可以提高该技术的性能和准确性，满足不同场景下的定位需求。
以上就是《指纹匹配定位算法的原理》的全部内容，希望能够帮助到您。
基于RSS相关性的位置指纹室内定位方法
Ｙ Ａ Ｎ Ｇ Ｚ ｏ ｎ ｇ ｈ ａ ｏ ， Ｃ Ｈ Ｅ Ｎ Ｇ Ｋ ａ ｉ ， Ｚ Ｈ Ｏ Ｕ Ｂ ａ ｏ ｄ ｉ ｎ ｇ ，Ｆ Ｅ Ｎ Ｇ Ｙ ｉ ｗ ｅ ｎ ，Ｌ Ｉ Ｕ Ｊ ｉ ｎ ｇ ｊ ｉ ｎ ｇ
（ １ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｃ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ＆ Ｓ ｏ ｆ ｔ ｗ ａ ｒ ｅ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｓ ｈ ｅ ｎ ｚ ｈ ｅ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｓ ｈ ｅ ｎ ｚ ｈ ｅ ｎ ５ １ ８ ０ ６ ０ ，Ｃ ｈ ｉ ｎ ａ ； ２ Ｓ ｈ ｅ ｎ ｚ ｈ ｅ ｎ Ｋ ｅ ｙ Ｌ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ ｆＳ ｏ ｐ ａ ｔ ｉ ａ ｌ Ｓ ｍａ ｒ ｔ Ｓ ｅ ｎ ｓ ｉ ｎ ｇ ａ ｎ ｄ Ｓ ｅ ｒ ｖ ｉ ｃ ｅ ｓ ， Ｓ ｈ ｅ ｎ ｚ ｈ ｅ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｓ ｈ ｅ ｎ ｚ ｈ ｅ ｎ ５ １ ８ ０ ６ ０ ，Ｃ ｈ ｉ ａ） ｎ
ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｐ ｏ ｐ ｕ ｌ ａ ｒ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ｉ ｆ ｎ ｇ ｅ ｒ ｐ ｉｎ ｒ ｔ ｉ ｎ ｄ ｏ ｏ ｒ ｌ ｏ ｃ ａ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎ ．Ａ ｎ ｉ ｎ ｄ ｏ ｏ ｒ ｌ ｏ ｃ ａ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ
《基于RSSI的室内位置指纹定位算法研究》范文
《基于RSSI的室内位置指纹定位算法研究》篇一一、引言随着无线通信技术的不断发展，室内定位技术已经成为众多领域的重要应用，如智慧城市、无人驾驶、应急救援等。
其中，基于接收信号强度指示（RSSI）的室内位置指纹定位算法因其简单、易实现和低成本的特点，得到了广泛关注。
本文旨在研究基于RSSI的室内位置指纹定位算法，分析其原理、优势及挑战，并提出相应的改进策略。
二、RSSI室内位置指纹定位算法原理RSSI室内位置指纹定位算法基于无线信号传播的原理，通过收集特定位置上的无线信号强度信息（RSSI值），构建室内环境的指纹数据库。
当设备进入该区域时，通过比较实时采集的RSSI 值与指纹数据库中的数据，确定设备的位置。
该算法主要包含离线阶段和在线阶段两个部分。
1. 离线阶段：在该阶段，需要收集不同位置上的RSSI值，构建指纹数据库。
具体步骤包括：在室内环境中选择若干个参考点，测量各参考点处不同无线接入点（AP）的RSSI值，并将这些数据存储在指纹数据库中。
2. 在线阶段：在该阶段，设备实时采集所在位置的RSSI值，并与指纹数据库中的数据进行比对，从而确定设备的位置。
常用的比对方法包括最近邻法、K近邻法等。
三、算法优势及挑战基于RSSI的室内位置指纹定位算法具有以下优势：1. 简单易实现：该算法无需复杂的硬件设备，只需通过收集RSSI值即可实现定位。
2. 成本低：相比其他室内定位技术，该算法所需的硬件设备和维护成本较低。
3. 适用范围广：该算法适用于各种类型的室内环境，如办公楼、商场、仓库等。
然而，该算法也面临一些挑战：1. 信号衰减和干扰：无线信号在传播过程中会受到多种因素的影响，如多径效应、信号衰减等，导致RSSI值发生变化，影响定位精度。
2. 指纹数据库构建：指纹数据库的构建需要大量的人力和时间成本，且需要定期更新以适应环境变化。
3. 隐私问题：在收集和处理RSSI数据时，可能涉及用户隐私保护问题。
四、算法改进策略针对上述挑战，本文提出以下改进策略：1. 多源数据融合：将RSSI数据与其他传感器数据（如摄像头、超声波等）进行融合，提高定位精度和稳定性。
位置指纹法定位原理
位置指纹法定位原理
位置指纹法定位原理
位置指纹法是一种基于无线信号的定位技术，它通过收集周围的Wi-Fi 信号强度值，建立一个指纹库，然后通过比对指纹库中的数据来确定
用户的位置。
这种技术在室内定位和城市定位中得到了广泛的应用。
位置指纹法的定位原理是基于信号强度衰减的原理。
