为了提高基于WiFi的室内定位的精度和降低计算时间, 本文提出一种卷积神经网络(Convolutional Neural Networks, CNN)结合传统指纹库的室内定位算法. 该算法基于接收信号强度指示(Received Signal Strength Indication, RSSI)数据, 首先利用卷积神经网络模型, 根据实时输入数据预判出待测点的初步位置. 在保证了大范围预测的位置大概率正确的前提下, 再结合传统指纹库中的指纹点, 确定出精确度更高的最终预测位置. 实验结果表明, 在时效性达到要求的前提下, 累计误差在1 m以内的定位精度约有65%, 累计误差在1.5 m以内的定位精度约有85%, 且误差较为稳定.

连接状态获取RSSI信号质量 工程的打印文件

连接状态获取RSSI信号质量 工程的数据文件

SI4463移植到STM32F1，AP功率可调节

针对室内定位研究人员开发的数据采集APP，包含了采集PDR的实时加速度，角速度，航向数据。提供对周围环境信号的RSSI采集，每秒采集一次（采集过程中需要关闭流量，使用融合采集的功能可以同时采集WiFi，地磁，蓝牙RSSI）。采集的数据存在软件内部中，可通过AS查看，软件是基于AS3.6.3开发的，安卓系统10使用可能存在问题

包含质心定位 四边测距定位 加权四边测距定位算法，matlab编写，并比较这几种方法的定位误差

基于RSSI的无线传感器网络三角形质心定位算法（MATLAB程序）

TI CC2530，RSSI数值检测源代码！

普通的质心算法。 很好的质心算法，仿真通过，解释很详细，新手应该能看懂 RSSI 质心。

建立一套精确可靠的井下人员跟踪定位系统对保障人员安全具有十分重要的意义。井下由于环境复杂、人员分散而导致的电磁波衰落和干扰严重影响了人员定位跟踪的精确性,同时,井下人员等定位目标的运动状态常常为非线性也增加了井下人员跟踪定位的难度。提出了结合集合卡尔曼滤波(EnKF)与无线信号接收强度(RSSI)定位算法的井下人员跟踪定位的方法,将RSSI定位结果作为观测值,通过集合卡尔曼滤波算法结合运动模型可减小定位的随机误差,达到提高定位精确性的目的。模拟实验结果表明:该方法在线性与非线性运动目标的定位中均可取得良好效果,具有较强的实用性。