Các thuật toán lọc và khớp dữ liệu

Một phần của tài liệu (LUẬN văn THẠC sĩ) nghiên cứu phát triển hệ thống định vị trong nhà dựa trên cảm biến điện thoại thông minh (Trang 26 - 29)

CHƢƠNG 2 CÁC KỸ THUẬT ĐỊNH VỊ TRONG NHÀ

2.5. Các thuật toán lọc và khớp dữ liệu

Các thuật toán lọc và khớp dữ liệu đóng vai trò rất quan trọng trong các hệ thống định vị trong nhà, các thuật toán này có thể cải thiện độ chính xác của kết quả định vị cũng như làm tăng hiệu suất của hệ thống. Đặc biệt với phương pháp định vị bằng cách lấy mẫu và lập bản đồ, các thuật toán lọc và khớp dữ liệu đóng vai trò chủ yếu trong việc ước lượng vị trí của thiết bị.

2.5.1. Bộ lọc Kalman

Bộ lọc Kalman là thuật toán ước tính các tham số của trạng thái hiện tại chỉ sử dụng thông tin từ phép đo hiện tại và trạng thái trước đó, là một phương pháp ước tính có tính đệ quy. Bộ lọc Kalman là một công cụ ước tính tối ưu hoá, nghĩa là bộ lọc giảm thiểu sai số trung bình của các tham số ước tính với giả định nhiễu trong hệ thống có phân bố Gauss.

Bộ lọc Kalman rất phổ biến do sự tiện lợi của nó trong các ứng dụng thời gian thực, vì có tốc độ nhanh và các giá trị quan sát được tại thời điểm hiện tại sẽ được xử lý ngay khi đo được. Bộ lọc Kalman cũng tương đối dễ cài đặt và cho kết quả tốt.

Bộ lọc Kalman dựa trên hai phương trình:

{

Trong đó xk là véc tơ biểu diễn trạng thái thực tế (vị trí chính xác của thiết bị) ở thời điểm k và uk là tín hiệu điều khiển của bộ lọc. Mỗi giá trị ước tính của trạng thái ở thời điểm k là một hàm tuyến tính của trạng thái ở thời điểm trước đó xk-1 với tín hiệu điều khiển và nhiễu tính toán wk-1.

Zk là véc tơ các giá trị đo được, và là một hàm tuyến tính của trạng thái thực tế xk với nhiễu đo đạc vk. A, B, H là các véc tơ mà trong đó A là mô hình chuyển trạng thái, B là mô hình điều khiển đầu vào và H là mô hình quan sát.

Bộ lọc Kalman thực hai giai đoạn khi các phép đo mới được thực hiện từ các tín hiệu quan sát được, giai đoạn cập nhật thời gian và giai đoạn cập nhật đo lường. Trong giai đoạn cập nhật thời gian, trạng thái tiếp theo được ước lượng dựa vào 2 phương trình trên và trong giai đoạn cập nhật đo lường, trạng thái ước tính được cập nhật với các giá trị đo được [11].

2.5.2. Thuật toán người láng giềng gần nhất

Thuật toán người láng giềng gần nhất là phương pháp xác định một véc tơ từ tập các véc tơ cho trước có khoảng cách gần nhất đến một véc tơ khác. Khoảng cách giữa 2 véc tơ có thể được đo bằng nhiều độ đo khác nhau, trong đó phổ biến nhất là sử dụng độ đo Euclide. Sử dụng độ đo Euclide, khoảng cách giữa 2 véc tơ a và b được xác định bằng công thức:

√( ) ( ) ( )

Thuật toán người láng giềng gần nhất rất hiệu quả trong việc xác định điểm tham chiếu gần nhất với thiết bị khi sử dụng phương pháp lấy dấu và lập

bản đồ. Bằng cách tính khoảng cách giữa các véc tơ tín hiệu ở các điểm tham chiếu với véc tơ tín hiệu quan sát được, có thể dễ dàng xác định được điểm tham chiếu gần nhất với thiết bị.

Một cải tiến khác của thuật toán người láng giềng gần nhất là thuật toán k người láng giềng gần nhất. Thuật toán này xác định k điểm tham chiếu gần nhất với thiết bị, sau đó gán trọng số cho mỗi điểm tham chiếu đó. Từ đó ước tính vị trí của thiết bị theo các công thức:

| |

Trong đó Pk là toạ độ của các điểm tham chiếu, Ek là khoảng cách giữa các véc tơ đặc trưng tín hiệu của các điểm tham chiếu đến véc tơ đặc trưng tín hiệu quan sát được. Wk là trọng số được gán cho k điểm tham chiếu có khoảng cách ngắn nhất đến thiết bị và Px là toạ độ ước tính của thiết bị.

CHƢƠNG 3. HỆ THỐNG ĐỊNH VỊ TRONG NHÀ DỰA TRÊN CẢM BIẾN TỪ TRƢỜNG

Một phần của tài liệu (LUẬN văn THẠC sĩ) nghiên cứu phát triển hệ thống định vị trong nhà dựa trên cảm biến điện thoại thông minh (Trang 26 - 29)

Tải bản đầy đủ (PDF)

(62 trang)