Wi-Fi信号在传输过程中会受到多种因素的影响，如障碍物、电磁干扰等，导致信号强
度发生变化。
因此，不同位置的Wi-Fi信号强度值也会不同。
通过收
集不同位置的Wi-Fi信号强度值，建立一个指纹库，就可以根据用户
当前所处位置的Wi-Fi信号强度值，从指纹库中找到最匹配的位置，
从而确定用户的位置。
位置指纹法的定位精度受到多种因素的影响，如Wi-Fi信号的强度、
信号的稳定性、指纹库的质量等。
因此，在建立指纹库时，需要考虑
多种因素，如采集数据的时间、采集数据的位置、采集数据的频率等。
同时，在定位时，也需要对数据进行处理和分析，以提高定位的精度
和准确性。
总的来说，位置指纹法是一种基于无线信号的定位技术，它通过收集
周围的Wi-Fi信号强度值，建立一个指纹库，然后通过比对指纹库中的数据来确定用户的位置。
这种技术在室内定位和城市定位中得到了广泛的应用，但其定位精度受到多种因素的影响，需要在建立指纹库和定位时考虑多种因素，以提高定位的精度和准确性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1. 1 位置指纹算法 基于 DCM 的位置指纹算法主要分为离线和在
* 铁道第三勘察设计院集团有限公司 助理工程师，300251 天津 收稿日期: 2011-10-21
线 2 个阶段。 1． 离线阶段。首先在一定范围内选择足够多
的位置，对每个位置测量其能接收到的各个基站的 信号强度，和该位置的二维地理坐标。把采集到的 数据存放到一个数据库里供后期定位使用，这些选 定的位置被称作指纹。在实际选取指纹的过程中， 指纹不是直接选取的位置，而是以一种滑动窗口的 模式选定。
在轨道交通列车行车安全中，列车定位是一项 关键的技术。实时精确确定列车在线路的位置是保 证安全、发挥效率、提高服务质量的前提。最佳定 位技术应该能在任何时间、任何位置按要求确定列 车的当前位置。目前应用于列车的定位技术有地面 设备定位、无线通信定位和卫星定位，而基于数据 库相关 ( DCM) 算法的位置指纹定位技术属于无 线通信定位。
仿真参数 fc ( 频段大小) ht ( 发射天线高度) hr ( 移动终端高度) d( 移动终端与发射天线之间距离) n1 ( 信道损耗因子)
δ1 ( 速度修正因子)
设定值
900MHz
35m
4. 5m 0. 05 ～ 5km
3. 5
0( V ＜ 200km /h) ; 1 ( 200km/h ＜ V km/h) ; 2( V ＞ 300km /h)
— 49 —
铁道通信信号 2012 年第 48 卷第 3 期
— 50 —
RAILWAY SIGNALLING ＆ COMMUNICATION Vol. 48 No. 3 2012
按照图 3 在 Matlab 中搭建铁路 沿 线 的 仿 真 环 境。 按照图 1 的滑动窗口模式建立指纹数据库。
表 1 GSM-R 仿真参数设定
图 6 WKNN 不同指纹间距下的 CDF
4 结论
3 仿真性能结果
3. 1 NN，KNN，WKNN 三种算法比较 从图 5 中可以看出，当 K 取 2 时，WKNN 算
法定位误差明显优于 NN 与 KNN 算法。WKNN 算 法定位误差 67% 概率下小于 25 m，95% 概率下小 于 150 m。由于 WKNN 算法性能优于其他二种算 法，故后续仿真中均采用 WKNN 算法。
如图 1 所示，直线为公路，小圆点是实际测试 的位置。在每个小圆点测量其对于能接收到信号的 各个基站的信号强度。图 1 总共在公路上测试了
图 1 指纹采集过程
15 个位置，然后用一个滑动窗口取指纹，取法为 每 10 个小圆点对于每个基站的接收信号强度分别 取平均，得到需要的指纹如图中大圆点，其位置为 所取 10 个小圆点的平均位置，然后窗口向后滑动 至第 6 个小圆点继续取指纹 2。
图 5 NN，KNN，WKNN 三种算法 CDF 比较
3. 2 WKNN 算法中不同指纹间距的仿真比较 图 6 给出了指纹间距在 50 m 和 150 m 时的定
位误差 CDF 曲线aitinen，Jaakko Lahteenmaki，Tero Nordstrom "
＜ 300
δ2 ( 地形修正因子) δ3 ( 随机噪声生成)
－ 5( 郊区) ; － 20( 平原) ; 15( 山岭) ; 0( 隧道)
服从均值为 0 方差为 2 的 正态分布
列车车厢损耗 小区半径 基站发射功率
15dB 2km( 山岭) 2. 5km ( 郊区) 3km( 平原)
40W
增大而增大，在指纹间距为 50 m 和 150 m 时定位 误差在 95% 概率下分别小于 100 m 和 140 m。同时 可以看出，定位误差并不是和指纹间距同比例增 大，所以在要求不高的前提下可以适当增大指纹间 距，以减少离线准备工作。
of Electronic ＆ Telecommunicatio University of Moratuwa
Sri Lanka.
［3］ Paul Kemppi " Database Correlation Method for Multi －
System Location" Department of Electrical and Communi-
2012 年 3 月 第 48 卷 第 3 期
铁道通信信号 RAILWAY SIGNALLING ＆ COMMUNICATION
March 2012 Vol. 48 No. 3
通信·信息技术
基于数据库相关算法的位置指纹定位技术
任 睿*
摘 要: 基于 Matlab 搭建了仿真平台，仿真实现了指纹数据采集、数据库建立、匹配定位等定 位系统功能模块。运用最近邻、K 近邻以及 K 加权近邻算法在 GSM-R 环境中进行了对比测试， 比较分析几种方法的定位效果; 通过修改 GSM-R 网络参数、指纹大小等因素，比较各算法在不 同环境中的定位性能。 关键词: 数据库相关算法; 最近邻法; K 近邻法; 加权 K 近邻法 Abstract: The Matlab-based simulation platform are set up to realize fingerprint data collection，database creation，matching positioning and so on． Comparison tests are also made among the nearest neighbor algorithm，K nearest neighbor algorithm，and weighted K nearest neighbor algorithm to analyze their positioning effects in GSM-R networks． Through revising GSM-R network parameters，the size of fingerprint，and so on factors，the positioning performance of each algorithm are compared． Key words: Database correlation method; NN ( Nearest Neighborhood) ; KNN; WKNN
Database Correlation Method for GSM Location" VTT In-
formation Technology P． O． Box 1202.
［2］ B． D． S． Lakmali " Design，Implementation ＆ Testing of
PositioningTechniques in Mobile Networks " Department
位置指纹定位技术在非视距传播环境下的表现 非常好，其他无线定位算法 ( 到达时间差、到达 角等) 受多径环境影响严重，而位置指纹定位恰 恰利用了多径效应，可以在非视距环境下准确 定位，适合于环境复杂地区的定位。而且定位 算法本身不需要额外的硬件支持，依靠已经建 好的无线网络，只需要接收机能够反馈接受信 号强度等信息，所以位置指纹定位的技术成本 较低，可以较快投入应用。目前对于指纹定位 算法的 研 究 大 多 在 室 内 环 境 和 GSM 环 境 下， 缺少 GSM-R 网络下位置指纹定位性能相关方 面的研究。
cations Engineering 1st August，2005.
［4］ 钟章队 . 铁路 GSM-R 数字移动通信系统［M］. 北京: 中国铁道出版社，2007.
［5］ 李铁华． GSM-R 无线信道模型分析［D］. 西南交通大
学，2007.
( 责任编辑: 诸 红)
— 51 —
1． 在相 同 环 境 下 NN，KNN，WKNN 三 种 定 位算法的误差 WKNN 效果更好。
2． 指纹间距的大小会影响误差的大小，指纹 间距越小，误差越小，但是离线工作量越大。
可以看出，将传统的轨道电路定位与位置指纹 定位结合，可以显著提高定位精度，并且可以随时 将指纹定位算法应用于现有的轨道电路定位中。因 为指纹定位算法依据已经搭建好的无线网络，只需 要建立指纹数据库即可运行，并不需要额外的大量 固定资产投入。